Kimi è l’ecosistema di intelligenza artificiale sviluppato da Moonshot AI. Se ne hai sentito parlare attraverso Kimi K2, però, c’è una distinzione importante da fare subito: K2 non è più il modello di riferimento.
Oggi il centro dell’ecosistema è Kimi K3, il modello flagship da 2,8 trilioni di parametri progettato per coding di lunga durata, ragionamento, comprensione visiva e knowledge work. Accanto a K3 rimangono Kimi K2.6 per attività general purpose e Kimi K2.7 Code per i workflow di programmazione, mentre nel prodotto consumer compare anche K3 Cluster per i task che beneficiano del lavoro parallelo di più agenti. La documentazione ufficiale dei modelli Kimi considera invece la serie K2 originale dismessa dal 25 maggio 2026.
Questo cambia parecchio il modo in cui conviene spiegare l’ecosistema. Non è più sufficiente definirlo “un chatbot cinese alternativo a ChatGPT”. Oltre alla chat ci sono agenti, ricerca, documenti, fogli di calcolo, presentazioni, creazione di siti, un ambiente desktop, strumenti per sviluppatori e un’API.
Se conosci già ChatGPT, Google Gemini o Claude AI, il modo più utile per orientarti è quindi separare il prodotto che usi dal modello che lavora dietro quel prodotto.
Cos’è Kimi AI e perché non è semplicemente un chatbot
Kimi è il prodotto AI di Moonshot AI, società che sviluppa sia i modelli della famiglia Kimi sia gli strumenti attraverso cui vengono utilizzati.
La pagina principale del servizio oggi lo presenta come uno spazio di lavoro orientato soprattutto a agentic coding e knowledge work. Puoi certamente aprire una conversazione e usarlo come una normale AI generativa, ma quella è solo una parte dell’esperienza.
La distinzione è simile a quella che trovi in altri ecosistemi AI: un conto è il modello di base, un altro è l’applicazione che aggiunge memoria, strumenti, ricerca web, gestione dei file e automazioni.
Moonshot AI, Kimi e i modelli Kimi: tre livelli da non confondere
Il primo livello è Moonshot AI, cioè l’azienda.
Il secondo è Kimi, il prodotto e l’ecosistema utilizzabile dall’utente.
Il terzo è costituito dai modelli, come Kimi K3, K2.7 Code e K2.6.
Questa separazione è importante soprattutto perché leggendo articoli meno recenti potresti trovare “Kimi”, “Kimi K2” e “Moonshot” usati quasi come sinonimi. Oggi portano invece a concetti diversi.
Se vuoi approfondire cosa distingue tecnicamente un modello dal prodotto che lo utilizza, la nostra guida ai Large Language Model chiarisce il livello tecnologico sottostante.
Dalla chat al workspace agentico: cosa comprende oggi Kimi
Nel workspace standard trovi chat, ricerca sul web, gestione dei file e strumenti integrati. Kimi Agent aggiunge un livello operativo: secondo la documentazione ufficiale può usare più di 20 strumenti per svolgere attività complesse dall’inizio alla fine, invece di limitarsi a produrre una risposta testuale.
L’ecosistema comprende inoltre Kimi Work, l’app desktop per lavorare con file e applicazioni locali; Kimi Code, dedicato agli sviluppatori; Kimi Claw, rivolto alle automazioni persistenti; e funzioni specifiche per Slides, documenti, fogli di calcolo, Deep Research e creazione di siti web. La stessa documentazione ufficiale tratta ormai questi componenti come prodotti distinti.
Il modello mentale corretto diventa quindi:
Moonshot AI → modelli Kimi → prodotti Kimi → strumenti e agenti → attività concreta dell’utente.
Quali modelli Kimi sono disponibili oggi
Alla data di aggiornamento di questa guida, 19 agosto 2026, l’inventario API ufficiale comprende Kimi K3, Kimi K2.7 Code con relativa variante HighSpeed e Kimi K2.6. Kimi K2.5 è ancora presente nell’inventario ma non è più disponibile ai nuovi utenti e la piattaforma ne indica il sunset completo per il 31 agosto 2026.
| Modello | Ruolo | Contesto | Stato / scenario principale |
|---|---|---|---|
| Kimi K3 | Flagship generalista | fino a 1M token | coding lungo, knowledge work, reasoning, agenti |
| Kimi K2.7 Code | Modello specializzato | 256K | coding e software engineering agentico |
| Kimi K2.7 Code HighSpeed | Variante veloce di K2.7 Code | 256K | coding quando conta maggiormente la latenza |
| Kimi K2.6 | General purpose | 256K API | chat, reasoning, visione e task agentici |
| Kimi K2.5 | Legacy in uscita | 256K | non disponibile ai nuovi utenti; sunset 31 agosto 2026 |
| Serie Kimi K2 originale | Legacy | — | discontinued dal 25 maggio 2026 |
Questa tabella va letta come fotografia corrente, non come gerarchia assoluta di qualità. Un modello specializzato può avere più senso del flagship in un workflow specifico.
Kimi K3: il modello flagship attuale
Kimi K3 è il modello più capace della famiglia Kimi secondo Moonshot AI. Ha 2,8 trilioni di parametri complessivi e, secondo il technical report, circa 104 miliardi vengono attivati durante l’inferenza grazie all’architettura Mixture-of-Experts. Supporta visione nativa e una finestra di contesto che arriva a un milione di token.
Il numero enorme di parametri non significa che tutti vengano utilizzati contemporaneamente. In una struttura Mixture-of-Experts il modello dispone di molti gruppi specializzati, ma un sistema di routing seleziona soltanto quelli utili per il token che sta elaborando.
Nel caso di K3, Moonshot dichiara 896 expert, dei quali 16 vengono effettivamente attivati. Il vantaggio teorico è poter aumentare la capacità complessiva senza pagare, per ogni token, il costo computazionale dell’intero modello.
K3 introduce inoltre Kimi Delta Attention e Attention Residuals, due componenti pensati per migliorare la gestione dell’informazione lungo sequenze molto estese e attraverso la profondità della rete.
Kimi K2.7 Code: il modello specializzato per programmare
Kimi K2.7 Code non è il successore generalista di K3. È un modello dedicato al coding, costruito sulla linea K2.6 e ottimizzato per attività software di lunga durata.
La documentazione API lo indica per programmazione, dialogo e attività agentiche e supporta input testuali, immagini e video. Il reasoning rimane sempre attivo. Esiste anche kimi-k2.7-code-highspeed, che utilizza lo stesso modello con un’infrastruttura orientata a una velocità di output maggiore.
È quindi una scelta sensata quando il problema principale è lavorare sul codice, soprattutto se il workflow usa terminale, repository e tool. Non va invece interpretato come “Kimi 2.7 è più nuovo e quindi migliore di Kimi 3”: la numerazione appartiene a linee con ruoli differenti.
Per capire meglio questo tipo di software puoi confrontare il concetto con Claude Code, che affronta anch’esso la programmazione come workflow agentico e non come semplice generazione di snippet.
Kimi K2.6: il modello general purpose
K2.6 rimane disponibile come modello general purpose. Nell’API supporta input testuali, immagini e video, modalità thinking e non-thinking, tool call e attività Agent, con un contesto di 256K token.
Nella normale Chat ha un ruolo ancora più semplice: è l’opzione orientata alle conversazioni e alle domande veloci e, attualmente, il suo utilizzo non consuma i credit dell’abbonamento. K3 viene invece conteggiato sui credit.
Questo è un buon esempio del motivo per cui non bisogna giudicare un modello solo dalla data di lancio. K3 è più capace nel complesso, ma non necessariamente serve impiegare un modello da 2,8 trilioni di parametri per una domanda semplice.
Che fine hanno fatto Kimi K2 e K2.5
Kimi K2 è stato un passaggio importante nella crescita di Moonshot AI. Il modello originale utilizzava già un’architettura Mixture-of-Experts con 1 trilione di parametri totali e 32 miliardi attivati.
Ma dal punto di vista operativo oggi appartiene al passato.
Moonshot dichiara ufficialmente discontinued dal 25 maggio 2026 i modelli kimi-k2-0905-preview, kimi-k2-0711-preview, kimi-k2-turbo-preview, kimi-k2-thinking e kimi-k2-thinking-turbo. Non sono più mantenuti né supportati e la documentazione raccomanda di migrare a K3.
K2.5 si trova in una fase differente: non è ancora classificato nella stessa lista deprecated, ma dopo l’arrivo di K3 non è più disponibile per i nuovi utenti API e il sunset della piattaforma è previsto il 31 agosto 2026.
Questo è il motivo per cui una guida costruita ancora oggi attorno a K2 rischia di spiegare correttamente il passato e male il prodotto che l’utente troverà realmente aprendo la piattaforma.
Come funziona Kimi
Come gli altri LLM, i modelli Kimi elaborano il contesto ricevuto e generano una sequenza di token. K3 aggiunge però una combinazione architetturale particolare: Mixture-of-Experts, Kimi Delta Attention, Attention Residuals e un livello di multimodalità nativa.
Per un utente normale non è necessario conoscere ogni dettaglio matematico. È però utile capire perché queste scelte esistono, perché spiegano alcune caratteristiche del prodotto: contesto molto lungo, lavoro agentico esteso e capacità di utilizzare informazioni visive.
Mixture-of-Experts, contesto lungo e multimodalità
Un modello denso tradizionale utilizza sostanzialmente lo stesso insieme di parametri per elaborare ogni token. Un Mixture-of-Experts divide invece parte della rete in expert e ne seleziona soltanto alcuni per ogni passaggio.
K3 porta questa logica a una scala molto elevata: 2,8 trilioni di parametri complessivi, ma una frazione molto più piccola attiva durante l’inferenza.
Questo aiuta a capire perché numero totale di parametri e costo di inferenza non sono sinonimi.
Kimi Delta Attention interviene invece sulla gestione delle sequenze lunghe, mentre Attention Residuals modifica il modo in cui vengono recuperate e combinate le rappresentazioni nei vari livelli della rete. Moonshot attribuisce a queste modifiche, insieme ad altre ottimizzazioni, un miglioramento di circa 2,5 volte nell’efficienza di scaling rispetto a K2. È però un claim del vendor, non una misura indipendente universale della qualità del modello.
Reasoning, strumenti e attività agentiche
Un modello diventa molto più utile quando può fare qualcosa con ciò che ha capito.
La Chat integra strumenti per ricerca web, apertura di URL, ricerca di immagini, esecuzione Python e memoria. Per una semplice risposta il modello può lavorare direttamente; per un task più articolato può invece utilizzare strumenti e passaggi intermedi.
Con Agent il salto è ulteriore: il modello può scomporre un obiettivo, chiamare strumenti, verificare risultati e continuare l’esecuzione.
K3 Cluster porta la logica verso il parallelismo. La documentazione consumer lo propone per ricerche su larga scala ed elaborazioni batch nelle quali molti sub-agent possono lavorare contemporaneamente. Non va confuso con un nuovo modello API separato: nell’attuale lista pubblica delle API non esiste un modello kimi-k3-cluster.
Perché un contesto da 1 milione di token non significa automaticamente risposte migliori
Una finestra di contesto molto ampia permette al modello di ricevere più informazioni nella stessa attività. Può essere utile per analizzare repository estesi, documentazione, lunghe raccolte di file o sessioni agentiche.
Ma capacità di contenere informazioni e capacità di usarle correttamente sono due problemi differenti.
Un milione di token non rende automaticamente migliore una domanda breve, non sostituisce la qualità delle fonti e non elimina errori di ragionamento o allucinazioni. Più contesto può inoltre significare più materiale irrilevante da distinguere da ciò che conta davvero.
La conseguenza pratica è semplice: usa il contesto lungo quando il task lo richiede, non come indicatore automatico di qualità.
Cosa puoi fare con Kimi AI nella pratica
Il cambiamento più interessante dell’ecosistema non è soltanto nei benchmark dei modelli. È il passaggio da una chat generalista a un insieme di ambienti pensati per produrre risultati utilizzabili.
Ricerca, documenti, fogli di calcolo e presentazioni
La piattaforma dispone di Deep Research, Kimi Docs, Kimi Sheets e strumenti per Slides.
Docs e Sheets sono pensati per creare o modificare documenti e fogli di calcolo, mentre l’Agent può lavorare con file Word, PDF ed Excel. La documentazione ufficiale descrive anche workflow per generare documenti strutturati, formule, analisi e presentazioni.
Qui emerge una differenza rispetto alla semplice chat: l’output non deve necessariamente essere un blocco di testo da copiare altrove. Con K3 l’obiettivo può essere produrre direttamente un artefatto modificabile.
Creare siti e lavorare sul codice con Kimi Code
Kimi Websites utilizza K3 per trasformare istruzioni in linguaggio naturale, mockup, screenshot o registrazioni dello schermo in siti full-stack. La piattaforma dichiara supporto per frontend, backend, database persistente, anteprima e pubblicazione.
Per un web designer questo è uno scenario più interessante del semplice “scrivimi l’HTML di una landing page”: l’AI entra nel ciclo specifica → implementazione → visualizzazione → correzione.
Non significa che il risultato vada pubblicato senza controllo. Autenticazione, accessibilità, performance, sicurezza, SEO tecnica, qualità del codice e manutenzione rimangono problemi reali.
Kimi Code affronta invece il lavoro direttamente da terminale e IDE. La CLI può leggere e modificare codice, eseguire comandi e pianificare più passaggi; il progetto è disponibile pubblicamente anche su GitHub.
Agent Swarm, Kimi Work e automazione dei workflow
Kimi Work porta l’Agent sul desktop e permette di lavorare con file locali e applicazioni. Moonshot descrive workflow che possono continuare per molte ore e utilizzare Agent Swarm quando l’attività si presta al parallelismo.
Secondo il vendor, Agent Swarm con K3 può arrivare fino a 300 sub-agent e oltre 4.000 chiamate agli strumenti per attività. Sono numeri utili per capire l’architettura del prodotto, ma non vanno letti come garanzia che “300 agenti” producano automaticamente un risultato migliore di uno solo.
Il parallelismo è utile quando il problema può essere realmente suddiviso: per esempio molte fonti da analizzare, numerosi file indipendenti o un grande insieme di sotto-task. Su un problema lineare può aggiungere costo e complessità senza un vantaggio proporzionato.
Come usare Kimi dall’Italia
Il servizio dispone oggi di un sito e di un centro assistenza localizzati anche in italiano. Puoi iniziare dal sito ufficiale Kimi, creare un account e utilizzare la normale chat dal browser.
Sono disponibili anche applicazioni mobile e prodotti desktop; la disponibilità concreta di singole funzioni può cambiare in base a piattaforma, piano e rollout.
Accesso da browser e app
Per l’uso più semplice non devi configurare API o installare strumenti per sviluppatori.
Apri la piattaforma, scegli il modello dal selettore sopra la casella di input e inserisci la richiesta. Attualmente il prodotto consumer propone K2.6, K3 e K3 Cluster con ruoli differenti.
K2.6 ha senso per domande veloci. K3 è la scelta generale quando servono maggiore capacità, reasoning o Agent. K3 Cluster entra in gioco quando il lavoro può essere parallelizzato su larga scala.
Come iniziare una chat e scegliere il workflow adatto
Una domanda semplice non richiede Agent.
Se devi chiarire un concetto, rielaborare un testo o analizzare un singolo elemento, la conversazione standard riduce attrito e consumo di risorse.
Se invece l’obiettivo contiene più passaggi — cercare informazioni, analizzare fonti, eseguire codice e produrre un file finale — la modalità Agent è più coerente con il problema.
Quando il task consiste in centinaia di elementi indipendenti o una ricerca molto ampia, K3 Cluster può diventare più interessante.
Il criterio non dovrebbe essere “usa sempre il modello più potente”, ma usa la quantità di autonomia e parallelismo necessaria al lavoro.
Quando serve Kimi Code o l’API invece del normale workspace
Kimi Code conviene quando il centro del lavoro è un codebase.
L’API serve invece quando uno dei modelli deve diventare un componente di un’applicazione, un servizio o un workflow automatizzato. In quel caso puoi scegliere esplicitamente il modello e controllare chiamate, output, tool e costi a consumo.
Per un progetto software ordinario la documentazione API di Kimi suggerisce K3 come punto di partenza, lasciando K2.7 Code e K2.6 agli scenari più specifici.
Kimi è gratis? Piani, prezzi e costi API
Il servizio può essere utilizzato anche senza sottoscrivere immediatamente un piano a pagamento. Nella Chat, per esempio, K2.6 attualmente non consuma i credit dell’abbonamento. Le funzioni più intensive e K3 utilizzano invece un sistema di credit e limiti che varia in base al piano.
Prezzi e quote sono fra gli elementi più volatili dell’articolo: i valori seguenti sono stati verificati il 19 agosto 2026.
Piano gratuito e abbonamenti Kimi
Sono disponibili quattro abbonamenti a pagamento: Moderato, Allegretto, Allegro e Vivace.
| Piano | Mensile | Annuale, equivalente mensile |
| Moderato | $19 | $15 |
| Allegretto | $39 | $31 |
| Allegro | $99 | $79 |
| Vivace | $199 | $159 |
La fatturazione annuale corrisponde rispettivamente a $180, $372, $948 e $1.908 all’anno. La pagina ufficiale dei prezzi Kimi resta la fonte da controllare prima di acquistare.
Nel normale abbonamento consumer la capacità extra-long di K3 fino a 1M token viene attualmente indicata per Allegro e Vivace. Quote e condizioni di Kimi Code possono seguire regole differenti perché appartengono a un’altra superficie del prodotto.
Quanto costa Kimi K3 tramite API
L’API utilizza una tariffazione per milione di token, distinguendo input già presente nella cache, nuovo input e output.
| Modello | Input cache hit / 1M | Input cache miss / 1M | Output / 1M | Contesto |
| Kimi K3 | $0,30 | $3,00 | $15,00 | 1.048.576 |
| Kimi K2.7 Code | $0,19 | $0,95 | $4,00 | 262.144 |
| Kimi K2.7 Code HighSpeed | $0,38 | $1,90 | $8,00 | 262.144 |
| Kimi K2.6 | $0,16 | $0,95 | $4,00 | 262.144 |
K3 è quindi sensibilmente più costoso di K2.6 e K2.7 Code sull’output. Il motivo per scegliere K3 non è risparmiare sul prezzo unitario, ma ottenere il modello flagship e la finestra di contesto più ampia quando il task ne beneficia. I prezzi ufficiali sono riportati nelle pagine K3, K2.7 Code e K2.6 della piattaforma.
K3, K2.7 Code o K2.6: quale conviene usare
| Scenario | Scelta da valutare |
| Chat e Q&A rapidi | K2.6 |
| Task general purpose complessi | K3 |
| Documenti o codebase che richiedono contesto molto ampio | K3 |
| Coding agentico | K2.7 Code o K3 |
| Coding con forte priorità alla velocità di output | K2.7 Code HighSpeed |
| Ricerca o elaborazione consumer fortemente parallela | K3 Cluster |
| Minimizzare il costo API su task che non richiedono K3 | K2.6 / K2.7 Code, secondo il task |
Non esiste quindi un modello migliore indipendentemente dall’uso. K3 è il riferimento generale; non è automaticamente la scelta economicamente più razionale per ogni chiamata.
Kimi K3 vs Kimi K2: cosa è realmente cambiato
Il passaggio K2 → K3 non è un semplice incremento del numero di versione.
K2 nasceva come Mixture-of-Experts da 1 trilione di parametri complessivi e 32 miliardi attivati. K3 arriva a 2,8 trilioni complessivi e circa 104 miliardi attivi, ma soprattutto aggiunge una nuova architettura dell’attenzione, multimodalità nativa e una finestra di contesto che arriva a un milione di token.
| Aspetto | Kimi K2 originale | Kimi K3 |
| Parametri totali | 1T | 2,8T |
| Parametri attivati | 32B | circa 104B |
| Architettura | MoE | MoE + KDA + Attention Residuals |
| Visione | non il focus originario | nativa |
| Long context | generazione K2 precedente | fino a 1M token |
| Posizionamento attuale | discontinued | flagship |
| Focus | coding, reasoning e agentic intelligence | coding lungo, knowledge work, reasoning, vision e agenti |
Dal K2 da un trilione di parametri al K3 da 2,8 trilioni
Guardare soltanto il numero 2,8T sarebbe però riduttivo.
Una parte rilevante dell’evoluzione è nel modo in cui K3 gestisce sparsità e attenzione. Stable LatentMoE seleziona un numero limitato di expert; KDA punta a rendere più efficiente l’attenzione su sequenze estese; Attention Residuals migliora il recupero delle rappresentazioni attraverso i layer.
È questa combinazione, più che il solo “modello più grande”, a spiegare il cambio di generazione.
Contesto, visione, reasoning e lavoro agentico
K3 è stato progettato in un periodo nel quale il task dell’LLM non è più soltanto rispondere.
Il modello deve poter leggere materiali, mantenere una sessione lunga, usare strumenti, osservare un risultato e correggerlo. È il motivo per cui Moonshot insiste molto su coding long-horizon e knowledge work.
Lo stesso cambiamento si vede in altri ecosistemi: Claude AI, Google Gemini e ChatGPT stanno progressivamente separando il concetto di semplice chat da agenti, tool e ambienti operativi.
Perché molte guide su Kimi K2 sono ormai obsolete
Una vecchia guida a K2 può ancora essere utile per capire l’evoluzione tecnica di Moonshot.
Diventa invece problematica se lascia intendere che K2 sia ciò che troverai oggi utilizzando il servizio.
La documentazione ufficiale è netta: la serie K2 è discontinued, K2.5 sta uscendo dalla piattaforma e K3 è il modello da utilizzare per le nuove integrazioni.
Per questo, quando cerchi “Kimi” oggi, conviene controllare sempre data dell’articolo e modello trattato.
Punti di forza e limiti di Kimi AI
L’ecosistema ha caratteristiche interessanti, ma il fatto che un modello sia nuovo, enorme o open-weight non è sufficiente per dichiararlo migliore di ChatGPT, Claude, Gemini o DeepSeek.
Per farlo servirebbe un confronto definito per use case, versioni e criteri omogenei.
Dove Kimi ha oggi più senso
Il caso più convincente è quello in cui chat, file, ricerca e strumenti devono convergere in un workflow operativo.
K3 è costruito esplicitamente per task lunghi; Kimi Work porta questi workflow sul desktop; Kimi Code li applica allo sviluppo; Agent Swarm permette di parallelizzare attività complesse; Kimi Websites porta coding e visione nello stesso ciclo di creazione.
La piattaforma è quindi particolarmente interessante da valutare se cerchi un sistema AI che non termini il proprio lavoro quando ha finito di generare il testo.
Costi, disponibilità, privacy e dipendenza dai benchmark del vendor
Ci sono però almeno due aspetti da verificare prima di spostare workflow sensibili sulla piattaforma.
Il primo è la volatilità. In pochi mesi la famiglia di modelli è passata attraverso K2, K2.5, K2.6, K2.7 Code e K3; alcuni sono già stati deprecati o messi in sunset. Per un’integrazione API questo significa prevedere migrazioni e non legare l’applicazione a un model ID come se fosse permanente.
Il secondo è la gestione dei dati.
Per la normale esperienza consumer, il centro assistenza ufficiale dichiara che conversazioni, istruzioni e risposte possono essere utilizzate per l’addestramento dopo processi di de-identificazione. È possibile chiedere l’opt-out, ma attualmente la richiesta viene gestita a livello di account tramite assistenza e il provider indica un massimo di 30 giorni per registrarla. La stessa documentazione dichiara inoltre che i dati sono archiviati su server nella Cina continentale.
Per l’API la policy dichiarata è differente: Moonshot afferma che input e output inviati tramite API non vengono utilizzati per addestrare o migliorare i modelli.
È una differenza materiale. Se lavori con dati personali, clienti, informazioni aziendali o materiale riservato, non trattare Chat consumer e API come se avessero automaticamente la stessa policy. Prima di un utilizzo professionale vanno valutati privacy, base giuridica, trasferimento dei dati, accordi e requisiti applicabili al proprio caso.
Anche i benchmark richiedono cautela. Molti risultati pubblicati nel blog K3 provengono direttamente da Moonshot e in alcuni casi utilizzano harness, ambienti o benchmark interni. Sono evidenze utili per capire come il vendor posiziona il modello, ma non equivalgono a una dimostrazione indipendente di superiorità universale.
Open weights e licenza: cosa significa realmente
Moonshot presenta K3 come modello aperto e rende disponibili pubblicamente codice e pesi.
Questo permette di scaricarlo, studiarlo e distribuirlo secondo le condizioni previste dalla Kimi K3 License. È però più preciso controllare la licenza invece di tradurre automaticamente “open” con “puoi farne qualsiasi uso senza condizioni”.
La licenza consente uso, copia, modifica, distribuzione, fine-tuning e creazione di opere derivate, ma contiene condizioni specifiche per determinati impieghi commerciali su larga scala.
Per esempio, un operatore che offre il modello come servizio e supera 20 milioni di dollari di ricavi aggregati in 12 mesi deve stipulare un accordo separato con Moonshot AI prima dell’utilizzo commerciale. Sono inoltre previste condizioni di attribuzione per prodotti che superano determinate soglie di utenti o ricavi.
Per un singolo sviluppatore queste clausole possono non essere il problema centrale; per un’azienda che vuole costruire un servizio sul modello, invece, fanno parte della valutazione tecnica tanto quanto API e benchmark.
Conclusione
Se associavi ancora Kimi a K2, la cosa principale da aggiornare è proprio questa: K2 descrive ormai una fase precedente dell’ecosistema Moonshot AI.
Oggi l’ecosistema ruota attorno a K3 come flagship, K2.7 Code per il coding specializzato, K2.6 come opzione general purpose e un insieme di prodotti — Agent, Work, Code, Claw, Websites, Docs, Sheets, Slides e Deep Research — che spostano il focus dalla semplice conversazione all’esecuzione di attività.
K3 è particolarmente interessante per contesto lungo, multimodalità, coding e workflow agentici. Non significa però che debba sostituire automaticamente ogni altro modello: costa più di K2.6 e K2.7 Code tramite API, i benchmark del vendor vanno interpretati come tali e la gestione dei dati merita attenzione, soprattutto nell’esperienza consumer.
Se vuoi semplicemente capire cosa può fare la piattaforma, partire dalla Chat con K2.6 o K3 è sufficiente. Se il problema è un codebase, entra in gioco Kimi Code. Se devi integrare il modello in un’applicazione, la scelta passa all’API. Se hai un task molto ampio che può essere suddiviso realmente in più lavori paralleli, K3 Cluster e Agent Swarm diventano invece la parte più distintiva dell’ecosistema.
Il punto, insomma, non è stabilire se Kimi sia “il nuovo ChatGPT”. È capire quale componente risolve il lavoro che devi fare e verificare modello, costi, privacy e disponibilità prima di costruirci sopra un workflow.