MoonshotAI: Kimi K3.1 Pro
moonshotai/kimi-k3.1-proKimi K3.1 Pro hjelper med å analysere komplekst materiale, skrive kode og utarbeide tekstbaserte løsninger for prosjekter, modellering og analyse.
Kimi K3.1 Pro er en modell fra Moonshot AI og den første i K3.1-serien. Den er bygget på Kimi K3, med vesentlig utvidet ettertrening og felles forsterkningslæring på tvers av mange fagområder. Den offisielle beskrivelsen fremhever programmering, tredimensjonale prosjekter, finansielle undersøkelser og oppgaver som krever flere sammenhengende trinn.
Programmering og tekniske prosjekter
Modellen kan brukes til å analysere eksisterende kode, forberede endringer og planlegge utvikling. Oppgi målet, den nåværende implementeringen og begrensningene, for eksempel hvilke grensesnitt som skal beholdes, og hvordan et korrekt resultat ser ut. Du kan be om en forklaring, en patch som tekst, testscenarioer eller en innføringsrekkefølge.
For spill, interaktive scener og parametrisk modellering er oppgaver knyttet til skript og teknisk logikk nyttige. Produsentens dokumentasjon omtaler arbeid med Blender, CAD og spillmotorer. I Ailoot er resultatet fra dette modellkortet tekst. Det er derfor hensiktsmessig å formulere slike forespørsler som kode for det valgte verktøyet, en geometribeskrivelse eller en plan for å bygge en scene som deretter kjøres i ditt eget miljø.
Analyse av innsendte data
Ved dokumentarbeid kan du be om å sammenligne kilder, forklare en beregning, kontrollere sammenhengen mellom forutsetninger eller utarbeide et forskningsnotat. For en finansmodell må du sende inn grunntallene, måleenhetene og sammenhengene mellom dem. Modellen kan foreslå formler som tekst og en kontrollrekkefølge. For en rapport kan den foreslå struktur og argumentasjon knyttet til materialet du har levert.
Slik får du et nyttig svar
- Angi oppgaven og ønsket resultat: forklaring, kode, plan eller analytisk konklusjon.
- Legg ved nødvendige tekster og angi hvilke kilder som har prioritet.
- Beskriv kontrollkriteriene: forhold som skal beholdes, format, beregningsnøyaktighet og obligatoriske deler.
- Fortsett med presiseringer, og behold viktige beslutninger og opprinnelige begrensninger.
Inndata og resultat i Ailoot
Modellkortet tar imot tekst og returnerer tekst. Relevant materiale omfatter instruksjoner, dokumentutdrag, kildekode, tabeller som tekst og samtalehistorikk. I K3.1 Pro er resonnering alltid aktivert; modelldokumentasjonen beskriver nivåene low, high og max. I Standard er grensen opptil 262 144 tokener for inndata og 65 536 tokener for svaret. Når du forbereder en stor forespørsel, må du regne med samtalehistorikken og tilpasse materialmengden til det konkrete spørsmålet.
Tilgjengelig via Ailoot API
POST /v1/messages- Inndatatyper
text- Utdatatyper
text- Kontekst
- 262 144 tokener
- Maks. svar
- 65 536 tokener
- Inndata
- 0,002 USD / 1K
- Utdata
- 0,01 USD / 1K
- Lesing fra hurtigbuffer
- 0,0002 USD / 1K
- Skriving til hurtigbuffer
- 0,002 USD / 1K
- Skriving til hurtigbuffer, 5 min
- 0,002 USD / 1K tokens
POST /v1/responses- Inndatatyper
text- Utdatatyper
text- Kontekst
- 262 144 tokener
- Maks. svar
- 65 536 tokener
- Inndata
- 0,002 USD / 1K
- Utdata
- 0,01 USD / 1K
- Lesing fra hurtigbuffer
- 0,0002 USD / 1K
- Skriving til hurtigbuffer
- 0,002 USD / 1K
- Skriving til hurtigbuffer, 5 min
- 0,002 USD / 1K tokens
POST /v1/chat/completions- Inndatatyper
text- Utdatatyper
text- Kontekst
- 262 144 tokener
- Maks. svar
- 65 536 tokener
- Inndata
- 0,002 USD / 1K
- Utdata
- 0,01 USD / 1K
- Lesing fra hurtigbuffer
- 0,0002 USD / 1K
- Skriving til hurtigbuffer
- 0,002 USD / 1K
- Skriving til hurtigbuffer, 5 min
- 0,002 USD / 1K tokens
POST /v1beta/models/{model}:generateContent- Inndatatyper
text- Utdatatyper
text- Kontekst
- 262 144 tokener
- Maks. svar
- 65 536 tokener
- Inndata
- 0,002 USD / 1K
- Utdata
- 0,01 USD / 1K
- Lesing fra hurtigbuffer
- 0,0002 USD / 1K
- Skriving til hurtigbuffer
- 0,002 USD / 1K
- Skriving til hurtigbuffer, 5 min
- 0,002 USD / 1K tokens
POST /v1/chat/completions- Inndatatyper
text- Utdatatyper
text- Kontekst
- Ikke angitt i katalogen
- Maks. svar
- Ikke angitt i katalogen
- Inndata
- 0,004 USD / 1K
- Utdata
- 0,02 USD / 1K
- Lesing fra hurtigbuffer
- 0,0004 USD / 1K
- Skriving til hurtigbuffer
- 0,004 USD / 1K
- Skriving til hurtigbuffer, 5 min
- 0,004 USD / 1K tokens
POST /v1/responses- Inndatatyper
text- Utdatatyper
text- Kontekst
- Ikke angitt i katalogen
- Maks. svar
- Ikke angitt i katalogen
- Inndata
- 0,004 USD / 1K
- Utdata
- 0,02 USD / 1K
- Lesing fra hurtigbuffer
- 0,0004 USD / 1K
- Skriving til hurtigbuffer
- 0,004 USD / 1K
- Skriving til hurtigbuffer, 5 min
- 0,004 USD / 1K tokens
POST /v1beta/models/kimi-k3.1-pro:generateContent- Inndatatyper
text- Utdatatyper
text- Kontekst
- Ikke angitt i katalogen
- Maks. svar
- Ikke angitt i katalogen
- Inndata
- 0,004 USD / 1K
- Utdata
- 0,02 USD / 1K
- Lesing fra hurtigbuffer
- 0,0004 USD / 1K
- Skriving til hurtigbuffer
- 0,004 USD / 1K
- Skriving til hurtigbuffer, 5 min
- 0,004 USD / 1K tokens
POST /v1/messages- Inndatatyper
text- Utdatatyper
text- Kontekst
- Ikke angitt i katalogen
- Maks. svar
- Ikke angitt i katalogen
- Inndata
- 0,004 USD / 1K
- Utdata
- 0,02 USD / 1K
- Lesing fra hurtigbuffer
- 0,0004 USD / 1K
POST /v1/responses- Inndatatyper
text- Utdatatyper
text- Kontekst
- Ikke angitt i katalogen
- Maks. svar
- Ikke angitt i katalogen
- Inndata
- 0,004 USD / 1K
- Utdata
- 0,02 USD / 1K
- Lesing fra hurtigbuffer
- 0,0004 USD / 1K
POST /v1/chat/completions- Inndatatyper
text- Utdatatyper
text- Kontekst
- Ikke angitt i katalogen
- Maks. svar
- Ikke angitt i katalogen
- Inndata
- 0,004 USD / 1K
- Utdata
- 0,02 USD / 1K
- Lesing fra hurtigbuffer
- 0,0004 USD / 1K
POST /v1beta/models/moonshotai/kimi-k3.1-pro:generateContent- Inndatatyper
text- Utdatatyper
text- Kontekst
- Ikke angitt i katalogen
- Maks. svar
- Ikke angitt i katalogen
- Inndata
- 0,004 USD / 1K
- Utdata
- 0,02 USD / 1K
- Lesing fra hurtigbuffer
- 0,0004 USD / 1K
moonshotai/kimi-k3.1-pro · JSON
{"about":"Kimi K3.1 Pro er en modell fra Moonshot AI og den første i K3.1-serien. Den er bygget på Kimi K3, med vesentlig utvidet ettertrening og felles forsterkningslæring på tvers av mange fagområder. Den offisielle beskrivelsen fremhever programmering, tredimensjonale prosjekter, finansielle undersøkelser og oppgaver som krever flere sammenhengende trinn.\n\n### Programmering og tekniske prosjekter\n\nModellen kan brukes til å analysere eksisterende kode, forberede endringer og planlegge utvikling. Oppgi målet, den nåværende implementeringen og begrensningene, for eksempel hvilke grensesnitt som skal beholdes, og hvordan et korrekt resultat ser ut. Du kan be om en forklaring, en patch som tekst, testscenarioer eller en innføringsrekkefølge.\n\nFor spill, interaktive scener og parametrisk modellering er oppgaver knyttet til skript og teknisk logikk nyttige. Produsentens dokumentasjon omtaler arbeid med Blender, CAD og spillmotorer. I Ailoot er resultatet fra dette modellkortet tekst. Det er derfor hensiktsmessig å formulere slike forespørsler som kode for det valgte verktøyet, en geometribeskrivelse eller en plan for å bygge en scene som deretter kjøres i ditt eget miljø.\n\n### Analyse av innsendte data\n\nVed dokumentarbeid kan du be om å sammenligne kilder, forklare en beregning, kontrollere sammenhengen mellom forutsetninger eller utarbeide et forskningsnotat. For en finansmodell må du sende inn grunntallene, måleenhetene og sammenhengene mellom dem. Modellen kan foreslå formler som tekst og en kontrollrekkefølge. For en rapport kan den foreslå struktur og argumentasjon knyttet til materialet du har levert.\n\n### Slik får du et nyttig svar\n\n1. Angi oppgaven og ønsket resultat: forklaring, kode, plan eller analytisk konklusjon.\n2. Legg ved nødvendige tekster og angi hvilke kilder som har prioritet.\n3. Beskriv kontrollkriteriene: forhold som skal beholdes, format, beregningsnøyaktighet og obligatoriske deler.\n4. Fortsett med presiseringer, og behold viktige beslutninger og opprinnelige begrensninger.\n\n### Inndata og resultat i Ailoot\n\nModellkortet tar imot tekst og returnerer tekst. Relevant materiale omfatter instruksjoner, dokumentutdrag, kildekode, tabeller som tekst og samtalehistorikk. I K3.1 Pro er resonnering alltid aktivert; modelldokumentasjonen beskriver nivåene low, high og max. I Standard er grensen opptil 262 144 tokener for inndata og 65 536 tokener for svaret. Når du forbereder en stor forespørsel, må du regne med samtalehistorikken og tilpasse materialmengden til det konkrete spørsmålet.","alias_of":null,"aliases":["k3.1-pro","kimi-k3.1-pro"],"author":"MoonshotAI","canonical_model":"moonshotai/kimi-k3.1-pro","ctx":262144,"formats":["chat","gemini","messages","responses"],"id":"moonshotai/kimi-k3.1-pro","input":["text"],"kind":"text","max_out":65536,"methods":[{"cache_read":0.2,"cache_write":2.0,"cache_write_1h":null,"cache_write_5m":2.0,"conditional_meter":null,"ctx":262144,"family":"anthropic","fast_multiplier":null,"flex_multiplier":null,"fmt":"messages","http":"POST","img_in":null,"img_out":null,"in":2.0,"input":["text"],"label":"Anthropic Messages","max_out":65536,"max_tool_calls":null,"out":10.0,"output":["text"],"path":"/v1/messages","request_model_id":"k3.1-pro","route_label":"Core","status_reads":[],"tiers":[],"tool_prices":null,"unit":"token","units":[]},{"cache_read":0.2,"cache_write":2.0,"cache_write_1h":null,"cache_write_5m":2.0,"conditional_meter":null,"ctx":262144,"family":"openai","fast_multiplier":null,"flex_multiplier":null,"fmt":"responses","http":"POST","img_in":null,"img_out":null,"in":2.0,"input":["text"],"label":"OpenAI Responses","max_out":65536,"max_tool_calls":null,"out":10.0,"output":["text"],"path":"/v1/responses","request_model_id":"k3.1-pro","route_label":"Core","status_reads":[],"tiers":[],"tool_prices":null,"unit":"token","units":[]},{"cache_read":0.2,"cache_write":2.0,"cache_write_1h":null,"cache_write_5m":2.0,"conditional_meter":null,"ctx":262144,"family":"openai","fast_multiplier":null,"flex_multiplier":null,"fmt":"chat","http":"POST","img_in":null,"img_out":null,"in":2.0,"input":["text"],"label":"OpenAI Chat","max_out":65536,"max_tool_calls":null,"out":10.0,"output":["text"],"path":"/v1/chat/completions","request_model_id":"k3.1-pro","route_label":"Core","status_reads":[],"tiers":[],"tool_prices":null,"unit":"token","units":[]},{"cache_read":0.2,"cache_write":2.0,"cache_write_1h":null,"cache_write_5m":2.0,"conditional_meter":null,"ctx":262144,"family":"gemini","fast_multiplier":null,"flex_multiplier":null,"fmt":"gemini","http":"POST","img_in":null,"img_out":null,"in":2.0,"input":["text"],"label":"Gemini generateContent","max_out":65536,"max_tool_calls":null,"out":10.0,"output":["text"],"path":"/v1beta/models/{model}:generateContent","request_model_id":"k3.1-pro","route_label":"Core","status_reads":[],"tiers":[],"tool_prices":null,"unit":"token","units":[]},{"cache_read":0.4,"cache_write":4.0,"cache_write_1h":null,"cache_write_5m":4.0,"conditional_meter":null,"ctx":null,"family":"openai","fast_multiplier":1,"flex_multiplier":1,"fmt":"chat","http":"POST","img_in":null,"img_out":null,"in":4.0,"input":["text"],"label":"OpenAI Chat","max_out":null,"max_tool_calls":null,"out":20.0,"output":["text"],"path":"/v1/chat/completions","request_model_id":"kimi-k3.1-pro","route_label":"Ultra","status_reads":[],"tiers":[],"tool_prices":null,"unit":"token","units":[]},{"cache_read":0.4,"cache_write":4.0,"cache_write_1h":null,"cache_write_5m":4.0,"conditional_meter":null,"ctx":null,"family":"openai","fast_multiplier":1,"flex_multiplier":1,"fmt":"responses","http":"POST","img_in":null,"img_out":null,"in":4.0,"input":["text"],"label":"OpenAI Responses","max_out":null,"max_tool_calls":null,"out":20.0,"output":["text"],"path":"/v1/responses","request_model_id":"kimi-k3.1-pro","route_label":"Ultra","status_reads":[],"tiers":[],"tool_prices":null,"unit":"token","units":[]},{"cache_read":0.4,"cache_write":4.0,"cache_write_1h":null,"cache_write_5m":4.0,"conditional_meter":null,"ctx":null,"family":"gemini","fast_multiplier":1,"flex_multiplier":1,"fmt":"gemini","http":"POST","img_in":null,"img_out":null,"in":4.0,"input":["text"],"label":"Gemini generateContent","max_out":null,"max_tool_calls":null,"out":20.0,"output":["text"],"path":"/v1beta/models/kimi-k3.1-pro:generateContent","request_model_id":"kimi-k3.1-pro","route_label":"Ultra","status_reads":[],"tiers":[],"tool_prices":null,"unit":"token","units":[]},{"cache_read":0.4,"cache_write":null,"cache_write_1h":null,"cache_write_5m":null,"conditional_meter":null,"ctx":null,"family":"anthropic","fast_multiplier":1,"flex_multiplier":1,"fmt":"messages","http":"POST","img_in":null,"img_out":null,"in":4.0,"input":["text"],"label":"Anthropic Messages","max_out":null,"max_tool_calls":null,"out":20.0,"output":["text"],"path":"/v1/messages","request_model_id":"moonshotai/kimi-k3.1-pro","route_label":"Ultra","status_reads":[],"tiers":[],"tool_prices":null,"unit":"token","units":[]},{"cache_read":0.4,"cache_write":null,"cache_write_1h":null,"cache_write_5m":null,"conditional_meter":null,"ctx":null,"family":"openai","fast_multiplier":1,"flex_multiplier":1,"fmt":"responses","http":"POST","img_in":null,"img_out":null,"in":4.0,"input":["text"],"label":"OpenAI Responses","max_out":null,"max_tool_calls":null,"out":20.0,"output":["text"],"path":"/v1/responses","request_model_id":"moonshotai/kimi-k3.1-pro","route_label":"Ultra","status_reads":[],"tiers":[],"tool_prices":null,"unit":"token","units":[]},{"cache_read":0.4,"cache_write":null,"cache_write_1h":null,"cache_write_5m":null,"conditional_meter":null,"ctx":null,"family":"openai","fast_multiplier":1,"flex_multiplier":1,"fmt":"chat","http":"POST","img_in":null,"img_out":null,"in":4.0,"input":["text"],"label":"OpenAI Chat","max_out":null,"max_tool_calls":null,"out":20.0,"output":["text"],"path":"/v1/chat/completions","request_model_id":"moonshotai/kimi-k3.1-pro","route_label":"Ultra","status_reads":[],"tiers":[],"tool_prices":null,"unit":"token","units":[]},{"cache_read":0.4,"cache_write":null,"cache_write_1h":null,"cache_write_5m":null,"conditional_meter":null,"ctx":null,"family":"gemini","fast_multiplier":1,"flex_multiplier":1,"fmt":"gemini","http":"POST","img_in":null,"img_out":null,"in":4.0,"input":["text"],"label":"Gemini generateContent","max_out":null,"max_tool_calls":null,"out":20.0,"output":["text"],"path":"/v1beta/models/moonshotai/kimi-k3.1-pro:generateContent","request_model_id":"moonshotai/kimi-k3.1-pro","route_label":"Ultra","status_reads":[],"tiers":[],"tool_prices":null,"unit":"token","units":[]}],"model_aliases":[{"canonical_model_id":"moonshotai/kimi-k3.1-pro","request_model_id":"k3.1-pro","route_label":"Core"},{"canonical_model_id":"moonshotai/kimi-k3.1-pro","request_model_id":"kimi-k3.1-pro","route_label":"Ultra"},{"canonical_model_id":"moonshotai/kimi-k3.1-pro","request_model_id":"moonshotai/kimi-k3.1-pro","route_label":"Ultra"}],"name":"MoonshotAI: Kimi K3.1 Pro","price":{"in":2.0,"in_label":null,"out":10.0,"out_label":null,"sort_in":2.0,"sort_out":10.0,"varies":true},"public_id":"moonshotai/kimi-k3.1-pro","short":"Kimi K3.1 Pro hjelper med å analysere komplekst materiale, skrive kode og utarbeide tekstbaserte løsninger for prosjekter, modellering og analyse."}