Kimi K3.1 Pro API fiyatı ve kısa test

👁 123 okunma

Kimi K3.1 Pro API fiyatlandırmasını ve kendi çalıştırdığım kısa API testlerinin sonuçlarını doğrudan ham verilerle paylaşıyorum. Resmi dökümantasyona göre model, milyon giriş tokenı başına 2 USD ve milyon çıkış tokenı başına 10 USD fiyatla sunuluyor (platform.kimi.ai). OpenRouter üzerinden yaptığım tekil testlerde JSON çıkarma ve aritmetik görevleri başarıyla tamamlanırken, bazı metin görevlerinde akıl yürütme (reasoning) tokenlarının limiti doldurması nedeniyle yanıt kesilmeleri yaşandı.

• Resmi API Fiyatı: Kimi K3.1 Pro için 1M giriş tokenı 2 USD, önbelleklenmiş (cached) giriş 0.20 USD, 1M çıkış tokenı 10 USD (platform.kimi.ai).
• Bağlam Penceresi: 1,048,576 token (1M) kapasitesi bulunuyor ve API ücretlendirmesi abonelik planlarından bağımsız işliyor (platform.kimi.ai/docs/pricing/chat).
• JSON Testi Başarısı: Yapılandırılmış veri çıkarma görevinde 0.002004 USD maliyet ve 3.553 saniye toplam süre ile hatasız JSON döndürdü.
• Akıl Yürütme (Reasoning) Tüketimi: max_tokens=1800 sınırında bazı görevler 1797 reasoning tokenı harcayarak finish_reason: length ile boş yanıt döndürdü.
• Açık Ağırlık Durumu: Resmi blogda model ağırlıklarının 2026-11-04 tarihine kadar paylaşılacağı belirtiliyor ancak inceleme tarihimde indirilebilir bir K3.1 ağırlık dosyası doğrulamadım (kimi.com, huggingface.co/moonshotai).

Kimi K3.1 Pro API Fiyatlandırması ve Bütçe Hesabı

Moonshot AI tarafından duyurulan Kimi K3.1 Pro; Kimi arayüzü, Work, Code ve doğrudan API üzerinden erişime açıldı (kimi.com). Önceki nesil mimarinin temel özelliklerini merak edenler Kimi K3 incelemesi sayfasına göz atabilir. Resmi fiyatlandırma sayfasındaki vergiler hariç birim maliyetler şu şekildedir (platform.kimi.ai, platform.kimi.ai/docs/pricing/chat):

Üretici, Highspeed varyantının 2-3 kat daha hızlı olduğunu iddia ediyor ancak bu benim ölçümüm değil ve kullandığım OpenRouter anlık görüntüsünde Highspeed yer almıyordu (kimi.com).

Farklı modellerin maliyetlerini kıyaslamak için hipotetik bir bütçe hesaplaması yaptım. Bu tablo gerçek 1000 çağrılık bir toplu işlem değil, 1000 istek x (1000 giriş tokenı + 500 çıkış tokenı) varsayımına dayanan matematiksel bir projeksiyondur:

Aynı hipotetik senaryoda Gemini Argon 7.00 USD, DeepSeek v4.1-flash-1017 ise zamana bağlı fiyat değişimleri hariç baz fiyatta 0.45 USD tutmaktadır.

Kendi API Test Protokolüm ve Lehçe Komutların Açıklaması

Modelleri kıyaslamak için OpenRouter üzerinden tekil isteklerden oluşan bir protokol çalıştırdım. Tüm çağrılarda temperature: 0.2, düşük akıl yürütme çabası (reasoning effort low), max_tokens: 1800 ve akışsız (non-stream) istek yapısını kullandım. Ölçtüğüm saniye değerleri ağ gecikmesi ve akıl yürütme dahil toplam duvar saati süresidir; tekil koşum olduğu için saniye başına token (token/s) veya ilk token süresi (TTFT) çıkarımı yapmıyorum.

Test komutlarını (prompt) orijinal veri setimde Lehçe olarak hazırladım. Görevlerin amacı ve içerikleri şöyledir:

• json: Kırtasiye siparişi metninden (3 defter tanesi 12.50 birim, 2 kalem tanesi 4 birim) markdown olmadan sadece nazwa (isim), sztuki (adet) ve cena_netto (net fiyat) alanlarını içeren tekil isimli JSON dizisi çıkarma.
• rachunek: Aynı sipariş üzerinden önce %10 indirim, ardından %23 KDV (VAT) hesaplayarak net, KDV ve brüt tutarları bulma.
• pamiec: 2.8 trilyon (2.8e12) parametreli hipotetik bir modelin FP8, Q4 ve Q2 bit düzeylerinde ek yük olmadan ondalık TB cinsinden ağırlık boyutunu JSON olarak hesaplama.
• brak: Sadece ürün fiyatlarını veren kısa bir nottan kar marjını sorma; veri yoksa tam olarak “BRAK DANYCH” (VERİ YOK) yazdırma.
• polski: Hatalı bir Lehçe cümleyi yorum eklemeden dilbilgisi açısından düzeltme.
• kod: Virgüllü fiyat dizilerini float kullanmadan kuruş bazında toplayan suma_groszy(ceny) Python fonksiyonunu yazma.

JSON ve Aritmetik Test Sonuçları

json görevinde beklediğim çıktı tam olarak iki nesneli bir diziydi. Üç model de aşağıdaki geçerli JSON yanıtını üretti:

[
  {"nazwa":"notes","sztuki":3,"cena_netto":12.5},
  {"nazwa":"długopis","sztuki":2,"cena_netto":4}
]

pamiec görevinde de her üç model beklenen {"FP8":2.8,"Q4":1.4,"Q2":0.7} çıktısını hatasız verdi. rachunek görevinde beklenen 40.95 net, 9.42 KDV ve 50.37 brüt değerlerine tüm modeller ulaştı. Bu üç temel görevin ham API verileri şu şekildedir:

kod görevinde Kimi K3.1 Pro 13.246 saniyede (826 çıkış tokenı, 767 reasoning tokenı, $0.008632 maliyet) kısa bir Decimal fonksiyonu döndürdü ancak kod çıktıları üzerinde henüz otomatik bir doğrulama testi çalıştırmadım.

Sınırlamalar, Akıl Yürütme Tüketimi ve Doğrulama Adımları

Kimi K3.1 Pro testlerindeki en kritik bulgum, bazı kısa görevlerde modelin içsel akıl yürütme (reasoning) döngüsüne girerek token limitini tüketmesi oldu. 1800 token sınırıyla çalıştırdığım brak ve polski görevlerinde Claude Opus 5.5 ve GPT-6 Astra doğru yanıtları (“BRAK DANYCH” ve düzeltilmiş Lehçe cümle) saniyeler içinde verirken, Kimi K3.1 Pro yanıt üretemedi:

Buradaki answer: null sonuçları yanlış dil veya hatalı bilgi değil, tamamen token sınırına takılma (truncation) durumudur. Ana protokolden ayrı olarak sadece sorun giderme amacıyla yaptığım 6000 tokenlık denemelerde de model 5997 reasoning tokenı harcayarak yine length ile kesildi ve görev başına yaklaşık 0.0603 USD maliyet oluşturdu.

Kendi sisteminizde JSON yanıtlarını ve kesilmeleri doğrulamak için şu basit Python kontrolünü kullanabilirsiniz:

import json

def dogrula_api_yaniti(finish_reason, raw_content):
    if finish_reason == "length" or raw_content is None:
        return False, "Yanit token limitinde kesildi"
    veriler = json.loads(raw_content)
    beklenen = {"nazwa", "sztuki", "cena_netto"}
    gecerli = all( set(x.keys()) == beklenen for x in veriler )
    return gecerli, veriler

Teorik Donanım ve VRAM Hesabı

Önceki K3 modeli 2.8 trilyon toplam ve 104 milyar aktif parametreye sahipti; K3.1 ağırlık dosyaları henüz Hugging Face üzerinde yayınlanmadığı için yerel bir model yükleme veya çalışma testi yapmadım (huggingface.co/moonshotai). Ancak pamiec görevindeki 2.8e12 * bit / 8 / 1e12 formülünü baz alırsak, 2.8T parametreli hipotetik bir modelin salt Q4 ağırlıkları 1.4 TB (1400 GB) yer kaplar. 8 adet 180 GB GPU barındıran bir sunucu toplam 1440 GB ham VRAM sunar; bu miktar çalışma zamanı ve bağlam yükleri (overhead) öncesi 1400 GB sınırının çok az üzerindedir ve tek başına çıkarım (inference) garantisi vermez. Örneğin Lambda fiyatlandırma tablosunda 8x B200 örneği GPU başına saatlik 6.69 USD, toplamda saatlik 53.52 USD ve vergiler hariç 24 saatlik 1284.48 USD olarak listeleniyor (lambda.ai/pricing); bu donanımı kiralamadım ve üzerinde hız testi yapmadım.

Sıkça Sorulan Sorular (FAQ)

Kimi K3.1 Pro API token fiyatları nedir?

Resmi platformda 1 milyon giriş tokenı 2 USD, önbelleklenmiş giriş tokenı 0.20 USD ve 1 milyon çıkış tokenı 10 USD olarak ücretlendirilir (platform.kimi.ai).

Kimi K3.1 Pro JSON görevinde ne kadar harcadı?

Yaptığım tekil OpenRouter testinde 197 giriş ve 161 çıkış tokenı (101’i reasoning) kullanarak 0.002004 USD maliyetle geçerli JSON üretti.

Bazı testlerde neden boş yanıt döndü?

brak ve polski görevlerinde model, verilen 1800 (ve sorun giderme testinde 6000) çıkış tokenı limitinin tamamını içsel akıl yürütme (reasoning) için tüketti ve finish_reason: length ile yanıtı tamamlamadan durdu.

Kimi K3.1 Pro ağırlıkları indirilebilir durumda mı?

2026-10-23 inceleme tarihim itibarıyla ağırlıklar Hugging Face üzerinde yer almıyordu; resmi blogda 2026-11-04 tarihine kadar yayınlanacağı belirtilmiştir (kimi.com, huggingface.co/moonshotai).

Kaynaklar

• Kimi K3.1 Pro Resmi Blog Duyurusu (Okuma tarihi: 2026-10-23)
• Kimi API Platformu ve Fiyatlandırma (Okuma tarihi: 2026-10-23)
• Kimi Chat API Fiyat ve Bağlam Dökümantasyonu (Okuma tarihi: 2026-10-23)
• Moonshot AI Hugging Face Profili (Okuma tarihi: 2026-10-23)
• Lambda GPU Bulut Fiyatlandırması (Okuma tarihi: 2026-10-23)

// okumaya devamMercury Decide ve Celeris-1 Decision: hız ve fiyat karşılaştırmasıKarşılaştırmalarPerplexity Decider v1.1 27B: fiyatı ve test sonuçlarıKarşılaştırmalarGPT-5.6 Sol fiyatı yüzde 100 arttı: Yeni tarifeHaberler