Senzurasız Kimi K2 API

"Ucuz model" səhifələrinin çoxu əslində böyük modelin ailə adını daşıyan kiçik model haqqındadır. Bu, o səhifələrdən deyil. Kimi K2.6 tam cəbhə miqyaslı təməldir — trilyon parametrlik seyrək Mixture-of-Experts, doğma görmə enkoderi və birbaşa agentik alət istifadəsinə tuşlanmış öyrətmə proqramı ilə. Onu dəyər pilləsi edən daha kiçik beyin deyil, daha aqressiv sıxılma reseptidir. Deməli, sual "kifayət qədər yaxşıdırmı?" deyil, "hansı işlər bununla 5 dəfə baha qardaşı arasındakı fərqi həqiqətən hiss edir?" sualıdır. Bu məqalənin çoxu ona cavab verir.

01Kimi K2.6 əslində nədir?

Kimi K2.6 Kimi seriyasının arxasında duran Pekin laboratoriyası Moonshot AI-nin açıq çəkili modelidir və 2026-cı il aprelin 20-də buraxılıb. O, K2-ni diqqətəlayiq edən arxitekturanı miras alır: təxminən 1 trilyon ümumi parametri və token başına təxminən 32 milyard aktivi olan seyrək Mixture-of-Experts transformeri, 61 qat boyunca qat başına 384 ekspert, 8 marşrutlanan plus 1 paylaşılan düzülüşü və Multi-head Latent Attention. Hər hansı tokendə həmin trilyonun yalnız kiçik bir dilimi işə düşür — bu ölçüdə modelin sentlərlə qiymətləndirilə bilməsinin səbəbi məhz budur.

Nəslin əhəmiyyəti Moonshot-un nəyi optimallaşdırdığındadır. İlkin K2 Muon / MuonClip optimallaşdırıcısı ilə təxminən 15.5 trilyon token üzərində ön öyrədilib; həmin optimallaşdırıcı xüsusi olaraq trilyon parametrli MoE-ni bu miqyasda öyrətməni sarsıdan diqqət partlayışlarından və itki sıçrayışlarından qorumaq üçün qurulub; Moonshot bütün qaçış boyu sıfır öyrətmə qeyri-sabitliyi bildirdi. Bu, hər şeyin yuxarı axınıdır — onlara öyrətmə büdcəsini yanğınsöndürməyə deyil, agentik davranışa sərf etməyə imkan verdi.

K2.6 bunu iki istiqamətdə genişləndirir. Birincisi, o, doğma multimodaldır: şəkillər və video kadrları MoonViT-dən keçir — şəkli 448x448 yamaqlara döşəyən və hər yamağı birbaşa dil modelinin token fəzasına proyeksiya edən ~400M parametrli görmə enkoderi — vizual tokenlər kor modeli qidalandıran bənd edilmiş başlıq generatorunda deyil, hər şeylə eyni ardıcıllıqda oturur. İkincisi, o, dərinlikdə orkestrasiya üçün qurulub: Moonshot-un Agent Swarm işi 300-ə qədər sahə üzrə ixtisaslaşmış alt-agent arasında koordinasiya və tək bir avtonom qaçışda 4,000-ə qədər koordinasiyalı addım bildirir.

Moonshot-un bildirdiyi benchmark profili

Bunlar sıxılmamış K2.6 təməli üçün Moonshot tərəfindən bildirilən rəqəmlərdir, bizim ölçmələrimiz deyil. Forma üçün faydalıdır, dəqiqlik üçün yox:

Rəqəmləri deyil, formanı oxuyun. Alət istifadəsi və axtarış yönümlü xallar yuxarıdadır; sırf çətinlik xalları aşağıdadır. Bu, hər şeyi bilməyə deyil, yaxşı hərəkət etməyə öyrədilmiş modelin imzasıdır — agentinizin brauzeri, qabığı və fayl sistemi varsa doğru mübadilə, alət qoşulmadan tək bir çətin sual verirsinizsə səhv mübadilə.

02W4A16-AUTOROUND-REAP nə deməkdir

Model ID-dəki şəkilçi bəzək deyil. Bu, dəqiq sıxılma reseptidir və etdiyiniz mübadilə haqqında mühakimə yürüdə biləsiniz deyə dərc olunub.

• W4A16 — çəkilər 4 bitdə, aktivasiyalar 16 bitdə hesablanır. Çəki yaddaşı bf16-ya nisbətən təxminən 4 dəfə azalır, səhvi yığan arifmetika isə 16-bitlik dəqiqlikdə qalır. Bu, çox böyük MoE modelləri üçün standart yüksək keyfiyyətli verilmə nöqtəsidir.
• AUTOROUND — Intel-in AutoRound kvantlayıcısı. Sadə ən yaxına yuvarlaqlaşdırma hər çəkiyə müstəqil yanaşır və modelin asılı olduğu məlumatı atır; AutoRound isə əvəzində yuvarlaqlaşdırma qərarlarını kalibrləmə verilənlərinə qarşı öyrənir. 4-bitlik hədəfdə bu, sxemə hələ də əməl edən modellə sürüşən model arasındakı fərqdir.
• REAP — Marşrutlayıcı Çəkili Ekspert Aktivasiya Budaması, Cerebras Research-dən (arXiv 2510.13999, ICLR 2026). MoE-dəki ekspertlərin çoxuna nadir hallarda marşrutlama olur. REAP hər birini həm marşrutlayıcı qapı dəyərlərinə, həm də aktivasiya normalarına görə qiymətləndirir, sonra ən az əhəmiyyətliləri bir zərbədə silir. Dərc edilmiş nəticə: trilyon parametrli modellərdən ekspertlərin 50%-ə qədəri budanır və baza keyfiyyəti böyük ölçüdə saxlanılır, üstəlik generativ tapşırıqlarda budama ekspertləri birləşdirməyi üstələyir — birləşdirmə ixtisaslaşmışları bir-birinə qatışdırır, budama isə sadəcə işlədilməyənləri atır.

Bu ardıcıllıqla tətbiq edildikdə — əvvəl buda, sonra qalanı kvantla — sığan və sürətli işləyən, hər iki texnikanın tək başına bu nisbətlərdə yaradacağı keyfiyyət çöküşü olmayan model alırsınız. Xərc barədə açıq danışaq: sıxılmış model orijinalla bitbəbit eyni deyil. Reseptin qazandırdığı odur ki, deqradasiya təlimata əməl etmədə, alət çağırışının formatlanmasında və ya sxemə sadiqlikdə deyil, sizin çətin fərq edəcəyiniz yerlərdə — nadir marşrutlama yollarında, aşağı ehtimallı token quyruqlarında — baş verir.

03Bu uc nöqtədə "senzurasız" nə deməkdir

Buradakı senzurasız münasibət haqqında deyil, arxitektura haqqında ifadədir. Modelin qarşısında imtina qatı yoxdur və çıxışına məzmun filtri tətbiq edilmir. Sorğunuz təmələ çatır, cavabı isə sizə çatır; heç bir istiqamətdə heç nə araya girmir.

Bu fərq vacibdir, çünki "senzurasız" boş-boşuna işlədilir. Söz altında üç ayrı şey yığılıb:

1. Giriş təsnifatı — ayrıca model sorğunuzu oxuyur və onu buraxıb-buraxmamağa qərar verir. Burada yoxdur.
2. Çıxış filtri — skayner yaradılan mətni yoxlayır və onu kəsir və ya əvəzləyir. Burada yoxdur.
3. Təməlin öz meylləri — baza modelinin öyrətmədə öyrəndiyi hər nə varsa. O, modelə aiddir və biz onu silmiş olduğumuzu iddia etmirik.

İstehsalat sistemlərini sındıran birinci ikisidir və biz məhz o ikisini götürürük. Sorğuların 0.5%-ində işə düşən təsnifatçı sizin sazlaya bilmədiyiniz, apellyasiya edə bilmədiyiniz və qabaqcadan görə bilmədiyiniz 0.5% uğursuzluq dərəcəsidir — 200 addımlıq agent dövrəsində isə addım başına 0.5% uğursuzluq elə birləşir ki, qaçış uğur qazandığından daha tez-tez uğursuz olur. Söhbətdə imtina zəhlətökəndir; avtonom qaçışın 147-ci addımında imtina isə qaçışın vəziyyətini məhv edir və ora çatmaq üçün sərf etdiyiniz hər şeyi yandırır. Agent iş yükləri üçün imtina səthini götürmək üslub seçimi yox, etibarlılıq xassəsidir.

Nəticə odur ki, məsuliyyət sizə keçir. Tətbiqinizlə istifadəçiləriniz arasında təhlükəsizlik toru yoxdur; məhsulunuza belə tor lazımdırsa, onu görə, kökləyə və jurnala yaza biləcəyiniz yerdə qurun. Əvvəlcə məsuliyyətli istifadə siyasətimizi oxuyun.

04Kimi K2.6 ilə Kimi K3: 5 dəfə nə vaxt buna dəyər?

Oxucuların çoxu məhz bu qərar üçün gəlib, ona görə heç bir ehtiyatlanma olmadan deyirik. Kimi-K3 · 3BIT-REAP daha böyük və daha yeni təməldir: 2026-cı il iyulun 16-da elan olunub, açıq çəkiləri iyulun 27-də verilib, təxminən 2.8 trilyon ümumi parametr və token başına təxminən 104 milyard aktiv ilə — K2.6-nın aktiv hesablamasından 3 dəfədən çox. Yuxarı axında Moonshot K3-ü K2.6-nın qiymətinin təxminən 5 misli kimi siyahıya salır və bizim gateway qiymətlərimiz həmin nisbəti izləyir.

	Kimi-K2.6 · W4A16-AUTOROUND-REAP	Kimi-K3 · 3BIT-REAP
Giriş / 1M token	$0.78	$3.83
Çıxış / 1M token	$3.67	$19.12
Kontekst pəncərəsi	262,144	262,144
Sorğu başına maksimum çıxış	16,384	16,384
Şəkil girişi	Bəli	Bəli
Doğma alət çağırışı	Bəli	Bəli
Ciddi json_schema	Bəli	Bəli
Senzurasız	Bəli	Bəli
Aktiv parametr / token	~32B	~104B

Cədvəlin nəyi göstərmədiyinə baxın: K3-ün malik olduğu, K2.6-da isə olmayan bir imkanın olduğu heç bir sətir yoxdur. Eyni pəncərə, eyni maksimum çıxış, eyni görmə, eyni alət çağırışı, eyni strukturlaşdırılmış çıxış, eyni senzurasız duruş, eyni üç dialekt. 5 dəfə fərq yalnız bir şey alır — irəli keçid başına xam qabiliyyət. Bu, realdır, amma tək bir oxdur və darboğazınızın olmadığı oxlarda heç nə etmir.

Xüsusilə kontekst pəncərəsi məsələsi

Yuxarı axında K3-ün manşet imkanı K2.6-nın 262K-sına qarşı 1M tokenlik kontekstdir. Shannon gateway-də isə hər iki model 262,144 tokendə verilir. 5 dəfə çox ödəmək səbəbiniz uzun kontekst idisə, o səbəb burada keçərli deyil — əlavəni ödəyər və eyni pəncərəni alardınız. Bu, satıcının deməmək istəyəcəyi şeydir və məhz buna görə qalın şriftlədir.

5 dəfəni bu hallarda ödəyin

• Bir zərbənin tutması lazımdır. Təkrar cəhdin baha və ya mümkünsüz olduğu tək bir çətin keçid — geri qaytarılmayan hərəkət, uzun boru kəmərinin sonundakı qərar. Bir keçiddə tavanı qaldıran məhz token başına daha çox aktiv parametrdir.
• Tapşırıq alətə deyil, biliyə bağlıdır. Cavabın çəkilərdən çıxmalı olduğu dərin sintez. K2.6-nın profili agentikdir; alətləri götürün, daha böyük təməl özünü göstərəcək.
• Həcm azdır, risk yüksəkdir. Ayda 500 çağırışda 5 dəfə fərq $8 əvəzinə $40 deməkdir. Sadəcə daha yaxşı modeli alın.

5 dəfəni bu hallarda ödəməyin

• Dövrə işlədirsiniz. Uzun agentik qaçışlara mexaniki addımlar hakimdir — fayl oxu, alət çağır, nəticəni yoxla, növbətisini seç — və K2.6 məhz bunun üçün öyrədilib. 200 addımda 5 dəfə fərq qaçış başına $38.29-a qarşı $7.71 deməkdir.
• Şəkilləri həcmlə emal edirsiniz. Görmə iş yükləri giriş tokeni ağırlıqlıdır və maddə başına düşünmə dayazdır. 05-ci bölməyə baxın; fərq yaxın deyil.
• İş çıxarma, təsnifat və ya çevirmədir. Sənədlərdən sahə çıxarmaq, müraciətləri yönləndirmək, qeydləri normallaşdırmaq, xülasə etmək — daha böyük modelin eyni JSON-u istehsal etdiyi məhdud tapşırıqlar.
• Yoxlama addımınız var. Çıxış yoxlanılırsa — test dəsti, sxem yoxlayıcısı, ikinci keçid, insan — arabir səhvlər ucuzdur və iqtisadiyyat qəti şəkildə həcmin xeyrinədir. Bu, dəyər pilləsi üçün ən az qiymətləndirilən arqumentdir.

Adlandırmağa dəyən bir naxış: dövrə üçün K2.6, hökm üçün K3 işlədin. Ucuz agentik modelə yüz addımlıq toplama, çağırma və qaralama işini tapşırın, sonra yekun sintezə bir baha çağırış xərcləyin. Hər iki model eyni kontekst pəncərəsi ilə eyni API-də danışır, ona görə keçid model sahəsində bir sətirlik dəyişiklikdir.

05İşlək qiymətə görmə

Bu kataloqda K2.6-nın ən iti tərəfi görmədir. Gateway-dəki on iki senzurasız modeldən yalnız dördü ümumiyyətlə şəkil qəbul edir və K2.6 şəkil girişini Kimi agentik nəsli ilə milyon giriş tokeni üçün bir dollardan aşağı qiymətə birləşdirən yeganəsidir.

Görmə iş yüklərinin xərc forması qeyri-adidir. Moonshot-un MoonViT haqqında dərc etdiyi təsvirə görə 1024x1024 şəkil təxminən 576 şəkil tokeninə kodlanır — və bunlar giriş tokenləridir, mühasibatın ucuz tərəfi. Tipik görmə işi demək olar tamamilə $3.67 tarifinə deyil, $0.78 tarifinə düşür. 10,000 şəkil götürün, hər birində ~200 token sorğu (yəni ~776 giriş tokeni) və ~150 token strukturlaşdırılmış çıxış olsun:

İş yükü	Kimi-K2.6	Kimi-K3	Nisbət
Bir agent addımı (40K giriş / 2K çıxış)	$0.0385	$0.1914	5.0x
200 addımlıq avtonom qaçış	$7.71	$38.29	5.0x
10,000 şəkil, strukturlaşdırılmış çıxış	$11.56	$58.40	5.1x
Paket iş (1M giriş / 200K çıxış)	$1.51	$7.65	5.1x

Shannon gateway siyahı qiymətləri üzrə hesablanıb. Şəkil tokeni təxmini Moonshot-un 1024x1024 şəkil üçün dərc etdiyi ~576 tokenlik MoonViT rəqəmindən istifadə edir; dəqiq tokenləşdirmə həlledicilik və en-boy nisbətindən asılı olaraq dəyişir.

$11.56-lıq şəkil boru kəməri gündəlik, düşünmədən işlətdiyiniz şeydir. $58.40-lıq isə planlaşdırdığınız, əsaslandırdığınız və nəticədə kəsdiyiniz şeydir. Dəyər pilləsinin bütün arqumenti həmin fərqdir.

Bir dürüst qeyd-şərt. Müstəqil multimodal və əsaslandırılmış tapşırıq lider cədvəllərində K2.6 təxminən 115 modeldən 26-cı, orta 68.1-ə yaxın bildirilib — hörmətəlayiq, amma sinif lideri deyil. Onun görməsi sənəd anlama, ekran görüntüsü və interfeys oxuma, qrafik və ya diaqram şərhində həqiqətən güclüdür; dəqiq məkan bağlanmasında isə daha zəifdir — dəqiq sərhəd qutuları, sıx səhnələrdə incə dənəli sayma, korlanmış skanların sıx OCR-i. Piksel dəqiqliyində lokallaşdırma lazımdırsa, əvvəlcə öz verilənləriniz üzərində benchmark aparın. Ekran görüntüsünə baxıb növbəti kliki qərara alacaq model lazımdırsa, bu, tam yerində alətdir.

06İmtinasız alət çağırışı və agentik dövrələr

K2.6 doğma alət çağırışını dəstəkləyir: model təhlil edilə bilən mətn istehsal etməyə razı salınmaq əvəzinə, sizin verdiyiniz JSON sxemli alət təriflərindən birbaşa strukturlaşdırılmış alət çağırışları buraxır. Çoxnövbəli söhbət və sistem sorğuları ilə birlikdə bu, agent dövrəsi üçün tam substratdır.

"İmtinasız alət çağırışı"nın əlavə etdiyi şey səsləndiyindən daha incədir. Filtrli API-də agent dövrəsi daxilindəki imtinalar üç fərqli uğursuzluq rejimində üzə çıxır:

• Sərt imtina — addım alət çağırışı əvəzinə nəsr qaytarır, təhlilçi uğursuz olur, dövrə qırılır. Heç olmasa səs-küylüdür.
• Yumşaq imtina — çağırış edilir, amma arqumentlər gizli şəkildə zəiflədilir: daraldılmış sorğu, ehtiyatlı parametr, kəsilmiş yük. Dövrə səssizcə pisləşmiş vəziyyətlə davam edir və siz bunu dörd addım sonra öyrənirsiniz.
• Qabaqlayıcı qaçınma — plan qanuni bir budağa yaxınlaşmamış ondan yayınır. Bunu heç vaxt görmürsünüz; sadəcə daha pis plan alırsınız və izahat almırsınız.

Baha oturanlar ikinci və üçüncüdür, çünki onlar görünməzdir: xəta yoxdur, jurnallarda heç nə yoxdur, axtaracaq heç nə yoxdur. İmtina qatı olmayan uc nöqtə bütün sinfi aradan qaldırır — modelin alət çağırışı arqumentləri modelin öz alət çağırışı arqumentləridir.

Bu, ən çox uzun avtonom qaçışlar tələb edən və onsuz da həssas materiala toxunan sahələrdə əhəmiyyət daşıyır: təhlükəsizlik tədqiqatı və red-teaming, zərərli proqram və insident təhlili, klinik sənəd emalı, hüquqi kəşfiyyat və moderasiya etdiyi məzmun barədə mühakimə yürütməli olan moderasiya alətləri. Moderasiya təsnifatçısı qurmaq təsnif etdiyi şeyə baxmağa razı olan model tələb edir; bu, paradoks deyil, sadəcə işin özüdür.

Uzun qaçışlar üçün praktik qeydlər: reasoning_effort planlama addımlarına daha çox, mexaniki addımlara daha az düşünmə sərf etməyə imkan verir. Axın hər üç dialektdə mövcuddur, ona görə uzun addım gedişatı göstərə və ya erkən dayandırıla bilər. 262,144 tokenlik kontekst isə real iş vəziyyətini — fayl məzmununu, əvvəlki alət nəticələrini, işlək planı — hər növbədə yenidən xülasə etmədən bir çox addım boyu yaddaşda saxlayır; həmin təkrar xülasə özü də agent sürüşməsinin geniş yayılmış mənbəyidir.

07Strukturlaşdırılmış çıxış və üç API dialekti

K2.6 həm json_schema-nı (sxemlə ciddi məhdudlaşdırılmış generasiya), həm də daha sərbəst response_format-ı dəstəkləyir. Bunu kataloqla tutuşdurun: buradakı on iki modeldən ikisi ciddi sxem çıxışını dəstəkləmir, boru kəmərinizin növbəti mərhələsi isə JSON təhlil edirsə, həmin sütun ixtiyari deyil.

Senzurasız modeli infrastruktur kimi işlək edən məhz ciddi sxem çıxışıdır: model sxeminizə uyğun obyekt buraxmalıdırsa, əks halda deyəcəyindən asılı olmayan təhlil zəmanəti alırsınız — giriş sözü yox, üzrxahlıq yox, JSON-unuza dolanmış abzas yox. İmtina qatının yoxluğu ilə birləşdikdə bu, hər çağırışda, hər sənəd üçün, sənəd nə haqqında olursa olsun obyektinizi qaytaran çıxarma uc nöqtəsidir.

Səth	Kimi-K2.6 dəstəyi	Qeydlər
/v1/chat/completions	Bəli	OpenAI dialekti — mövcud SDK-lar üçün birbaşa əvəz
/v1/messages	Bəli	Anthropic dialekti — eyni model, eyni çəkilər
/v1/responses	Bəli	Responses üslublu interfeys
Axın	Bəli	Hər üç dialektdə
Alət çağırışı	Bəli	Doğma, JSON sxemli alət tərifləri
json_schema	Bəli	Ciddi strukturlaşdırılmış çıxış
response_format	Bəli	Daha sərbəst JSON rejimi
reasoning_effort	Bəli	Çağırış başına düşünmə büdcəsini köklə
Şəkil girişi	Bəli	Mətnlə yanaşı şəkillər

Hər üç dialekt eyni klasterdə eyni çəkilərə müraciət edir. Mövcud OpenAI klientini baza URL-ə yönəldin, model-i Kimi-K2.6-W4A16-AUTOROUND-REAP edin və işləyirsiniz. Sorğu və cavab formaları, axın semantikası və canlı sınaq meydançası API sənədlərindədir.

08Kimi K2.6 harada səhv seçimdir

Yalnız güclü tərəfləri sadalayan model bələdçisi reklamdır. Sizi başqa yerə göndərəcəyimiz hallar budur.

• Tək bir çətin keçiddə mütləq tavan lazımdır. Kimi-K3-ə keçin və 5 dəfəni ödəyin. O, məhz bunun üçündür.
• Piksel dəqiqliyində vizual bağlanma lazımdır. Sərhəd qutuları, korlanmış skanlarda sıx OCR və sıx səhnələrdə dəqiq sayma onun ən güclü sahəsi deyil — əvvəlcə öz verilənlərinizdə test edin.
• Görmə olmadan ucuzdan da ucuz lazımdır. Kataloqda bir neçə model $0.50 / $2.00-dədir. K2.6-nın əlavəsi görməni və Kimi agentik profilini alır; heç biri lazım deyilsə, daha ucuz pilləni götürün.
• Bir cavabda 16,384 çıxış tokenindən çox lazımdır. Həmin tavan bütün kataloqa şamil olunur — hansı modeli seçsəniz də, uzun sənədlər hissə-hissə generasiya tələb edir.
• Yuxarı axınla bitbəbit eyni davranış istəyirsiniz. Bu, budanmış və kvantlanmış quruluşdur: qəsdən edilmiş, dərc olunmuş mübadilə. Təkrarlanabilirlik tədqiqatı üçün Moonshot-un orijinal çəkiləri üzərində işlədin.

Kimi K2.6 və K3 arxitektura, benchmark və buraxılış tarixi rəqəmləri Moonshot tərəfindən bildirilib və bizim sıxılmış quruluşumuz üçün deyil, yuxarı axın təməli üçün göstərilib. Multimodal reytinq rəqəmi müstəqil üçüncü tərəf lider cədvəlindəndir. Shannon gateway qiymətləri 5 sentyabr 2026-cı il tarixinə siyahı qiymətləridir.

09Tez-tez verilən suallar

---

Shannon AI-ni Shannon Lab LLC (Nyu-Meksiko, ABŞ) idarə edir. Mənbələr: Moonshot AI — Kimi K2 · REAP the Experts (arXiv 2510.13999) · Cerebras Research — REAP. Yuxarı axın Kimi benchmark rəqəmləri Moonshot tərəfindən bildirilib və müstəqil yoxlanışa qədər ilkin xarakterlidir; onlar Shannon-un kvantlanmış quruluşunu deyil, sıxılmamış təməli təsvir edir.