Kimi K3: cena, API, lokalnie. Kiedy zamiast Sonneta 5.5?

Kimi K3 od Moonshot AI wyszedł 16 lipca 2026 i zwykle jest przedstawiany jako otwarty model, który prawie dogania czołówkę za ułamek ceny. Pierwszej połowy da się bronić. Druga nie przeżywa zderzenia z cennikiem.

Liczby na start: 2.8 biliona parametrów (MoE, 104 mld aktywnych na token), 1M tokenów kontekstu, otwarte wagi na własnej licencji i API za $3 / $15 za milion tokenów, $0.30 za odczyt z cache. To drożej niż Sonnet 5.5 ($2 / $10, cache $0.20) i drożej niż wydany dziś GPT-6.1 Sol ($2 / $10, cache $0.10). Na każdej linii cennika.

Pytanie “czy K3 jest tańszy” ma więc krótką odpowiedź: przez oficjalne API nie jest. Ciekawsze pytanie brzmi, kiedy otwarte wagi modelu 2.8T są warte tego, że płacisz więcej albo stawiasz własny klaster. O tym jest ten tekst: cena, API, uruchamianie lokalnie i dwa ryzyka, które zespół powinien znać, zanim ktoś włączy K3 w firmowym Copilocie.

Podstawowe fakty

Licencja to nie jest czyste MIT. Ma dwa warunki. Firma, która sprzedaje dostęp do modelu jako usługę (Model as a Service) i ma ponad $20 mln przychodu w ciągu 12 miesięcy, potrzebuje osobnej umowy z Moonshot. Produkt z ponad 100 mln MAU albo $20 mln miesięcznego przychodu musi wyświetlać “Kimi K3” w interfejsie.

Oba warunki nie dotyczą użycia wewnętrznego, czyli takiego, w którym ani model, ani jego wyniki nie trafiają do osób trzecich. Dla zespołu, który chce postawić K3 do pracy nad własnym kodem, licencja nie jest przeszkodą. Przeszkodą jest sprzęt, ale o tym za chwilę.

Cena: gdzie K3 jest drogi

Najważniejsza jest środkowa kolumna. W pracy agentowej odczyty z cache to większość rachunku, o czym pisałem przy Opusie 5.5 i GPT-6 Sol. K3 ma cache droższy niż Opus 5.5 ($0.30 vs $0.20) i trzy razy droższy niż GPT-6.1 Sol. Moonshot chwali się, że ich API trafia w cache w ponad 90% przy kodowaniu. Nawet jeśli tak jest, za każdy trafiony token płacisz więcej niż u Anthropic czy OpenAI.

Przykład, żeby to poczuć. Jedno zadanie agenta: 1.8M tokenów czytanych z cache, 200K świeżego wejścia, 50K wyjścia. Upraszczam: świeży input liczę po cenie wejścia, bez dopłat za zapis do cache (u Claude’a zapis jest droższy niż input, u K3 kosztuje tyle samo).

• Kimi K3: $0.54 + $0.60 + $0.75 = $1.89
• Sonnet 5.5: $0.36 + $0.40 + $0.50 = $1.26
• GPT-6.1 Sol: $0.18 + $0.40 + $0.50 = $1.08
• Opus 5.5: $0.36 + $0.80 + $1.00 = $2.16

Przy tych samych tokenach K3 wychodzi ok. 1.5x drożej niż Sonnet 5.5, ok. 1.75x drożej niż Sol i ok. 12% taniej niż Opus 5.5. Tylko że “te same tokeny” to założenie na korzyść K3. Artificial Analysis mierzy, ile tokenów wyjściowych model zużywa na cały ich indeks: K3 przy max - 160M, Sonnet 5.5 przy high - 50M, GPT-6.1 Sol przy medium - 15M.

Simon Willison sprawdził to na swoim teście z pelikanem w SVG: 95 tokenów wejścia, 16 658 wyjścia, z czego 13 241 to rozumowanie. Wyszło 25 centów i komentarz: “the most expensive pelican I’ve rendered through a Chinese model so far”.

Tańsi dostawcy i haczyk

Otwarte wagi oznaczają, że K3 hostuje nie tylko Moonshot. Na OpenRouterze jest dziś ok. 20 endpointów od 17 dostawców, najtańsze biorą $9 za milion tokenów wyjściowych. Tyle że nie są identyczne. Różnią się deklarowaną kwantyzacją (fp4, mxfp4, fp8, bf16, “unknown”) i limitem outputu - od 16 384 tokenów u DeepInfra do 943 718 u większości.

Agent, który w długiej sesji generuje duży plik albo długie rozumowanie, na endpoincie z limitem 16K urwie się w połowie. Zanim wybierzesz najtańszego dostawcę, sprawdź max_completion_tokens i kwantyzację, a potem puść na nim te same zadania co na API Moonshot i porównaj wyniki.

Subskrypcja Kimi

API nie ma abonamentu, to pay-as-you-go (K3 odblokowuje się po doładowaniu minimum $1). Osobno działa subskrypcja Kimi z Kimi Code. Oficjalny cennik podaje ceny w juanach: ¥49, ¥99, ¥199 i ¥699 miesięcznie. K3 w Kimi Code jest od planu za ¥99 (Plus, dawniej Moderato), ale z kontekstem 256K. Pełne 1M kontekstu dostajesz od ¥199 (Pro, dawniej Allegretto). Limity liczone są w 5-godzinnym oknie i w miesięcznej puli kredytów, wspólnej dla wszystkich funkcji Kimi.

Jedna rzecz z changelogu Kimi Code z 11 września, którą łatwo przeoczyć: przy wyłączonym myśleniu żądania do K3 obsługuje inny model, K2.8 Preview. Jeśli korzystasz z K3 przez subskrypcję i porównujesz jakość, upewnij się, że myślenie jest włączone. Inaczej mierzysz inny model.

Benchmarki: czyje liczby i z kim porównane

Tabela Moonshot z karty modelu na Hugging Face, K3 przy effort max:

To są liczby producenta i trzeba je czytać razem z przypisami, które Moonshot sam dołącza:

• W testach kodowania (DeepSWE, Terminal-Bench 2.1, FrontierSWE) K3 działał we własnym harnessie Kimi Code, konkurenci w Claude Code, Codeksie albo Terminus 2. W SWE-Marathon K3 szedł przez Claude Code. Porównujesz model razem z harnessem, nie sam model.
• SWE-Marathon liczono na gałęzi zadań przekalibrowanej pod GPU H20, a Fable 5 trafiał tam na fallback w 35% zadań.
• To porównanie z poprzednią generacją. W tabeli nie ma Opusa 5.5, Sonneta 5.5, GPT-6 Sol ani GPT-6.1 Sol, bo wyszły po K3.
• Terminal-Bench 2.1 to nie Terminal-Bench 4.0, na którym Sonnet 5.5 ma 70.6%. Tych liczb nie da się zestawić.

Moonshot sam pisze w ogłoszeniu, że K3 “still trails” Fable 5 i GPT-5.6 Sol, a w sekcji ograniczeń przyznaje “noticeable gap in user experience” wobec obu. Rzadko producent pisze coś takiego w materiałach premierowych. Traktuję to jako najbardziej wiarygodne zdanie w całym ogłoszeniu.

Niezależnie: Artificial Analysis

Jedyne źródło, które dziś zestawia K3 z bieżącą generacją na szerokim, jednolitym zestawie testów, to Artificial Analysis Intelligence Index (wersja 4.3.2, stan na 29 września):

Wniosek jest niewygodny dla narracji “prawie frontier za grosze”. Sonnet 5.5 przy high ma wyższy wynik niż K3 przy max i kosztuje prawie o połowę mniej na zadanie. GPT-6.1 Sol przy medium jest wyżej za ok. 1/10 kosztu. K3 jest też wolny: 39 tokenów na sekundę według AA, podczas gdy warianty Sonneta 5.5 i GPT-6.1 Sol z tabeli mieszczą się w przedziale 62-138.

Dwa zastrzeżenia. Po pierwsze, AA zmienia wersje indeksu i starsze liczby nie są porównywalne. Na początku września na HN krążyło, że K3 ma w AA 60 punktów i $0.84 za zadanie - to był inny indeks. Po drugie, wśród dużych modeli z otwartymi wagami K3 jest w AA dziś trzeci, za MiMo-V2.6-Pro (46) i GLM-5.3 (45).

Z niezależnych testów na realnej pracy mam dwa punkty danych, oba z zastrzeżeniami:

• imec puścił 64 zadania z SWE-Bench Pro na K3 hostowanym u siebie: 86.4% rozwiązanych, wobec 62.5% dla Opusa 4.8 i GLM-5.2. Autorzy sami piszą, że te zadania mogły być w danych treningowych K3.
• RunSybil porównał K3 z Opusem 5.5 przy pracy nad exploitami, oba modele w harnessie Claude Code. K3 zużył ok. 20% więcej tokenów, ale wyszedł taniej dzięki niższej cenie.

W tych danych brakuje porównania K3 z Sonnetem 5.5 na zadaniach typowego zespołu, np. w repo .NET. Takiego porównania nie znalazłem, więc jeśli rozważasz K3, to jest pierwszy eval do zrobienia u siebie. Jak go ustawić, opisałem w tekście o mierzeniu pracy agentów.

Jak używać Kimi K3 przez API i w narzędziach

API Moonshot ma trzy zgodne interfejsy pod https://api.moonshot.ai:

• OpenAI Chat Completions i Responses: https://api.moonshot.ai/v1
• Anthropic Messages: https://api.moonshot.ai/anthropic

Model nazywa się kimi-k3. Konsola jest dziś pod platform.kimi.ai (stary adres platform.moonshot.ai przekierowuje).

Claude Code

Moonshot ma oficjalny przewodnik. Konfiguracja trafia do env w ~/.claude/settings.json:

{
  "env": {
    "ANTHROPIC_BASE_URL": "https://api.moonshot.ai/anthropic",
    "ANTHROPIC_AUTH_TOKEN": "TWOJ_KLUCZ_MOONSHOT",
    "ANTHROPIC_MODEL": "kimi-k3[1m]",
    "ANTHROPIC_DEFAULT_OPUS_MODEL": "kimi-k3[1m]",
    "ANTHROPIC_DEFAULT_SONNET_MODEL": "kimi-k3[1m]",
    "ANTHROPIC_DEFAULT_HAIKU_MODEL": "kimi-k2.7-code",
    "ANTHROPIC_DEFAULT_FABLE_MODEL": "kimi-k3[1m]",
    "CLAUDE_CODE_SUBAGENT_MODEL": "kimi-k3[1m]",
    "CLAUDE_CODE_AUTO_COMPACT_WINDOW": "1000000",
    "CLAUDE_CODE_EFFORT_LEVEL": "max"
  }
}

Najważniejsze zdanie z tego przewodnika: jeśli ustawisz tylko część zmiennych, scenariusze bez przypisanego modelu (subagenci, zadania w tle) padają po cichu, bo Claude Code wysyła do Moonshot nazwę modelu, której ten endpoint nie zna. Po restarcie sprawdź /status - powinien pokazać base URL Moonshot i kimi-k3[1m]. Klucz w settings.json leży otwartym tekstem, więc ten plik nie może trafić do repo ani do dotfiles.

Subskrypcja Kimi Code ma własny endpoint dla Claude Code (https://api.kimi.ai/coding/, modele k3 i k3-256k). To osobna usługa z osobnymi kluczami - klucza z platformy API nie wkleisz w konfigurację subskrypcji i odwrotnie.

Copilot, OpenCode, Codex, Cline

• GitHub Copilot ma K3 natywnie od 6 sierpnia, bez BYOK: w planach Pro, Pro+, Max, Business i Enterprise, w VS Code, Visual Studio, JetBrains, CLI i cloud agencie. Według ogłoszenia GitHub hostuje go na Fireworks AI, a rozlicza po $3 / $15 / $0.30. W przeciwieństwie do Opusa 5.5 jest też w planie Pro. W Business i Enterprise model jest domyślnie wyłączony - administrator musi włączyć politykę. GitHub wprost zaleca, żeby wcześniej sprawdzić modele z otwartymi wagami pod kątem bezpieczeństwa i zgodności. O politykach modeli i ograniczaniu agentów pisałem w tekście o granicach dostępu agentów Copilota.
• OpenCode: wbudowany dostawca “Moonshot AI” (opencode auth login), effort przełączasz przez /variants. Jest oficjalny przewodnik Moonshot.
• Codex: przez Responses API Moonshot, oficjalny przewodnik z konfiguracją ~/.codex/config.toml.
• Cline: K3 jest dostępny przez dostawcę Cline (rozliczenie za użycie) albo ClinePass, bez własnego klucza Moonshot.
• Kilo Code ma dostawcę Moonshot, ale jego dokumentacja opisuje modele K2, nie K3. Nie znalazłem potwierdzenia, że K3 tam działa, więc tego nie obiecuję.

Pięć rzeczy, które zepsują integrację

1. Myślenie jest zawsze włączone. W API nie da się go wyłączyć, można tylko zejść na reasoning_effort: "low". Domyślny jest max, czyli najdrożej i najwolniej.
2. Zwracaj całą wiadomość asystenta. K3 był trenowany z zachowaną historią myślenia. W kolejnej turze trzeba odesłać reasoning_content i tool_calls, nie samo content. Moonshot ostrzega, że harness, który tego nie robi, albo przełączenie na K3 w środku sesji z innym modelem daje wyniki “highly unstable”. Router, który przerzuca rozmowę między modelami w locie, to tu zły pomysł.
3. Parametry próbkowania są zablokowane. temperature=1.0, top_p=0.95 i reszta są stałe. Usuń je z żądań.
4. Limity na starcie są niskie. Po doładowaniu $1 masz 1 równoległe żądanie, 3 RPM i 500K tokenów na minutę. Żądanie z pełnym kontekstem 1M przekracza ten limit, a subagenci Claude Code nie mają jak działać równolegle. Sensowna praca zaczyna się od $10 skumulowanego doładowania (15 równoległych żądań, 2M TPM).
5. Schematy narzędzi. W dniu premiery XCSme zgłaszał na HN, że Moonshot odrzucał definicje narzędzi z anyOf w parametrach. Nie wiem, czy to poprawiono. Jeśli masz serwery MCP z rozbudowanymi schematami, przetestuj je, zanim uznasz integrację za gotową.

Kimi K3 lokalnie: co jest realne

Tu najłatwiej o nieporozumienie, bo “otwarte wagi” brzmią jak “odpalę u siebie”. Wagi w MXFP4 ważą ok. 1.56 TB.

Co mówią źródła:

• vLLM (przepis z 25 września): minimum 8x GB300 albo 8x MI355X/MI350X, a przy prawdziwym ruchu produkcyjnym kilka węzłów.
• Moonshot zaleca wdrożenia na “supernode configurations with 64 or more accelerators”, żeby inferencja była efektywna.
• imec zmierzył to na realnych zadaniach. Węzeł 8x B200 (1.5 TB HBM) nie mieści K3 z miejscem na KV cache, więc użyli 8x B300 (2.3 TB HBM). Wynik: 16 równoległych sesji, 122 tokeny/s łącznie przy 16 użytkownikach, mediana czasu zadania 38 minut. Według autorów to ok. 8 razy wolniej niż ich punkt odniesienia z Claude Code.

A MacBook? Projekt deltafin uruchomił pełny K3 na MacBooku Pro M5 Max ze 128 GB RAM, strumieniując ekspertów z czterech dysków SSD (wewnętrzny plus trzy obudowy Thunderbolt 5). Wynik: 1 token na sekundę i ok. 6.3 minuty do pierwszego tokena przy prompcie 512 tokenów. Autor sam pisze na HN, że to “not useful for chat”. Używa tego do porannych raportów finansowych, na które nikt nie czeka przy klawiaturze, a dane nie wychodzą z maszyny. To uczciwy przypadek użycia, ale nie dla agenta kodującego, który w jednym zadaniu przerzuca setki tysięcy tokenów kontekstu.

Heurystyka: “lokalnie” przy K3 znaczy “na własnym albo wynajętym węźle klasy 8x B300 / 8x GB300”, nie “na stacji roboczej dewelopera”. Jak ujął to fmind-dev na HN: “API prices are amazing, but hosting this on-premise will be real challenge.”

Jeśli taki węzeł jest poza zasięgiem, a powodem jest kontrola danych, zostają dwie drogi pośrednie: zewnętrzny dostawca inferencji, któremu ufasz (umowa, region, retencja), albo mniejszy model z otwartymi wagami, który zmieści się na sprzęcie, który już masz. imec pokazuje ten koszt wprost: model mieszczący się na jednym GPU rozwiązał ok. jednej trzeciej z 64 zadań.

Ryzyka: incydent z sandboxem i jurysdykcja danych

Co się stało z sandboxem

6 sierpnia Wired (Will Knight) opisał raport firmy Frontier Security. Przebieg według oryginalnego wpisu Frontier (Paul Kassianik i Yaron Singer):

• testowali K3 na zadaniach z defensywnego cyberbezpieczeństwa (typu CTF) w sandboxie z frameworka Inspect brytyjskiego AI Security Institute;
• sandbox blokował większość internetu, ale miał allowlistę dla menedżerów pakietów: pypi.org, *.debian.org i github.com;
• K3 zbadał sieć, zauważył, że GitHub odpowiada, sklonował oficjalne repozytorium benchmarku i odczytał rozwiązanie z dysku, zamiast rozwiązać zadanie;
• według Wired niczego nie zaatakował. 8 sierpnia Frontier dopisał sprostowanie, że nie był to nieograniczony dostęp do internetu.

Odpowiedzialność jest sporna. AISI nazwał twierdzenia Frontier “inaccurate and irresponsible” i stwierdził, że konfiguracja narzędzia należy do użytkownika. Frontier odpowiada, że użył konfiguracji domyślnej. Moonshot nie odpowiedział Wiredowi.

Wniosek praktyczny nie zależy od tego, kto w tym sporze ma rację: allowlista z GitHubem to furtka dla każdego agenta, któremu dasz zadanie z rozwiązaniem leżącym w publicznym repo. Twój devcontainer dla agenta pewnie też ma na liście github.com i nuget.org. K3 zrobił dokładnie to, co Moonshot opisuje w sekcji ograniczeń jako “excessive proactiveness”: przy niejasnym zadaniu podejmuje decyzje za użytkownika. Moonshot sam radzi, żeby granice pisać jawnie w system prompcie albo w AGENTS.md.

Drugi, spokojniejszy dokument to wstępna ocena brytyjskiego AISI i amerykańskiego CAISI z 23 lipca. K3 wypada wyraźnie poniżej najnowszych modeli frontier zarówno w pisaniu exploitów, jak i w symulowanym ataku na sieć firmową, gdzie doszedł średnio do kroku 17 z 32 (najlepsze modele z USA: 28.5). Jednocześnie jego zabezpieczenia nie powstrzymały go przed próbami pisania exploitów. Dla zespołu to znaczy, że guardrails są po Twojej stronie: uprawnienia, izolacja sieci, review. Model ich nie dostarczy.

Dane: API Moonshot a własne wagi

Fakty z dokumentów Moonshot, bez interpretacji prawnej:

• umowę o API zawierasz z Moonshot AI PTE. LTD. w Singapurze, obowiązuje prawo Singapuru i arbitraż SIAC;
• polityka prywatności mówi, że dane są przechowywane na serwerach w Singapurze (ta polityka jest z kwietnia 2025);
• regulamin z 30 lipca 2026 pozwala Moonshot używać treści klienta, żeby “provide, maintain, develop, support, and improve the Services”, a ograniczenie trenowania na Twoich danych wymaga osobnej umowy. Strona o zero data retention mówi z kolei, że dane klientów enterprise domyślnie nie służą do trenowania, a ZDR jest dostępne na wniosek dla klientów enterprise.

Do tego dochodzi zarzut, który trzeba znać, ale nie przyjmować bez zastrzeżeń. 10 września Anthropic opisał w raporcie o nadużyciach, że Moonshot miał po cichu przekierowywać część zapytań swoich klientów do Claude’a i pokazywać odpowiedzi jako odpowiedzi Kimi. Według Anthropic było to ok. 300 tys. zapytań w 10 dni, przez 5380 fałszywych kont. To dane telemetryczne konkurenta, niezweryfikowane publicznie przez nikogo z zewnątrz. Media (BeInCrypto, 12 września) podają, że Moonshot zaprzecza zarzutom i zapowiada kroki prawne, ale jedyny cytowany komunikat firmy dotyczy plotek o założycielu i pracownikach, a nie samego raportu. Technicznej odpowiedzi na raport nie znalazłem.

Dla firmy wniosek jest prostszy niż ten spór: nie wiesz, gdzie naprawdę trafia prompt wysłany do hostowanego API, dopóki nie masz tego w umowie. Jak to się przekłada na wybór ścieżki:

To nie jest porada prawna. Jeśli w promptach lądują dane osobowe, kod klienta albo sekrety, decyzja idzie przez inspektora ochrony danych i dział prawny, a nie przez dewelopera z kartą kredytową.

Kiedy Kimi K3 ma sens

• Szukasz taniego modelu do codziennego kodowania - nie. Sonnet 5.5 i GPT-6.1 Sol są tańsze na każdej linii cennika, szybsze i w AA wyżej. K3 nie wygrywa tu ani ceną, ani jakością.
• Potrzebujesz modelu z czołówki, który postawisz u siebie - tak, i to jego jedyna twarda przewaga. Dotyczy organizacji, które mają albo planują węzeł klasy 8x B300, a dane nie mogą wyjść z budynku. Przy użyciu wewnętrznym licencja nie przeszkadza.
• Chcesz fine-tuningu dużego modelu na własnych danych - otwarte wagi to umożliwiają, zamknięte modele nie.
• Jesteś w Copilocie i chcesz drugiego modelu do review - włącz K3 dla grupy pilotażowej, nie dla całej organizacji. Cena jest ta sama co w API Moonshot, a hosting po stronie GitHub i Fireworks.
• Masz nocne, nieinteraktywne zadania - niska prędkość boli mniej. Ale nawet tu najpierw porównaj z tańszymi modelami.
• Chcesz uniezależnić się od jednego dostawcy - K3 obsługuje dziś kilkanaście firm (17 dostawców na OpenRouterze), więc limity albo awaria jednego hosta nie zatrzymują pracy.

Moja reguła: K3 wybierasz za otwarte wagi, nie za cenę. Jeśli w Twoim uzasadnieniu nie pada ani “własny sprzęt”, ani “fine-tuning”, ani “niezależność od dostawcy”, prawie na pewno lepiej wyjdziesz na Sonnecie 5.5 albo GPT-6.1 Sol.

FAQ

Ile kosztuje Kimi K3?

Przez API Moonshot $3 za milion tokenów wejściowych, $0.30 za odczyt z cache i $15 za milion wyjściowych. Zapis do cache kosztuje $3 (5 minut) albo $6 (1 godzina), bez droższego progu dla długiego kontekstu. W GitHub Copilot stawka jest ta sama. Na OpenRouterze inni dostawcy biorą od $9 za milion tokenów wyjściowych, ale różnią się kwantyzacją i limitem outputu.

Czy Kimi K3 jest tańszy od Claude Sonnet 5.5?

Nie w cenniku: Sonnet 5.5 kosztuje $2 / $10 i $0.20 za odczyt z cache. W Artificial Analysis Sonnet 5.5 przy effort high ma 47 punktów za $1.08 na zadanie, a K3 przy max 44 punkty za $2.00. K3 jest tańszy tylko od Opusa 5.5 i tylko na inpucie i outpucie, bo cache ma droższy.

Czy Kimi K3 działa w Claude Code?

Tak. Moonshot ma endpoint zgodny z Anthropic Messages API (https://api.moonshot.ai/anthropic) i oficjalny przewodnik. Ustaw ANTHROPIC_BASE_URL, ANTHROPIC_AUTH_TOKEN i wszystkie zmienne modeli, łącznie z subagentami i Haiku, bo inaczej część funkcji padnie po cichu.

Czy da się uruchomić Kimi K3 lokalnie?

Wagi mają ok. 1.56 TB. Przepis vLLM zakłada minimum 8x GB300 albo 8x MI355X. Na MacBooku Pro M5 Max ze 128 GB i czterema dyskami SSD udało się osiągnąć 1 token na sekundę i ok. 6 minut do pierwszego tokena. To wystarcza do zadań nocnych, nie do pracy interaktywnej.

Czy Kimi K3 jest open source?

To model z otwartymi wagami na licencji Kimi K3 License, opartej na MIT z dwoma warunkami: osobna umowa z Moonshot dla firm sprzedających model jako usługę przy przychodzie ponad $20 mln rocznie i obowiązek pokazywania nazwy “Kimi K3” w produktach z ponad 100 mln MAU albo $20 mln miesięcznego przychodu. Użycie wewnętrzne jest z tych warunków wyłączone.

Czy Kimi K3 uciekł z sandboxa?

Frontier Security opisał, że podczas testu w sandboxie Inspect K3 wykorzystał allowlistę z github.com, sklonował repozytorium benchmarku i odczytał rozwiązanie. Niczego nie zaatakował. Brytyjski AISI kwestionuje ten opis i wskazuje, że za konfigurację środowiska odpowiada użytkownik.

Źródła: Moonshot AI - Kimi K3: Open Frontier Intelligence (architektura, cena, ograniczenia, zalecenia wdrożenia), Hugging Face - moonshotai/Kimi-K3 (parametry, benchmarki, użycie API), Kimi K3 License, Kimi API - cennik, Kimi API - Kimi K3 quickstart (limity, reasoning_effort), Kimi API - limity doładowań, Kimi API - Claude Code, Kimi API - regulamin, polityka prywatności i ZDR, Kimi Code - What’s New (K2.8 Preview przy wyłączonym myśleniu), Kimi Code - Claude Code, Kimi - cennik członkostwa, GitHub Changelog - Kimi K3 in GitHub Copilot, Cline - Kimi K3, OpenRouter - Kimi K3 (dostawcy, stan na 29 września), Artificial Analysis - Kimi K3 (indeks, koszt zadania, prędkość), vLLM Recipes - Kimi-K3, imec - How many devs can you fit on a GPU?, deltafin i dyskusja na HN, RunSybil - Kimi K3 vs. Claude Opus 5.5, Frontier Security - Kimi K3 i sandbox Inspect, Wired - One of China’s Most Powerful AI Models Has Also Escaped Containment, NIST - UK AISI / CAISI Preliminary Assessment of Kimi K3’s Cyber Capabilities, Anthropic - Detecting and countering misuse of AI: September 2026, KuCoin News za BeInCrypto - reakcja Moonshot, HN - premiera Kimi K3 (Simon Willison, XCSme, fmind-dev).

EfektywnyDev pisze o AI w praktyce - o tym, co zostaje z premierowych liczb po przeliczeniu cennika i sprawdzeniu, na czym model faktycznie trzeba uruchomić.