Ongesensureerde Kimi K2 API

Die meeste "goedkoop model"-bladsye gaan eintlik oor 'n klein model wat 'n groot model se familienaam dra. Hierdie een nie. Kimi K2.6 is 'n volle grondslag op grensskaal — 'n biljoen parameters van yl Mixture-of-Experts, met 'n inheemse visie-enkodeerder en 'n afrigtingsprogram wat reguit op agentiese gereedskapgebruik gemik is. Wat dit die waardevlak maak, is nie 'n kleiner brein nie maar 'n aggressiewer kompressieresep. Die vraag is dus nie "is dit goed genoeg?" nie maar "watter take merk werklik die verskil tussen hierdie een en sy 5x duurder sibbe?" Die grootste deel van hierdie artikel beantwoord dit.

01Wat is Kimi K2.6 werklik?

Kimi K2.6 is 'n model met oop gewigte van Moonshot AI, die Beijing-laboratorium agter die Kimi-reeks, op 20 April 2026 vrygestel. Dit erf die argitektuur wat K2 opmerklik gemaak het: 'n yl Mixture-of-Experts-transformer met ongeveer 1 biljoen totale parameters en omtrent 32 miljard aktief per teken, georganiseer as 384 eksperts, 8 gerouteer plus 1 gedeeld per laag oor 61 lae, met Multi-head Latent Attention. Slegs 'n klein sny van daardie biljoen vuur op enige gegewe teken — wat presies is waarom 'n model van hierdie grootte in sente geprys kan word.

Die afstamming maak saak weens waarvoor Moonshot geoptimeer het. Die oorspronklike K2 is op ongeveer 15.5 biljoen tekens voorafgeleer met die Muon / MuonClip-optimeerder, spesifiek gebou om 'n MoE met 'n biljoen parameters te keer om die aandagontploffings en verliespieke te ly wat afrigting op daardie skaal destabiliseer; Moonshot het nul afrigtingsonstabiliteit oor die lopie berig. Dit lê stroomop van alles anders — dit het hulle toegelaat om die afrigtingsbegroting aan agentiese gedrag te bestee eerder as aan brandbestryding.

K2.6 brei dit in twee rigtings uit. Eerstens is dit inheems multimodaal: beelde en videoraampies gaan deur MoonViT, 'n visie-enkodeerder met sowat 400M parameters wat 'n beeld in 448x448-teëls verdeel en elke teël regstreeks in die taalmodel se tekenruimte projekteer — visuele tekens sit in dieselfde reeks as alles anders, nie in 'n vasgeboude byskrifskrywer wat 'n blinde model voer nie. Tweedens is dit gebou vir orkestrasie op diepte: Moonshot se Agent Swarm-werk berig koördinasie oor tot 300 domeingespesialiseerde sub-agente en soveel as 4,000 gekoördineerde stappe in 'n enkele outonome lopie.

Moonshot se berigte maatstafprofiel

Dit is deur Moonshot berigte syfers vir die ongekomprimeerde K2.6-grondslag, nie ons metings nie. Nuttig vir vorm, nie vir presisie nie:

Lees die vorm, nie die syfers nie. Tellings vir gereedskapgebruik en soekgedrewe werk sit hoog; suiwer moeilikheidstellings sit laer. Dit is die handtekening van 'n model wat afgerig is om goed te handel eerder as om alles te weet — die regte afruiling as jou agent 'n blaaier, 'n dop en 'n lêerstelsel het, die verkeerde een as jy 'n enkele moeilike vraag vra sonder gereedskap aangeheg.

02Wat W4A16-AUTOROUND-REAP beteken

Die agtervoegsel op die model-ID is nie versiering nie. Dit is die presiese kompressieresep, gepubliseer sodat jy oor die afruiling wat jy maak kan redeneer.

• W4A16 — gewigte teen 4 bisse, aktiverings bereken teen 16. Gewiggeheue daal ongeveer 4x teenoor bf16 terwyl die rekenkunde wat fout ophoop op 16-bis-presisie bly. Dit is die standaard-bedieningspunt van hoë kwaliteit vir baie groot MoE-modelle.
• AUTOROUND — Intel se AutoRound-kwantiseerder. Naïewe afronding-na-naaste hanteer elke gewig onafhanklik en gooi inligting weg waarop die model gesteun het; AutoRound leer die afrondingsbesluite eerder teen kalibrasiedata aan. By 'n 4-bis-teiken is dit die verskil tussen 'n model wat steeds 'n skema volg en een wat dryf.
• REAP — Router-weighted Expert Activation Pruning, van Cerebras Research (arXiv 2510.13999, ICLR 2026). Die meeste eksperts in 'n MoE word selde na geroeteer. REAP punt elkeen op beide sy routerhekwaardes en sy aktiveringsnorme, en verwyder dan die minste opvallendes in 'n enkele skoot. Die gepubliseerde resultaat: tot 50% van die eksperts gesnoei uit modelle met 'n biljoen parameters terwyl grondlynkwaliteit grootliks behou word, en snoei wat ekspert-saamsmelting op generatiewe take klop — saamsmelting vervaag spesialiste inmekaar, snoei laat net die ongebruiktes val.

In daardie volgorde toegepas — snoei eers, kwantiseer wat oorbly — kry jy 'n model wat pas en vinnig loop sonder die kwaliteitsineenstorting wat enige van die twee tegnieke alleen teen hierdie verhoudings sou veroorsaak. Om bot te wees oor die koste: 'n gekomprimeerde model is nie bis-identies aan die oorspronklike nie. Wat die resep koop, is dat die agteruitgang land waar jy dit onwaarskynlik sal agterkom — seldsame routeringspaaie, laewaarskynlikheidsterte van tekens — eerder as in instruksievolging, gereedskaproepformatering of skemanakoming.

03Wat "ongesensureerd" op hierdie eindpunt beteken

Ongesensureerd is hier 'n stelling oor argitektuur, nie oor houding nie. Daar is geen weieringslaag voor die model nie en geen inhoudsfiltrering op sy uitvoer nie. Jou versoek bereik die grondslag en sy antwoord bereik jou; niks onderskep enige rigting nie.

Daardie onderskeid maak saak, want "ongesensureerd" word losweg gebruik. Drie afsonderlike dinge word onder die woord gebondel:

1. Insetklassifikasie — 'n aparte model lees jou opdrag en besluit of dit deurgelaat word. Nie hier teenwoordig nie.
2. Uitvoerfiltrering — 'n skandeerder inspekteer gegenereerde teks en kap dit af of vervang dit. Nie hier teenwoordig nie.
3. Die grondslag se eie geneigdhede — wat ook al die basismodel tydens afrigting geleer het. Dit behoort aan die model, en ons maak nie asof ons dit uitgewis het nie.

Die eerste twee is wat produksiestelsels breek, en dit is die twee wat ons verwyder. 'n Klassifiseerder wat op 0.5% van versoeke vuur, is 'n mislukkingskoers van 0.5% wat jy nie kan ontfout, nie kan appelleer, en nie kan sien kom nie — en oor 'n agentlus van 200 stappe stapel 'n mislukking van 0.5% per stap op in 'n lopie wat meer dikwels misluk as wat dit slaag. 'n Weiering in 'n gesprek is 'n irritasie; 'n weiering op stap 147 van 'n outonome lopie vernietig die lopie se toestand en verbrand alles wat jy bestee het om daar te kom. Vir agentwerkladings is die verwydering van die weieringsoppervlak 'n betroubaarheidseienskap, nie 'n stilistiese voorkeur nie.

Die gevolgtrekking is dat verantwoordelikheid na jou skuif. Daar is geen veiligheidsnet tussen jou toepassing en jou gebruikers nie; as jou produk een nodig het, bou dit waar jy dit kan sien, verstel en aanteken. Lees asseblief eers ons beleid vir verantwoordelike gebruik.

04Kimi K2.6 teenoor Kimi K3: wanneer is 5x die moeite werd?

Dit is die besluit waarvoor die meeste lesers gekom het, so hier is dit sonder omhaal. Kimi-K3 · 3BIT-REAP is die groter, nuwer grondslag: op 16 Julie 2026 aangekondig met oop gewigte op 27 Julie, teen ongeveer 2.8 biljoen totale parameters en omtrent 104 miljard aktief per teken — meer as 3x K2.6 se aktiewe rekenkrag. Stroomop lys Moonshot K3 teen ongeveer 5x K2.6 se prys, en ons poortprysing volg daardie verhouding.

	Kimi-K2.6 · W4A16-AUTOROUND-REAP	Kimi-K3 · 3BIT-REAP
Inset / 1M tekens	$0.78	$3.83
Uitvoer / 1M tekens	$3.67	$19.12
Konteksvenster	262,144	262,144
Maks uitvoer / versoek	16,384	16,384
Beeldinset	Ja	Ja
Inheemse gereedskaproeping	Ja	Ja
Streng json_schema	Ja	Ja
Ongesensureerd	Ja	Ja
Aktiewe param. / teken	~32B	~104B

Kyk na wat die tabel nie wys nie: daar is geen ry waar K3 'n kenmerk het wat K2.6 kortkom nie. Dieselfde venster, dieselfde maksimum uitvoer, dieselfde visie, dieselfde gereedskaproeping, dieselfde gestruktureerde uitvoer, dieselfde ongesensureerde houding, dieselfde drie dialekte. Die 5x koop presies een ding — rou vermoë per voorwaartse deurgang. Dit is werklik, maar dit is 'n enkele as, en dit doen niks op die asse waar dit nie jou bottelnek is nie.

Die punt oor die konteksvenster spesifiek

Stroomop is K3 se vernaamste kenmerk 'n konteks van 1M tekens teenoor K2.6 se 262K. Op die Shannon-poort word albei modelle teen 262,144 tekens bedien. As lang konteks jou rede was om 5x te betaal, geld daardie rede nie hier nie — jy sou die premie betaal en dieselfde venster kry. Dit is die soort ding wat 'n verskaffer versoek word om ongesê te laat, en daarom staan dit vetgedruk.

Betaal die 5x wanneer

• Een skoot moet slaag. 'n Enkele moeilike deurgang waar 'n hertoets duur of onmoontlik is — 'n onomkeerbare handeling, 'n besluit aan die einde van 'n lang pyplyn. Meer aktiewe parameters per teken is presies wat die plafon op een deurgang lig.
• Die taak is kennisgebonde, nie gereedskapgebonde nie. Diep sintese waar die antwoord uit die gewigte moet kom. K2.6 se profiel is agenties; neem die gereedskap weg en die groter grondslag wys.
• Volume is laag en die insette is hoog. Teen 500 oproepe per maand is 5x $40 in plaas van $8. Koop net die beter model.

Moenie die 5x betaal wanneer

• Jy 'n lus loop. Lang agentiese lopies word deur meganiese stappe oorheers — lees 'n lêer, roep 'n gereedskapstuk, kontroleer 'n resultaat, kies die volgende — wat presies is waarvoor K2.6 afgerig is. By 200 stappe is die 5x $7.71 teenoor $38.29 per lopie.
• Jy beelde in volume verwerk. Visiewerkladings is swaar op insettekens en die redenering per item is vlak. Sien afdeling 05; dit is nie naby nie.
• Die werk onttrekking, klassifikasie of transformasie is. Om velde uit dokumente te trek, kaartjies te routeer, rekords te normaliseer, op te som — begrensde take waar 'n groter model dieselfde JSON produseer.
• Jy 'n verifikasiestap het. As die uitvoer nagegaan word — 'n toetsstel, 'n skemavalideerder, 'n tweede deurgang, 'n mens — is af-en-toe missers goedkoop en die ekonomie begunstig volume beslissend. Dit is die mees onderskatte argument vir die waardevlak.

'n Patroon wat die moeite werd is om te benoem: loop K2.6 vir die lus en K3 vir die uitspraak. Laat die goedkoop agentiese model die honderd stappe van insameling, roeping en opstel doen, en bestee dan een duur oproep aan die finale sintese. Albei modelle praat dieselfde API met dieselfde konteksvenster, so oorskakeling is 'n verandering van een reël aan die model-veld.

05Visie teen 'n werkbare prys

Visie is K2.6 se skerpste kant in hierdie katalogus. Van die twaalf ongesensureerde modelle op die poort aanvaar slegs vier hoegenaamd beelde, en K2.6 is die enigste een wat beeldinset met die Kimi-agentiese afstamming paar onder 'n dollar per miljoen insettekens.

Visiewerkladings het 'n ongewone kostevorm. Volgens Moonshot se gepubliseerde beskrywing van MoonViT enkodeer 'n beeld van 1024x1024 na ongeveer 576 beeldtekens — en dit is insettekens, die goedkoop kant van die grootboek. 'n Tipiese visietaak land byna heeltemal op die $0.78-tarief eerder as op die $3.67-een. Neem 10,000 beelde, elk met sowat 200 tekens opdrag (dus sowat 776 insettekens) en sowat 150 tekens gestruktureerde uitvoer:

Werklading	Kimi-K2.6	Kimi-K3	Veelvoud
Een agentstap (40K in / 2K uit)	$0.0385	$0.1914	5.0x
Outonome lopie van 200 stappe	$7.71	$38.29	5.0x
10,000 beelde, gestruktureerde uitvoer	$11.56	$58.40	5.1x
Bondeltaak (1M in / 200K uit)	$1.51	$7.65	5.1x

Bereken uit Shannon-poort se lyspryse. Die beeldtekenskatting gebruik Moonshot se gepubliseerde MoonViT-syfer van sowat 576 tekens vir 'n beeld van 1024x1024; presiese tekenisering wissel met resolusie en aspekverhouding.

'n Beeldpyplyn van $11.56 is iets wat jy daagliks loop sonder om daaraan te dink. Een van $58.40 is iets wat jy skeduleer, regverdig, en uiteindelik sny. Daardie gaping is die hele argument vir 'n waardevlak.

Een eerlike voorbehoud. Op onafhanklike multimodale en gegronde-taak-ranglyste is K2.6 berig op ongeveer #26 uit 115 modelle, gemiddeld naby 68.1 — respektabel, nie klasleidend nie. Sy visie is werklik sterk op dokumentbegrip, skermskoot- en UI-lesing, en die interpretasie van grafieke of diagramme; dit is swakker by presiese ruimtelike begronding — presiese begrensingskassies, fynkorrelige telling in gerommelde tonele, digte OCR van vervalle skanderings. As jy pixelakkurate lokalisering nodig het, toets eers op jou eie data. As jy 'n model nodig het om na 'n skermskoot te kyk en te besluit wat volgende geklik moet word, is hierdie een presies die regte gereedskap.

06Gereedskaproeping sonder weiering en agentiese lusse

K2.6 ondersteun inheemse gereedskaproeping: die model stuur gestruktureerde gereedskapaanroepe regstreeks uit JSON-skema-gereedskapdefinisies wat jy verskaf, eerder as dat dit oorreed word om ontleedbare teks te produseer. Met meerbeurtgesprek en stelselopdragte is dit die volle substraat vir 'n agentlus.

Wat "gereedskaproeping sonder weiering" byvoeg, is subtieler as wat dit klink. Op 'n gefiltreerde API verskyn weierings binne 'n agentlus in drie afsonderlike mislukkingswyses:

• Harde weiering — die stap gee prosa terug in plaas van 'n gereedskaproep, die ontleder misluk, die lus breek. Ten minste luidrugtig.
• Sagte weiering — die oproep word gemaak maar die argumente word teruggehou: 'n vernoude navraag, 'n omhaagde parameter, 'n afgekapte vrag. Die lus gaan voort met stilweg afgetakelde toestand en jy kom vier stappe later agter.
• Voorkomende ontwyking — die plan stuur weg van 'n wettige tak voordat dit naby kom. Jy sien hierdie een nooit nie; jy kry net 'n swakker plan en geen verduideliking nie.

Die tweede en derde is die duures, want hulle is onsigbaar: geen fout, niks in die logs, niks om voor te grep nie. 'n Eindpunt sonder weieringslaag verwyder die hele klas — die model se gereedskaproepargumente is die model se gereedskaproepargumente.

Dit maak die meeste saak in die domeine wat lang outonome lopies nodig het en in elk geval aan sensitiewe materiaal raak: sekuriteitsnavorsing en rooispanwerk, wanware- en voorvalontleding, kliniese dokumentverwerking, regsontdekking, en modereringsgereedskap wat oor die inhoud moet redeneer wat dit modereer. Om 'n modereringsklassifiseerder te bou vereis 'n model wat bereid is om te kyk na wat dit klassifiseer; dit is nie 'n paradoks nie, net die werk.

Praktiese notas vir lang lopies: reasoning_effort laat jou toe om meer denke aan beplanningstappe te bestee en minder aan meganiese stappe. Stroming is op al drie dialekte beskikbaar, sodat 'n lang stap vordering kan wys of vroeg afgebreek kan word. En 262,144 tekens konteks hou werklike werktoestand — lêerinhoud, vorige gereedskapresultate, 'n lopende plan — oor baie stappe heen inwonend sonder om elke beurt weer op te som, self 'n algemene bron van agentdryf.

07Gestruktureerde uitvoer en die drie API-dialekte

K2.6 ondersteun beide json_schema (streng skemabeperkte generering) en die losser response_format. Kyk dit teen die katalogus na: twee van die twaalf modelle hier ondersteun nie streng skema-uitvoer nie, en as jou volgende pyplynstadium JSON ontleed, is daardie kolom nie opsioneel nie.

Streng skema-uitvoer is wat 'n ongesensureerde model as infrastruktuur bruikbaar maak: as die model 'n objek moet uitstuur wat by jou skema pas, kry jy 'n ontleedwaarborg onafhanklik van wat dit andersins sou gesê het — geen inleiding, geen verskoning, geen paragraaf om jou JSON gedraai nie. Gekombineer met geen weieringslaag, is dit 'n onttrekkingseindpunt wat jou objek op elke oproep teruggee, vir elke dokument, waaroor die dokument ook al gaan.

Oppervlak	Kimi-K2.6-ondersteuning	Notas
/v1/chat/completions	Ja	OpenAI-dialek — insteekbaar vir bestaande SDK's
/v1/messages	Ja	Anthropic-dialek — dieselfde model, dieselfde gewigte
/v1/responses	Ja	Responses-styl koppelvlak
Stroming	Ja	Op al drie dialekte
Gereedskaproeping	Ja	Inheems, JSON-skema-gereedskapdefinisies
json_schema	Ja	Streng gestruktureerde uitvoer
response_format	Ja	Losser JSON-modus
reasoning_effort	Ja	Verstel die denkbegroting per oproep
Beeldinset	Ja	Beelde saam met teks

Al drie dialekte spreek dieselfde gewigte op dieselfde tros aan. Wys 'n bestaande OpenAI-kliënt na die basis-URL, stel model op Kimi-K2.6-W4A16-AUTOROUND-REAP, en jy loop. Versoek- en antwoordvorme, stroomsemantiek en 'n lewendige speelplek is in die API-dokumentasie.

08Waar Kimi K2.6 die verkeerde keuse is

'n Modelgids wat net sterkpunte lys, is 'n advertensie. Hier is waar ons jou elders sou stuur.

• Jy het die absolute plafon op 'n enkele moeilike deurgang nodig. Gaan na Kimi-K3 en betaal die 5x. Dit is waarvoor dit is.
• Jy het pixelakkurate visuele begronding nodig. Begrensingskassies, digte OCR op vervalle skanderings en presiese telling in gerommelde tonele is nie sy sterkste grond nie — toets eers op jou data.
• Jy het goedkoper as goedkoop nodig, sonder visie. Verskeie katalogusmodelle sit teen $0.50 / $2.00. K2.6 se premie koop visie en die Kimi-agentiese profiel; as jy nie een van die twee nodig het nie, neem die goedkoper vlak.
• Jy het meer as 16,384 uitvoertekens in een antwoord nodig. Daardie plafon geld oor die hele katalogus — lang dokumente het gestukte generering nodig, watter model jy ook al kies.
• Jy wil bis-presiese stroomop-gedrag hê. Dit is 'n gesnoeide en gekwantiseerde bou: 'n doelbewuste, gepubliseerde afruiling. Loop vir 'n reproduseerbaarheidstudie teen Moonshot se oorspronklike gewigte.

Kimi K2.6- en K3-syfers vir argitektuur, maatstawwe en vrystellingsdatums is deur Moonshot berig en word vir die stroomop-grondslag gewys, nie vir ons gekomprimeerde bou nie. Die multimodale ranglyssyfer kom van 'n onafhanklike derdeparty-ranglys. Shannon-poort se pryse is lyspryse soos op 5 September 2026.

09Gereelde vrae

---

Shannon AI word deur Shannon Lab LLC, New Mexico, VSA, bedryf. Bronne: Moonshot AI — Kimi K2 · REAP the Experts (arXiv 2510.13999) · Cerebras Research — REAP. Stroomop-maatstafsyfers vir Kimi is deur Moonshot berig en voorlopig hangende onafhanklike verifikasie; hulle beskryf die ongekomprimeerde grondslag, nie Shannon se gekwantiseerde bou nie.