API de Kimi K2 sense censura
Visió, crides a eines natives i una finestra de 262K sobre la base agèntica d'un bilió de paràmetres de Moonshot — sense censura, a 0,78 $ d'entrada / 3,67 $ de sortida per milió de tokens.
TL;DR
Kimi-K2.6 · W4A16-AUTOROUND-REAP és la gamma de valor de la família Kimi a la passarel·la de Shannon. És la MoE agèntica d'un bilió de paràmetres de Moonshot AI — el model construït per a bucles llargs d'ús d'eines — servida sense censura amb entrada d'imatge, crides a eines natives, sortida estricta amb esquema JSON i un context de 262.144 tokens, a 0,78 $ / 3,67 $ per milió de tokens. El seu germà Kimi-K3 costa aproximadament 5 vegades més. La secció 04 és un relat honest de quan aquest 5× et compra alguna cosa i quan no et compra res.
La majoria de pàgines de «model barat» van en realitat d'un model petit que porta el cognom d'un model gran. Aquesta no. Kimi K2.6 és una base completa a escala de frontera — un bilió de paràmetres de Mixture-of-Experts dispersa, amb un codificador de visió natiu i un programa d'entrenament apuntat de ple a l'ús agèntic d'eines. El que la converteix en la gamma de valor no és un cervell més petit sinó una recepta de compressió més agressiva. Així que la pregunta no és «és prou bo?» sinó «quines feines noten realment la diferència entre aquest i el seu germà cinc vegades més car?». La major part d'aquest article respon això.
01Què és Kimi K2.6, realment?
Kimi K2.6 és un model de pesos oberts de Moonshot AI, el laboratori de Pequín que hi ha darrere de la sèrie Kimi, publicat el 20 d'abril de 2026. Hereta l'arquitectura que va fer notable la K2: un transformer Mixture-of-Experts dispers amb aproximadament 1 bilió de paràmetres totals i uns 32 mil milions d'actius per token, organitzat com a 384 experts, 8 d'encaminats més 1 de compartit per capa al llarg de 61 capes, amb Multi-head Latent Attention. Només una petita porció d'aquest bilió s'activa en un token qualsevol — que és exactament per què un model d'aquesta mida pot tenir un preu en cèntims.
El llinatge importa pel que Moonshot va optimitzar. La K2 original es va preentrenar amb uns 15,5 bilions de tokens fent servir l'optimitzador Muon / MuonClip, construït específicament per evitar que una MoE d'un bilió de paràmetres patís les explosions d'atenció i els pics de pèrdua que desestabilitzen l'entrenament a aquesta escala; Moonshot va reportar zero inestabilitats d'entrenament al llarg de tota l'execució. Això és aigües amunt de tota la resta — els va permetre gastar el pressupost d'entrenament en comportament agèntic en lloc d'apagar focs.
La K2.6 ho estén en dues direccions. Primer, és nativament multimodal: les imatges i els fotogrames de vídeo passen per MoonViT, un codificador de visió d'uns 400M de paràmetres que enrajola una imatge en fragments de 448x448 i projecta cada rajola directament a l'espai de tokens del model de llenguatge — els tokens visuals seuen a la mateixa seqüència que tota la resta, no en un generador de llegendes cargolat que alimenta un model cec. Segon, està construïda per a l'orquestració en profunditat: el treball d'Agent Swarm de Moonshot reporta coordinació de fins a 300 subagents especialitzats per domini i fins a 4.000 passos coordinats en una sola execució autònoma.
El perfil de benchmarks reportat per Moonshot
Aquestes són xifres reportades per Moonshot per a la base K2.6 sense comprimir, no les nostres mesures. Útils per a la forma, no per a la precisió:
Llegeix la forma, no els dígits. Les puntuacions d'ús d'eines i de cerca queden altes; les de dificultat pura queden més baixes. Aquesta és la signatura d'un model entrenat per actuar bé més que no pas per saber-ho tot — el compromís correcte si el teu agent té un navegador, un intèrpret d'ordres i un sistema de fitxers, i l'equivocat si fas una sola pregunta difícil sense cap eina connectada.
02Què vol dir W4A16-AUTOROUND-REAP
El sufix de l'id del model no és decoració. És la recepta exacta de compressió, publicada perquè puguis raonar sobre el compromís que estàs fent.
- W4A16 — pesos a 4 bits, activacions calculades a 16. La memòria de pesos baixa aproximadament 4× respecte de bf16 mentre que l'aritmètica que acumula error es manté a precisió de 16 bits. Aquest és el punt de servei estàndard d'alta qualitat per a models MoE molt grans.
- AUTOROUND — el quantitzador AutoRound d'Intel. L'arrodoniment ingenu al més proper tracta cada pes de manera independent i descarta informació de la qual el model depenia; AutoRound, en canvi, aprèn les decisions d'arrodoniment contra dades de calibratge. Amb un objectiu de 4 bits, aquesta és la diferència entre un model que encara segueix un esquema i un que deriva.
- REAP — Router-weighted Expert Activation Pruning, de Cerebras Research (arXiv 2510.13999, ICLR 2026). La majoria d'experts d'una MoE reben encaminament poques vegades. REAP puntua cadascun tant pels valors de la porta del router com per les normes d'activació, i després elimina els menys rellevants d'una sola passada. El resultat publicat: fins a un 50% dels experts podats de models d'un bilió de paràmetres mantenint en bona mesura la qualitat de referència, i la poda superant la fusió d'experts en tasques generatives — fusionar difumina els especialistes, podar simplement descarta els que no es fan servir.
Aplicat en aquest ordre — podar primer, quantitzar el que queda — obtens un model que hi cap i que va ràpid sense el col·lapse de qualitat que qualsevol de les dues tècniques provocaria per si sola en aquestes proporcions. Per ser clars sobre el cost: un model comprimit no és idèntic bit a bit a l'original. El que compra la recepta és que la degradació caigui allà on és poc probable que la notis — camins d'encaminament rars, cues de tokens de baixa probabilitat — i no en el seguiment d'instruccions, el format de les crides a eines o l'adhesió a l'esquema.
03Què vol dir «sense censura» en aquest extrem
Sense censura és aquí una afirmació sobre l'arquitectura, no sobre l'actitud. No hi ha cap capa de refús davant del model ni cap filtratge de contingut a la seva sortida. La teva petició arriba a la base i la seva resposta t'arriba a tu; res no intercepta cap de les dues direccions.
Aquesta distinció importa, perquè «sense censura» es fa servir amb lleugeresa. Sota la paraula s'hi apleguen tres coses diferents:
- Classificació de l'entrada — un model separat llegeix el teu prompt i decideix si el deixa passar. Aquí no hi és.
- Filtratge de la sortida — un escàner inspecciona el text generat i el trunca o el substitueix. Aquí no hi és.
- Les disposicions pròpies de la base — allò que el model base va aprendre durant l'entrenament. Això és seu, i no pretenem haver-ho esborrat.
Les dues primeres són les que trenquen els sistemes de producció, i són les dues que treiem. Un classificador que s'activa amb el 0,5% de les peticions és una taxa de fallada del 0,5% que no pots depurar, ni recórrer, ni veure venir — i al llarg d'un bucle d'agent de 200 passos, una fallada del 0,5% per pas es compon fins a donar una execució que falla més sovint del que no reïx. Un refús en una conversa és una molèstia; un refús al pas 147 d'una execució autònoma destrueix l'estat de l'execució i crema tot el que hi has gastat per arribar-hi. Per a càrregues de treball d'agent, treure la superfície de refús és una propietat de fiabilitat, no una preferència estilística.
El corol·lari és que la responsabilitat es desplaça cap a tu. No hi ha cap xarxa de seguretat entre la teva aplicació i els teus usuaris; si el teu producte en necessita una, construeix-la on la puguis veure, ajustar i registrar. Llegeix abans la nostra política d'ús responsable.
04Kimi K2.6 contra Kimi K3: quan valen la pena 5 vegades més?
Aquesta és la decisió per la qual ha vingut la majoria de lectors, així que aquí va sense embuts. Kimi-K3 · 3BIT-REAP és la base més gran i més nova: anunciada el 16 de juliol de 2026 amb pesos oberts el 27 de juliol, amb aproximadament 2,8 bilions de paràmetres totals i uns 104 mil milions d'actius per token — més de 3 vegades el còmput actiu de la K2.6. Aigües amunt, Moonshot llista la K3 a uns 5 vegades el preu de la K2.6, i els preus de la nostra passarel·la segueixen aquesta proporció.
| Kimi-K2.6 · W4A16-AUTOROUND-REAP | Kimi-K3 · 3BIT-REAP | |
|---|---|---|
| Entrada / 1M de tokens | $0.78 | $3.83 |
| Sortida / 1M de tokens | $3.67 | $19.12 |
| Finestra de context | 262.144 | 262.144 |
| Sortida màxima / petició | 16.384 | 16.384 |
| Entrada d'imatge | Sí | Sí |
| Crides a eines natives | Sí | Sí |
| json_schema estricte | Sí | Sí |
| Sense censura | Sí | Sí |
| Paràmetres actius / token | ~32B | ~104B |
Fixa't en què no mostra la taula: no hi ha cap fila on la K3 tingui una funció que a la K2.6 li falti. Mateixa finestra, mateixa sortida màxima, mateixa visió, mateixes crides a eines, mateixa sortida estructurada, mateixa postura sense censura, mateixos tres dialectes. Aquest 5× compra exactament una cosa — capacitat bruta per passada endavant. Això és real, però és un sol eix, i no fa res en els eixos on no és el teu coll d'ampolla.
El punt de la finestra de context, concretament
Aigües amunt, la funció estrella de la K3 és un context d'1M de tokens contra els 262K de la K2.6. A la passarel·la de Shannon tots dos models se serveixen a 262.144 tokens. Si el context llarg era la teva raó per pagar 5 vegades més, aquesta raó no s'aplica aquí — pagaries la prima i obtindries la mateixa finestra. Això és la mena de cosa que un proveïdor té la temptació de deixar sense dir, i per això va en negreta.
Paga el 5× quan
- Una sola oportunitat ha d'encertar. Una sola passada difícil on reintentar és car o impossible — una acció irreversible, una decisió al final d'una canonada llarga. Més paràmetres actius per token és exactament el que puja el sostre d'una sola passada.
- La tasca està lligada al coneixement, no a les eines. Síntesi profunda on la resposta ha de sortir dels pesos. El perfil de la K2.6 és agèntic; treu-li les eines i la base més gran es nota.
- El volum és baix i el que hi ha en joc és alt. Amb 500 crides al mes, 5 vegades més són 40 $ en lloc de 8 $. Compra directament el model millor.
No paguis el 5× quan
- Estàs executant un bucle. Les execucions agèntiques llargues estan dominades per passos mecànics — llegir un fitxer, cridar una eina, comprovar un resultat, triar el següent — que és exactament allò per a què es va entrenar la K2.6. A 200 passos, el 5× són 7,71 $ contra 38,29 $ per execució.
- Estàs processant imatges en volum. Les càrregues de treball de visió són pesades en tokens d'entrada i el raonament per element és superficial. Consulta la secció 05; no és ni de bon tros igualat.
- La feina és extracció, classificació o transformació. Treure camps de documents, encaminar tiquets, normalitzar registres, resumir — tasques acotades on un model més gran produeix el mateix JSON.
- Tens un pas de verificació. Si la sortida es comprova — una bateria de proves, un validador d'esquema, una segona passada, una persona — les errades ocasionals surten barates i l'economia afavoreix el volum de manera decisiva. Aquest és l'argument més infravalorat a favor de la gamma de valor.
Un patró que val la pena anomenar: fes servir la K2.6 per al bucle i la K3 per al veredicte. Deixa que el model agèntic barat faci els cent passos de recopilar, cridar i esbossar, i després gasta una sola crida cara en la síntesi final. Tots dos models parlen la mateixa API amb la mateixa finestra de context, així que canviar és una modificació d'una línia al camp model.
05Visió a un preu treballador
La visió és l'aresta més afilada de la K2.6 en aquest catàleg. Dels dotze models sense censura de la passarel·la, només quatre accepten imatges, i la K2.6 és l'única que combina l'entrada d'imatge amb el llinatge agèntic de Kimi per sota d'un dòlar per milió de tokens d'entrada.
Les càrregues de treball de visió tenen una forma de cost inusual. Segons la descripció publicada de MoonViT per Moonshot, una imatge de 1024x1024 es codifica en aproximadament 576 tokens d'imatge — i són tokens d'entrada, el costat barat del compte. Una feina de visió típica cau gairebé del tot a la tarifa de 0,78 $ i no a la de 3,67 $. Pren 10.000 imatges, cadascuna amb ~200 tokens de prompt (o sigui ~776 tokens d'entrada) i ~150 tokens de sortida estructurada:
| Càrrega de treball | Kimi-K2.6 | Kimi-K3 | Múltiple |
|---|---|---|---|
| Un pas d'agent (40K entrada / 2K sortida) | $0.0385 | $0.1914 | 5.0x |
| Execució autònoma de 200 passos | $7.71 | $38.29 | 5.0x |
| 10.000 imatges, sortida estructurada | $11.56 | $58.40 | 5.1x |
| Feina per lots (1M entrada / 200K sortida) | $1.51 | $7.65 | 5.1x |
Calculat a partir dels preus de tarifa de la passarel·la de Shannon. L'estimació de tokens d'imatge fa servir la xifra publicada de MoonViT per Moonshot d'uns 576 tokens per a una imatge de 1024x1024; la tokenització exacta varia amb la resolució i la relació d'aspecte.
Una canonada d'imatges d'11,56 $ és una cosa que executes cada dia sense pensar-hi. Una de 58,40 $ és una cosa que planifiques, justifiques i acabes tallant. Aquesta diferència és tot l'argument a favor d'una gamma de valor.
Una advertència honesta. En classificacions independents de tasques multimodals i de fonamentació, la K2.6 ha estat reportada al voltant del lloc 26 de 115 models, amb una mitjana propera a 68,1 — respectable, no capdavantera de categoria. La seva visió és genuïnament forta en comprensió de documents, lectura de captures de pantalla i d'interfícies, i interpretació de gràfics o diagrames; és més fluixa en la fonamentació espacial precisa — caixes delimitadores exactes, recomptes de gra fi en escenes carregades, OCR dens d'escanejos degradats. Si necessites una localització precisa a nivell de píxel, fes primer proves amb les teves pròpies dades. Si necessites un model que miri una captura de pantalla i decideixi què clicar a continuació, aquesta és clarament l'eina correcta.
06Crides a eines sense refusos i bucles agèntics
La K2.6 admet crides a eines natives: el model emet invocacions d'eines estructurades directament a partir de les definicions d'eines amb esquema JSON que li dones, en lloc de ser induït a produir text analitzable. Amb conversa de diversos torns i prompts de sistema, aquest és el substrat complet per a un bucle d'agent.
El que hi afegeixen les «crides a eines sense refusos» és més subtil del que sembla. En una API filtrada, els refusos dins d'un bucle d'agent apareixen en tres modes de fallada diferents:
- Refús dur — el pas retorna prosa en lloc d'una crida a eina, l'analitzador falla, el bucle es trenca. Sorollós, si més no.
- Refús tou — la crida es fa però els arguments van a mitges: una consulta escurçada, un paràmetre amb reserves, una càrrega útil truncada. El bucle continua amb un estat degradat en silenci i te n'assabentes quatre passos més tard.
- Evitació preventiva — el pla s'aparta d'una branca legítima abans d'acostar-s'hi. Aquesta no la veus mai; simplement obtens un pla pitjor i cap explicació.
La segona i la tercera són les cares, perquè són invisibles: cap error, res als registres, res per a què fer grep. Un extrem sense capa de refús elimina tota la classe — els arguments de crida a eina del model són els arguments de crida a eina del model.
Això importa sobretot en els dominis que necessiten execucions autònomes llargues i que de totes maneres toquen material sensible: recerca de seguretat i red teaming, anàlisi de programari maliciós i d'incidents, processament de documents clínics, descoberta legal i eines de moderació que han de raonar sobre el contingut que moderen. Construir un classificador de moderació requereix un model disposat a mirar allò que classifica; això no és cap paradoxa, és simplement la feina.
Notes pràctiques per a execucions llargues: reasoning_effort et permet gastar més pensament en els passos de planificació i menys en els mecànics. El streaming està disponible als tres dialectes, de manera que un pas llarg pot mostrar progrés o ser avortat aviat. I 262.144 tokens de context mantenen residents al llarg de molts passos l'estat de treball real — continguts de fitxers, resultats d'eines anteriors, un pla en curs — sense haver de resumir a cada torn, que és per si sol una font habitual de deriva de l'agent.
07Sortida estructurada i els tres dialectes d'API
La K2.6 admet tant json_schema (generació estrictament restringida per esquema) com el més laxe response_format. Contrasta-ho amb el catàleg: dos dels dotze models d'aquí no admeten sortida estricta per esquema, i si la següent etapa de la teva canonada analitza JSON, aquesta columna no és opcional.
La sortida estricta per esquema és el que fa que un model sense censura sigui utilitzable com a infraestructura: si el model ha d'emetre un objecte que encaixi amb el teu esquema, obtens una garantia d'anàlisi independent del que hauria dit altrament — sense preàmbul, sense disculpa, sense cap paràgraf embolcallant el teu JSON. Combinat amb l'absència de capa de refús, això és un extrem d'extracció que retorna el teu objecte a cada crida, per a cada document, tracti del que tracti el document.
| Superfície | Compatibilitat de Kimi-K2.6 | Notes |
|---|---|---|
| /v1/chat/completions | Sí | Dialecte d'OpenAI — substitució directa per als SDK existents |
| /v1/messages | Sí | Dialecte d'Anthropic — mateix model, mateixos pesos |
| /v1/responses | Sí | Interfície a l'estil Responses |
| Streaming | Sí | Als tres dialectes |
| Crides a eines | Sí | Natives, definicions d'eines amb esquema JSON |
| json_schema | Sí | Sortida estructurada estricta |
| response_format | Sí | Mode JSON més laxe |
| reasoning_effort | Sí | Ajusta el pressupost de pensament per crida |
| Entrada d'imatge | Sí | Imatges al costat del text |
Els tres dialectes s'adrecen als mateixos pesos al mateix clúster. Apunta un client d'OpenAI existent a l'URL base, posa model a Kimi-K2.6-W4A16-AUTOROUND-REAP i ja estàs executant. Les formes de petició i resposta, la semàntica del streaming i un banc de proves en viu són a la documentació de l'API.
08On Kimi K2.6 és la tria equivocada
Una guia de model que només llista virtuts és un anunci. Vet aquí on t'enviaríem a una altra banda.
- Necessites el sostre absolut en una sola passada difícil. Vés a Kimi-K3 i paga el 5×. Per això hi és.
- Necessites fonamentació visual exacta a nivell de píxel. Les caixes delimitadores, l'OCR dens sobre escanejos degradats i els recomptes exactes en escenes carregades no són el seu terreny més fort — prova-ho abans amb les teves dades.
- Necessites més barat que barat, sense visió. Diversos models del catàleg estan a 0,50 $ / 2,00 $. La prima de la K2.6 compra visió i el perfil agèntic de Kimi; si no necessites cap de les dues coses, agafa la gamma més barata.
- Necessites més de 16.384 tokens de sortida en una sola resposta. Aquest sostre s'aplica a tot el catàleg — els documents llargs necessiten generació per trossos triïs el model que triïs.
- Vols el comportament aigües amunt exacte bit a bit. Aquesta és una compilació podada i quantitzada: un compromís deliberat i publicat. Per a un estudi de reproductibilitat, executa'l contra els pesos originals de Moonshot.
Totes les xifres aigües amunt d'aquí són publicades per Moonshot AI o per investigadors independents. Les nostres pròpies xifres — preu, context, sortida màxima, indicadors de capacitat — surten directament de l'extrem /v1/models en viu que pots consultar tu mateix. Comprova les dues coses.
Les xifres d'arquitectura, de benchmarks i de dates de publicació de Kimi K2.6 i K3 són reportades per Moonshot i es mostren per a la base aigües amunt, no per a la nostra compilació comprimida. La xifra de classificació multimodal prové d'una classificació independent de tercers. Els preus de la passarel·la de Shannon són preus de tarifa a 5 de setembre de 2026.
09Preguntes freqüents
Hi ha una API de Kimi K2 sense censura?
Sí. Shannon AI serveix Kimi-K2.6 com a extrem sense censura al seu propi clúster de GPU: no hi ha cap capa de refús davant del model ni cap filtratge de contingut aplicat a la seva sortida. Obtens el comportament propi de la base, amb una finestra de context de 262.144 tokens, entrada d'imatge i crides a eines natives.
Quant costa l'API de Kimi K2.6 sense censura?
Kimi-K2.6 val 0,78 $ per milió de tokens d'entrada i 3,67 $ per milió de tokens de sortida. Un pas d'agent típic de 40K d'entrada i 2K de sortida costa uns 3,9 cèntims; una execució autònoma de 200 passos costa aproximadament 7,71 $.
Kimi K2.6 admet visió a Shannon AI?
Sí. Kimi-K2.6 accepta entrada d'imatge al costat del text. És un dels només quatre models amb visió del catàleg de Shannon, i l'únic que combina la visió amb el llinatge agèntic de Kimi per sota d'un dòlar per milió de tokens d'entrada.
Hauria de fer servir Kimi K2.6 o Kimi K3?
Kimi K3 costa unes 5 vegades més (3,83 $/19,12 $ contra 0,78 $/3,67 $) per una base més gran. Tria K3 quan una sola passada de raonament difícil ha d'encertar a la primera i reintentar surt car. Tria K2.6 per al volum: bucles d'agent llargs, canonades d'imatges, extracció i qualsevol cosa que executis milers de vegades, on 5 vegades més és la diferència entre viable i no viable.
L'API de Kimi K2 sense censura admet crides a eines i esquema JSON?
Sí a totes dues coses. Kimi-K2.6 admet crides a eines natives, sortida estructurada estricta json_schema i response_format, als tres dialectes d'API: /v1/chat/completions, /v1/messages i /v1/responses. El streaming i reasoning_effort funcionen als tres.
Executa Kimi-K2.6 sense censura
Visió, crides a eines, 262K de context. 0,78 $ d'entrada / 3,67 $ de sortida per milió de tokens.
Llegeix la documentació de l'API Explora tots els modelsId del model: Kimi-K2.6-W4A16-AUTOROUND-REAP · servit al nostre propi clúster de GPU
Shannon AI està operat per Shannon Lab LLC, Nou Mèxic, EUA. Fonts: Moonshot AI — Kimi K2 · REAP the Experts (arXiv 2510.13999) · Cerebras Research — REAP. Les xifres de benchmarks de Kimi aigües amunt són reportades per Moonshot i provisionals a l'espera de verificació independent; descriuen la base sense comprimir, no la compilació quantitzada de Shannon.