Diterbitkan: Juli 2025 | Terakhir diperbarui: Juli 2025

Moonshot AI telah merilis Kimi K3, model bahasa besar penalaran unggulannya, memasuki persaingan langsung dengan GPT-4o, Claude 3.7 Sonnet, DeepSeek V3, dan Qwen3 dalam lanskap AI perbatasan tahun 2025. Model ini dibangun di atas warisan konteks Long Moonshot AI sambil beralih ke desain yang mengutamakan penalaran yang menargetkan matematika kompleks, rekayasa perangkat lunak, dan pemecahan masalah ilmiah. Panduan ini mencakup arsitektur dan spesifikasi teknis K3, kinerja benchmark di lima rangkaian evaluasi utama, perbandingan kompetitor secara head-to-head, dan cara mengakses K3 melalui aplikasi Kimi atau Antarmuka Pemrograman Aplikasi (API) Kimi.

TL;DR: Kimi K3 sekilas pandang

• Pengembang: Moonshot AI (月之暗面), Beijing, China
• Tanggal rilis: Juli 2025
• Arsitektur: Transformer Mixture of Experts (MoE)
• Parameter: Total 671B, 32B aktif per forward pass (menurut laporan teknis Moonshot AI)
• Jendela konteks: 128K token
• Benchmark teratas (AIME 2025): 96,2 (pass@1, menurut laporan teknis Moonshot AI)
• Bobot terbuka: No. Hanya akses API dan aplikasi konsumen.
• Akses: Asisten AI Kimi di kimi.ai / Moonshot AI developer Platform

Apa itu Kimi K3?

Kimi K3 adalah model bahasa besar (LLM) yang dikembangkan oleh Moonshot AI (月之暗面) dan dirilis pada Juli 2025, dirancang sebagai model andalan yang mengutamakan penalaran yang menggunakan pemrosesan rantai pemikiran (chain-of-thought) yang diperluas untuk mengatasi masalah multi-langkah yang kompleks dalam matematika, rekayasa perangkat lunak, dan tugas profesional yang padat pengetahuan. Model bahasa besar adalah model pembelajaran mendalam (deep learning) yang dilatih pada korpora teks yang sangat besar untuk menghasilkan, menerjemahkan, meringkas, dan bernalar tentang bahasa alami; K3 termasuk dalam tingkatan terdepan (frontier tier) dari kelas ini, yang ditandai dengan jumlah parameter dalam ratusan miliar.

Sebuah model penalaran, sebagaimana Kimi K3 diposisikan, menghasilkan langkah-langkah pemikiran perantara yang eksplisit sebelum memberikan jawaban akhir. Pendekatan ini meningkatkan akurasi pada masalah yang kompleks tetapi memperlama waktu respons dibandingkan dengan model standar yang mengikuti instruksi. Kimi K3 berada di kelas kemampuan yang sama dengan OpenAI o3 dan DeepSeek R1, model-model yang menetapkan paradigma penalaran pada tahun 2024 dan 2025.

K3 menggantikan Kimi K2, produk unggulan Moonshot AI sebelumnya, yang diposisikan sebagai model agentic yang berfokus pada penggunaan alat dan pemrosesan dokumen konteks Long. Transisi dari K2 ke K3 mewakili pergeseran yang disengaja dari kemampuan agentic menuju penalaran tujuan umum. Menurut blog resmi Moonshot AI, K3 tersedia di aplikasi Kimi dan melalui API secara bersamaan saat peluncuran pada Juli 2025.

Moonshot AI: perusahaan di balik Kimi K3

Moonshot AI (月之暗面, Yuèzhī Ànmiàn) adalah perusahaan kecerdasan buatan yang berbasis di Beijing dan didirikan pada tahun 2023, paling dikenal karena mengembangkan keluarga model bahasa besar Kimi dan aplikasi asisten AI Kimi di kimi.ai. Perusahaan ini didirikan oleh Yang Zhilin, seorang peneliti dari Universitas Tsinghua dan Universitas Carnegie Mellon serta salah satu penulis XLNet, sebuah model bahasa berbasis Transformer awal yang bersaing langsung dengan BERT. Moonshot AI dilaporkan telah mengumpulkan dana lebih dari $1 miliar dengan valuasi sekitar $3,3 miliar pada pertengahan 2025, menurut laporan Bloomberg dan Crunchbase, menjadikannya salah satu startup AI paling bernilai di Tiongkok.

Tesis teknis pendiri Moonshot AI adalah spesialisasi konteks panjang. Model Kimi awal menawarkan jendela konteks 1 juta token pada saat sebagian besar pesaing hanya mencapai 32 ribu atau 128 ribu token, yang memberikan Moonshot AI identitas produk yang berbeda. Progresi model perusahaan berjalan: Kimi (2023, model konteks panjang pertama) ke Kimi K2 (pertengahan 2025, model MoE agentik dengan penggunaan alat) ke Kimi K3 (Juli 2025, model penalaran unggulan yang dibahas dalam panduan ini).

Dengan K3, Moonshot AI telah memperluas posisinya di luar spesialisasi konteks panjang untuk mencakup kinerja benchmark penalaran tingkat atas, menempatkannya dalam persaingan langsung dengan OpenAI, Anthropic, Google DeepMind, DeepSeek, dan Alibaba Cloud.

Untuk gambaran lengkap mengenai rangkaian produk Moonshot AI dan latar belakang perusahaan, lihat Moonshot AI: Gambaran Perusahaan dan Panduan Produk Kimi.

Arsitektur dan spesifikasi teknis Kimi K3

Kimi K3 dibangun di atas desain Mixture of Experts (MoE) dengan total 671 miliar parameter, jendela konteks 128K token, dan kemampuan penalaran yang diperluas yang dihasilkan dari pelatihan lanjutan berbasis reinforcement learning (RL). Arsitektur ini dikonfirmasi dalam laporan teknis Kimi K3 dari Moonshot AI.

Ukuran model dan jumlah parameter

Menurut laporan teknis Moonshot AI, Kimi K3 berisi 671 miliar parameter total, dengan 32 miliar aktif per lintasan maju. Dalam arsitektur Mixture of Experts (MoE) (desain fundamental yang mendasari semua model bahasa besar modern sejak 2017, diterapkan di sini dalam bentuk aktivasi jarang), parameter total mencerminkan kapasitas penuh model di seluruh sub-jaringan pakar, sementara parameter aktif hanya mencerminkan sebagian yang terlibat untuk setiap lintasan inferensi. Perbedaan ini membuat jumlah parameter total yang besar layak secara komputasi pada saat inferensi: 671 miliar parameter total aktif sebagai hanya 32 miliar per lintasan, menjaga biaya inferensi sebanding dengan model padat yang jauh lebih kecil.

Kimi K2, model sebelumnya dari Moonshot AI, menggunakan desain MoE dengan total sekitar 1 triliun parameter dan 32 miliar parameter aktif. K3 mengurangi jumlah total parameter sembari mempertahankan jumlah parameter aktif yang sama, sebuah konfigurasi yang dikaitkan oleh laporan teknis Moonshot AI dengan peningkatan efisiensi perutean pakar (expert routing). Rasio parameter aktif terhadap total pada K3 (32B/671B) lebih tinggi daripada K2 (32B/1T), yang menunjukkan pemanfaatan pakar yang lebih padat per forward pass.

Jendela konteks

Kimi K3 mendukung jendela konteks 128K token, yang berarti dapat memproses sekitar 96.000 kata teks bahasa Inggris atau kira-kira 5.000 hingga 10.000 baris kode dalam satu interaksi. Jendela konteks adalah jumlah maksimum teks yang dapat diproses oleh model sekaligus; jendela yang lebih besar memungkinkan analisis seluruh buku, basis kode, atau kumpulan penelitian multi-dokumen tanpa kehilangan informasi.

Sebagai perbandingan: GPT-4o mendukung 128 ribu token, Claude 3.7 Sonnet mendukung 200 ribu token, dan Gemini 2.5 Pro mendukung hingga 1 juta token. K3 menandingi GPT-4o dalam hal panjang konteks dan berada di belakang Claude 3.7 Sonnet serta Gemini 2.5 Pro. K2 juga menggunakan jendela konteks 128 ribu, menandingi K3; model-model Kimi terdahulu sebelum K2 menawarkan jendela 1 juta token, yang merupakan pembeda produk utama saat pendirian Moonshot AI. Keunggulan Long-context tersebut tidak dibawa ke dalam K2 atau K3, sebuah pertukaran yang belum dijelaskan secara publik oleh Moonshot AI. Aplikasi praktis dalam jendela 128 ribu mencakup peninjauan hukum dokumen lengkap, analisis basis kode lengkap untuk repositori berukuran sedang, dan sintesis penelitian multi-sumber tanpa pemotongan dokumen.

Metodologi pelatihan

Laporan teknis Moonshot AI menjelaskan fase pra-pelatihan skala besar standar yang diikuti oleh pasca-pelatihan berbasis RL untuk mempertajam kinerja penalaran. Moonshot AI belum mengungkapkan skala total data pra-pelatihan (dalam token) untuk Kimi K3 dalam laporan teknis publiknya. Varian RL spesifik yang digunakan (GRPO, PPO, atau metode lain) juga belum dikonfirmasi dalam dokumentasi publik.

Penalaran Chain-of-thought (CoT) adalah sebuah teknik di mana model menghasilkan langkah-langkah penalaran perantara yang eksplisit sebelum mencapai jawaban akhir, guna meningkatkan akurasi pada masalah multi-langkah yang kompleks. Metodologi pasca-pelatihan ini ditetapkan sebagai pendorong utama peningkatan performa model penalaran oleh model DeepSeek R1 dan seri-o OpenAI. Hingga Juli 2025, Moonshot AI belum mengonfirmasi secara publik tanggal batas pengetahuan (knowledge cutoff) data pelatihan K3; pembaca yang memerlukan informasi ini harus berkonsultasi langsung dengan dokumentasi resmi Moonshot AI.

Kimi K3 vs. Kimi K2: apa yang berubah

Kimi K3 merepresentasikan pivot strategis dari pemosisian Kimi K2 yang mengutamakan agen (agentic-first) menuju desain unggulan serbaguna yang mengutamakan penalaran (reasoning-first).

Perubahan paling signifikan dari K2 ke K3 adalah pergeseran fokus: dari penggunaan alat berbasis agen ke penalaran tujuan umum, didukung oleh skor benchmark yang jauh lebih kuat. Jumlah total parameter turun dari ~1T menjadi 671B, sementara parameter aktif tetap di 32B. Bagi pengguna K2 yang sudah ada, K3 menghadirkan kinerja yang terukur lebih kuat pada tugas penalaran multi-langkah sambil mempertahankan jendela konteks dan model akses yang sama.

Untuk rincian lengkap mengenai arsitektur, model akses open-weight, dan kemampuan agentic Kimi K2, lihat Apa Itu Kimi K2? Model Berpikir Open-Weight dari Moonshot AI.

Fitur utama Kimi K3

[{"description":"Kimi K3 menerapkan penalaran chain-of-thought (CoT), menghasilkan langkah-langkah perantara yang eksplisit yang meningkatkan akurasi pada masalah matematika, pengkodean, dan logika yang kompleks, menempatkannya di kelas model penalaran yang sama dengan OpenAI o3 dan DeepSeek R1.","feature":"Kemampuan penalaran yang diperluas"},{"description":"Mendukung pemrosesan kontrak hukum lengkap, basis kode berukuran sedang yang lengkap, atau set penelitian multi-dokumen dalam satu prompt, tanpa memerlukan pemotongan (chunking).","feature":"Jendela konteks 128K token"},{"description":"Dibangun di atas desain Transformer Mixture of Experts dengan total 671 miliar parameter dan 32 miliar parameter aktif per proses inferensi, menyeimbangkan kapasitas model yang besar dengan biaya komputasi inferensi yang terkelola.","feature":"Arsitektur MoE"},{"description":"Mencapai skor 96,2 pada AIME 2025 dan 80,5% pada MMLU Pro menurut laporan teknis Moonshot AI, menempatkannya di jajaran teratas model frontier yang dievaluasi secara publik pada penalaran matematis.","feature":"Performa benchmark yang kuat"},{"description":"Secara resmi mendukung Bahasa Mandarin dan Inggris. Dukungan bahasa tambahan belum dikonfirmasi dalam dokumentasi resmi.","feature":"Dukungan multibahasa"},{"description":"Tersedia melalui API Kimi di Platform developer Moonshot AI dan melalui aplikasi konsumen di kimi.ai.","feature":"Akses API dan aplikasi konsumen"},{"description":"Saat peluncuran, Moonshot AI belum mengonfirmasi kemampuan multimodal (visi/gambar) bawaan untuk Kimi K3. Antarmuka aplikasi Kimi mendukung unggahan dokumen (PDF), tetapi pemahaman gambar sebagai kemampuan model dasar belum dikonfirmasi secara resmi untuk K3.","feature":"Kemampuan multimodal"}]

K3 memasuki bidang yang kompetitif di mana tolok ukur penalaran telah menjadi pembeda utama antara model-model terdepan. Kombinasi kinerja AIME yang kuat dan arsitektur MoE yang menjaga biaya inferensi lebih rendah daripada model padat berukuran setara menjadikan K3 sebagai kandidat untuk tugas-tugas penalaran tingkat riset maupun penerapan API produksi yang sensitif terhadap biaya.

Kinerja benchmark Kimi K3

Menurut laporan teknis Moonshot AI, Kimi K3 mencetak skor 96,2 pada AIME 2025 (pass@1), 80,5% pada MMLU Pro, dan 65,8% pada LiveCodeBench, menempatkannya di atas GPT-4o pada tolok ukur penalaran matematika dan bersaing secara kompetitif melawan DeepSeek V3 dan Qwen3 di seluruh rangkaian evaluasi model frontier inti.

(Semua skor tolok ukur yang dikutip di bagian ini bersumber dari laporan teknis resmi Moonshot AI dan/atau papan peringkat AIME 2025 Papers With Code per Juli 2025. Peringkat tolok ukur sering berubah. Pembaca sebaiknya memverifikasi peringkat terkini di Papers With Code dan LMSYS Chatbot Arena untuk perbandingan terkini.)

Matematika dan penalaran: AIME dan MATH-500

Kimi K3 mencetak skor 96,2 pada AIME 2025 (pass@1) menurut laporan teknis Moonshot AI, dibandingkan dengan skor GPT-4o yang dilaporkan sekitar 62% dalam kondisi evaluasi non-penalaran. AIME (American Invitational Mathematics Examination) adalah ujian kompetisi matematika SMA yang ketat dengan 15 soal; skor AI di atas 80% menunjukkan kemampuan penalaran matematika tingkat lanjut, sementara pesaing manusia biasanya mencetak skor dalam kisaran 20–47% (3–7/15). Pada MATH-500, tolok ukur 500 soal setingkat kompetisi di berbagai tingkat kesulitan, Kimi K3 mencapai 97,4% menurut laporan teknis Moonshot AI, dibandingkan dengan sekitar 76,6% milik GPT-4o dan 90,2% yang dilaporkan oleh DeepSeek V3.

Di saat model standar mungkin menebak atau memotong pengerjaan pada masalah aljabar multi-langkah, model penalaran seperti K3 menghasilkan langkah-langkah perantara, sehingga mengurangi propagasi kesalahan di setiap tahapannya. Skor-skor ini menunjukkan bahwa K3 menyelesaikan masalah kalkulus, kombinatorika, dan aljabar multi-langkah dengan benar pada tingkat melebihi 95%, secara signifikan mengungguli model non-penalaran pada tugas-tugas tersebut. Hal ini menjadikan K3 sangat cocok untuk bantuan komputasi ilmiah, dukungan riset kuantitatif, dan aplikasi bimbingan belajar yang memerlukan penjelasan matematika langkah demi langkah.

Pengetahuan umum: MMLU Pro

Kimi K3 mencapai 80,5% pada MMLU Pro, di atas GPT-4o (sekitar 72,6%) dan setara dengan Qwen3-235B (sekitar 79,8%), menurut laporan teknis resmi masing-masing. MMLU Pro (Massive Multitask Language Understanding Pro) adalah versi yang ditingkatkan dari benchmark MMLU yang menguji pengetahuan dan penalaran multi-langkah di 57 domain akademik dan profesional, dirancang untuk membedakan model-model mutakhir di saat skor MMLU asli telah mencapai titik jenuh. Skor MMLU Pro yang tinggi berkorelasi dengan kinerja yang andal pada tugas-tugas padat pengetahuan seperti penelitian hukum, tanya jawab medis, dan tinjauan literatur ilmiah.

Pengodean: LiveCodeBench dan SWE-bench Verified

Di LiveCodeBench, Kimi K3 mencetak skor 65,8% menurut laporan teknis Moonshot AI, dibandingkan dengan GPT-4o yang mencapai sekitar 39,3% dan DeepSeek V3 yang sekitar 59,4%. LiveCodeBench mengevaluasi model pada masalah pemrograman kompetitif yang dikumpulkan secara terus-menerus dari LeetCode dan Codeforces setelah batas waktu pelatihan model, sehingga mengurangi risiko kontaminasi data pelatihan dan menjadikannya indikator kemampuan pemrograman yang lebih andal daripada tolok ukur statis.

Pada SWE-bench Verified, Kimi K3 mencapai 63,9% menurut laporan teknis Moonshot AI, di bawah 70,3% yang dilaporkan oleh Claude 3.7 Sonnet (dengan pemikiran yang diperluas) tetapi di atas sekitar 38,7% dari GPT-4o. SWE-bench Verified menguji penyelesaian otomatis isu rekayasa perangkat lunak GitHub yang sebenarnya, yang membutuhkan pemahaman basis kode, identifikasi bug, dan pembuatan tambalan (patch). Kemampuan-kemampuan ini sangat penting untuk pengembangan perangkat lunak berbantuan AI. Skor 63,9% berarti K3 dapat secara otonom menyelesaikan sekitar 64 dari setiap 100 isu GitHub di dunia nyata, sebuah kemampuan yang berlaku untuk tinjauan kode otomatis dan alur kerja perbaikan bug.

Tabel Perbandingan Benchmark Utama

Tabel di bawah ini membandingkan Kimi K3 dengan lima model terdepan di berbagai kategori benchmark utama (semua skor dari laporan teknis model resmi atau leaderboard terverifikasi per Juli 2025).

Catatan: Skor AIME 2025 dilaporkan sebagai persentase jawaban benar (pass@1 kecuali dinyatakan lain). Skor SWE-bench Claude 3.7 menggunakan mode berpikir diperluas (extended thinking mode). Skor kompetitor bersumber dari laporan teknis resmi masing-masing dan entri papan peringkat Papers With Code per Juli 2025. Skor yang ditandai dengan ~ adalah angka perkiraan dari laporan resmi dan mungkin bervariasi tergantung pada pengaturan evaluasi. Verifikasi klasemen saat ini di papan peringkat AIME 2025 Papers With Code.

Kimi K3 vs. para pesaing

Kimi K3 bersaing di jajaran terdepan model bahasa besar bersama GPT-4o, Claude 3.7 Sonnet, DeepSeek V3, Qwen3, dan Gemini 2.5 Pro. Perbandingan berikut ini mencakup profil performa dari setiap model serta kasus penggunaan di mana masing-masing model memiliki keunggulan.

Kimi K3 vs. GPT-4o. Kimi K3 mengungguli GPT-4o pada setiap tolok ukur penalaran dan pengodean utama: 96,2 vs. ~62 pada AIME 2025, 97,4% vs. ~76,6% pada MATH-500, 80,5% vs. ~72,6% pada MMLU Pro, 65,8% vs. ~39,3% pada LiveCodeBench, dan 63,9% vs. ~38,7% pada SWE-bench Verified. GPT-4o tetap memiliki keunggulan dalam kemampuan multimodal (integrasi penglihatan, audio, dan pembuatan gambar yang terkonfirmasi), perangkat Pihak Ketiga yang lebih luas, dan rekam jejak yang lebih panjang dalam penerapan produksi. Untuk matematika, penalaran ilmiah, dan tugas pengodean di mana akurasi pada masalah kompleks menjadi prioritas, K3 memberikan hasil tolok ukur yang lebih kuat. Tim yang memerlukan Input multimodal, hubungan vendor yang sudah mapan, atau SLA yang terjamin akan menemukan bahwa GPT-4o adalah pilihan dengan hambatan yang lebih rendah. Harga API juga sangat menguntungkan K3: $0,15 per juta token Input vs. GPT-4o yang sekitar $5,00.

Kimi K3 vs. DeepSeek V3. Keduanya adalah LLM mutakhir besutan Tiongkok, tetapi berbeda dalam hal arsitektur dan model akses. DeepSeek V3 adalah model padat (dense) dengan 671 miliar parameter yang tersedia sebagai rilis bobot terbuka (open-weight) di bawah lisensi model DeepSeek; pengembang dapat mengunduh dan melakukan hosting mandiri (self-host). K3 menggunakan MoE dengan 32 miliar parameter aktif per pass dan hanya tersedia melalui API. Pada tolok ukur (benchmark), K3 memimpin di AIME 2025 (96,2 vs. ~90,6) dan SWE-bench Verified (63,9% vs. ~49,2%); DeepSeek V3 kompetitif di LiveCodeBench (59,4% vs. 65,8% untuk K3). Tim yang memerlukan deployment lokal, fine-tuning, atau akses bobot sebaiknya memilih DeepSeek V3. Tim yang memprioritaskan performa tolok ukur penalaran via API akan mendapati K3 lebih unggul dalam tugas-tugas berat matematika.

Kimi K3 vs. Claude 3.7 Sonnet. Perbedaan Verified pada SWE-bench adalah pembeda yang paling relevan di sini: Claude 3.7 Sonnet mencatat skor 70,3% (dengan pemikiran yang diperluas) dibandingkan dengan K3 yang 63,9%, sebuah keunggulan 6,4 poin persentase dalam rekayasa perangkat lunak otomatis. Claude juga mendukung jendela konteks yang lebih besar (200 ribu vs. 128 ribu token). K3 unggul atas Claude pada AIME 2025 (96,2 vs. ~86,7) dan MATH-500 (97,4% vs. ~92,3%). Kedua model menawarkan mode penalaran dengan pendekatan pemikiran yang diperluas yang sebanding secara fungsional. Untuk alur kerja pengkodean agensial dan rekayasa perangkat lunak, Claude 3.7 Sonnet tetap menjadi pilihan yang lebih kuat. Untuk tugas penalaran murni matematis dan riset kuantitatif, K3 memegang keunggulan tolok ukur yang jelas.

Kimi K3 vs. Qwen3 (Alibaba). Qwen3-235B, model unggulan Alibaba Cloud tahun 2025, tertinggal dari K3 pada AIME 2025 (92,8 vs. 96,2) dan MMLU Pro (79,8% vs. 80,5%), sementara memimpin tipis pada LiveCodeBench (66,2% vs. 65,8%). Qwen3 memiliki rilis bobot terbuka yang tersedia di repositori GitHub QwenLM, berbeda dengan akses K3 yang hanya melalui API. Untuk tugas berbahasa Mandarin, Qwen3 mendapat manfaat dari infrastruktur perusahaan Alibaba Cloud dan data pelatihan multibahasanya; perbandingan independen C-Eval atau CMMLU antara K3 dan Qwen3 belum dipublikasikan saat tulisan ini dibuat. Tim di dalam ekosistem Alibaba Cloud akan merasa Qwen3 lebih terintegrasi; tim yang mengevaluasi pada benchmark penalaran matematis akan menemukan K3 sedikit lebih unggul.

Kimi K3 vs. Gemini 2.5 Pro. Perbedaan jendela konteks adalah faktor pembeda utamanya. Gemini 2.5 Pro mendukung hingga 1 juta token dibandingkan dengan 128 ribu token milik K3, keunggulan 8x lipat untuk tugas-tugas yang melibatkan dokumen yang sangat panjang. Pada pengujian benchmark, kedua model bersaing ketat: Gemini 2.5 Pro unggul tipis pada MMLU Pro (81,3% vs. 80,5%) dan MATH-500 (97,1% vs. 97,4% untuk K3), sementara K3 unggul pada AIME 2025 (96,2 vs. ~92,0). Untuk sintesis riset multi-dokumen, analisis seukuran buku, atau pengindeksan basis kode besar di atas 128 ribu token, Gemini 2.5 Pro adalah pilihan yang secara teknis lebih kuat. Untuk tugas yang masuk dalam kapasitas 128 ribu token dan memprioritaskan penalaran matematika dengan biaya API yang lebih rendah, K3 memiliki keunggulan.

Lanskap AI Tiongkok pada tahun 2025. Di antara model-model frontier Tiongkok, Kimi K3 (Moonshot AI), DeepSeek V3 (DeepSeek), dan Qwen3 (Alibaba Cloud) mewakili tiga opsi utama, masing-masing dengan penempatan yang berbeda. DeepSeek telah melakukan diferensiasi melalui rilis bobot terbuka (open-weight) yang dapat di-hosting sendiri oleh pengembang tanpa biaya inferensi. Qwen3 mendapatkan keuntungan dari ekosistem korporasi Alibaba Cloud dan ketersediaan bobot terbuka. K3 memposisikan diri pada kepemimpinan benchmark penalaran. Data benchmark tidak mendukung penyebutan satu model tunggal sebagai yang terbaik secara definitif di semua tugas; pilihan yang tepat bergantung pada apakah kasus penggunaan memprioritaskan akses bobot terbuka (DeepSeek, Qwen3), kedalaman ekosistem korporasi (Qwen3), atau performa benchmark penalaran murni (K3, terutama untuk aplikasi yang sarat matematika).

Cara mengakses Kimi K3

Kimi K3 bukan bobot terbuka. Ini dapat diakses melalui Kimi API untuk pengembang dan melalui aplikasi konsumen Kimi di kimi.ai untuk pengguna non-pengembang. Bobot model tidak tersedia untuk umum saat ini; untuk alternatif bobot terbuka pada tingkat kinerja yang sebanding, DeepSeek V3 dan Qwen3 menawarkan opsi penerapan lokal.

Trading token MOONSHOT di Bybit: Pertumbuhan Moonshot AI telah menarik perhatian dari para trader kripto — Bybit menawarkan MOONSHOTUSDT perpetual futures bagi mereka yang tertarik untuk trading token MOONSHOT. Untuk latar belakang mengenai token itu sendiri, lihat Apa Itu MOONSHOT USDT? Panduan Lengkap.

Aplikasi Kimi (akses konsumen)

Aplikasi Kimi adalah produk asisten AI dari Moonshot AI yang ditujukan bagi konsumen, tersedia di kimi.ai dan sebagai aplikasi seluler di iOS dan Android. Untuk mulai menggunakan K3 melalui aplikasi konsumen:

1. Kunjungi kimi.ai atau unduh aplikasi seluler Kimi dari App Store atau Google Play.
2. Buat akun gratis menggunakan alamat email atau nomor telepon, atau masuk dengan akun yang sudah ada.
3. Kimi K3 mendukung antarmuka aplikasi Kimi saat ini secara default; tidak diperlukan langkah pemilihan model kecuali Moonshot AI menambahkan pemilih model dalam pembaruan di masa mendatang.
4. Mulai mengobrol. Aplikasi ini mendukung unggah dokumen (file PDF dan teks) serta integrasi pencarian web.

Aplikasi Kimi tersedia secara global, termasuk bagi pengguna di AS dan Eropa. Tingkat gratis menyediakan akses ke K3 dengan batas penggunaan harian; Moonshot AI menawarkan langganan berbayar (Kimi Pro) untuk batas pesan yang lebih tinggi dan akses prioritas selama permintaan puncak. Verifikasi batas tingkat saat ini di kimi.ai sebelum berkomitmen untuk berlangganan, karena hal ini sering berubah.

Kimi API (akses pengembang)

1. Buat akun pengembang Moonshot AI di platform pengembang Moonshot AI.
2. Hasilkan Kunci API dari dasbor akun di bawah "Kunci API".
3. API Kimi menggunakan skema yang kompatibel dengan OpenAI, sehingga Anda dapat mengganti URL dasar dan string pengidentifikasi model ke dalam kode SDK OpenAI yang sudah ada dengan perubahan minimal.
4. Lakukan panggilan API pertama Anda menggunakan pengidentifikasi model Kimi K3 kimi-k3 sebagaimana dikonfirmasi dalam Dokumentasi API Moonshot AI.

from openai import OpenAI

# Inisialisasi klien dengan URL dasar Moonshot AI
client = OpenAI(
    api_key="KUNCI_API_MOONSHOT_ANDA",  # Kunci API dari platform.moonshot.cn
    base_url="https://api.moonshot.cn/v1",
)

# Buat permintaan penyelesaian menggunakan pengidentifikasi model K3
response = client.chat.completions.create(
    model="kimi-k3",  # Pengidentifikasi model yang dikonfirmasi untuk Kimi K3
    messages=[
        {"role": "system", "content": "Anda adalah asisten yang membantu."},
        {"role": "user", "content": "Selesaikan ini langkah demi langkah: berapakah jumlah dari 100 bilangan prima pertama?"},
    ],
    temperature=0.6,
)

print(response.choices[0].message.content)

Per Juli 2025, harga API Kimi K3 adalah $0,15 per juta token Input dan $0,60 per juta token output, menurut halaman harga resmi Moonshot AI. Sebagai perbandingan, GPT-4o dihargai sekitar $5,00 per juta token Input dan $15,00 per juta token output; Claude 3.7 Sonnet dihargai sekitar $3,00 per juta token Input dan $15,00 per juta token output. K3 berbiaya jauh lebih rendah per token dibandingkan kedua petahana Barat tersebut untuk tugas penalaran dengan kompleksitas yang setara.

Moonshot AI menyediakan tingkatan API gratis dengan alokasi token bulanan terbatas untuk akun pengembang baru; verifikasi batas tingkatan gratis saat ini di halaman harga API Moonshot AI sebelum merencanakan penggunaan produksi, karena angka-angka ini sering berubah.

(Harga API dapat berubah sewaktu-waktu. Semua angka mencerminkan tarif per Juli 2025. Verifikasi harga saat ini di halaman harga API Moonshot AI sebelum membuat keputusan komersial.)

Untuk rincian lengkap tier API, harga token, dan tips optimasi biaya, lihat Harga API Moonshot Kimi 2026: Paket dan Panduan Biaya.)

API Kimi tersedia bagi pengembang secara global. Moonshot AI belum menerbitkan batasan geografis pada akses API hingga Juli 2025. Untuk penerapan lokal tanpa ketergantungan API, K3 bukan merupakan pilihan; pertimbangkan rilis open-weight DeepSeek V3 atau Qwen3 sebagai gantinya.

Kasus penggunaan untuk Kimi K3

Kimi K3 paling cocok untuk tugas-tugas yang mendapat manfaat dari penalaran yang diperluas, pemrosesan konteks yang besar, dan kapabilitas coding yang kuat.

• Matematika tingkat lanjut dan penalaran ilmiah: Skor AIME 2025 K3 sebesar 96,2 dan skor MATH-500 sebesar 97,4% menjadikannya kandidat kuat untuk pemecahan masalah tingkat kompetisi, perhitungan fisika dan teknik, analisis statistik, dan bantuan riset kuantitatif di mana akurasi langkah perantara sangat penting.
• Pembuatan dan debugging kode: Dengan skor LiveCodeBench sebesar 65,8%, K3 menghasilkan kode yang sintaksisnya benar dan fungsinya akurat di berbagai bahasa Python, JavaScript, SQL, dan bahasa utama lainnya, serta dapat melakukan debugging kesalahan logika multi-langkah dalam satu sesi prompt.
• Bantuan rekayasa perangkat lunak: Skor SWE-bench Verified sebesar 63,9% berarti K3 dapat secara mandiri menyelesaikan sekitar 64 dari 100 isu GitHub nyata, sehingga dapat diterapkan pada tinjauan kode otomatis, saran refactoring, dan alur kerja triase isu.
• Analisis dokumen Long: Jendela konteks 128K-token mendukung pemrosesan kontrak hukum lengkap, makalah akademis lengkap, laporan keuangan, dan dokumen teknis multi-bab tanpa pemotongan atau kehilangan ringkasan.
• Sintesis riset multi-langkah: K3 dapat membandingkan silang berbagai dokumen dalam jendela konteksnya, mengekstrak klaim yang saling bertentangan, dan menghasilkan ringkasan komparatif terstruktur untuk tinjauan literatur, riset uji tuntas (due diligence), dan analisis kebijakan.
• Tugas bilingual Tiongkok dan Inggris: K3 secara resmi mendukung bahasa Tiongkok dan Inggris, dan produk konsumen Moonshot AI telah dirancang sejak peluncuran untuk pasar Tiongkok. Perbandingan tolok ukur independen berbahasa Mandarin (C-Eval, CMMLU) belum dipublikasikan pada saat penulisan.

Siapa yang harus menggunakan Kimi K3: K3 adalah opsi API terkuat yang tersedia untuk penalaran intensif matematika, dukungan riset kuantitatif, dan aplikasi pengodean yang sensitif terhadap biaya (seharga $0,15 per juta token input). Tim yang saat ini menggunakan GPT-4o untuk tugas-tugas penalaran akan menemukan bahwa K3 memberikan performa benchmark yang jauh lebih baik dengan biaya API yang jauh lebih rendah. Untuk alur kerja pengodean agentik di mana performa SWE-bench merupakan metrik utama, Claude 3.7 Sonnet tetap unggul. Untuk kasus penggunaan yang memerlukan konteks lebih dari 128 ribu token, Gemini 2.5 Pro adalah pilihan yang lebih tepat. Untuk tim yang memerlukan penerapan lokal dengan bobot terbuka (open-weight), DeepSeek V3 atau Qwen3 adalah alternatif yang sesuai.

Keterbatasan dan pertimbangan

Kimi K3 memiliki beberapa keterbatasan signifikan yang perlu dievaluasi oleh pengguna dan pembeli korporat sebelum diadopsi.

Ketinggalan dalam benchmark di SWE-bench. Di SWE-bench Verified, K3 memperoleh skor 63,9%, tertinggal 6,4 poin persentase dari skor Claude 3.7 Sonnet yang sebesar 70,3%. Bagi tim dengan kasus penggunaan utama penyelesaian masalah GitHub secara otomatis atau rekayasa perangkat lunak agenik, selisih ini cukup signifikan dan Claude 3.7 Sonnet tetap menjadi pilihan yang lebih kuat berdasarkan data benchmark yang dipublikasikan.

Tidak ada akses open-weight. K3 adalah model API tertutup. Bobot model tidak tersedia untuk umum, yang berarti deployment lokal, fine-tuning, dan self-hosting terkuantisasi (GGUF, GPTQ, AWQ melalui llama.cpp, vLLM, atau Ollama) tidak mungkin dilakukan. DeepSeek V3 dan Qwen3 keduanya menawarkan rilis open-weight yang mendukung deployment lokal tanpa biaya per token. Bagi organisasi dengan persyaratan kedaulatan data yang melarang pengiriman data ke API eksternal, atau bagi peneliti yang membutuhkan akses fine-tuning, K3 bukanlah opsi yang layak.

Jendela konteks tertinggal dari pesaing berkonteks panjang. Jendela konteks 128K token K3 setara dengan GPT-4o, tetapi 36% lebih kecil dari 200K milik Claude 3.7 Sonnet dan 87,5% lebih kecil dari jendela 1M token milik Gemini 2.5 Pro. Tugas yang memerlukan pemrosesan dokumen sangat panjang (analisis seluruh buku, pengindeksan basis kode besar, atau sintesis korpora multi-sumber di atas 128K token) akan memerlukan strategi pemotongan (chunking) atau model yang berbeda.

Ketidakpastian batas pengetahuan. Moonshot AI belum mengonfirmasi secara publik tanggal batas pengetahuan data pelatihan K3 per Juli 2025. Kueri mengenai peristiwa setelah batas tersebut akan menghasilkan informasi yang tidak lengkap atau tidak ada, kecuali model diperkaya dengan pencarian web atau pipeline retrieval-augmented generation (RAG). Aplikasi konsumen Kimi menyertakan integrasi pencarian web yang mengurangi kendala ini bagi pengguna konsumen; pengguna API harus mengimplementasikan lapisan pengambilan (retrieval) mereka sendiri untuk kueri yang sensitif terhadap waktu.

Tradeoff Latensi Model Penalaran. Penalaran rantai pemikiran yang diperpanjang menghasilkan respons yang lebih akurat untuk tugas-tugas kompleks tetapi menghasilkan token yang jauh lebih banyak per respons daripada model pengikut instruksi standar. Untuk kueri sederhana (penskuman, konversi format, tanya jawab dasar), model yang lebih ringan seperti GPT-4o mini atau varian terdistilasi DeepSeek akan lebih hemat biaya.

Tata kelola data perusahaan. Kimi K3 dikembangkan oleh Moonshot AI, perusahaan yang berbasis di Beijing yang tunduk pada peraturan data Tiongkok. Organisasi dengan persyaratan residensi data yang ketat, kewajiban kepatuhan di bawah kerangka kerja seperti GDPR, atau pembatasan pemrosesan data oleh entitas non-domestik harus meninjau perjanjian pemrosesan data dan infrastruktur API regional Moonshot AI sebelum mengintegrasikan K3 ke dalam sistem produksi. Panduan ini berlaku secara faktual dan simetris. Uji tuntas yang sama akan berlaku untuk API AI lintas batas mana pun, termasuk layanan yang berbasis di AS yang digunakan oleh organisasi di yurisdiksi dengan persyaratan pemrosesan data domestik.

Pertanyaan yang sering diajukan

Apa itu Kimi K3 dan siapa yang membuatnya?

Kimi K3 adalah model bahasa besar penalaran mutakhir yang dikembangkan oleh Moonshot AI (月之暗面), perusahaan AI yang berbasis di Beijing, dan dirilis pada Juli 2025. Model ini dirancang sebagai model unggulan yang mengutamakan penalaran yang menggunakan pemrosesan rantai pemikiran yang diperluas untuk menangani tugas matematika, pengodean, dan padat pengetahuan yang kompleks. K3 adalah penerus Kimi K2, beralih dari penempatan yang berorientasi pada agen ke desain penalaran serbaguna.

Apa saja fitur utama Kimi K3?

Fitur utama Kimi K3 meliputi: (1) penalaran chain-of-thought yang diperluas yang mendorong performa AIME dan MATH-500 tingkat atas; (2) jendela konteks 128K token untuk pemrosesan dokumen Long; (3) arsitektur Mixture of Experts (MoE) dengan total 671B parameter dan 32B parameter aktif; (4) harga API yang kompetitif sebesar $0,15 per juta Input token; dan (5) akses melalui aplikasi konsumen Kimi di kimi.ai dan API pengembang di platform.moonshot.cn.

Berapa ukuran jendela konteks dari Kimi K3?

Kimi K3 mendukung jendela konteks 128K token, yang setara dengan sekitar 96.000 kata teks bahasa Inggris. Ini menandingi konteks 128K milik GPT-4o tetapi lebih kecil dibandingkan 200K token milik Claude 3.7 Sonnet dan 1M token milik Gemini 2.5 Pro. Untuk sebagian besar tugas analisis dokumen dan pengodean, 128K token sudah memadai; basis kode yang sangat besar atau dokumen seukuran buku mungkin memerlukan pembagian (chunking).

Apakah Kimi K3 bersifat open-source atau tertutup?

Kimi K3 ditutup: bobot modelnya tidak tersedia untuk publik. Akses disediakan secara eksklusif melalui Kimi API untuk pengembang dan aplikasi konsumen Kimi di kimi.ai untuk pengguna umum. Untuk alternatif bobot terbuka dengan kapabilitas yang sebanding, DeepSeek V3 (dense, 671B) dan Qwen3 (rilis open-weight tersedia di QwenLM GitHub) keduanya mendukung penyebaran lokal dan fine-tuning.

Bagaimana Kimi K3 dibandingkan dengan GPT-4o pada tolok ukur?

Kimi K3 mengungguli GPT-4o pada setiap benchmark penalaran dan pengodean yang dipublikasikan: AIME 2025 (96,2 vs. ~62), MATH-500 (97,4% vs. ~76,6%), MMLU Pro (80,5% vs. ~72,6%), LiveCodeBench (65,8% vs. ~39,3%), dan SWE-bench Verified (63,9% vs. ~38,7%). GPT-4o unggul dalam kemampuan multimodal, integrasi ekosistem Pihak Ketiga, dan infrastruktur dukungan perusahaan yang sudah mapan. Untuk tugas penalaran murni, K3 menyajikan kasus benchmark yang kuat dengan harga API yang jauh lebih rendah.

Apa perbedaan Kimi K3 dengan Kimi K2?

Kimi K3 beralih dari pemosisian agentic-first Kimi K2 (penggunaan alat, pemrosesan dokumen konteks Long) ke desain tujuan umum yang mengutamakan penalaran. Keduanya menggunakan arsitektur MoE dengan 32B parameter aktif, tetapi K3 mengurangi jumlah total parameter dari ~1T menjadi 671B sambil mencapai skor benchmark penalaran yang jauh lebih kuat. K2 tidak di-benchmark pada AIME atau MATH-500; K3 diposisikan terutama pada kemampuan penalaran.

Siapa yang mendirikan Moonshot AI?

Moonshot AI didirikan pada tahun 2023 oleh Yang Zhilin, seorang mantan peneliti di Universitas Tsinghua dan Universitas Carnegie Mellon serta salah satu penulis XLNet, sebuah model bahasa awal berbasis Transformer yang bersaing dengan BERT. Yang Zhilin menjabat sebagai CEO Moonshot AI.

Bisakah saya mengakses Kimi K3 melalui API?

Ya. API Kimi tersedia di platform developer Moonshot AI. API ini menggunakan skema yang kompatibel dengan OpenAI, sehingga kode SDK OpenAI yang ada dapat diadaptasi dengan mengganti URL dasar (https://api.moonshot.cn/v1)` dan pengidentifikasi model. Per Juli 2025, harga adalah $0,15 per juta token input dan $0,60 per juta token output. Tingkat API gratis tersedia untuk akun developer baru dengan alokasi token bulanan yang terbatas.

Apakah Kimi K3 tersedia di AS dan Eropa?

Ya. Kimi K3 tersedia secara global baik melalui aplikasi konsumen Kimi di kimi.ai maupun API Kimi. Moonshot AI belum menerbitkan pembatasan geografis pada akses API per Juli 2025. Pembeli korporat (enterprise) harus meninjau perjanjian pemrosesan data Moonshot AI untuk pertimbangan residensi data dan kepatuhan sebelum penerapan produksi.

Bahasa apa saja yang didukung oleh Kimi K3?

Kimi K3 secara resmi mendukung bahasa Mandarin dan Inggris. Dukungan bahasa tambahan belum dikonfirmasi dalam dokumentasi resmi Moonshot AI pada saat penulisan ini. Aplikasi konsumen Kimi telah dirancang untuk pasar Tiongkok sejak peluncurannya, dan data pelatihan K3 diperkirakan mencakup konten berbahasa Mandarin yang substansial, meskipun skor benchmark bahasa Mandarin yang independen (C-Eval, CMMLU) belum dipublikasikan pada saat penulisan ini.

Kesimpulan

Kimi K3 mewakili model frontier terkuat Moonshot AI hingga saat ini, menggabungkan penalaran matematika tingkat atas (96.2 pada AIME 2025) dengan arsitektur MoE yang efisien biaya dan harga API yang jauh di bawah GPT-4o dan Claude 3.7 Sonnet. Bagi pengembang dan peneliti yang mengevaluasi model frontier pada tahun 2025, K3 patut dipertimbangkan secara serius untuk tugas-tugas berat penalaran, terutama di mana biaya-per-jawaban-benar merupakan metrik evaluasi utama.

Bacaan Terkait

• Apa Itu Kimi K2? Model Berpikir Open-Weight dari Moonshot AI
• Moonshot AI: Ikhtisar Perusahaan dan Panduan Produk Kimi
• Harga API Moonshot Kimi 2026: Rencana dan Panduan Biaya
• Moonshot AI vs DeepSeek vs Qwen: Perbandingan Model AI Tiongkok
• Apa Itu Kimi AI? Panduan untuk Moonshot AI
• MOONSHOTUSDT Perpetual Futures di Bybit

Pengembang dapat mulai bereksperimen melalui API Kimi di developer Platform Moonshot AI, di mana skema yang kompatibel dengan OpenAI mengurangi upaya integrasi. Pengguna konsumen dapat mengakses Kimi K3 secara langsung melalui asisten AI Kimi di kimi.ai. Untuk pembaruan benchmark terbaru, rilis model, dan dokumentasi teknis, lihat blog resmi Moonshot AI di moonshotai.com. Untuk hub sumber daya Moonshot AI lengkap Bybit, jelajahi perbandingan Moonshot AI vs DeepSeek vs Qwen) dan panduan Apa Itu Kimi AI?.

Artikel ini akan diperbarui seiring dirilisnya data tolok ukur baru, spesifikasi resmi, dan informasi harga oleh Moonshot AI.