Kimi K3 API の使用方法

TLDR Kimi K3 は Moonshot AI の最新フラッグシップモデルで、長期的なコーディング、深い推論、マルチモーダル理解、エンドツーエンドのナレッジワーク向けに 2026 年 7 月にリリースされました。Moonshot は、ネイティブなビジョン機能と 100 万トークンのコンテキストウィンドウを備えた、2.8 兆パラメータのオープン 3T クラスモデルと説明しています。

別プロバイダーのアカウント管理なしで素早く使いたい開発者向けに、CometAPI は Kimi K3 を model ID kimi-k3 として、OpenAI 互換の /v1/chat/completions エンドポイントおよびベース URL https://api.cometapi.com/v1. で提供しています。CometAPI のライブ版 Kimi K3 は入力 $2.40/1M tokens、出力 $12.00/1M tokens の料金で、公式 Kimi API の $3.00（キャッシュミス入力）/$15.00（出力）と比較されます。Kimi K3 の需要は既に Moonshot 側で一時的なサブスクリプション制限を引き起こしているため、本番チームはセットアップの容易さだけでなく、モデル比較、利用監視、フォールバックルーティングのためにも CometAPI を利用するとよいでしょう。

Key Takeaways

• 本番環境では、マルチターンのワークフローでアシスタントメッセージを完全保存し、max_completion_tokens を上限設定し、トークン使用量を追跡し、フォールバックルートを構築すること。
• Kimi K3 は Moonshot AI による 1M トークンのコンテキストウィンドウとネイティブな視覚理解を備えた、2.8T パラメータの Mixture-of-Experts モデル。
• CometAPI の Kimi k3 の model ID は kimi-k3。メインエンドポイントは POST https://api.cometapi.com/v1/chat/completions。
• K3 は常に推論します。reasoning_effort に low、high、max を使用します。Kimi のドキュメントではデフォルトが max。
• 長いコーディング、リサーチ、分析タスクではストリーミングが強く推奨されます。モデルの処理中も部分出力を確認できます。
• ビジョン入力はマルチモーダルな content 配列を使う必要があります。Kimi のドキュメント では、Kimi のビジョンルートでは公開画像 URL がサポートされないと明記されています。base64 かアップロードしたファイル参照を使用してください。
• Kimi K3 は構造化出力、JSON モード、ツール呼び出し、tool_choice、動的ツール読み込み、コンテキストキャッシュをサポートします。

CometAPI は、1 つの API レイヤーで GPT、Claude、Gemini、DeepSeek、Qwen などのモデルと並べて Kimi K3 を評価する実用的な方法です。

What is Kimi K3: Moonshot AI’s Flagship Model

Moonshot AI は 2026 年 7 月 16 日に、最も高性能なモデルとして Kimi K3 をリリースしました。これはスパースな Mixture-of-Experts (MoE) アーキテクチャで、総パラメータは約 2.8 兆（トークンごとに 896 エキスパート中 16 がアクティブ）。100 万トークン級のコンテキストで最大 6.3 倍のデコード高速化を実現する Kimi Delta Attention、および学習効率を約 25% 向上させる Attention Residuals を搭載しています。

Key Specs（公式および独立のレポート出典）:

長期的なコーディング、エージェント的タスク、視覚理解、ナレッジワークで卓越した性能を発揮します。独立ベンチマークでも競争力が確認されています（例：Artificial Analysis Intelligence Index で 57.1、フロントエンドコーディング領域で強力）。

Latest News Context from businessinsider: リリース後の需要急増により、Moonshot は新規サブスクリプションを一時停止。オープンウェイトのフロンティアモデルにおける中国の存在感を示し、Moonshot は大規模 IPO を視野に入れているとされています。

フルウェイトは 2026 年 7 月 27 日に公開予定

Moonshot の Kimi K3 ドキュメントでは、フルモデルのウェイトを 2026 年 7 月 27 日までに公開すると記載されています。その公開が完了し、サードパーティのデプロイツールが成熟するまでは、ホスト型 API アクセスが多くのチームにとって最速かつ実用的な手段です。ウェイトが利用可能になったとしても、2.8T パラメータの MoE モデルのサービングは、小型のオープンモデルを単一ワークステーションで動かすのとは根本的に異なります。Moonshot の技術ブログによれば、K3 のデプロイには 64 基以上のアクセラレータを備えたスーパーノード構成を推奨しており、多くの SaaS チーム、代理店、社内ツール開発者、AI プロダクトチームにとって、ホスト型 API が引き続き標準の選択となるでしょう。

Benchmark Performance: Data, Sources, and Analysis

Kimi K3 は特にコーディングやエージェント的領域でフロンティア級の結果を示し、総合的にも競争力があります。Artificial Analysis などの独立機関が、いくつかの注意点（例：幻覚率）を挙げつつもベンダー主張を検証しています。

Overall Intelligence

• Artificial Analysis Intelligence Index v4.1: 57.1（総合 4 位；Fable 5（約 60）、GPT-5.6 Sol（約 59）に次ぎ、Claude Opus 4.8（約 55.7）を上回る）
• GDPval-AA v2 Elo: 1,668（K2.6 の 1,190 から大幅に上昇。Opus 4.8 を上回り、Fable 5 には及ばず）

出典: reddit

Coding Benchmarks (Vendor + Independent)

K3 はここで特に輝き、Frontend Code Arena でトップ（1,679 Elo、Fable 5 と Sol を抑えて #1）を獲得。

出典: Kimi

Coding Index（Artificial Analysis）：強力（約 76）で、リーダーと競合。

K3 はリポジトリ規模の作業、視覚と反復によるフロントエンド、ツールを使うエージェントで卓越しています。多くの開発者は、幅広いコーディングタスクで「Opus 4.8+ レベル」と評しています。

What Is the Kimi K3 API?

Kimi K3 を開発者目線で簡潔に

Kimi K3 API は、チャットコンプリーション形式のインターフェースで、Moonshot AI の K3 モデルにホスト経由でアクセスできるようにします。典型的なリクエストではメッセージ配列を送り、model: "kimi-k3" を指定して、アシスタントの応答を受け取ります。基本のチャット形式に加え、K3 は本番で重要な機能を持ちます：思考努力の設定、長大なコンテキスト、ビジュアル入力、ストリーミング、JSON およびスキーマ制約付きの出力、ツール呼び出し、コンテキストキャッシュ。

Kimi K3 は「安価な汎用チャットボット」として理解すべきではありません。その最大の価値は重い仕事です。大規模なリポジトリ、長大なドキュメントパック、密度の高いスプレッドシート出力、複数のスクリーンショット、デバッグのログ、あるいは複雑なツール計画をモデルに投入する必要がある場合、K3 はまさにその種のセッション向けに設計されています。短い FAQ 回答やごく小さな入力に対する分類だけが必要なアプリでは、より小さなモデルの方が費用対効果に優れることがあります。

K3 の新 API 機能と使い方

Kimi K3 は以前の Kimi モデルを基に、以下のフロンティア級機能を強化しています。

• 1M コンテキスト: リポジトリや書籍、長い会話を切り捨てなしで処理。
• ネイティブビジョン: メッセージ内の画像を直接解析（base64 または URL）。
• 常時オンの推論: デフォルトで最大の努力。ストリーミングで思考のデルタも確認可能。
• ツール呼び出しとエージェント: 複雑なワークフロー向けの OpenAI 形式の関数呼び出し。
• 構造化出力: パースしやすい JSON モード。
• キャッシング: 繰り返しのコンテキストでコストを大幅削減（コーディングで 90% 以上のヒットが報告）。

Key Capabilities of Kimi K3 API on CometAPI

1M-token コンテキストで長文ドキュメントや巨大なコードベースに対応

CometAPI は、Kimi K3 のコンテキストウィンドウを 1,000k tokens と記載しています。このサイズにより、ワークフロー設計が変わります。すべてのドキュメントを細かく分割する代わりに、より大きなコンテキストを 1 回のリクエストにまとめられます：アーキテクチャ文書とコード抜粋、製品要件とバグ報告、研究論文とノート、あるいは長いカスタマーサポート履歴など。

とはいえ、すべてのリクエストでフルコンテキストを使うべきではありません。長いコンテキストはコスト高で、最初のトークンのレイテンシも伸びます。モデルが全体像を必要とする時に使い、クリーンな検索設計の代わりに使わないこと。CometAPI の実運用パターンとしてはハイブリッドルーティングが有効です。埋め込みや検索で関連切片を取得しつつ、本当に広い文脈が回答品質を高める稀なタスクに K3 を使いましょう。

reasoning_effort による常時オン推論の調整

Kimi のドキュメントによれば、K3 は常に推論し、トップレベルの reasoning_effort フィールドで low、high、max をサポートします。レイテンシとコストを重視する軽作業には低め、デバッグ、数式導出、アーキテクチャレビュー、コード移行、長文合成、複数ツール計画などには high や max を使いましょう。

CometAPI では、Kimi K3 ルートがプロバイダー固有パラメータを受け付ける場合、Chat Completions リクエストのトップレベルで reasoning_effort を渡します。SDK がトップレベルフィールドを受け付けない場合は、extra_body で送るか生の HTTPS を利用してください。

ストリーミングレスポンスでユーザー体験を向上

Kimi のストリーミングドキュメントが説明するように、ストリーミングは最終応答を待たず、Server-Sent Events でトークンを順次送出します。K3 は深い推論や長い出力を行うため、小さなチャットタスクより時間がかかることがあります。開発者ツールでは計画を先に、コードを後からストリームしましょう。リサーチアシスタントではセクション要約を逐次表示、社内分析アプリでは最終の構造化回答が生成される間に暫定的な観察結果をストリームする、といった使い方が有効です。

スクリーンショット、チャート、動画のためのビジョン入力

Kimi K3 は視覚理解をサポートします。Kimi のビジョンドキュメントでは、K3 は画像や動画を理解でき、ビジョンメッセージは content 配列で image_url または video_url パートを使用する、としています。同ドキュメントは URL 形式の画像がサポートされないとも記載しており、base64 データ URL またはアップロードしたファイル参照を使う必要があります。CometAPI ユーザーは、まずステージングで base64 画像入力から始めるとよいでしょう。シンプルで移植性が高く、安全にログ化でき、公開画像ホストに依存しないためです。

構造化出力、JSON モード、ツール呼び出し

Kimi K3 は response_format による構造化出力をサポートし、JSON Schema による関数定義でツール呼び出しも可能です。K3 の新機能には tool_choice や動的ツール読み込みが含まれます。これはエージェント製品にとって重要で、ツールの在庫が膨大になり得るためです。すべてのツール定義を毎回送る代わりに、まず小さな search_tools 関数だけを公開し、関連ツールのみを取得して、その定義を会話に動的挿入できます。

実務的な意思決定は単純です：ベンチマーク表だけで選ばないこと。CometAPI を使って、自社プロンプトから再現性のある評価セットを構築しましょう。少なくとも 20～50 の実タスク（バグ修正、抽出作業、スクリーンショット、PDF、顧客質問、ツールコールのトレース、コストに敏感なリクエスト）を含めます。長いコンテキスト、推論、ビジョン対応の強みがコストを上回る作業に Kimi K3 を割り当ててください。

API Pricing: What Kimi K3 Costs

CometAPI における Kimi K3 の料金

CometAPI の Kimi K3 モデルページの記載：

同ページは、公式価格（入力 $3.00、出力 $15.00/1M tokens）との比較も示し、ライブの CometAPI 掲載では 20% 割引になっています。価格は変動し得るので、高トラフィックの料金表を公開したり本番予算を確定する前に、最新の CometAPI モデルページで確認してください。

公式 Kimi API の料金

Moonshot の技術ブログでは、Kimi API の料金として、キャッシュヒット入力 $0.30/1M tokens、キャッシュミス入力 $3.00/1M tokens、出力 $15.00/1M tokens を掲げています。また、公式 Kimi API はコーディング系ワークロードで 90% 超のキャッシュヒット率を達成すると述べています。この 90% はプロバイダーによるワークロード依存の実績値であり、あらゆるアプリで保証されるわけではありません。キャッシュヒット率は、プロンプト、ツール定義、リポジトリの共通プレフィックス、セッション履歴の安定性に左右されます。

CometAPI での簡単なコスト例

計算式: (input_tokens / 1,000,000 * 2.40) + (output_tokens / 1,000,000 * 12.00)。

重要な注意点は 2 つ。第一に、推論モデルが生成する思考トークンは通常、出力トークンとして課金されます。max_completion_tokens を慎重に設定してください。第二に、長いコンテキストは意図的に使いましょう。50 万トークンを送るのは強力ですが、2 万トークンの高シグナルで同等の回答が得られるなら、その方が賢明です。

How to Use Kimi K3 API in CometAPI

Step 1: CometAPI キーの作成

CometAPI アカウントを作成またはサインインし、API キーページでキーを作成します。サーバー側の環境変数 COMETAPI_KEY に保存しましょう。プロダクションのキーをブラウザの JavaScript、モバイルアプリ、公開リポジトリ、スクリーンショット、クライアントサイドのログに置かないでください。

PowerShell:

$env:COMETAPI_KEY = "your_cometapi_key_here"

macOS または Linux:

export COMETAPI_KEY="your_cometapi_key_here"

Step 2: OpenAI SDK のインストール

CometAPI は OpenAI 互換の SDK をサポートします。Python では以下を実行します。

python -m pip install --upgrade openai

Step 3: 最初の Kimi K3 API コールを実行

CometAPI のベース URL と kimi-k3 の model ID を使用します。

import os
from openai import OpenAI

client = OpenAI(
    api_key=os.environ["COMETAPI_KEY"],
    base_url="https://api.cometapi.com/v1",
)

completion = client.chat.completions.create(
    model="kimi-k3",
    messages=[
        {
            "role": "system",
            "content": "You are a precise technical assistant for API developers.",
        },
        {
            "role": "user",
            "content": "Explain when I should use Kimi K3 for a coding agent.",
        },
    ],
    max_completion_tokens=1200,
)

print(completion.choices[0].message.content)
print(completion.usage)

同等の cURL リクエスト:

curl https://api.cometapi.com/v1/chat/completions \
  -H "Authorization: Bearer $COMETAPI_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "kimi-k3",
    "messages": [
      {"role": "system", "content": "You are a precise technical assistant for API developers."},
      {"role": "user", "content": "Explain Kimi K3 in one paragraph."}
    ],
    "max_completion_tokens": 800
  }'

K3 New API Features and Usage

Thinking effort

reasoning_effort を使って、K3 が適用する思考の予算を制御します。Kimi のドキュメント には low、high、max が記載され、デフォルトは max です。本番ではタスク種別に応じて選択してください。

Python 例:

completion = client.chat.completions.create(
    model="kimi-k3",
    reasoning_effort="high",
    messages=[
        {
            "role": "user",
            "content": (
                "Review this migration plan for hidden risks. "
                "Return the top 5 issues and a safer rollout sequence."
            ),
        }
    ],
    max_completion_tokens=2000,
)

message = completion.choices[0].message
print(message.content)

OpenAI SDK が reasoning_effort を名前付き引数として受け付けない場合は、extra_body で渡します。

completion = client.chat.completions.create(
    model="kimi-k3",
    messages=[{"role": "user", "content": "Solve this scheduling problem."}],
    extra_body={"reasoning_effort": "high"},
)

重要な実装詳細：Kimi の thinking ドキュメント によれば、K3 のマルチターン会話では API が返すアシスタントメッセージを、reasoning_content や tool_calls などのフィールドを含めて完全に保存する必要があります。表示上の content のみを保存すると、長いセッションで推論の連続性が低下する可能性があります。

Streaming responses

回答が長くなる場合、レイテンシが重要な場合、進捗を表示したい場合はストリーミングを使いましょう。

stream = client.chat.completions.create(
    model="kimi-k3",
    messages=[
        {
            "role": "user",
            "content": "Create a detailed refactor plan for a 200k-line monolith.",
        }
    ],
    stream=True,
    stream_options={"include_usage": True},
    max_completion_tokens=3000,
)

for chunk in stream:
    choice = chunk.choices[0]
    delta = choice.delta

    reasoning = getattr(delta, "reasoning_content", None)
    if reasoning:
        # In most products, store reasoning securely or hide it from end users.
        pass

    if delta.content:
        print(delta.content, end="", flush=True)

    usage = getattr(choice, "usage", None)
    if usage:
        print("\n\nUsage:", usage)

Kimi のストリーミングドキュメント は、SSE ストリームが data: [DONE] で終了することを強調しています。生の SSE クライアントでは、このマーカーが来るまでストリーム完了とみなさないでください。

Vision input

Kimi K3 は画像・動画を解析できます。CometAPI での最初の安全なテストは base64 画像リクエストです。マルチモーダルな content 配列を使い、JSON 文字列の中に配列を埋め込まないでください。

import base64
import mimetypes
from pathlib import Path

image_path = Path("dashboard-screenshot.png")
mime_type = mimetypes.guess_type(image_path.name)[0] or "image/png"
image_b64 = base64.b64encode(image_path.read_bytes()).decode("utf-8")

completion = client.chat.completions.create(
    model="kimi-k3",
    messages=[
        {
            "role": "user",
            "content": [
                {
                    "type": "image_url",
                    "image_url": {
                        "url": f"data:{mime_type};base64,{image_b64}",
                    },
                },
                {
                    "type": "text",
                    "text": (
                        "Review this dashboard screenshot. "
                        "Identify UX issues, missing states, and data-quality risks."
                    ),
                },
            ],
        }
    ],
    max_completion_tokens=1800,
)

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

Kimi のビジョンドキュメント には、PNG、JPEG、WebP、GIF などの画像形式、MP4、MOV、AVI、WebM などの動画形式がサポート対象として挙げられています。また、画像解像度は 4K 以下、動画は FHD 以下を推奨しています。より高い解像度は処理時間を増やす一方で理解精度を高めない場合があるためです。

Structured output with JSON Schema

本番パイプラインでは、次工程が構造化データを想定する場合に自由文をパースしないでください。ルートがサポートしているときは response_format と JSON Schema を使用します。

import json

completion = client.chat.completions.create(
    model="kimi-k3",
    messages=[
        {
            "role": "user",
            "content": (
                "Extract implementation tasks from this request: "
                "Add SSO, migrate billing webhooks, and create admin audit logs."
            ),
        }
    ],
    response_format={
        "type": "json_schema",
        "json_schema": {
            "name": "implementation_tasks",
            "strict": True,
            "schema": {
                "type": "object",
                "properties": {
                    "tasks": {
                        "type": "array",
                        "items": {
                            "type": "object",
                            "properties": {
                                "title": {"type": "string"},
                                "risk": {"type": "string"},
                                "owner": {"type": "string"},
                            },
                            "required": ["title", "risk", "owner"],
                            "additionalProperties": False,
                        },
                    }
                },
                "required": ["tasks"],
                "additionalProperties": False,
            },
        },
    },
)

data = json.loads(completion.choices[0].message.content)
print(data["tasks"])

ツール呼び出しと tool_choice

K3 のツール呼び出しベストプラクティス では、1 リクエストに巨大なツール在庫を渡さないことを推奨しています。パターンはこうです：最初にツール検索用関数を公開し、最初のターンで tool_choice: "required" を強制、次にモデルが必要とするツールだけを動的に読み込みます。

最小限の「天気」スタイルの例:

import json

tools = [
    {
        "type": "function",
        "function": {
            "name": "get_order_status",
            "description": "Look up a customer's order status.",
            "parameters": {
                "type": "object",
                "properties": {
                    "order_id": {"type": "string"},
                },
                "required": ["order_id"],
                "additionalProperties": False,
            },
        },
    }
]

messages = [
    {"role": "user", "content": "Where is order A1024?"},
]

first = client.chat.completions.create(
    model="kimi-k3",
    messages=messages,
    tools=tools,
    tool_choice="required",
)

assistant_message = first.choices[0].message
messages.append(assistant_message.model_dump(exclude_none=True))

for call in assistant_message.tool_calls or []:
    args = json.loads(call.function.arguments)
    result = {"order_id": args["order_id"], "status": "Shipped", "eta": "2026-07-24"}
    messages.append(
        {
            "role": "tool",
            "tool_call_id": call.id,
            "content": json.dumps(result),
        }
    )

final = client.chat.completions.create(
    model="kimi-k3",
    messages=messages,
    tools=tools,
)

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

Kimi K3 Best Practice for Production Teams

強みが明確な領域で Kimi K3 を使う

Kimi K3 はリポジトリ分析、フロントエンドコーディング、バグ再現、長文合成、スプレッドシート推論、ビジョンを活用した QA、ツールを必要とするエージェント型ワークフローに強力な候補です。短いコピー生成、単純な分類、リスクの低いサポートマクロでは、K3 ほどのモデルは過剰かもしれません。CometAPI でモデルルーティングを作り、K3 に難易度の高い仕事を割り当てつつ、ルーティンは低コストモデルに任せましょう。

ローンチ直後の容量制約に備えてフォールバックを構築

Moonshot が新規サブスクリプションを一時停止したという AP の報道は、可用性もモデル選定の一要素であることを思い出させます。アプリケーションレベルでフォールバックを構築しましょう。Kimi K3 がプロバイダー容量エラーを返した場合、CometAPI の別モデルにルーティング、コンテキスト縮小、バックオフ付きリトライを検討。ユーザー体験を崩さないよう、進捗表示、下書き保存、復旧可能な失敗設計を行ってください。

マルチターンセッションではコンテキストを丁寧に保持

Kimi K3 は思考履歴が保持された学習を受けています。Moonshot の技術ブログは、セッション途中で K3 に切り替えたり、完全なアシスタントメッセージを渡さなかったりすると安定性が下がると警告しています。実務では、開発者ツールやエージェントにおいて、API が返すアシスタントメッセージオブジェクトを tool_calls やプロバイダー固有の推論フィールドも含めて保存しましょう。検証なしにそれらを圧縮・削除しないでください。

出力と推論コストを制御

常に max_completion_tokens を設定してください。Kimi の API リファレンスによれば、K3 のデフォルト最大完了トークンは 131,072 で、モデルのコンテキスト上限の範囲で 1,048,576 まで設定可能です。強力ですが、プロンプトが巨大な回答を誘発すると請求を驚かせる可能性があります。多くのプロダクトフローでは、用途ごとに上限を定義します：要約 800～1,500、詳細分析 2,000～4,000、長文生成は必要時のみ大きく。

キャッシュを意識した設計

Kimi のコンテキストキャッシュは、繰り返しの初期コンテキストが安定しているほど効果的です。現在のドキュメントでは自動化されており、手動のキャッシュ作成、キャッシュ ID、TTL 管理は不要とされています。コーディングエージェントでは、リポジトリの指示、ツール定義、プロジェクトポリシーを一貫したプレフィックスに保ちましょう。ドキュメント QA では、関連する質問群でドキュメントパックを安定させます。システムプロンプトを毎ターン書き換えるのは避け、固定の大コンテキストは messages 配列の先頭付近に置いて、繰り返しプレフィックスをキャッシュが認識できるようにします。

ビジョンを意図的に使う

ビジョン入力は有用ですが、画像や動画は内容と解像度に応じてトークンを消費します。テキストでは捉えにくい情報を含む場合に使いましょう：UI レイアウト、チャート、手書きメモ、デザインのモック、CAD のスクリーンショット、エラー画面など。不要な余白は切り抜き、過度に大きな画像は縮小し、的確な質問を添えてください。

Conclusion & Recommendations

Kimi K3 は、巨大なコンテキスト、ビジョン、推論というフロンティア機能を、最小限の統合コストで、手の届く価格で提供します。コーディングエージェント、マルチモーダルアプリ、スケーラブルな AI サービスを構築するなら、まず CometAPI で統一アクセス・コストメリット・信頼性を確保しましょう。サインアップして上記のクイックスタートで実験し、自信を持ってスケールしてください。