AI-modeller och plattformar
AWS gör Kimi K3.1 Pro Highspeed tillgänglig på Amazon Bedrock
Lägg till Unite.AI bland dina föredragna källor på Google
Amazon Web Services gjorde Moonshot AI:s Kimi K3.1 Pro Highspeed tillgänglig på Amazon Bedrock den 10 november 2026, med ett kontextfönster på 1 miljon token via inferensprofiler för global trafik samt USA och Indien. Moonshot AI uppger att Highspeed-varianten genererar utdata två till tre gånger snabbare än K3.1 Pro.
Den underliggande modellen lanserades den 4 november 2026, före den här distributionen på Bedrock. K3.1 Pro är en eftertränad version av Kimi K3 som behåller arkitekturen med öppna vikter i 3T-klassen och kontextfönstret, samtidigt som den använder betydligt mer beräkningskraft vid efterträningen. Moonshot AI uppger att den extra träningen är inriktad på agentbaserat arbete över långa tidshorisonter och färre sakfel, med förbättringar inom finansiell modellering, kontorsdokument och kodning för spelmotorer, 3D-scener och skript för datorstödd konstruktion.
Vid agentbaserad kodning kan en enda uppgift kräva många sekventiella anrop till modellen: läsa filer, planera en ändring, redigera kod, köra tester och åtgärda fel. En högre takt för generering av utdatatoken kan förkorta den del av varje steg som går åt till generering. Befintliga implementationer av Kimi K3 på Bedrock kan byta modell genom att ändra modell-ID:t, och den nya modellen har stöd för verktygsanrop, strukturerat utdata, konfigurerbart resonemang, bildinmatning och strömning via samma slutpunkt och API:er. AWS visar också OpenCode, en terminalbaserad kodningsagent med öppen källkod, ansluten via Chat Completions och en API-nyckel för Bedrock.
Åtkomst och datalagring inom geografiska gränser
Utvecklare kan anropa modellen via de OpenAI-kompatibla API:erna Chat Completions och Responses eller Bedrocks API:er Converse och Invoke. AWS rekommenderar Chat Completions. Den globala inferensprofilen för trafik mellan regioner dirigerar förfrågningar till alla kommersiella AWS-regioner som stöds, medan profilerna för USA och Indien begränsar dirigeringen till respektive geografiskt område för att uppfylla krav på datalagring inom geografiska gränser. Förfrågningar från Indien dirigeras mellan Mumbai och Hyderabad.
AWS uppger att inferensdata stannar inom AWS datagräns, inte delas med Moonshot AI och inte används för att träna modellen. Noll datalagring är alltid aktiverat för inferensförfrågningar, och AWS-operatörer kan inte se prompter eller genererade svar under inferensen.
Priser och kostnadskontroll
Priserna för standardnivån beror på dirigeringsprofilen. Alla priser nedan gäller per 1 miljon token:
| Inferensprofil | Inmatning | Utdata | Cacheläsning | Cachelagring (30 minuter) |
|---|---|---|---|---|
| Global trafik mellan regioner | $4.00 | $20.00 | $0.20 | $5.00 |
| Trafik mellan regioner i USA | $4.40 | $22.00 | $0.22 | $5.50 |
| Trafik mellan regioner i Indien | $4.40 | $22.00 | $0.22 | $5.50 |
På Bedrocks prissida anges det föregående Kimi K3 till 3,00 USD per miljon inmatningstoken och 15,00 USD per miljon utdatatoken för inferens med Global Standard. Den nya modellen har därför högre priser för både inmatning och utdata, även om dess globala pris för cacheläsning är lägre än K3:s 0,30 USD per miljon token.
Flex erbjuder inferens till halva standardpriset i utbyte mot potentiellt längre svarstider, medan Priority kostar 75 % mer. Nivån kan väljas för varje förfrågan, så en applikation kan använda Standard för vanlig trafik, Priority för anrop där svarstiden är kritisk och Flex för utvärderingar, sammanfattningar eller bakgrundsarbete som utförs av agenter.
Explicit promptcachning hanterar återkommande kontext, till exempel systeminstruktioner, verktygsdefinitioner och konventioner i kodarkiv. Varje brytpunkt måste följa efter minst 256 token med stabilt innehåll. Funktionen fungerar med Responses, Chat Completions och Invoke, men inte med Converse. Cacheläsningar har ett rabatterat pris och räknas inte mot kvoten för inmatningstoken per minut, medan skrivningar kostar mer än standardinmatning.
Begränsningar för resonemang och kompatibilitet
Modellkortet stöder resonemangsnivåerna none, low, medium, high, xhigh och max, där max används som standard. Om none väljs stängs resonemanget av för den aktuella förfrågan. En lägre ansträngningsnivå kan minska svarstiden och tokenförbrukningen, men försämra uppgiftsprestandan, vilket gör standardinställningen viktig att beakta för arbetsbelastningar där kostnaden är känslig.
Converse har ytterligare begränsningar utöver avsaknaden av explicit cachning. Tjänsten kan ge ett internt serverfel när resonemangsinnehåll från tidigare turer ingår i en förfrågan med flera turer. Det påverkar ramverk som LangChain och Strands Agents när de används med standardkonfigurationerna. AWS rekommenderar att tidigare resonemangsblock tas bort från Converse-förfrågningar med flera turer. Converse avvisar också bifogade PDF- och HTML-dokument, och Bedrock stöder inte videoindata för den här modellen.
Varje utdatatoken förbrukar också 10 token från den tillämpliga kontokvoten på slutpunkten bedrock-runtime, vilket är en separat kapacitetsfaktor utöver kostnaden per token.
För befintliga K3-användare kräver bytet få kodändringar, men avvägningen i driften handlar om mer än kompatibilitet. Den möjliga vinsten är att sekventiellt agentarbete slutförs snabbare; mot detta står högre priser för inmatning och utdata, tokenförbrukning som drivs av resonemang samt kvotförbrukning. Flex, cachning och inställningar för ansträngningsnivå är de verktyg AWS erbjuder för att balansera dessa krav.
