আনসেন্সরড Kimi K2 API

বেশিরভাগ “সস্তা মডেল” পাতা আসলে একটি বড় মডেলের পারিবারিক নাম পরা ছোট মডেল নিয়ে। এটি তা নয়। Kimi K2.6 একটি পুরোদস্তুর ফ্রন্টিয়ার-মাপের ভিত্তি — স্পার্স Mixture-of-Experts-এর এক ট্রিলিয়ন প্যারামিটার, একটি নেটিভ ভিশন এনকোডার আর সোজা এজেন্টিক টুল ব্যবহারের দিকে তাক করা একটি প্রশিক্ষণ কর্মসূচি সহ। এটিকে ভ্যালু স্তর করেছে ছোট কোনো মস্তিষ্ক নয়, বরং আরও আক্রমণাত্মক একটি সংকোচন রেসিপি। তাই প্রশ্নটি “এটি কি যথেষ্ট ভালো?” নয়, বরং “কোন কাজগুলি আসলে এটির আর এর 5 গুণ দামি সহোদরের তফাত টের পায়?” এই লেখার বেশিরভাগটাই সেটির উত্তর।

01Kimi K2.6 আসলে কী?

Kimi K2.6 হলো Moonshot AI-এর একটি ওপেন-ওয়েটস মডেল — Kimi সিরিজের পিছনের বেইজিং গবেষণাগার — প্রকাশিত ২০ এপ্রিল ২০২৬। এটি সেই স্থাপত্যই উত্তরাধিকারে পায় যা K2-কে উল্লেখযোগ্য করেছিল: একটি স্পার্স Mixture-of-Experts ট্রান্সফরমার, মোটামুটি 1 ট্রিলিয়ন মোট প্যারামিটার আর প্রতি টোকেনে প্রায় 32 বিলিয়ন সক্রিয়, 61টি স্তর জুড়ে প্রতি স্তরে 384টি এক্সপার্ট, 8টি রাউটেড আর 1টি ভাগ করা হিসেবে সাজানো, সঙ্গে Multi-head Latent Attention। যেকোনো একটি টোকেনে সেই ট্রিলিয়নের সামান্য একটি ফালিই সক্রিয় হয় — আর ঠিক সেই কারণেই এই আকারের একটি মডেলের দাম সেন্টে ধরা যায়।

বংশটি গুরুত্বপূর্ণ, কারণ Moonshot কী অপ্টিমাইজ করেছিল সেটাই আসল। মূল K2 প্রি-ট্রেন হয়েছিল মোটামুটি 15.5 ট্রিলিয়ন টোকেনে, Muon / MuonClip অপ্টিমাইজার দিয়ে, যা বিশেষভাবেই বানানো হয়েছিল একটি ট্রিলিয়ন-প্যারামিটার MoE-কে সেই মাপে প্রশিক্ষণ অস্থিতিশীল করা অ্যাটেনশন বিস্ফোরণ ও লস স্পাইক থেকে বাঁচাতে; Moonshot গোটা রানে শূন্য প্রশিক্ষণ অস্থিতিশীলতার কথা জানিয়েছে। সেটি বাকি সবকিছুর উজানে — সেটিই তাদের প্রশিক্ষণ বাজেট আগুন নেভানোয় নয়, এজেন্টিক আচরণে খরচ করতে দিয়েছে।

K2.6 সেটিকে দুই দিকে বাড়ায়। প্রথমত, এটি নেটিভভাবে মাল্টিমোডাল: ছবি ও ভিডিও ফ্রেম যায় MoonViT-এর ভিতর দিয়ে, ~400M-প্যারামিটারের একটি ভিশন এনকোডার, যা একটি ছবিকে 448x448 প্যাচে টাইল করে আর প্রতিটি টাইলকে সরাসরি ভাষা মডেলের টোকেন পরিসরে প্রক্ষেপ করে — ভিজ্যুয়াল টোকেন বাকি সবকিছুর সঙ্গে একই সিকোয়েন্সে বসে, একটি অন্ধ মডেলকে খাওয়ানো বাইরে থেকে আটকানো ক্যাপশনারে নয়। দ্বিতীয়ত, এটি গভীরতায় সমন্বয়ের জন্য বানানো: Moonshot-এর Agent Swarm কাজ জানায় 300টি পর্যন্ত ডোমেন-বিশেষায়িত উপ-এজেন্ট জুড়ে সমন্বয় আর একটিমাত্র স্বয়ংক্রিয় রানে 4,000 পর্যন্ত সমন্বিত ধাপ।

Moonshot-এর জানানো বেঞ্চমার্ক রূপরেখা

এগুলি অসংকুচিত K2.6 ভিত্তির জন্য Moonshot-এর জানানো সংখ্যা, আমাদের পরিমাপ নয়। আকৃতি বোঝার কাজে লাগে, নির্ভুলতার জন্য নয়:

অঙ্কগুলি নয়, আকৃতিটা পড়ুন। টুল-ব্যবহারকারী ও সার্চ-চালিত স্কোরগুলি উঁচুতে; বিশুদ্ধ-কাঠিন্যের স্কোরগুলি নিচুতে। এটি এমন একটি মডেলের স্বাক্ষর যাকে সবকিছু জানতে নয়, ভালোভাবে কাজ করতে প্রশিক্ষণ দেওয়া হয়েছে — আপনার এজেন্টের যদি একটি ব্রাউজার, একটি শেল আর একটি ফাইল সিস্টেম থাকে তবে এটি সঠিক বিনিময়, আর কোনো টুল ছাড়াই একটিমাত্র কঠিন প্রশ্ন করলে ভুল বিনিময়।

02W4A16-AUTOROUND-REAP মানে কী

মডেল আইডির প্রত্যয়টি সাজসজ্জা নয়। এটি হুবহু সংকোচন রেসিপি, প্রকাশ করা হয়েছে যাতে আপনি কোন বিনিময়টি করছেন তা নিয়ে ভাবতে পারেন।

• W4A16 — ওয়েট 4 বিটে, অ্যাক্টিভেশনের হিসাব 16-এ। bf16-এর তুলনায় ওয়েট মেমরি মোটামুটি 4 গুণ কমে, অথচ যে গাণিতিক কাজ ত্রুটি জমা করে তা 16-বিট নির্ভুলতাতেই থাকে। খুব বড় MoE মডেলের জন্য এটিই প্রমিত উচ্চ-গুণমানের পরিবেশন বিন্দু।
• AUTOROUND — Intel-এর AutoRound কোয়ান্টাইজার। সরল রাউন্ড-টু-নিয়ারেস্ট প্রতিটি ওয়েটকে আলাদা ধরে আর মডেল যে তথ্যের উপর নির্ভর করত তা ফেলে দেয়; AutoRound বদলে ক্যালিব্রেশন ডেটার বিপরীতে রাউন্ডিংয়ের সিদ্ধান্তগুলি শেখে। 4-বিট লক্ষ্যে এটাই সেই মডেল যে এখনও একটি স্কিমা মানে আর যে দিশা হারায় — তাদের মধ্যে তফাত।
• REAP — Router-weighted Expert Activation Pruning, Cerebras Research থেকে (arXiv 2510.13999, ICLR 2026)। একটি MoE-র বেশিরভাগ এক্সপার্টের কাছেই কদাচিৎ রাউট হয়। REAP প্রতিটিকে তার রাউটার গেট মান আর তার অ্যাক্টিভেশন নর্ম — দুটির উপরেই নম্বর দেয়, এরপর এক ধাপেই সবচেয়ে কম গুরুত্বপূর্ণগুলি সরিয়ে দেয়। প্রকাশিত ফল: ট্রিলিয়ন-প্যারামিটার মডেল থেকে 50% পর্যন্ত এক্সপার্ট ছেঁটেও বেসলাইন গুণমান মূলত ধরে রাখা, আর জেনারেটিভ কাজে ছাঁটাই এক্সপার্ট মার্জ করাকে হারানো — মার্জিং বিশেষজ্ঞদের একসঙ্গে ঘুলিয়ে দেয়, ছাঁটাই কেবল অব্যবহৃতগুলি বাদ দেয়।

এই ক্রমেই প্রয়োগ করলে — আগে ছাঁটাই, তারপর যা টেকে তা কোয়ান্টাইজ — এমন একটি মডেল পান যা আঁটে আর দ্রুত চলে, অথচ এই অনুপাতে যেকোনো একটি কৌশল একা যে গুণমান-ধস ঘটাত তা ঘটে না। খরচটি নিয়ে স্পষ্ট করে বলি: একটি সংকুচিত মডেল মূলটির সঙ্গে বিট-অভিন্ন নয়। রেসিপিটি যা কেনে তা হলো — অবনতিটা এমন জায়গায় গিয়ে পড়ে যেখানে আপনার চোখে পড়ার সম্ভাবনা কম — বিরল রাউটিং পথ, কম-সম্ভাবনার টোকেন লেজ — নির্দেশ মানা, টুল-কলের ফরম্যাটিং বা স্কিমা মান্যতায় নয়।

03এই এন্ডপয়েন্টে “আনসেন্সরড” মানে কী

এখানে আনসেন্সরড মনোভাব নয়, স্থাপত্য নিয়ে একটি বক্তব্য। মডেলের সামনে কোনো প্রত্যাখ্যানের স্তর নেই আর তার আউটপুটে কোনো কনটেন্ট ফিল্টারিং নেই। আপনার রিকোয়েস্ট ভিত্তিটিতে পৌঁছায় আর তার উত্তর আপনার কাছে পৌঁছায়; কোনো দিকেই কিছু মাঝপথে আটকায় না।

এই তফাতটা গুরুত্বপূর্ণ, কারণ “আনসেন্সরড” শব্দটি ঢিলেঢালাভাবে ব্যবহৃত হয়। শব্দটির নিচে আলাদা তিনটি জিনিস গুছিয়ে রাখা হয়:

1. ইনপুট শ্রেণিবিন্যাস — একটি আলাদা মডেল আপনার প্রম্পট পড়ে আর ঠিক করে সেটি যেতে দেবে কি না। এখানে নেই।
2. আউটপুট ফিল্টারিং — একটি স্ক্যানার তৈরি হওয়া লেখা পরীক্ষা করে আর তা ছেঁটে দেয় বা বদলে দেয়। এখানে নেই।
3. ভিত্তিটির নিজস্ব প্রবণতা — মূল মডেল প্রশিক্ষণে যা শিখেছে। সেটি মডেলেরই, আর আমরা তা মুছে ফেলেছি বলে দাবি করি না।

প্রথম দুটিই প্রোডাকশন সিস্টেম ভাঙে, আর ওই দুটিই আমরা সরাই। যে ক্লাসিফায়ার 0.5% রিকোয়েস্টে সক্রিয় হয়, সেটি এমন একটি 0.5% ব্যর্থতার হার যা আপনি ডিবাগ করতে পারেন না, আপিল করতে পারেন না, আর আসছে দেখতেও পান না — আর 200-ধাপের একটি এজেন্ট লুপে প্রতি-ধাপে 0.5% ব্যর্থতা জমে এমন একটি রানে পরিণত হয় যা সফল হওয়ার চেয়ে বেশিবার ব্যর্থ হয়। একটি কথোপকথনে প্রত্যাখ্যান বিরক্তিকর; একটি স্বয়ংক্রিয় রানের 147 নম্বর ধাপে প্রত্যাখ্যান রানের গোটা অবস্থা ধ্বংস করে আর সেখানে পৌঁছাতে যা খরচ করেছেন সব পুড়িয়ে দেয়। এজেন্ট কাজের ভারে প্রত্যাখ্যানের পৃষ্ঠটি সরানো একটি নির্ভরযোগ্যতার ধর্ম, রুচির পছন্দ নয়।

এর অনুসিদ্ধান্ত হলো, দায়িত্ব আপনার দিকে সরে আসে। আপনার অ্যাপ্লিকেশন আর আপনার ব্যবহারকারীদের মাঝে কোনো নিরাপত্তা জাল নেই; আপনার পণ্যের যদি সেটি দরকার হয়, তবে সেখানেই বানান যেখানে আপনি সেটি দেখতে, টিউন করতে আর লগ করতে পারেন। অনুগ্রহ করে আগে আমাদের দায়িত্বশীল ব্যবহার নীতি পড়ুন।

04Kimi K2.6 বনাম Kimi K3: 5 গুণ কখন যুক্তিসঙ্গত?

বেশিরভাগ পাঠক এই সিদ্ধান্তটির জন্যই এসেছেন, তাই কোনো রাখঢাক ছাড়াই বলি। Kimi-K3 · 3BIT-REAP হলো বড়, নতুনতর ভিত্তি: ১৬ জুলাই ২০২৬-এ ঘোষিত, ২৭ জুলাই ওপেন ওয়েটস সহ, মোটামুটি 2.8 ট্রিলিয়ন মোট প্যারামিটার আর প্রতি টোকেনে প্রায় 104 বিলিয়ন সক্রিয় — K2.6-এর সক্রিয় কম্পিউটের 3 গুণেরও বেশি। উজানে Moonshot K3-এর দাম K2.6-এর প্রায় 5 গুণ দেখায়, আর আমাদের গেটওয়ের দামও সেই অনুপাতই অনুসরণ করে।

	Kimi-K2.6 · W4A16-AUTOROUND-REAP	Kimi-K3 · 3BIT-REAP
ইনপুট / 1M টোকেন	$0.78	$3.83
আউটপুট / 1M টোকেন	$3.67	$19.12
কনটেক্সট উইন্ডো	262,144	262,144
সর্বোচ্চ আউটপুট / রিকোয়েস্ট	16,384	16,384
ভিশন ইনপুট	হ্যাঁ	হ্যাঁ
নেটিভ টুল কলিং	হ্যাঁ	হ্যাঁ
কড়া json_schema	হ্যাঁ	হ্যাঁ
আনসেন্সরড	হ্যাঁ	হ্যাঁ
সক্রিয় প্যারামিটার / টোকেন	~32B	~104B

টেবিলটি যা দেখায় না সেদিকে তাকান: এমন কোনো সারি নেই যেখানে K3-এর এমন একটি বৈশিষ্ট্য আছে যা K2.6-এর নেই। একই উইন্ডো, একই সর্বোচ্চ আউটপুট, একই ভিশন, একই টুল কলিং, একই কাঠামোবদ্ধ আউটপুট, একই আনসেন্সরড অবস্থান, একই তিনটি উপভাষা। ওই 5 গুণ ঠিক একটি জিনিসই কেনে — প্রতি ফরোয়ার্ড পাসে কাঁচা সক্ষমতা। সেটি বাস্তব, কিন্তু সেটি একটিমাত্র অক্ষ, আর যেসব অক্ষে সেটিই আপনার বাধা নয়, সেখানে এটি কিছুই করে না।

বিশেষ করে কনটেক্সট-উইন্ডোর কথাটি

উজানে K3-এর শিরোনাম বৈশিষ্ট্য হলো K2.6-এর 262K-র বিপরীতে একটি 1M-টোকেন কনটেক্সট। Shannon গেটওয়েতে দুটি মডেলই 262,144 টোকেনে পরিবেশিত হয়। দীর্ঘ কনটেক্সটই যদি 5 গুণ দাম দেওয়ার আপনার কারণ হয়ে থাকে, তবে এখানে সেই কারণটি খাটে না — আপনি প্রিমিয়াম দিতেন আর একই উইন্ডোই পেতেন। এই ধরনের কথা না বলে যাওয়ার প্রলোভন বিক্রেতাদের হয়, আর সেই কারণেই এটি মোটা হরফে।

5 গুণ দিন যখন

• একটিমাত্র শটে কাজ হতেই হবে। একটিমাত্র কঠিন পাস, যেখানে পুনরায় চেষ্টা ব্যয়বহুল বা অসম্ভব — একটি অপরিবর্তনীয় কাজ, একটি দীর্ঘ পাইপলাইনের শেষে একটি সিদ্ধান্ত। প্রতি টোকেনে বেশি সক্রিয় প্যারামিটারই ঠিক সেই জিনিস যা এক পাসের ছাদ উঁচু করে।
• কাজটি জ্ঞান-নির্ভর, টুল-নির্ভর নয়। গভীর সংশ্লেষ, যেখানে উত্তরটি ওয়েট থেকেই বেরোতে হবে। K2.6-এর রূপরেখা এজেন্টিক; টুলগুলি সরিয়ে নিন, বড় ভিত্তিটিই মাথা তোলে।
• আয়তন কম আর ঝুঁকি বেশি। মাসে 500 কলে 5 গুণ মানে $8-এর বদলে $40। ভালো মডেলটাই কিনে ফেলুন।

5 গুণ দেবেন না যখন

• আপনি একটি লুপ চালাচ্ছেন। দীর্ঘ এজেন্টিক রানে প্রাধান্য থাকে যান্ত্রিক ধাপগুলির — একটি ফাইল পড়া, একটি টুল ডাকা, একটি ফল দেখা, পরেরটি বেছে নেওয়া — আর K2.6-কে ঠিক তার জন্যই প্রশিক্ষণ দেওয়া হয়েছে। 200 ধাপে ওই 5 গুণ মানে প্রতি রানে $7.71-এর বদলে $38.29।
• আপনি আয়তনে ছবি প্রক্রিয়া করছেন। ভিশনের কাজের ভার ইনপুট-টোকেন-ভারী আর প্রতি আইটেমে রিজনিং অগভীর। 05 নম্বর অংশ দেখুন; কাছাকাছিও নয়।
• কাজটি নিষ্কাশন, শ্রেণিবিন্যাস বা রূপান্তর। নথি থেকে ফিল্ড বের করা, টিকিট রাউট করা, রেকর্ড স্বাভাবিক করা, সারসংক্ষেপ করা — সীমাবদ্ধ কাজ, যেখানে বড় মডেলও একই JSON তৈরি করে।
• আপনার একটি যাচাই ধাপ আছে। আউটপুট যদি পরীক্ষিত হয় — একটি টেস্ট স্যুট, একটি স্কিমা যাচাইকারী, দ্বিতীয় একটি পাস, একজন মানুষ — তবে মাঝেমধ্যে ফসকে যাওয়া সস্তা আর অর্থনীতি নির্ণায়কভাবে আয়তনের পক্ষে যায়। ভ্যালু স্তরের পক্ষে এটিই সবচেয়ে কম মূল্যায়িত যুক্তি।

নাম দেওয়ার মতো একটি ধরন: লুপের জন্য K2.6 আর রায়ের জন্য K3 চালান। সস্তা এজেন্টিক মডেলটিকে সংগ্রহ, কল করা আর খসড়া করার একশো ধাপ করতে দিন, তারপর চূড়ান্ত সংশ্লেষে একটিমাত্র দামি কল খরচ করুন। দুটি মডেলই একই কনটেক্সট উইন্ডো নিয়ে হুবহু একই API বলে, তাই বদলানো মানে model ক্ষেত্রে এক লাইনের পরিবর্তন।

05কাজের মতো দামে ভিশন

এই তালিকায় ভিশনই K2.6-এর সবচেয়ে ধারালো দিক। গেটওয়ের বারোটি আনসেন্সরড মডেলের মধ্যে মাত্র চারটি আদৌ ছবি নেয়, আর প্রতি মিলিয়ন ইনপুট টোকেনে এক ডলারের নিচে ছবি ইনপুটের সঙ্গে Kimi এজেন্টিক বংশ জোড়া দেওয়া একমাত্র মডেল K2.6।

ভিশনের কাজের ভারের খরচের আকৃতিটি অস্বাভাবিক। MoonViT নিয়ে Moonshot-এর প্রকাশিত বর্ণনা অনুযায়ী, একটি 1024x1024 ছবি এনকোড হয় মোটামুটি 576 ছবি টোকেনে — আর সেগুলি ইনপুট টোকেন, খতিয়ানের সস্তা দিকটি। একটি সাধারণ ভিশন কাজ প্রায় পুরোটাই $3.67-এর নয়, $0.78-এর হারে পড়ে। 10,000টি ছবি নিন, প্রতিটির সঙ্গে ~200 টোকেন প্রম্পট (অর্থাৎ ~776 ইনপুট টোকেন) আর ~150 টোকেন কাঠামোবদ্ধ আউটপুট:

কাজের ভার	Kimi-K2.6	Kimi-K3	গুণিতক
একটি এজেন্ট ধাপ (40K ইন / 2K আউট)	$0.0385	$0.1914	5.0x
200-ধাপের স্বয়ংক্রিয় রান	$7.71	$38.29	5.0x
10,000টি ছবি, কাঠামোবদ্ধ আউটপুট	$11.56	$58.40	5.1x
ব্যাচ কাজ (1M ইন / 200K আউট)	$1.51	$7.65	5.1x

Shannon গেটওয়ের তালিকাভুক্ত দাম থেকে হিসাব করা। ছবি-টোকেনের আন্দাজে একটি 1024x1024 ছবির জন্য Moonshot-এর প্রকাশিত MoonViT সংখ্যা ~576 টোকেন ব্যবহার করা হয়েছে; সঠিক টোকেনাইজেশন রেজোলিউশন ও অনুপাত অনুযায়ী বদলায়।

$11.56-এর একটি ছবি পাইপলাইন এমন জিনিস যা আপনি না ভেবেই রোজ চালান। $58.40-এর একটি এমন জিনিস যা আপনি সময় ঠিক করেন, যুক্তি দেখান, আর শেষমেশ কেটে দেন। ওই ব্যবধানটাই একটি ভ্যালু স্তরের পুরো যুক্তি।

একটি সৎ সতর্কবার্তা। স্বাধীন মাল্টিমোডাল ও গ্রাউন্ডেড-টাস্ক লিডারবোর্ডে K2.6-কে জানানো হয়েছে মোটামুটি 115টি মডেলের মধ্যে #26, গড় প্রায় 68.1 — সম্মানজনক, শ্রেণিতে অগ্রণী নয়। নথি বোঝা, স্ক্রিনশট ও UI পড়া, আর চার্ট বা চিত্র ব্যাখ্যায় এর ভিশন সত্যিই শক্তিশালী; সুনির্দিষ্ট স্থানিক গ্রাউন্ডিংয়ে এটি দুর্বলতর — হুবহু বাউন্ডিং বক্স, এলোমেলো দৃশ্যে সূক্ষ্ম গণনা, নষ্ট হওয়া স্ক্যানের ঘন OCR। পিক্সেল-নির্ভুল অবস্থান নির্ণয় দরকার হলে আগে নিজের ডেটায় বেঞ্চমার্ক করুন। একটি স্ক্রিনশট দেখে পরের ক্লিক কোথায় হবে তা ঠিক করার জন্য মডেল দরকার হলে, এটিই সোজাসুজি সঠিক টুল।

06প্রত্যাখ্যানহীন টুল কলিং আর এজেন্টিক লুপ

K2.6 নেটিভ টুল কলিং সমর্থন করে: মডেলটি আপনার দেওয়া JSON-schema টুল সংজ্ঞা থেকে সরাসরি কাঠামোবদ্ধ টুল আহ্বান নিঃসরণ করে, পার্স করা যায় এমন লেখা তৈরি করাতে তাকে ফুসলাতে হয় না। বহু-টার্ন কথোপকথন আর সিস্টেম প্রম্পটের সঙ্গে মিলিয়ে সেটিই একটি এজেন্ট লুপের পূর্ণ ভিত্তিভূমি।

“প্রত্যাখ্যানহীন টুল কলিং” যা যোগ করে তা শুনতে যতটা, তার চেয়ে সূক্ষ্ম। একটি ফিল্টার করা API-তে একটি এজেন্ট লুপের ভিতরে প্রত্যাখ্যান তিনটি স্বতন্ত্র ব্যর্থতার রূপে দেখা দেয়:

• কঠিন প্রত্যাখ্যান — ধাপটি টুল কলের বদলে গদ্য ফেরত দেয়, পার্সার ব্যর্থ হয়, লুপ ভাঙে। অন্তত জোরে ভাঙে।
• নরম প্রত্যাখ্যান — কলটি হয়, কিন্তু আর্গুমেন্টগুলি কম করে দেওয়া: সংকুচিত একটি কোয়েরি, এড়িয়ে-যাওয়া একটি প্যারামিটার, ছেঁটে দেওয়া একটি পেলোড। লুপ নীরবে অবনমিত অবস্থা নিয়ে চলতে থাকে আর আপনি টের পান চার ধাপ পরে।
• আগাম এড়িয়ে যাওয়া — পরিকল্পনাটি একটি বৈধ শাখার কাছে যাওয়ার আগেই তা থেকে সরে যায়। এটি আপনি কখনও দেখেনই না; আপনি কেবল একটি খারাপতর পরিকল্পনা পান আর কোনো ব্যাখ্যা পান না।

দ্বিতীয় ও তৃতীয়টিই দামি, কারণ ওগুলি অদৃশ্য: কোনো ত্রুটি নেই, লগে কিছু নেই, grep করার মতো কিছু নেই। প্রত্যাখ্যানের স্তরহীন একটি এন্ডপয়েন্ট গোটা শ্রেণিটিই সরিয়ে দেয় — মডেলের টুল-কল আর্গুমেন্ট মডেলেরই টুল-কল আর্গুমেন্ট।

এটি সবচেয়ে বেশি কাজে লাগে সেইসব ক্ষেত্রে যেখানে দীর্ঘ স্বয়ংক্রিয় রান দরকার আর যেগুলি এমনিতেই সংবেদনশীল উপাদান ছোঁয়: নিরাপত্তা গবেষণা ও রেড-টিমিং, ম্যালওয়্যার ও ঘটনা বিশ্লেষণ, ক্লিনিক্যাল নথি প্রক্রিয়াকরণ, আইনি ডিসকভারি, আর এমন মডারেশন টুলিং যাকে সেই কনটেন্ট নিয়েই ভাবতে হয় যা সে মডারেট করে। একটি মডারেশন ক্লাসিফায়ার বানাতে এমন একটি মডেল লাগে যে সে যা শ্রেণিবদ্ধ করছে তা দেখতে রাজি; এটি কোনো স্ববিরোধ নয়, নিছক কাজ।

দীর্ঘ রানের জন্য কাজের নোট: reasoning_effort আপনাকে পরিকল্পনার ধাপে বেশি আর যান্ত্রিক ধাপে কম ভাবনা খরচ করতে দেয়। তিনটি উপভাষাতেই স্ট্রিমিং আছে, তাই একটি দীর্ঘ ধাপ অগ্রগতি দেখাতে পারে বা আগেভাগে থামানো যায়। আর 262,144 টোকেন কনটেক্সট আসল কাজের অবস্থা — ফাইলের বিষয়বস্তু, আগের টুলের ফল, চলতি একটি পরিকল্পনা — প্রতিটি টার্নে নতুন করে সারসংক্ষেপ না করেই বহু ধাপ জুড়ে ধরে রাখে, আর সেই পুনঃসারসংক্ষেপ নিজেই এজেন্ট বিচ্যুতির একটি সাধারণ উৎস।

07কাঠামোবদ্ধ আউটপুট আর তিনটি API উপভাষা

K2.6 json_schema (কড়া স্কিমা-সীমাবদ্ধ জেনারেশন) আর ঢিলেঢালা response_format — দুটিই সমর্থন করে। এটি তালিকার বিপরীতে মিলিয়ে দেখুন: এখানকার বারোটি মডেলের দুটি কড়া স্কিমা আউটপুট সমর্থন করে না, আর আপনার পাইপলাইনের পরের ধাপ যদি JSON পার্স করে, তবে ওই কলামটি ঐচ্ছিক নয়।

কড়া স্কিমা আউটপুটই একটি আনসেন্সরড মডেলকে পরিকাঠামো হিসেবে ব্যবহারযোগ্য করে: মডেলকে যদি আপনার স্কিমার সঙ্গে মেলা একটি অবজেক্ট দিতেই হয়, তবে সে অন্যথায় যা বলত তার নিরপেক্ষে আপনি একটি পার্স নিশ্চয়তা পান — কোনো ভূমিকা নেই, কোনো ক্ষমাপ্রার্থনা নেই, আপনার JSON-এর গায়ে জড়ানো কোনো অনুচ্ছেদ নেই। প্রত্যাখ্যানের স্তরহীনতার সঙ্গে মিলিয়ে সেটি এমন একটি নিষ্কাশন এন্ডপয়েন্ট যা প্রতিটি কলে, প্রতিটি নথির জন্য আপনার অবজেক্টটি ফেরত দেয় — নথিটি যা নিয়েই হোক না কেন।

পৃষ্ঠ	Kimi-K2.6 সমর্থন	নোট
/v1/chat/completions	হ্যাঁ	OpenAI উপভাষা — বিদ্যমান SDK-তে সরাসরি বসে যায়
/v1/messages	হ্যাঁ	Anthropic উপভাষা — একই মডেল, একই ওয়েট
/v1/responses	হ্যাঁ	Responses-ধাঁচের ইন্টারফেস
স্ট্রিমিং	হ্যাঁ	তিনটি উপভাষাতেই
টুল কলিং	হ্যাঁ	নেটিভ, JSON-schema টুল সংজ্ঞা
json_schema	হ্যাঁ	কড়া কাঠামোবদ্ধ আউটপুট
response_format	হ্যাঁ	ঢিলেঢালা JSON মোড
reasoning_effort	হ্যাঁ	প্রতি কলে ভাবনার বাজেট টিউন করুন
ভিশন ইনপুট	হ্যাঁ	টেক্সটের পাশাপাশি ছবি

তিনটি উপভাষাই একই ক্লাস্টারে একই ওয়েটকেই ডাকে। বিদ্যমান একটি OpenAI ক্লায়েন্টকে বেস URL-এর দিকে তাক করান, model-কে Kimi-K2.6-W4A16-AUTOROUND-REAP করুন, আর আপনি চলছেন। রিকোয়েস্ট ও রেসপন্সের আকার, স্ট্রিমিংয়ের শব্দার্থ আর একটি সরাসরি প্লেগ্রাউন্ড রয়েছে API ডকুমেন্টেশনে।

08Kimi K2.6 কোথায় ভুল পছন্দ

যে মডেল নির্দেশিকা কেবল শক্তির তালিকা দেয়, সেটি একটি বিজ্ঞাপন। এখানে বলছি কোথায় আমরা আপনাকে অন্য কোথাও পাঠাব।

• একটিমাত্র কঠিন পাসে আপনার চূড়ান্ত ছাদ দরকার। Kimi-K3-তে যান আর 5 গুণ দিন। সেটি তার জন্যই।
• আপনার পিক্সেল-নির্ভুল ভিজ্যুয়াল গ্রাউন্ডিং দরকার। বাউন্ডিং বক্স, নষ্ট হওয়া স্ক্যানে ঘন OCR আর এলোমেলো দৃশ্যে হুবহু গণনা এর সবচেয়ে শক্ত জমি নয় — আগে নিজের ডেটায় পরীক্ষা করুন।
• আপনার সস্তার চেয়েও সস্তা দরকার, ভিশন ছাড়া। তালিকার কয়েকটি মডেল $0.50 / $2.00-এ বসে। K2.6-এর প্রিমিয়াম ভিশন আর Kimi এজেন্টিক রূপরেখা কেনে; দুটির একটিও দরকার না হলে সস্তা স্তরটাই নিন।
• একটি উত্তরে আপনার 16,384-এর বেশি আউটপুট টোকেন দরকার। ওই ছাদ গোটা তালিকা জুড়েই খাটে — যে মডেলই বাছুন, দীর্ঘ নথির জন্য ভাগ করে জেনারেশন করতে হবে।
• আপনি বিট-হুবহু উজানের আচরণ চান। এটি একটি ছাঁটা ও কোয়ান্টাইজ করা বিল্ড: একটি ইচ্ছাকৃত, প্রকাশিত বিনিময়। পুনরুৎপাদনযোগ্যতার গবেষণার জন্য Moonshot-এর মূল ওয়েটের বিপরীতে চালান।

Kimi K2.6 ও K3-এর স্থাপত্য, বেঞ্চমার্ক আর প্রকাশের তারিখের সংখ্যাগুলি Moonshot-এর জানানো আর উজানের ভিত্তির জন্য দেখানো, আমাদের সংকুচিত বিল্ডের জন্য নয়। মাল্টিমোডাল র‍্যাঙ্কিংয়ের সংখ্যাটি একটি স্বাধীন তৃতীয়-পক্ষ লিডারবোর্ড থেকে। Shannon গেটওয়ের দাম ৫ সেপ্টেম্বর ২০২৬ অনুযায়ী তালিকাভুক্ত দাম।

09প্রায়শই জিজ্ঞাসিত প্রশ্ন

---

Shannon AI পরিচালনা করে Shannon Lab LLC, নিউ মেক্সিকো, USA। উৎস: Moonshot AI — Kimi K2 · REAP the Experts (arXiv 2510.13999) · Cerebras Research — REAP। উজানের Kimi বেঞ্চমার্ক সংখ্যাগুলি Moonshot-এর জানানো আর স্বাধীন যাচাইয়ের অপেক্ষায় অস্থায়ী; এগুলি অসংকুচিত ভিত্তিটির বর্ণনা দেয়, Shannon-এর কোয়ান্টাইজ করা বিল্ডের নয়।