A Kimi API usa cobrança por consumo e não oferece plano por assinatura. Na hora de comparar, olhar apenas "quanto custa por milhão de tokens" leva facilmente à escolha errada: o que realmente determina a fatura é o modelo, o tamanho do contexto, a taxa de acerto de cache e o tamanho da saída. A série K2 oferece contexto de 262.144 tokens, e o K3 chega a 1.048.576; a capacidade de contexto longo é grande, mas também significa que o lado da entrada acumula custo com mais facilidade.

Este artigo decompõe a estrutura de cobrança da série K2, as fontes de custo do contexto longo, um método de estimativa reproduzível e a ordem de redução de custos, sem fixar preços unitários. Os preços específicos seguem a documentação oficial e a página de preços.

Nota: Moonshot e Kimi são marcas de seus titulares. Modelos, tamanhos de contexto e regras de cobrança podem mudar. Este artigo usa como exemplo a situação comum em outubro de 2026; confirme novamente nas páginas oficiais antes de comprar.

1. Como a série K2 se divide

Modelo Posicionamento Contexto Tarefas indicadas Ponto de atenção de custo
kimi-k2.6 Uso geral 262.144 Conversa, extração, atendimento, documentos Taxa de acerto de cache
kimi-k2.7-code Código 262.144 Geração de código, perguntas sobre repositório, agentes Entrada longa e muitos resultados de ferramentas
kimi-k2.7-code-highspeed Código de alta velocidade 262.144 Completação de baixa latência, programação interativa Equilíbrio entre preço e throughput
kimi-k3 Nova geração 1.048.576 Documentos muito longos, tarefas complexas de várias etapas Contexto longo e gravação de cache

Os modelos são iterados, e a série K2 pode ganhar novas versões. Na compra, siga a lista oficial de modelos e a página de preços; não trate os nomes deste artigo como compromisso permanente.

Tarefas gerais não precisam usar o maior contexto por padrão. Colocar um material inteiro em um contexto de 1M faz o custo de entrada crescer rapidamente a cada turno; normalmente é mais econômico usar recuperação para reduzir o escopo e deixar o modelo ler apenas os trechos principais. Tarefas de código são o oposto: a estrutura do repositório e os retornos de ferramentas muitas vezes precisam ser mantidos, e o foco passa a ser um prefixo estável com maior taxa de acerto de cache.

2. A fatura tem três componentes

A série K2 cobra por "entrada com cache hit, entrada com cache miss e saída". O K3 cobra separadamente a gravação de cache, com duas faixas de TTL, 5 minutos e 1 hora; por isso, não se deve multiplicar um preço médio pelo total de tokens.

Item Quando ocorre Impacto no custo Como controlar
Entrada com cache miss Prompt, documentos e resultados de ferramentas que aparecem pela primeira vez Cresce linearmente com o contexto Recuperação, resumo, corte do histórico
Entrada com cache hit System prompt repetido, prefixo fixo Costuma ser bem menor que o miss Prefixo estável, ordem fixa de ferramentas
Tokens de saída Conteúdo gerado e raciocínio do modelo Saída longa amplia a fatura Limitar max_completion_tokens
Gravação de cache (K3) Gravação do prefixo em cache Cobrada por faixa de TTL Cachear apenas conteúdo estável e reutilizado

Separando uma requisição, a fórmula de custo é:

Custo por requisição =
   tokens de entrada com miss × preço do miss
+  tokens de entrada com hit × preço do hit
+  tokens de saída × preço de saída

No K3, ainda é preciso somar a gravação de cache. O campo usage da resposta traz prompt_tokens, completion_tokens e prompt_tokens_details; cache hit e gravação de cache entram em prompt_tokens, e a parte não cacheada é o total menos esses dois itens.

3. Por que contexto longo costuma sair caro

Cenário Estrutura típica de tokens Custo principal Direção de otimização
Perguntas sobre documentos longos Entrada grande, saída média Documento reenviado repetidamente Recuperação com cache
Agente de repositório Entrada e saída grandes Resultados de ferramentas e histórico Resumo, corte, cache
Atendimento em vários turnos Entrada acumulada por turno Histórico repetido Resumo contínuo
Extração em lote Entrada média, saída curta Documento lido repetidamente Processamento em lote com modelo menor

As diferenças costumam vir de cinco pontos:

  1. Entrada acumulada por turno: reenviar o texto completo a cada turno faz a fatura quase dobrar conforme o número de turnos.
  2. Taxa de acerto de cache: prefixo fixo é reutilizável; timestamp, ID aleatório e ordenação dinâmica a cada chamada invalidam o cache.
  3. Saída de ferramentas: uma busca ou execução de código devolve um log inteiro, que volta igual no turno seguinte e soma custo.
  4. Tamanho da saída: pedidos abertos de "análise detalhada" geram saídas longas com facilidade, e a saída costuma custar mais que a entrada com cache hit.
  5. Modelo inadequado: usar um modelo grande para classificação simples, ou repetir tentativas com o modelo errado em tarefas complexas, amplia o custo.

4. Faça uma estimativa reproduzível

  1. Escolha de 20 a 50 tarefas reais, cobrindo os níveis simples, médio e complexo, com critérios de aceitação claros.
  2. Quantifique a entrada com uma interface de estimativa de tokens; não adivinhe pela contagem de caracteres.
  3. Rode o mesmo lote em kimi-k2.6 e no modelo de código, registrando qualidade, latência e número de retrabalhos.
  4. Leia entrada, saída, cache hit e gravação de cache no campo usage da resposta.
  5. Compare pelo custo "por tarefa aprovada", não pelo preço de tabela por milhão de tokens.
  6. Inclua tentativas, requisições com falha e gravação de cache no custo por tarefa.
import os
from openai import OpenAI

client = OpenAI(
    api_key=os.environ["MOONSHOT_API_KEY"],
    base_url="https://api.moonshot.cn/v1",
)

resp = client.chat.completions.create(
    model="kimi-k2.6",
    messages=[{"role": "user", "content": "Extraia este contrato em JSON: ..."}],
    max_completion_tokens=1024,
)

u = resp.usage
print("entrada", u.prompt_tokens, "saída", u.completion_tokens)
print("detalhes de cache", getattr(u, "prompt_tokens_details", None))

Em chamadas de streaming, adicione stream_options={"include_usage": True}; o uso completo só vem no último bloco. Multiplique pelos preços reais do contrato ou da página de preços, não por capturas de tela de meses atrás.

5. A ordem para reduzir custos

  1. Comece pelo cache: fixe system prompt, definição de ferramentas e prefixo da base de conhecimento, e use cached_tokens para confirmar se o acerto realmente acontece.
  2. Depois reduza a entrada: na recuperação, traga apenas trechos relevantes; resuma o histórico; não enfie a base inteira no contexto.
  3. Limite a saída: defina max_completion_tokens razoável, exija JSON ou campos fixos e reduza fórmulas de cortesia.
  4. Faça roteamento de modelos: tarefas gerais com kimi-k2.6, tarefas de código com a versão K2.7 de código e materiais muito longos com o K3.
  5. Use streaming em requisições longas: streaming não muda o preço unitário, mas reduz tentativas causadas por timeout e desconexão.
  6. Monitore e alerte: acompanhe uso por projeto, modelo e cenário, defina teto de orçamento e revise semanalmente o ranking de consumo.

Não inverta a ordem. Primeiro trate cache e entrada; só depois considere trocar por um modelo mais barato. Caso contrário, você apenas torna a resposta errada mais barata.

6. Como administrar orçamento e fatura

  • Uma Key por projeto, com orçamento diário por projeto, para que um único negócio não consuma toda a cota.
  • Conciliação mensal por "projeto, modelo e cenário", identificando as chamadas que mais crescem.
  • Registrar separadamente taxa de acerto de cache, número de tentativas e tamanho médio da saída; sem isso, não é possível comprovar o efeito da otimização.
  • Equipes que precisam de pagamento em yuan e nota fiscal podem unificar a fatura de vários modelos em um gateway de IA local; preços e regras de nota fiscal seguem a página de preços.

Perguntas frequentes

K2 ou K3: qual vale mais a pena?

Depende da tarefa. A série K2 tem contexto de 262.144, suficiente para a maioria dos cenários de documentos e código; o K3 tem contexto maior e serve para materiais muito longos. Compare pelo custo total de "concluir uma tarefa aprovada", não apenas pelo preço unitário.

Quanto o cache economiza?

Depende da taxa de reutilização do prefixo e da taxa de acerto. A entrada com cache hit costuma ser bem menor que a com miss, e o acerto ainda prolonga a validade do cache; mas, se o prefixo muda a cada chamada ou é curto demais, não há acerto.

Streaming sai mais barato?

Não altera diretamente o preço unitário. O valor está em reduzir o custo oculto de timeouts, quedas de conexão e novas tentativas em requisições longas.

Por que a fatura fica acima da estimativa?

Itens frequentemente esquecidos incluem histórico, retornos de ferramentas, texto completo de documentos, tentativas, saídas longas e cache miss. Use os logs de requisição para conciliar com o campo usage e localizar a diferença.

Como equipes locais podem pagar em yuan?

É possível chamar a Kimi por um gateway de IA que ofereça recarga em yuan e nota fiscal, unificando a fatura de vários modelos. Modelos disponíveis, preços e regras de nota fiscal seguem a página de preços.

Próximo passo

Crie uma Key de teste no ZSQH AI Gateway, rode um lote de tarefas reais com kimi-k2.6 e com o modelo de código, registrando tokens, acerto de cache e qualidade, e então decida o modelo principal. Disponibilidade e preços dos modelos seguem a página de preços.

Leituras relacionadas: