GPT 2.6, Veo 3.1, Seedance 2.5, Kling 4 in deAPI!
Web-search and web-contents are now available via API
Browse all Models
Browse all
Browse all
Browse all

LLM · Vision

API Kimi K3, à essayer gratuitement

Kimi K3 est un grand modèle de langage à poids ouverts de Moonshot AI, capable de raisonner. Il lit le texte et les images et garde jusqu’à 1 M de tokens de contexte. deAPI le sert sur un endpoint compatible OpenAI : le SDK OpenAI fonctionne dès que vous changez l’URL de base, la clé et l’ID du modèle.

  • Texte et images en entrée, fenêtre de contexte de 1 000 000 tokens
  • Sortie JSON conforme à un schéma, appels d’outils et streaming
  • reasoning_effort sur sept niveaux, de none à max

Sans carte bancaire · Crédits offerts valables 30 jours · Ensuite, vous rechargez et payez à l’usage, sans abonnement

Kimi K3 LLM · Vision

model: "kimi-k3"
reasoning_effort: "low"

system: You are a senior JavaScript engineer. Explain the bug in two sentences, then give the fixed function. Plain prose without labels or bold, nothing after the code.

user

Why does this always return 0?

async function total(ids) {
  let sum = 0;
  ids.forEach(async (id) => {
    sum += await getPrice(id);
  });
  return sum;
}
assistant reasoning_content · 8 tokens

forEach fires off the async callbacks but doesn’t await them, so the function returns before any of the awaits resolve and sum is still 0. The callbacks also mutate a closed-over variable later, after the return value has already been captured.

async function total(ids) {
  const prices = await Promise.all(ids.map((id) => getPrice(id)));
  return prices.reduce((sum, price) => sum + price, 0);
}
180 tokens en entrée + 113 en sortie (8 de raisonnement) · 4,1 s Coût sur deAPI : 0,0025 $ (prix relevé en novembre 2026)

Cas d’usage de Kimi K3

Quatre tâches pour lesquelles le modèle convient, chacune avec le chiffre qui l’appuie. Toutes tournent avec la même clé deAPI que la transcription, l’OCR et la génération d’images.

  1. Factures, reçus et formulaires. Envoyez une photo ou un scan en image_url avec un schéma JSON. Sur la facture allemande générée ci-dessous, il a renvoyé les 10 champs à chacun des deux essais, avec les dates au format ISO et les montants sous forme de nombres. Moonshot AI annonce 91,1 sur OmniDocBench avec l’effort de raisonnement max.

  2. Revue de code et agents de code. La question ci-dessus est un appel réel : 113 tokens en sortie pour la cause et le correctif. Avec l’effort de raisonnement max et son harness Kimi Code, Moonshot AI annonce 67,5 sur DeepSWE (tâches v1.1) et 88,3 sur Terminal-Bench 2.1. Les outils de code qui parlent l’API OpenAI Chat Completions peuvent pointer vers https://oai.deapi.ai/v1.

  3. Longues transcriptions et longs documents. La fenêtre de contexte contient 1 000 000 tokens, prompt et réponse compris, et une réponse peut aller jusqu’à 131 072. Transcrivez une journée d’appels commerciaux avec WhisperLargeV3Ct2 et demandez les objections, les relances et les citations en une seule requête.

  4. Agents qui appellent deAPI. Décrivez les endpoints deAPI comme des outils. Quand on lui a demandé les chapitres horodatés d’une vidéo YouTube, le modèle a appelé transcribe_video avec l’URL de la vidéo et include_ts: true (un seul essai). Votre code exécute cet appel et renvoie la transcription.

Facture allemande de Nordlicht Studio GmbH avec trois lignes et un total de 2 677,50 EUR
Réponse : message.content
{
  "invoice_number": "NS-2026-0418",
  "issue_date": "2026-11-03",
  "due_date": "2026-11-17",
  "seller": "Nordlicht Studio GmbH",
  "seller_vat_id": "DE298765431",
  "net": 2250.0,
  "vat": 427.5,
  "total": 2677.5,
  "currency": "EUR",
  "iban": "DE44 1001 0010 0123 4567 89"
}
Exemple de facture : image en entrée, JSON en sortie System : « Extract invoice fields. Dates as YYYY-MM-DD, amounts as numbers. » User : « Extract the fields from this invoice. » Schéma JSON de 10 champs, température 0. 1 426 tokens en entrée + 332 en sortie (234 de raisonnement), 7,7 s au premier appel.

Tarifs de l’API Kimi K3

Vous payez au token, sur le même solde prépayé que pour tous les autres modèles deAPI. Les tokens de raisonnement font partie de completion_tokens dans usage. Sans abonnement.

Entrée (texte et images) 3,30 $ ≈ 1,5 M de tokens
Entrée en cache (préfixe de prompt répété) 0,33 $ ≈ 15 M de tokens
Sortie (réponse et raisonnement) 16,50 $ ≈ 0,3 M de tokens
Question en haut de page, un appel 0,0025 $ ≈ 2 000 appels
Exemple de facture, un appel 0,01 $ ≈ 490 appels

Ce que comprend le compte gratuit

  • 5 $ de crédits dès que vous ajoutez une carte bancaire
  • Environ 2 000 appels comme la question en haut de page
  • Crédits valables 30 jours ; ensuite, vous rechargez et payez à l’usage
Recevoir 5 $ de crédits

Prix de kimi-k3 en USD, novembre 2026. Nombres de tokens tirés de la question en haut de page et de l’exemple de facture ; un appel de l’exemple de facture coûte 0,01 $. Limites de contexte et de sortie issues de GET https://oai.deapi.ai/v1/models.

Kimi K3 vs Qwen3.8 Max vs GLM-5.3

Entrée Texte, image Texte, image Texte
Contexte 1 000 000 tokens 1 000 000 tokens 1 000 000 tokens
Sortie max. 131 072 tokens 131 072 tokens 131 072 tokens
reasoning_effort de none à max, 7 niveaux de none à max, 7 niveaux low, high ou max
Sortie structurée json_schema, json_object json_schema, json_object json_object
Prix par million, entrée / sortie 3,30 $ / 16,50 $ 2,20 $ / 6,60 $ 1,54 $ / 4,84 $

ID des modèles : kimi-k3, qwen3.8-max, glm-5.3. Limites et types d’entrée issus de GET /v1/models. Niveaux de raisonnement et formats de sortie testés le 16 novembre 2026.

Exemple d’API Kimi K3

Un POST vers https://oai.deapi.ai/v1/chat/completions avec votre clé deAPI comme jeton Bearer. Dans le SDK OpenAI, renseignez base_url, votre clé deAPI et l’ID du modèle ; le reste d’un appel Chat Completions ne change pas. Remplacez YOUR_API_KEY par une clé de votre tableau de bord.

ID du modèle
kimi-k3
Endpoint
POST https://oai.deapi.ai/v1/chat/completions
Entrée
Texte et images en parties image_url : une data URL en base64 ou un lien HTTPS public. Les PDF et l’audio sont refusés.
Contexte et sortie
Fenêtre de contexte de 1 000 000 tokens (prompt et réponse compris), jusqu’à 131 072 tokens par réponse
Raisonnement
reasoning_effort : none, minimal, low, medium, high, xhigh ou max. Le raisonnement revient dans reasoning_content.
Options de sortie
response_format avec json_schema (strict) ou json_object, tools, stream
curl https://oai.deapi.ai/v1/chat/completions \
  -H 'Authorization: Bearer YOUR_API_KEY' \
  -H 'Content-Type: application/json' \
  -d '{
    "model": "kimi-k3",
    "reasoning_effort": "none",
    "messages": [
      {"role": "system", "content": "Sort support tickets. Reply with one word: billing, bug, feature or other."},
      {"role": "user", "content": "I was charged twice for the November top-up."}
    ]
  }'
import base64, json
from openai import OpenAI

client = OpenAI(base_url="https://oai.deapi.ai/v1", api_key="YOUR_API_KEY")

with open("invoice.png", "rb") as f:
    image = "data:image/png;base64," + base64.b64encode(f.read()).decode()

schema = {
    "type": "object",
    "additionalProperties": False,
    "required": ["invoice_number", "issue_date", "due_date", "seller",
                 "seller_vat_id", "net", "vat", "total", "currency", "iban"],
    "properties": {
        "invoice_number": {"type": "string"},
        "issue_date": {"type": "string"},
        "due_date": {"type": "string"},
        "seller": {"type": "string"},
        "seller_vat_id": {"type": "string"},
        "net": {"type": "number"},
        "vat": {"type": "number"},
        "total": {"type": "number"},
        "currency": {"type": "string"},
        "iban": {"type": "string"},
    },
}

response = client.chat.completions.create(
    model="kimi-k3",
    temperature=0,
    messages=[
        {"role": "system", "content": "Extract invoice fields. "
         "Dates as YYYY-MM-DD, amounts as numbers."},
        {"role": "user", "content": [
            {"type": "text", "text": "Extract the fields from this invoice."},
            {"type": "image_url", "image_url": {"url": image}},
        ]},
    ],
    response_format={"type": "json_schema",
                     "json_schema": {"name": "invoice", "strict": True, "schema": schema}},
)

invoice = json.loads(response.choices[0].message.content)
print(invoice["total"], invoice["currency"])  # 2677.5 EUR
print(response.usage)

Qu’est-ce que Kimi K3 ?

Kimi K3 est un modèle Mixture-of-Experts à poids ouverts que Moonshot AI publie sous sa propre licence, la Kimi K3 License. Il compte 2,8T de paramètres au total et en active 104B par token, en choisissant 16 experts sur 896. Un encodeur de vision de 401M de paramètres, MoonViT-V2, lit les images. Il écrit du texte et peut raisonner avant de répondre. Sur deAPI, vous l’appelez comme n’importe quel modèle de chat OpenAI et vous payez au token.

  1. Créez un compte gratuit

    Inscrivez-vous et recevez 5 $ de crédits.

  2. Pointez votre client vers deAPI

    Réglez base_url sur https://oai.deapi.ai/v1 et utilisez votre clé deAPI.

  3. Envoyez la requête

    Indiquez kimi-k3 comme modèle et lisez la réponse dans choices[0].message.content.

FAQ Kimi K3

Oui. deAPI le sert sur https://oai.deapi.ai/v1 sous l’ID de modèle kimi-k3, avec le format de requête et de réponse de l’API OpenAI Chat Completions. Si votre code utilise déjà le SDK OpenAI, vous changez trois valeurs : base_url, la clé API et le modèle. Faites vos propres tests avant de basculer votre trafic.
Un nouveau compte deAPI reçoit 5 $ de crédits une fois une carte bancaire ajoutée, de quoi faire environ 2 000 appels comme la question de code en haut de cette page. Les crédits sont valables 30 jours. Ensuite, vous rechargez et payez à l’usage, sans abonnement.
3,30 $ par million de tokens en entrée, 0,33 $ par million de tokens d’entrée en cache et 16,50 $ par million de tokens en sortie (novembre 2026). Les tokens de raisonnement comptent comme de la sortie, et vous les voyez dans usage.completion_tokens_details.reasoning_tokens.
Oui. Ajoutez une partie image_url au message utilisateur, sous forme de data URL en base64 ou de lien HTTPS public. Les fichiers PDF et audio sont refusés : passez les PDF par l’API OCR ou envoyez les pages en images, et transcrivez d’abord l’audio.
Sur deAPI, la fenêtre de contexte est de 1 000 000 tokens, prompt et réponse compris, et une réponse peut compter jusqu’à 131 072 tokens. La fiche du modèle de Moonshot AI indique une longueur de contexte de 1 048 576 tokens pour le modèle lui-même.
D’après la fiche du modèle de Moonshot AI, avec l’effort de raisonnement max : 93,5 sur GPQA Diamond, 67,5 sur DeepSWE (tâches v1.1) et 88,3 sur Terminal-Bench 2.1 (tous deux avec le harness Kimi Code). Pour les images, elle indique 91,1 sur OmniDocBench et 81,6 sur MMMU-Pro sans outils. Ce sont les chiffres de Moonshot AI ; testez-le sur vos propres données avec les crédits offerts.
Réglez reasoning_effort sur none. Sur la requête de tri de tickets de l’exemple cURL, none a répondu « billing » avec 7 tokens en sortie et aucun token de raisonnement. high a donné la même réponse avec 19 tokens en sortie, dont 6 de raisonnement (un essai chacun). Les niveaux intermédiaires sont minimal, low et medium ; au-dessus de high viennent xhigh et max.
Moonshot AI publie les poids sur Hugging Face sous la Kimi K3 License. C’est une licence propre à Moonshot AI, avec des conditions supplémentaires pour les grandes entreprises de model-as-a-service et les très grands produits : lisez-la avant d’héberger les poids vous-même. Les appels via deAPI sont régis par les Conditions d’utilisation de deAPI.

Envoyez votre première requête Kimi K3 avec 5 $ de crédits offerts

Inscription par e-mail ou avec Google. Paiement à l’usage, sans abonnement.