Amazon Bedrock je dobio Kimi K3, a izvršno okruženje za agente kreće za oko dvije sekunde

Amazon Bedrock je 18. septembra 2026. objavio dvije izmjene, a one odgovaraju na različita pitanja. Prva je koji model se smije pozvati: Kimi K3 kompanije Moonshot AI je od sada opšte dostupan, s kontekstnim prozorom od 1 milion tokena i izvornim razumijevanjem slike. Druga je u čemu se sopstveni agent izvodi: novo izdanje izvršnog okruženja AgentCore Runtime mijenja kako se memorija naplaćuje i koliko traje hladno pokretanje.

Šta donosi Kimi K3, i ko šta tvrdi

AWS saopštava dostupnost i ponašanje platforme, a podatke o samom modelu prenosi od proizvođača. Moonshot AI navodi da je Kimi K3 njihov najsposobniji model i prvi otvoreni model koji je dosegao 2,8 biliona parametara, uz poboljšanje efikasnosti skaliranja od približno 2,5 puta u odnosu na Kimi K2. AWS dodaje da model spaja izvorno razumijevanje slike s kontekstnim prozorom od 1 milion tokena, a upravo to mijenja posao: veliki repozitorijum koda ili niz skeniranih stranica staju u jedan poziv.

Tvrdnja o platformi je AWS-ova i uža je: Kimi K3 je prvi model s otvorenim težinama na Amazon Bedrocku koji podržava izričito keširanje prompta. Bedrock uz to navodi da se podaci obrađuju unutar AWS-ove granice podataka, da se ne dijele s proizvođačem modela i da se ne koriste za obuku, da je nulto zadržavanje podataka uvijek uključeno za zahtjeve prema modelu i da operateri nemaju pristup tokom izvođenja.

Keširanje prompta je mjesto na kojem se mijenja cijena

Izričito keširanje se ne uključuje samo. Kraj dijela prompta koji se ponavlja označava se oznakom prompt_cache_breakpoint, i to poslije najmanje 1.024 tokena, pa kasniji zahtjevi koji se poklope s tim početkom koriste sačuvani sadržaj. Tokeni upisani u keš naplaćuju se po višoj cijeni, u kešu ostaju najmanje 30 minuta, a poklopljeni zahtjevi se za ulaz naplaćuju po sniženoj cijeni.

Postoji i druga poluga, a ona s keširanjem nema veze. Kimi K3 se poziva kroz profil zaključivanja preko više regija, a AWS navodi da globalni profil global.moonshotai.kimi-k3 košta približno 10 odsto manje od geografskog. Profil us.moonshotai.kimi-k3 obradu zadržava u Sjedinjenim Državama, za one koje obavezuju pravila o mjestu čuvanja podataka. Dostupnost je opisana kao svaka regija AWS-a u kojoj Bedrock postoji, kroz zaključivanje preko više regija.

AgentCore Runtime je promijenio šta se plaća i koliko se čeka

Druga objava mijenja računarski sloj bez servera, zasnovan na mikro virtuelnim mašinama, u kojem se agenti na Amazon Bedrocku izvode. Svaka sesija sada kreće s malom količinom memorije, dobija još po potrebi, i vraća memoriju koja više nije u upotrebi umjesto da je zadrži do kraja sesije. AWS to kaže bez uvijanja: plaća se stvarna potrošnja, a ne najviša.

Hladno pokretanje je preuređeno oko snimka stanja. Okruženje za agenta se pripremi jednom, napravi mu se snimak, i svaka nova instanca se vraća iz tog snimka umjesto da ponavlja cio postupak pokretanja. U AWS-ovom sopstvenom ispitivanju to je dalo hladno pokretanje od 1,9 do 2,0 sekunde na 75. percentilu, za kontejnerske slike od 200 MB do 2 GB, naspram 5,4 do 30 sekundi u verziji V1. Sam raspon je i bio problem, jer je veća slika značila sporije pokretanje.

• Novo okruženje je dostupno u regijama us-east-1, us-east-2, us-west-2, eu-west-1 i ap-northeast-1.
• Uključuje se ručno: polje platformVersion se pri pravljenju ili izmjeni okruženja postavlja na V2.
• Ostalo se ne mijenja. Nema unaprijed zakupljenih resursa, skaliranje i dalje ide do nule, a izolacija sesija je i dalje nametnuta hardverom.

Šta ovo mijenja pri izboru mjesta za agenta

Nijedna od dvije objave nije nezavisno mjerenje i ne treba je tako čitati. Brojke o modelu Kimi K3 su opis koji Moonshot AI daje o sopstvenom modelu, a AWS ga prenosi. Brojke o hladnom pokretanju su AWS-ovo mjerenje sopstvene usluge naspram sopstvene ranije verzije. I jedne i druge su svejedno korisne, jer su to brojke po kojima se računa račun, a ne bodovi na rang-listi.

Iz toga se može zaključiti da zanimljiv nije ni model ni izvršno okruženje zasebno, nego to što su stigli istog dana. Kontekst od 1 milion tokena je skup za ponovno slanje u svakom pozivu, a izričito keširanje i okruženje koje oslobađa neiskorišćenu memoriju su dva mjesta na kojima se taj trošak smanjuje. Jedno moguće objašnjenje te istovremenosti je upravo to: agenti s dugim kontekstom su posao za koji su obje izmjene i građene.