Kimi K3.1 Pro di Felo API: Kapabilitas, Benchmark, Harga, dan Cara Pengaturan
Panduan lengkap tentang Kimi K3.1 Pro di Felo API: konteks 1M-token, input visual, hasil coding dan finansial, harga, serta pengaturan API.
Kimi K3.1 Pro tersedia melalui Felo API. Jika Anda ingin menggunakannya untuk agen coding, alur kerja visual, atau riset dokumen dalam jumlah besar, panduan ini membahas detail yang perlu diketahui sebelum membuat integrasi pertama: perubahan dari K3, hasil evaluasi yang dipublikasikan, input yang didukung Felo, dan cara memilih antara dua jalur provider.
ID model publik Felo adalah kimi-k3.1-pro. Anda dapat melihatnya di katalog model Felo dan mencoba di Playground.
Kimi K3.1 Pro secara ringkas
| Detail | Tersedia sekarang |
|---|---|
| Model | Flagship seri K3.1 pertama dari Moonshot AI, versi post-training dari Kimi K3 |
| ID model Felo | kimi-k3.1-pro |
| Context window | 1.048.576 token (sekitar 1 juta) |
| Input | Teks, gambar, dan video |
| Output | Teks; model dapat menulis kode untuk workflow 3D, tetapi panggilan model tidak langsung menghasilkan aset 3D atau video |
| Reasoning | Aktif secara default; Felo menyediakan level effort max, high, low, dan none, dengan max sebagai default |
| Protokol Felo yang direkomendasikan | Messages, di POST https://openapi.felo.ai/api/v1/messages |
| Jalur provider di Felo | Moonshot AI MXFP4 dan Moonshot AI Highspeed |
Ini adalah field di listing model Felo saat ini. Context window besar adalah batas kapasitas, bukan jaminan setiap fakta dalam prompt satu juta token akan diingat sempurna. Untuk pekerjaan produksi, uji panjang, format input, dan pengaturan reasoning yang benar-benar akan digunakan.
Apa yang berubah dari Kimi K3?
Moonshot mendeskripsikan K3.1 Pro sebagai versi post-training dari K3, dengan compute post-training jauh lebih besar dan reinforcement learning pada banyak tugas downstream. Perbedaan ini penting. Klaim publik tentang peningkatan perilaku pada tugas coding, agentic, visual, dan knowledge-work; bukan klaim bahwa K3.1 memiliki arsitektur dasar baru yang dipublikasikan. Halaman model K3.1 Pro di Felo merangkum model dan jalur API yang didukung.
K3 sendiri adalah model mixture-of-experts dengan 2,8 triliun parameter, kelas 3T. Desain yang dipublikasikan menggunakan Kimi Delta Attention dan Attention Residuals, dengan pemahaman visual native dan context window satu juta token. Karena K3.1 Pro dibangun di atas K3, ini menjadi latar arsitektur yang berguna; Moonshot belum merilis bobot penuh K3.1 atau spesifikasi arsitektur terpisah. Jelajahi arsitektur dan spesifikasi K3 di Felo.
Perubahan praktis ada pada kemampuan model menyelesaikan tugas sampai akhir. Moonshot melaporkan peningkatan pada coding long-horizon, modeling 3D, riset keuangan, dan akurasi fakta pada stress test. K3.1 Pro juga memiliki opsi Highspeed yang menurut Moonshot memberikan kecepatan sekitar 2–3 kali dari versi reguler dengan kapabilitas model yang sama. Jalur lebih cepat memiliki harga token lebih tinggi, dijelaskan di bawah.
Harga entry yang dipublikasikan juga berubah. Felo mencantumkan K3 di $3 per juta token input dan $15 per juta token output. Jalur MXFP4 K3.1 Pro tercantum di $2 dan $10. Jalur harga lebih rendah pada model baru berarti sepertiga lebih murah per token input atau output yang belum di-cache pada tarif saat ini. Bandingkan channel dan latency yang akan digunakan sebelum menganggapnya sebagai penghematan penuh.
Kekuatan utama model
Coding long-horizon dan agen
K3.1 Pro dirancang untuk bekerja lebih dari satu snippet kode. Contoh Moonshot meliputi pengembangan multi-file, debugging, build front-end, pekerjaan game-engine, dan tugas berbantuan alat yang memerlukan inspeksi dan revisi berulang. Hasil Kimi Code Bench 3.0 Long-horizon naik dari 55,95% untuk K3 menjadi 61,2% untuk K3.1 Pro. Di Terminal-Bench 4.0, K3.1 Pro mendapat skor 65,7% pada evaluasi Moonshot.
Bagi tim engineering, pertanyaan penting: apakah model dapat mengubah repository tanpa kehilangan konteks? Baca file yang tepat, usulkan patch, jalankan cek relevan, dan pulihkan saat tes gagal. Berikan isu representatif dan nilai diff akhir serta hasil tes. Rencana yang rapi saja tidak membuktikan tugas selesai.
Gambar, video, dan pekerjaan 3D
Jalur Felo menerima input teks, gambar, dan video dan mengembalikan teks. K3.1 Pro relevan untuk tugas seperti menjelaskan screenshot, membandingkan frame, reasoning pada referensi visual, atau menulis kode dan script untuk pipeline modeling 3D. Model endpoint tidak menjadi generator gambar, video, atau file 3D. Untuk menghasilkan aset, hubungkan output model ke alat sendiri atau workflow generasi yang sesuai.
Moonshot melaporkan 92,7% pada BenchCAD dengan tools, tes rekonstruksi objek 3D dari beberapa view melalui kode CAD yang dihasilkan. Contoh yang dipublikasikan juga meliputi scripting Blender dan CAD, scene interaktif Three.js, serta pekerjaan di Unity, Unreal Engine, dan Godot. Contoh ini menunjukkan jenis pekerjaan yang bisa dievaluasi; tidak berarti setiap tool tersedia pada request API biasa.
Riset dan modeling keuangan
Moonshot melaporkan 64,4 pada OfficeQA Pro v2, yang menguji analisis dokumen keuangan, termasuk retrieval, cek lintas dokumen, dan reasoning numerik. Pada evaluasi internal Moonshot, K3.1 Pro mendapat skor 70,4 dibanding 58,8 untuk K3 pada riset keuangan dan 57,6 dibanding 50,4 pada modeling keuangan. Ini skor spesifik tugas, bukan return investasi atau ukuran akurasi pada setiap pertanyaan finansial.
Model cocok diuji dengan korpus terkontrol: laporan tahunan, filing, materi earnings, dan pertanyaan yang mengharuskan model mengutip bagian spesifik serta menunjukkan kalkulasi. Simpan dokumen sumber dan aritmetika untuk review. Pada workflow yang membuat keputusan finansial, verifikasi independen tetap diperlukan.
Dokumen panjang dan riset multi-step
Window satu juta token memungkinkan aplikasi mengirim materi jauh lebih banyak dari request chat pendek: kode, transkrip, laporan, gambar, dan riwayat percakapan bisa berbagi konteks. Model juga dapat berpartisipasi pada workflow agen multi-step melalui tool call. Tapi kapasitas konteks dan perilaku agen adalah hal terpisah. Prompt panjang tetap membutuhkan tugas jelas, peta dokumen, dan cara memeriksa jawaban; agen tetap membutuhkan developer menyediakan alat dan menangani hasilnya.
Untuk riset, minta model mengidentifikasi sumber relevan dulu, lalu jawab dengan referensi halaman atau bagian dan daftar poin yang belum pasti. Struktur ini membuat kesalahan lebih mudah ditemukan daripada ringkasan panjang yang lancar.
Moonshot dan Felo juga menjelaskan orkestrasi multi-agent yang dapat diskalakan ke ratusan subagen paralel. Ini kapabilitas sistem agen di sekitar model, bukan hasil satu response API. Developer tetap harus mengkoordinasi pekerja, alat, anggaran, dan langkah review akhir. Lihat deskripsi model Felo.
Cara membaca angka benchmark
Pengumuman Moonshot memuat banyak evaluasi. Pilihan berikut mencakup tipe pekerjaan berbeda tanpa menggabungkan tes yang tidak sejenis.
| Evaluasi | K3.1 Pro | Perbandingan dari Moonshot | Apa yang diuji |
|---|---|---|---|
| Terminal-Bench 4.0 | 65,7% | Claude Opus 5.5: 66,4%; GPT-6 Astra: 58,2% | Agen coding pada tugas terminal dengan tes spesifik |
| Kimi Code Bench 3.0 Long-horizon | 61,2% | K3: 55,95% | Benchmark coding multi-step internal Moonshot |
| BenchCAD, dengan tools | 92,7% | Claude Opus 5.5: 96,2%; GPT-6 Astra: 95,9% | Generasi kode CAD dari rendering multi-view |
| Riset keuangan, internal | 70,4 | K3: 58,8 | Riset keuangan berbasis bukti |
| Modeling keuangan, internal | 57,6 | K3: 50,4 | Formula workbook, logika finansial, dan kualitas model akhir |
| Kimi Hallu Bench Hard | 8,3% claim-level hallucination rate | K3: 23,4%; lebih rendah lebih baik | Stress test akurasi fakta yang sengaja sulit |
Semua nilai dari pengumuman teknis K3.1 Pro Moonshot AI, bukan evaluasi Felo. Kecuali dinyatakan lain, Moonshot melaporkan hasil K3.1 Pro pada reasoning effort max, temperature 1.0, dan top-p 0.95. Harness berbeda per benchmark, dan beberapa perbandingan memakai hasil provider lain yang dipublikasikan. Khususnya, Kimi Code Bench dan dua skor finance di atas adalah evaluasi internal. Gunakan untuk memilih tes pada workload sendiri, bukan mengasumsikan tingkat kelulusan yang sama di produksi. Felo juga menampilkan beberapa hasil ini di halaman model.
Angka hallucination perlu peringatan tersendiri. 8,3% adalah rate claim-level pada Kimi Hallu Bench Hard, stress test yang dibuat untuk mengungkap kesalahan. Moonshot menyatakan ini bukan error rate sehari-hari model. Angka ini menunjukkan peningkatan dari K3 pada tes tersebut, bukan alasan untuk melewatkan pengecekan sumber.
Harga dan pilihan provider di Felo API
Felo menyediakan dua channel Moonshot AI untuk kimi-k3.1-pro. Berikut tarif per satu juta token, dalam dolar AS:
| Channel Felo | Input | Output | Cache read |
|---|---|---|---|
moonshotai-mxfp4 | $2 | $10 | $0.20 |
moonshotai-highspeed | $4 | $20 | $0.20 |
Sumber live halaman model untuk tarif Felo. Highspeed tercantum sebagai channel default di katalog Felo. Jika anggaran atau target latency bergantung pada jalur tertentu, kirim X-Felo-Channel secara eksplisit daripada mengasumsikan provider yang digunakan. Panduan routing provider Felo menjelaskan header dan fallback-nya.
Contoh, request dengan 200.000 token input belum di-cache dan 8.000 token output akan berharga sekitar $0,48 di MXFP4 (0.2 × $2 + 0.008 × $10) atau $0,96 di Highspeed (0.2 × $4 + 0.008 × $20). Jika 100.000 token input memenuhi tarif cache-read, bagian itu berharga $0,02 di kedua channel. Cache hit tidak dijamin; bergantung pada layanan upstream dan request Anda. Panduan harga Felo menjelaskan cara perhitungan token dan cache.
Ini estimasi token model. Periksa tarif terbaru, catatan penggunaan, dan alat lain yang dapat ditagih sebelum memakai angka untuk anggaran produksi. Felo API memakai kredit layanan prabayar; langganan tidak diperlukan untuk penggunaan API. Baca panduan billing.
Mulai menggunakan Kimi K3.1 Pro di Felo
- Buat API key Felo dan tambahkan kredit layanan jika akun membutuhkannya.
- Coba satu prompt di Playground. Gunakan materi yang mirip dengan aplikasi Anda.
- Pindahkan prompt ke client menggunakan ID model publik. Endpoint Messages adalah protokol yang direkomendasikan di halaman model Felo.
Request di bawah ini memilih channel MXFP4 yang lebih murah, sehingga pilihan harga menjadi eksplisit:
export FELO_API_KEY="YOUR_API_KEY"
curl https://openapi.felo.ai/api/v1/messages \
-H "Authorization: Bearer $FELO_API_KEY" \
-H "Content-Type: application/json" \
-H "X-Felo-Channel: moonshotai-mxfp4" \
-d '{
"model": "kimi-k3.1-pro",
"max_tokens": 1024,
"messages": [
{
"role": "user",
"content": "Review this TypeScript refactor plan. Identify missing tests, risky changes, and the first file you would inspect."
}
]
}'
Untuk memilih jalur lebih cepat, ubah header menjadi X-Felo-Channel: moonshotai-highspeed. Untuk membiarkan Felo memilih, hapus header. Felo menerima header routing yang sama pada endpoint Chat Completions, Responses, dan Messages. Channel yang dipilih secara eksplisit tidak otomatis beralih ke provider lain; aplikasi harus retry dengan channel berbeda jika ingin. Lihat dokumentasi routing Felo.
SDK, streaming, tools, dan reasoning
Felo menyediakan tiga surface pemanggilan model yang kompatibel. Gunakan yang sudah didukung aplikasi Anda:
| Gaya client | Endpoint | SDK base URL |
|---|---|---|
| OpenAI Chat Completions | /api/v1/chat/completions | https://openapi.felo.ai/api/v1 |
| OpenAI Responses | /api/v1/responses | https://openapi.felo.ai/api/v1 |
| Anthropic Messages | /api/v1/messages | https://openapi.felo.ai/api |
Untuk SDK kompatibel Anthropic, base URL berhenti di /api; SDK menambah /v1/messages. Protokol Messages membutuhkan max_tokens. Tambahkan "stream": true untuk menerima server-sent events, dan tunggu event completion protokol daripada menganggap koneksi yang terputus sebagai jawaban selesai. Panduan protokol Felo membahas bentuk request dan perilaku streaming.
Ini opsi protokol level platform. Pastikan kombinasi parameter dan modality yang dibutuhkan berjalan di jalur K3.1 Pro sebelum migrasi integrasi yang ada.
Felo mencantumkan tools, tool_choice, parameter structured-output, dan kontrol reasoning untuk model ini. Nilai reasoning-effort yang didukung: max, high, low, dan none, dengan max sebagai default. Dukungan model dan protokol bisa berbeda, jadi uji kombinasi parameter yang dibutuhkan client sebelum mengandalkannya. Hasil benchmark yang dipublikasikan sebagian besar memakai max; menurunkan effort adalah eksperimen kualitas dan biaya, bukan cara mereproduksi skor tersebut. Cek kapabilitas model saat ini.
Jika workflow membutuhkan data web terbaru, kalkulator, shell repository, atau program CAD, sediakan dan operasikan alat tersebut di aplikasi. Memanggil kimi-k3.1-pro saja tidak menjalankan alat eksternal atau memverifikasi klaim yang dikutip.
Rencana evaluasi praktis
K3.1 Pro cukup luas sehingga tes "model mana terbaik?" generik tidak memberi banyak informasi. Tiga trial kecil menghasilkan bukti lebih berguna:
- Coding: Berikan isu nyata dan konteks repository relevan. Minta patch, tes, dan penjelasan singkat risiko yang tersisa. Catat apakah tes lulus dan berapa kali alat digunakan.
- Visual atau 3D: Berikan gambar referensi atau beberapa view dan minta rencana modeling atau script. Periksa dimensi dan geometri dengan orang atau renderer, bukan hanya menilai prosa.
- Riset: Sediakan set dokumen tetap dan pertanyaan dengan jawaban pasti. Minta lokasi sumber, kalkulasi, dan "tidak ditemukan" eksplisit saat bukti tidak ada.
Jalankan trial di kedua channel Felo jika latency penting. Catat token input, output, dan cache bersama total biaya dan waktu. Gunakan prompt dan alat yang sama saat membandingkan dengan K3 atau model lain. Ini memberi keputusan berdasarkan pekerjaan selesai per dolar dan menit, bukan headline benchmark.
Batas dan status rilis yang perlu diperhatikan
- Timing open-weight: Moonshot menyebut K3.1 Pro model open-weight tapi bobot penuh dijadwalkan rilis 4 November 2026. Akses API tersedia sekarang; jangan menyebut bobot sudah bisa diunduh. Halaman model Felo mencantumkan tanggal rilis.
- Format output: Felo saat ini mencantumkan output teks, meski input berisi gambar atau video. Pembuatan aset membutuhkan alat terhubung atau endpoint generasi lain. Listing model Felo.
- Transfer benchmark: Skor internal, tes dengan alat, dan demo long-horizon tidak langsung cocok dengan panggilan API one-shot biasa. Sesuaikan setup evaluasi dengan aplikasi.
- Akurasi: Hasil hallucination yang membaik tetap error rate pada stress test. Verifikasi kutipan, kalkulasi, dan klaim fakta pada workflow berisiko tinggi.
- Konteks dan biaya: Window satu juta token memungkinkan request sangat besar dan mahal. Anggarkan prompt, jawaban, retry, dan repeated context; gunakan harga cache-read hanya jika usage melaporkan hit.
Moonshot juga menjelaskan kontrol training terarah untuk kapabilitas cyber-offense pada rilis K3.1 Pro. Tim yang mengevaluasi pekerjaan keamanan defensif perlu menguji tugas authorized spesifik yang dibutuhkan, bukan mengasumsikan performa dari hasil coding umum.
Pertanyaan yang sering ditanyakan
Apakah Kimi K3.1 Pro sama dengan Kimi K3?
Tidak. Moonshot menyebut K3.1 Pro upgrade post-training dari K3 dan melaporkan peningkatan pada coding, pembuatan 3D, riset keuangan, dan stress test akurasi fakta. Model tetap memiliki kelas konteks satu juta token dan pemahaman visual native.
ID model apa yang dikirim ke Felo API?
Gunakan kimi-k3.1-pro. Di Felo, MXFP4 dan Highspeed adalah channel provider untuk ID model publik tersebut; pilih dengan X-Felo-Channel jika membutuhkan jalur spesifik.
Bisakah membuat model 3D atau video langsung dari endpoint model?
Model memahami input visual dan menulis rencana, kode, atau script untuk workflow 3D dan video. Felo saat ini mencantumkan teks sebagai output endpoint model ini. Anda membutuhkan renderer, alat desain, atau layanan generasi untuk menghasilkan aset.
Haruskah memakai MXFP4 atau Highspeed?
Mulai dengan MXFP4 jika biaya token menjadi batas utama. Uji Highspeed jika waktu tunggu memengaruhi produk atau loop agen. Moonshot menyebut Highspeed memiliki kapabilitas model yang sama dengan kecepatan sekitar 2–3×, sementara tarif input dan output Felo dua kali MXFP4.
Apakah model penuh sudah bisa di-host sendiri?
Moonshot menyebut bobot penuh K3.1 Pro dijadwalkan rilis 4 November 2026. Cek halaman rilis resmi untuk status terbaru. Akses API Felo sudah tersedia.
Coba dengan workload sendiri
Kimi K3.1 Pro menjadi kandidat menarik saat tugas menggabungkan konteks panjang, penggunaan alat, dan bukti visual atau dokumen. Peningkatan yang dilaporkan cukup besar, tetapi cara tercepat untuk menentukan relevansi adalah menjalankan pekerjaan representatif, memeriksa hasilnya, dan membandingkan total biaya jalur MXFP4 dan Highspeed.
Jelajahi Kimi K3.1 Pro di Felo API →
Tulisan ini juga tersedia dalam English, 简体中文, 日本語, 한국어, 繁體中文, हिन्दी, Français, العربية, Русский, اردو, Deutsch, Tiếng Việt, Türkçe, Italiano, ไทย, Español, বাংলা and Português.