# Kimi K3 i praktiken: erfarenheter och en jämförelse med Claude Code
> Hastighet, tokenanvändning, cachelagring och kompatibilitet med upplägg med flera agenter: författarens personliga erfarenhet och publicerade oberoende jämförelser.
Source: https://ailoot.ai/blog/sv/kimi-k3-hands-on-review/
Canonical: https://ailoot.ai/blog/sv/kimi-k3-hands-on-review/
Language: sv
Publisher: Ailoot (https://ailoot.ai/)
Translation: guide-163
Revision: sha256-288174dd9b68669a6be74e896260dc10ec5c188ab03f7b1f159727d1c5ea7714
Det viktigaste
En recension den 25 juli av Kimi K3 föreslog att man skulle testa den: ägna en dag åt att konfigurera den och se om det lönar sig. Jag testade själv. I jämförelser rankas modellen först i frontendarbete och slår Claude på terminaluppgifter. För mina uppgifter arbetade den dubbelt så långsamt, förbrukade märkbart fler token och störde arbetet med flera agenter.
[Dokumentationen för Ailoot](https://ailoot.ai/docs/) beskriver hur man ansluter modeller och arbetar med API:et.
## Så gick författarens experiment
Det viktigaste
Den 25 juli publicerade jag en recension av Kimi K3 och avslutade med att föreslå att man skulle ägna en dag åt att kalibrera den för att ta reda på om ett byte lönar sig. Sedan skrev jag i kanalen att jag testade modellen och var positivt överraskad. Det stämde under de första timmarna. Sedan följde långa sessioner med flera agenter, och bilden förändrades.
Kimi K3 lanserades den 16 juli 2026. Den har 2,8 biljoner parametrar, ett kontextfönster på en miljon token, öppna vikter och förstaplatsen i en blind jämförelse av frontendarbete. Jag samlade alla detaljer om dess arkitektur, jämförelser och priser i [den fullständiga recensionen av Kimi K3 jämfört med Claude Code](https://ailoot.ai/blog/sv/kimi-k3-vs-claude-code/), så jag upprepar dem inte här.
I slutet av den recensionen skrev jag: risken är att förlora en dag på konfigurering; vinsten är en faktura som sjunker från och med den andra veckan. Jag genomförde experimentet med mina egna uppgifter.
De första timmarna är verkligen spännande. Modellen tar gärna sig an en uppgift, skapar sammanhängande frontendarbete och tvekar inte inför stora filer. Därför skrev jag i kanalen att jag var positivt överraskad. Problemen visade sig under långa sessioner, med flera agenter, genom upprepade redigeringsomgångar och på kvällen vid terminalen.
Till slut rullade jag tillbaka. Här är vad som ledde till det beslutet, med siffror och länkar till primärkällor så att du själv kan kontrollera allt.
## Varför visar jämförelser att Kimi K3 slår Claude?
Det viktigaste
På vissa områden slår Kimi K3 faktiskt Claude i jämförelser: terminaluppgifter, långa utvecklingsmaraton och blinda frontendjämförelser. Men för hela uppsättningen med 35 jämförelser ser resultatet annorlunda ut: Claude Fable 5 vinner 22, Kimi K3 vinner tolv och en slutar oavgjort. Båda bilderna stämmer; den första citeras bara oftare.
Här är jämförelserna där Kimi K3 slår Claude Fable 5:
| Jämförelse | Kimi K3 | Claude Fable 5 | Marginal |
|-------------------|---------|----------------|----------|
| Terminal-Bench 2.1 | 88.3 | 84.6 | +3.7 |
| SWE-Marathon | 42.0 | 35.0 | +7.0 |
| BrowseComp | 91.2 | 88.0 | +3.2 |
| Program Bench | 77.8 | 76.8 | +1.0 |
llm-stats sammanställde jämförelserna; varje rad jämför med Claude Fable 5.
Siffrorna är verkliga. I alla 35 jämförelser i samma sammanställning vinner Claude Fable 5 22, Kimi K3 vinner tolv och en slutar oavgjort.
Mer intressant är var Kimi K3 kommer till korta. Underskottet i kodningsjämförelser är måttligt, 4–5 poäng. Den halkar efter inom kunskap och resonemang: på HLE drar Claude ifrån med nästan 10 poäng. Det är precis där en lång uppgift kör fast: först måste man förstå, och först därefter kan man skriva.
Moonshot uttrycker det så här i huvudavsnittet i sitt lanseringsinlägg:
Även om den fortfarande ligger efter de starkaste slutna modellerna totalt sett, Claude Fable 5 och GPT 5.6 Sol, visade Kimi K3 en ledande nivå i hela vår jämförelsesvit.
— Moonshot AI, https://www.kimi.com/blog/kimi-k3
## Varför känns Kimi K3 dubbelt så långsam i praktiken?
Det viktigaste
Kimi K3 returnerar sin första token dubbelt så snabbt som Claude, men strömmen går sedan dubbelt så långsamt. I en kort chatt känns den snabb; vid en arbetsuppgift tar hela svaret märkbart längre tid. Oberoende jämförelser anger 34.7 token per sekund jämfört med 61.3 för Claude Opus 4.8.
| Mått | Kimi K3 | Claude Opus 4.8 |
|-------------------------|---------------|-----------------|
| Utmatningshastighet | 34.7 token/s | 61.3 token/s |
| Tid till första token | 4.19 s | 9.50 s |
| Intelligensindex | 57 | 56 |
| Genomsnittligt pris per miljon | $2.31 | $3.85 |
Jämförelsen använder Claude Opus 4.8, den Claude-version som har en fullständig hastighetskörning.
Kimi K3 svarar tidigare, så den känns subjektivt snabbare i en kort chatt. På jobbet går tiden åt till något annat: hur långsamt hela svaret kommer. Här förlorar den med nästan hälften, och vid ett långt svar växer skillnaden till minuter.
Kimi Code marknadsför 180–260 token per sekund, och den siffran ser övertygande ut jämfört med mina 34.7. Den gäller den föregående generationens hastighetsbygge, K2.7 Code HighSpeed. Kimi K3 har inget sådant bygge alls, och den oberoende jämförelsen mäter Kimi K3 självt.
En session som bryter ihop vid det sjunde felet och förbrukar token på upprepade anrop är ett misslyckande i kontextteknik; modellvalet är sekundärt här. Hela upplägget vilar på tre pelare: **AI-klon + Andra hjärna + Kontextteknik**. Det är de tre pelarna utan vilka AI hallucinerar.
## Vart tar token vägen om resonemang inte kan stängas av?
Det viktigaste
Kimi K3:s resonemang kan inte stängas av alls. Om du anropar modellen direkt via API:et är den maximala ansträngningsnivån inställd som standard, och den resonerar kring varje begäran, även triviala.
Du kan sänka ansträngningsnivån; dokumentationen listar tre: låg, hög och maximal. Men resonemang kan inte stängas av helt: där står uttryckligen att resonemang och lagring av dess historik alltid är aktiverade för Kimi K3. Vid direkta API-anrop är den maximala nivån inställd som standard, och de flesta wrapperprogram ändrar inte den.
Varje tur lägger till tusentals utmatningstoken för $15 per miljon. Dessutom kräver Moonshot att du returnerar assistentens hela meddelande, inklusive dess resonemangshistorik, och dessa utmatningstoken blir inmatningstoken igen i nästa tur.
Du betalar alltså två gånger för samma resonemang: först när modellen skriver det, sedan när du skickar tillbaka det till modellen.
På det övergripande indexet använder Kimi K3 21% färre utmatningstoken än föregångaren K2.6. Modellen har blivit mer ekonomisk jämfört med sin egen tidigare version. Claude använder fortfarande mindre för samma uppgifter.
Prompten “hi” faktureras som 86 token. Under huven finns en dold systemprompt på omkring 85 token, och du betalar för den vid varje begäran.
Jag har en separat recension om hur du beräknar din förbrukning och var du kontrollerar ditt återstående saldo: [hur många token Claude Pro och Max ger dig](https://ailoot.ai/blog/sv/claude-pro-max-usage-limits/). Beräkningslogiken är densamma där; bara priserna ändras.
## Vad händer när modellen fastnar i resonemang?
Det viktigaste
Kimi K3 hamnade i en loop flera gånger för mig: resonemangsblocket började upprepa samma textstycke, bröts ned i stavelserester, medan agenterna under den hängde orörliga. Och det är inte bara jag. Moonshots egen lista över kända problem innehåller rapporter om sådana loopar, mer än en gång.
Det ser ut så här. Modellen börjar tänka, men i stället för att utveckla tanken glider texten över i upprepning: samma ord, sedan stavelsefragment, i oändlighet. Uppgiften stannar medan tok räknaren fortsätter snurra.
En rapport från den 28 juli i Moonshots kända problem beskriver hur Kimi K3 försöker läsa samma fil sex gånger i rad, får avvisningen ”no-op call, file hasn’t changed since the previous read” sju gånger och sedan avslutar turen som om ingenting hade hänt. I Kimi CLI:s ärendespårare listar författaren fyra varianter av samma slags låsning – läsning, ersättning, testning och analys – och sammanfattar det med en mening:
Även efter att ha läst en fil flera gånger fortsätter jag att läsa den. Även efter en lyckad ersättning fortsätter jag att köra. Dessa döda loopar brände massor av token.
— Utvecklare, Kimi CLI:s ärendespårare
Moonshot anger orsaken direkt. Modellen tränades i ett läge som bevarar resonemangshistoriken, och den måste få tillbaka hela sitt tidigare resonemang. Om historiken kommer ofullständig försöker modellen återskapa svaret, producerar samma verktygsanrop och startar en ny loop.
Författaren till en analys i en tredjepartsrouter för förfrågningar ger samma diagnos: Kimi är så strikt att den avvisar förfrågningar med ofullständig resonemangshistorik. En extern wrapper känner inte till den striktheten och kapar historiken.
## Varför faller ett upplägg med flera agenter sönder med Kimi K3?
Det viktigaste
När Claude Code ansluter till Moonshot API går vissa funktioner sönder. WebFetch stöds inte alls, uppskjuten verktygsladdning får begäran att misslyckas med ett 400-fel, och efter flera sådana fel slutar sessionen att svara även på vanlig text. Felet uppstår i gränssnittet mellan Claude Code och Moonshot API.
[Moonshots officiella dokumentation](https://platform.kimi.ai/docs/guide/claude-code-kimi) säger det rakt ut: deras API stöder ännu inte WebFetch. Med andra ord kan Claude Code, som normalt går online för att hämta en sida, inte göra det med Kimi K3. Lösningen är att klistra in innehållet manuellt eller ansluta ett tredjepartsverktyg.
Claude Code kan ladda verktyg vid behov och placerar ett serviceblock av typen `tool_reference` i historiken. Kimi accepterar inte den typen och returnerar ett 400-fel. Det sker tyst, utan att ange vare sig fältet eller orsaken:
```
{"error":{"type":"invalid_request_error","message":"Invalid request Error"},"type":"error"}
```
Som jämförelse ser samma fel ut så här på Anthropics ursprungliga API, där servern åtminstone anger fältet och listar de accepterade typerna:
```
messages.166.content.0.tool_result.content.0: Input tag 'tool_reference' found
using 'type' does not match any of the expected tags: 'document', 'image',
'search_result', 'text'
```
Skillnaden spelar roll. Det första meddelandet går inte att diagnostisera: varken klienten eller personen bakom den kan se vilket block som avvisades. Det är precis vad författarna till rapporterna klagar på. Utvecklarna av leverantörsväxlare föreslår redan att uppskjuten verktygsladdning ska vara avstängd som standard för Kimi eller att Moonshot API ska markeras som att det inte accepterar dessa block.
Konsekvensen beskrivs i en separat rapport, öppnad den 17 juli och fortfarande obesvarad. Författaren stötte på det här felet sju gånger under en session. Sessionen överlevde de första sex; det sjunde felet avslutade den för gott: efter det fick även inmatningen av den vanliga texten ”continue” den att krascha. Författaren noterar särskilt att kontextgränsen inte ens var nära, så förklaringen ”historiken var för lång” håller inte.
Här är en sammanfattning av blocktyperna som Moonshot API accepterar och avvisar:
| Vad Claude Code gör | Fungerar med Kimi K3 |
|------------------------------|----------------------------------------|
| Standardverktygsanrop | ja |
| Webbsökning | ja |
| Sidhämtning via WebFetch | nej, API:et stöder det inte |
| Uppskjuten verktygsladdning | nej, 400-fel och risk att förlora sessionen |
Ordet ”kompatibel” beskriver här bara förfrågningsformatet. Allt annat skiljer sig åt: vilka blocktyper som accepteras, vad historiken måste innehålla och vilka verktyg som över huvud taget finns tillgängliga.
## Vad följer inte med Kimi K3?
Det viktigaste
Att byta modell byter motorn, men hela wrappern runt den – själva Claude Code, dess verktyg och dess underagenter – är fortfarande anpassad för Claude. Instruktionsfilen, färdigheterna och underagenterna skrevs för Claudes beteende. Moonshot rekommenderar uttryckligen att man använder en wrapper med bevisad kompatibilitet och inte byter modell mitt i en session.
Avsnittet om begränsningar i lanseringsinlägget säger detta ordagrant:
K3 tränades i ett läge som bevarar resonemangshistorik. Om en agentwrapper inte returnerar hela resonemangshistoriken som krävs, eller om en session som startades med en annan modell byter till K3, kan genereringskvaliteten bli extremt instabil. Vi rekommenderar att använda en wrapper med bevisad kompatibilitet, till exempel Kimi Code, och att undvika att byta till K3 mitt i en session.
— Moonshot AI, avsnittet om begränsningar, https://www.kimi.com/blog/kimi-k3
Modellens utvecklare säger: använd vår klient; vi garanterar inte hur någon annans fungerar.
Den andra punkten i samma avsnitt förklarar ytterligare en sak som jag hade tillskrivit modellens envishet:
K3 tränades med betoning på långa, komplexa uppgifter. Därför kan den fatta ett oväntat beslut på användarens vägnar när den under arbetet möter en liten inkonsekvens eller tvetydig användaravsikt.
— Moonshot AI, avsnittet om begränsningar, https://www.kimi.com/blog/kimi-k3
Min CLAUDE.md skrevs för det motsatta beteendet: fråga, visa en plan och vänta på bekräftelse. Instruktionerna finns fortfarande där, men läses nu av en modell med ett annat temperament.
Om du vill ha en enda regel-fil för flera agenter beskrev jag upplägget separat: [en instruktionsfil för Claude Code, Codex och Cursor](https://ailoot.ai/blog/sv/agents-md-claude-md-one-instruction-file/).
## Vad kostade Kimi K3 egentligen?
Det viktigaste
Per token kostar Kimi K3 nästan hälften så mycket som Claude. I agentarbetsflöden faller den uträkningen på grund av cachen: varje ändring av systemprompten eller verktygslistan återställer den helt och höjer priset för inmatningstoken från 30 cent tillbaka till $3 per miljon. Claude Code gör sådana ändringar rutinmässigt och hela tiden.
Först priserna, som talar till Kimi K3:s fördel:
| Post | Kimi K3 | Claude Opus 5 |
|-------------------------------|---------|---------------|
| Inmatning per miljon | $3.00 | $5.00 |
| Inmatning per miljon vid cacheträff | $0.30 | $0.50 |
| Utmatning per miljon | $15.00 | $25.00 |
Kimis priser kommer från [dokumentationen om kontextcachelagring](https://platform.kimi.ai/docs/guide/use-context-caching-feature-of-kimi-api); kolumnen till höger visar priserna för Claude Opus 5 den 30 juli 2026.
Kimis cache är automatisk, kan inte stängas av och identifieras med hashen i början av begäran. Varje redigering av systemprompten eller verktygslistan rensar meddelandecachen helt.
Så här arbetar Claude Code under en vanlig arbetsdag:
1. Ansluter och kopplar från externa verktyg allt eftersom uppgiften fortskrider.
2. Laddar verktyg vid behov.
3. Startar underagenter med en annan uppsättning verktyg.
4. Lägger till instruktionsfilen i systemprompten.
5. Bygger om historiken när kontexten komprimeras.
Varje punkt i den här listan återställer början av begäran och därmed cachen. Inmatningstoken kostar återigen $3 per miljon i stället för 30 cent – tio gånger mer. Därtill kommer konstant resonemang för $15 per miljon utmatningstoken, och samma token återkommer som indata i nästa tur. Så kan en modell med ett lågt listpris ge en oväntad faktura.
Enligt [OpenCodes sammanställda data](https://opencode.ai/data/moonshot/kimi-k3) kostar en genomsnittlig Kimi K3-session $1.86 över nästan 280,000 aktiva sessioner och omfattar i genomsnitt 3.1 miljoner token. Den siffran förutsätter att 93% av inmatningstoken träffar cachen. Ändra början av begäran, så gäller den inte längre för dig.
Kimi-abonnemangen kostar $19, $39, $99 och $199. Kvoten kommer från en gemensam pott för hela medlemskapet, återställs varje vecka utan att oanvända mängder förs vidare och använder ett rullande femtimmarsfönster. Recensionen av abonnemangen uttrycker det så här: fyra terminaler som kör Kimi K3 med ständigt resonemang förbrukar snabbt ett femtimmarsfönster.
Kodningskvoten i abonnemanget för $99 är jämförbar med Anthropics abonnemang för $200, vilket går emot min egen ståndpunkt. Kimi är billigare per token, men det syns inte längre på kvällens faktura.
## Var är Kimi K3 objektivt bra?
Det viktigaste
Kimi K3 är stark när uppgiften är ett stort och tydligt avgränsat jobb: frontendarbete, omfattande kodrefaktorering, arbete med långa filer och analys av ett stort kodförråd. Den förtjänade förstaplatsen i den blinda frontendjämförelsen, och det är rimligt att ge den sådana uppgifter. Här är fem saker som talar för den.
1. **Frontend.** Förstaplats i en blind jämförelse utförd av yrkesverksamma utvecklare. Den bygger layouter prydligt och med god känsla.
2. **Volym.** Ett kontextfönster på en miljon token, och långa filer bekymrar den inte. Analys och kartläggning av ett stort kodförråd passar den.
3. **Första svar.** Tiden till första token är hälften av Claudes. Det märks och känns trevligt i ett kort samtal.
4. **Pris per token.** Cirka 60% av priset för Claude Opus 5. Om början av begäran inte ändras ger det verkliga besparingar vid stora, repetitiva arbetsbelastningar.
5. **Öppna vikter.** Modellen är inte låst till en enda leverantör.
Det finns en brasklapp kring den sista punkten. Det är orealistiskt att köra en modell som den här hemma: även i komprimerad form mäts dess vikter i terabyte. Här betyder öppenhet oberoende från en enskild leverantör.
## Så testar du allt detta själv på en kväll
Det viktigaste
Du behöver testa Kimi K3 på din vanliga uppgift: skillnaden märks inte i en kort chatt. Mät två saker: hur lång tid det tog och vad kvällen kostade. Här är sju steg i ordning, så att du inte blandar ihop ett problem med själva modellen med ett problem i wrappern runt den.
1. **Konfigurera åtkomsten enligt instruktionerna.** Jag beskrev de tre miljövariablerna och modellbytena per nivå i [recensionen av Kimi K3 jämfört med Claude Code](https://ailoot.ai/blog/sv/kimi-k3-vs-claude-code/). Kontrollera konfigurationen med kommandot `/status`: Kimi visas inte i modellvalsmenyn eftersom den har en inbyggd lista med alias, och du behöver inte ändra den.
2. **Ta bort den gamla nyckeln.** Om du tidigare hade `ANTHROPIC_API_KEY` inställd, ta bort den. Tillsammans med `ANTHROPIC_AUTH_TOKEN` orsakar den en konflikt, så du får ett autentiseringsfel helt i onödan.
3. **Stäng av uppskjuten verktygsladdning direkt.** Gör det före den första körningen, inte efter att den första sessionen kraschat.
4. **Byt inte modell mitt i en uppgift.** Om du började med Kimi K3, slutför uppgiften med Kimi K3. Det omvända gäller också. Detta är ett direkt krav från Moonshot; jag citerade det ovan.
5. **Använd en riktig uppgift från dig själv.** En som du arbetade med i går, med allt sitt stök och sina oavslutade trådar. Ett ormspel visar inte skillnaden: den märks först efter en längre tids användning.
6. **Skriv ned två siffror.** Hur många minuter det tog och hur mycket pengar du spenderade den kvällen. Jämför med en vanlig kväll med Claude.
7. **Håll reda på väntetid separat.** När agenten hänger sig, läser samma fil i en loop eller svarar med ett fel är även det en del av kostnaden.
Om kvällens faktura blir högre än väntat beror det nästan alltid på cachen: räkna hur många gånger början av begäran återställdes den kvällen. Priset per token har liten betydelse.
## Vad jag valde att behålla
Det viktigaste
Kimi K3 ersatte inte Claude Code helt, och jag försökte inte tvinga fram det. Claude Code förblev huvudmotorn för långa uppgifter och upplägg med flera agenter. Kimi K3 stannar kvar vid sidan av som en andra motor för uppgifter med mycket repetitivt layoutarbete som kan lämnas över i sin helhet. Gränsen går vid hur många övergångar en uppgift innebär.
Läsare i kanalen som testade modellen med mig kom oberoende fram till samma upplägg: de låter Kimi K3 granska kodförrådet och ge en andra åsikt, medan de överlåter huvudarbetet åt sin välbekanta agent. Upplägget fungerar eftersom det inte kräver att man byter wrapper eller förstör det som redan fungerar.
Man kan uttrycka det så här: en komplett uppgift går till Kimi K3; en lång kedja med verktyg och underagenter går till Claude Code. Ju fler växlingar mellan verktyg en uppgift kräver, desto mer kostar den med Kimi K3 och desto större är risken för att sessionen går sönder.
Jag har en separat recension om hur man fördelar rollerna mellan två agenter utan att blanda ihop dem: [tre sätt att arbeta med två agenter](https://ailoot.ai/blog/sv/claude-code-codex-together/).
Jämförelser besvarar frågan ”vem är starkast under laboratorieförhållanden?” Kvällens faktura och din lista över slutfört arbete besvarar frågan ”vem är starkast för dig?” När de två svaren skiljer sig åt ska du lita på det andra: du räknade själv, inte marknadsavdelningen.
Efter att ha granskat allt detta bestämde jag mig: oavsett vad folk säger om nya modeller är en ledare fortfarande en ledare. Claude Code förblir min huvudmotor.
### Källor
- [Kimi K3, officiellt lanseringsinlägg och avsnitt om begränsningar](https://www.kimi.com/blog/kimi-k3) - Moonshot AI
- [Kimis dokumentation för arbete via Claude Code](https://platform.kimi.ai/docs/guide/claude-code-kimi) - miljövariabler, avsaknad av WebFetch
- [Kimis dokumentation om kontextcachelagring](https://platform.kimi.ai/docs/guide/use-context-caching-feature-of-kimi-api) - cachemekanik och priser
- [Statistik över aktiva agentsessioner på K3](https://opencode.ai/data/moonshot/kimi-k3) - OpenCode
Den fullständiga uppsättningen för vibe coding: **AI-klon + Andra hjärna + Kontextteknik**.
Du kan fortsätta arbeta med AI på [Ailoot](https://ailoot.ai/).
## Frågor om den här guiden: Kimi K3 i praktiken: erfarenheter och en jämförelse med Claude Code
### Betyder snabbare första token att Kimi slutför kodningsuppgifter snabbare?
Nej. Fördröjning till första token och hastighet i resten av strömmen är olika mått. Mät hela uppgiften inklusive verktygssteg, omförsök och kontroller i stället för att bedöma öppningssvaret.
### Hur testar jag om Kimi passar mitt arbetsflöde?
Använd en representativ uppgift med samma startfiler och framgångskontroller som befintlig konfiguration. Registrera total tid, tokenanvändning och resultat och testa sedan fleragentsflödet separat innan du förlitar dig på det under långa sessioner.
## Ailoot · Företaget och dess projektportfölj
Ailoot bygger på etablerad driftserfarenhet, en stor kundbas, stabil service och löpande KPI-kontroll.
Företaget och dess projektportfölj: miljontals kunder; månatlig försäljning för miljarder.
Ailoot använder denna driftserfarenhet för API-åtkomst till AI-funktioner i kundernas produkter, agenter, applikationer och automatiseringar.