modeller

k3.1-pro-highspeed

Markdown · JSON

k3.1-pro-highspeed

k3.1-pro-highspeed
MoonshotAITekstInndata 0,004 USD / 1KUtdata 0,02 USD / 1K

Kimi K3.1 Pro Highspeed er en egen K3.1 Pro-variant for tekstdialog, materialanalyse og kodeutarbeiding i et trinnvis arbeidsløp.

Kimi K3.1 Pro Highspeed er en egen variant av K3.1 Pro som Moonshot AI presenterte sammen med seriens hovedmodell. Produsenten beskriver den som en utgave med vekt på interaksjonshastighet. I Ailoot har den et eget modellkort og den nøyaktige identifikatoren k3.1-pro-highspeed, slik at den kan velges uavhengig av vanlig K3.1 Pro.

For trinnvis arbeid

Denne varianten kan brukes i et tekstbasert arbeidsløp der resultatet presiseres gjennom flere meldinger: først analysere oppgaven, deretter velge en løsning og så utarbeide tekst eller kode. Send for eksempel inn et programutdrag og en beskrivelse av ønsket oppførsel, få et forslag, legg til begrensninger og be om at en bestemt del omarbeides.

Et annet bruksområde er analyse av materiale. Legg ved utdrag fra flere dokumenter, still spørsmål og be først om en kort konklusjon, deretter en forklaring for hver kilde. I en lang diskusjon er det nyttig å bevare målet, beslutninger som er tatt, og åpne spørsmål. Det gir neste svar et tydelig utgangspunkt.

Hva forespørselen bør inneholde

  • Oppgaven og resultattypen: forklaring, plan, programkode eller analytisk tekst.
  • Grunnlagsmaterialet med navn på delene og angivelse av prioritet.
  • Begrensninger det må tas hensyn til når svaret utarbeides.
  • Kontrollkriterier: hvilke vilkår som må være oppfylt, og hvilke detaljer som må forklares.

Du kan be om å sammenligne alternativer, lage en trinnvis veiledning eller forklare en kodeendring. Hvis du trenger en beregning, oppgir du måleenheter og utgangsverdier. For en rapport angir du målgruppe, struktur og omfang. Slike presiseringer gjør resultatet enklere å bruke videre.

Format og omfang

Modellkortet bruker tekst som både inndata og utdata. Du kan sende inn instruksjoner, samtalehistorikk, dokumenter i tekstform og kode. I Standard er grensen opptil 262 144 tokener for inndata og 65 536 tokener for svaret. Ta hensyn til historikk og vedlagt materiale når du setter sammen en stor forespørsel. For omfattende arbeid er det nyttig å fastsette en overordnet plan, gå gjennom delene etter tur og lagre foreløpige konklusjoner.

Tilgjengelig via Ailoot API

Core Anthropic MessagesPOST /v1/messages
Inndatatyper
text
Utdatatyper
text
Kontekst
262 144 tokener
Maks. svar
65 536 tokener
Inndata
0,004 USD / 1K
Utdata
0,02 USD / 1K
Lesing fra hurtigbuffer
0,0002 USD / 1K
Skriving til hurtigbuffer
0,004 USD / 1K
Skriving til hurtigbuffer, 5 min
0,004 USD / 1K tokens
Core OpenAI ResponsesPOST /v1/responses
Inndatatyper
text
Utdatatyper
text
Kontekst
262 144 tokener
Maks. svar
65 536 tokener
Inndata
0,004 USD / 1K
Utdata
0,02 USD / 1K
Lesing fra hurtigbuffer
0,0002 USD / 1K
Skriving til hurtigbuffer
0,004 USD / 1K
Skriving til hurtigbuffer, 5 min
0,004 USD / 1K tokens
Core OpenAI ChatPOST /v1/chat/completions
Inndatatyper
text
Utdatatyper
text
Kontekst
262 144 tokener
Maks. svar
65 536 tokener
Inndata
0,004 USD / 1K
Utdata
0,02 USD / 1K
Lesing fra hurtigbuffer
0,0002 USD / 1K
Skriving til hurtigbuffer
0,004 USD / 1K
Skriving til hurtigbuffer, 5 min
0,004 USD / 1K tokens
Core Gemini generateContentPOST /v1beta/models/{model}:generateContent
Inndatatyper
text
Utdatatyper
text
Kontekst
262 144 tokener
Maks. svar
65 536 tokener
Inndata
0,004 USD / 1K
Utdata
0,02 USD / 1K
Lesing fra hurtigbuffer
0,0002 USD / 1K
Skriving til hurtigbuffer
0,004 USD / 1K
Skriving til hurtigbuffer, 5 min
0,004 USD / 1K tokens
k3.1-pro-highspeed · JSON
{"about":"Kimi K3.1 Pro Highspeed er en egen variant av K3.1 Pro som Moonshot AI presenterte sammen med seriens hovedmodell. Produsenten beskriver den som en utgave med vekt på interaksjonshastighet. I Ailoot har den et eget modellkort og den nøyaktige identifikatoren `k3.1-pro-highspeed`, slik at den kan velges uavhengig av vanlig K3.1 Pro.\n\n### For trinnvis arbeid\n\nDenne varianten kan brukes i et tekstbasert arbeidsløp der resultatet presiseres gjennom flere meldinger: først analysere oppgaven, deretter velge en løsning og så utarbeide tekst eller kode. Send for eksempel inn et programutdrag og en beskrivelse av ønsket oppførsel, få et forslag, legg til begrensninger og be om at en bestemt del omarbeides.\n\nEt annet bruksområde er analyse av materiale. Legg ved utdrag fra flere dokumenter, still spørsmål og be først om en kort konklusjon, deretter en forklaring for hver kilde. I en lang diskusjon er det nyttig å bevare målet, beslutninger som er tatt, og åpne spørsmål. Det gir neste svar et tydelig utgangspunkt.\n\n### Hva forespørselen bør inneholde\n\n- Oppgaven og resultattypen: forklaring, plan, programkode eller analytisk tekst.\n- Grunnlagsmaterialet med navn på delene og angivelse av prioritet.\n- Begrensninger det må tas hensyn til når svaret utarbeides.\n- Kontrollkriterier: hvilke vilkår som må være oppfylt, og hvilke detaljer som må forklares.\n\nDu kan be om å sammenligne alternativer, lage en trinnvis veiledning eller forklare en kodeendring. Hvis du trenger en beregning, oppgir du måleenheter og utgangsverdier. For en rapport angir du målgruppe, struktur og omfang. Slike presiseringer gjør resultatet enklere å bruke videre.\n\n### Format og omfang\n\nModellkortet bruker tekst som både inndata og utdata. Du kan sende inn instruksjoner, samtalehistorikk, dokumenter i tekstform og kode. I Standard er grensen opptil 262 144 tokener for inndata og 65 536 tokener for svaret. Ta hensyn til historikk og vedlagt materiale når du setter sammen en stor forespørsel. For omfattende arbeid er det nyttig å fastsette en overordnet plan, gå gjennom delene etter tur og lagre foreløpige konklusjoner.","alias_of":null,"aliases":[],"author":"MoonshotAI","canonical_model":"k3.1-pro-highspeed","ctx":262144,"formats":["chat","gemini","messages","responses"],"id":"k3.1-pro-highspeed","input":["text"],"kind":"text","max_out":65536,"methods":[{"cache_read":0.2,"cache_write":4.0,"cache_write_1h":null,"cache_write_5m":4.0,"conditional_meter":null,"ctx":262144,"family":"anthropic","fast_multiplier":null,"flex_multiplier":null,"fmt":"messages","http":"POST","img_in":null,"img_out":null,"in":4.0,"input":["text"],"label":"Anthropic Messages","max_out":65536,"max_tool_calls":null,"out":20.0,"output":["text"],"path":"/v1/messages","request_model_id":"k3.1-pro-highspeed","route_label":"Core","status_reads":[],"tiers":[],"tool_prices":null,"unit":"token","units":[]},{"cache_read":0.2,"cache_write":4.0,"cache_write_1h":null,"cache_write_5m":4.0,"conditional_meter":null,"ctx":262144,"family":"openai","fast_multiplier":null,"flex_multiplier":null,"fmt":"responses","http":"POST","img_in":null,"img_out":null,"in":4.0,"input":["text"],"label":"OpenAI Responses","max_out":65536,"max_tool_calls":null,"out":20.0,"output":["text"],"path":"/v1/responses","request_model_id":"k3.1-pro-highspeed","route_label":"Core","status_reads":[],"tiers":[],"tool_prices":null,"unit":"token","units":[]},{"cache_read":0.2,"cache_write":4.0,"cache_write_1h":null,"cache_write_5m":4.0,"conditional_meter":null,"ctx":262144,"family":"openai","fast_multiplier":null,"flex_multiplier":null,"fmt":"chat","http":"POST","img_in":null,"img_out":null,"in":4.0,"input":["text"],"label":"OpenAI Chat","max_out":65536,"max_tool_calls":null,"out":20.0,"output":["text"],"path":"/v1/chat/completions","request_model_id":"k3.1-pro-highspeed","route_label":"Core","status_reads":[],"tiers":[],"tool_prices":null,"unit":"token","units":[]},{"cache_read":0.2,"cache_write":4.0,"cache_write_1h":null,"cache_write_5m":4.0,"conditional_meter":null,"ctx":262144,"family":"gemini","fast_multiplier":null,"flex_multiplier":null,"fmt":"gemini","http":"POST","img_in":null,"img_out":null,"in":4.0,"input":["text"],"label":"Gemini generateContent","max_out":65536,"max_tool_calls":null,"out":20.0,"output":["text"],"path":"/v1beta/models/{model}:generateContent","request_model_id":"k3.1-pro-highspeed","route_label":"Core","status_reads":[],"tiers":[],"tool_prices":null,"unit":"token","units":[]}],"model_aliases":[{"canonical_model_id":"k3.1-pro-highspeed","request_model_id":"k3.1-pro-highspeed","route_label":"Core"}],"name":"k3.1-pro-highspeed","price":{"in":4.0,"in_label":null,"out":20.0,"out_label":null,"sort_in":4.0,"sort_out":20.0,"varies":false},"public_id":"k3.1-pro-highspeed","short":"Kimi K3.1 Pro Highspeed er en egen K3.1 Pro-variant for tekstdialog, materialanalyse og kodeutarbeiding i et trinnvis arbeidsløp."}

Spørsmål

Hvordan velger jeg en modell til oppgaven min?

Avklar først hvilke inndata og utdata du trenger: tekst, bilder, lyd eller video. Sammenlign deretter kompatible API-metoder, den eksakte modell-ID-en eller modellen aliaset peker til nå, pris og faktureringsenhet. GET /v1/models er gratis og viser modellene som er tilgjengelige for nøkkelen din.

Støtter hver modell alle API-metoder og medietyper?

Bruk API-metodene og typene inndata/utdata som er oppført på modellkortet. Støtte for tekst, bilder, lyd eller video avhenger av den valgte modellen og metoden; se det aktuelle eksemplet på en forespørsel før du sender dataene dine.

Hva er forskjellen på en modell-ID og et alias?

En eksakt modell-ID identifiserer en bestemt modell. Et alias peker til en modell, og målmodellen kan endres. Sjekk i katalogen hvilken modell aliaset peker til nå; bruk den eksakte ID-en når integrasjonen din krever en bestemt modell.

Hvordan sammenligner jeg priser før jeg sender en forespørsel?

Se modellkortet for pris og faktureringsenhet for den valgte API-metoden. Sammenlign samme enhet og samme type inndata/utdata; forespørselshistorikken viser faktisk bruk og belastet beløp.

Hva gir abonnementet?

Rabatt på tokenkjøp for jevnlig bruk. Velg etter forespørselsvolum; vilkår og abonnementspris vises ved bestilling.

Hvordan bruker jeg kampanjekode opptil 50% rabatt?

Oppgi koden ved tokenkjøp. Beløpet beregnes etter kampanjevilkårene; rabattstørrelsen vises før betaling.