Ucensureret Kimi K2-API

De fleste sider om »den billige model« handler i virkeligheden om en lille model iført en stor models familienavn. Denne gør ikke. Kimi K2.6 er en fuld grundmodel i frontlinjeskala — en billion parametre sparsom Mixture-of-Experts, med en indbygget vision-encoder og et træningsprogram rettet direkte mod agentisk værktøjsbrug. Det, der gør den til værdiniveauet, er ikke en mindre hjerne, men en mere aggressiv komprimeringsopskrift. Spørgsmålet er derfor ikke »er den god nok?«, men »hvilke opgaver mærker faktisk forskellen på den og dens 5x dyrere søskende?« Det meste af denne artikel besvarer det.

01Hvad er Kimi K2.6 egentlig?

Kimi K2.6 er en model med åbne vægte fra Moonshot AI, laboratoriet i Beijing bag Kimi-serien, udgivet 20. april 2026. Den arver den arkitektur, der gjorde K2 bemærkelsesværdig: en sparsom Mixture-of-Experts-transformer med cirka 1 billion parametre i alt og omkring 32 milliarder aktive pr. token, organiseret som 384 eksperter, 8 rutede plus 1 delt pr. lag over 61 lag, med Multi-head Latent Attention. Kun en lille skive af den billion fyrer af på en given token — og det er præcis derfor, en model af den størrelse kan prissættes i cent.

Slægten betyder noget på grund af det, Moonshot optimerede efter. Den oprindelige K2 blev fortrænet på cirka 15,5 billioner tokens med Muon / MuonClip-optimeringsalgoritmen, bygget specifikt til at forhindre en MoE med en billion parametre i at lide under de attention-eksplosioner og tabsudsving, der destabiliserer træning i den skala; Moonshot rapporterede nul træningsustabilitet gennem hele kørslen. Det ligger opstrøms for alt andet — det gav dem mulighed for at bruge træningsbudgettet på agentisk adfærd frem for på brandslukning.

K2.6 udvider det i to retninger. For det første er den indbygget multimodal: billeder og videobilleder går gennem MoonViT, en vision-encoder på cirka 400 mio. parametre, som deler et billede op i felter på 448x448 og projicerer hvert felt direkte ind i sprogmodellens tokenrum — visuelle tokens ligger i den samme sekvens som alt andet, ikke i en påhæftet billedtekstgenerator, der fodrer en blind model. For det andet er den bygget til orkestrering i dybden: Moonshots arbejde med Agent Swarm rapporterer koordinering på tværs af op til 300 domænespecialiserede underagenter og helt op til 4.000 koordinerede trin i en enkelt autonom kørsel.

Moonshots rapporterede benchmarkprofil

Det er tal rapporteret af Moonshot for den ukomprimerede K2.6-grundmodel, ikke vores målinger. Nyttige til at se formen, ikke præcisionen:

Læs formen, ikke cifrene. Scorer for værktøjsbrug og søgedrevne opgaver ligger højt; scorer for ren sværhedsgrad ligger lavere. Det er signaturen på en model, der er trænet til at handle godt frem for at vide alt — den rigtige afvejning, hvis din agent har en browser, en shell og et filsystem, og den forkerte, hvis du stiller ét svært spørgsmål uden værktøjer.

02Hvad W4A16-AUTOROUND-REAP betyder

Endelsen på model-id'et er ikke pynt. Det er den nøjagtige komprimeringsopskrift, offentliggjort så du kan ræsonnere om den afvejning, du foretager.

• W4A16 — vægte med 4 bit, aktiveringer beregnet med 16. Vægthukommelsen falder cirka 4x i forhold til bf16, mens den aritmetik, der akkumulerer fejl, forbliver i 16-bit præcision. Det er det gængse serveringspunkt med høj kvalitet for meget store MoE-modeller.
• AUTOROUND — Intels AutoRound-kvantisering. Naiv afrunding til nærmeste behandler hver vægt for sig og smider information væk, som modellen byggede på; AutoRound lærer i stedet afrundingsbeslutningerne op mod kalibreringsdata. Ved et 4-bit-mål er det forskellen på en model, der stadig følger et skema, og en der driver af.
• REAP — Router-weighted Expert Activation Pruning, fra Cerebras Research (arXiv 2510.13999, ICLR 2026). De fleste eksperter i en MoE bliver sjældent rutet til. REAP giver hver enkelt en score på både routerens gate-værdier og dens aktiveringsnormer og fjerner derefter de mindst betydningsfulde i ét skud. Det offentliggjorte resultat: op til 50 % af eksperterne beskåret fra modeller med en billion parametre, mens grundkvaliteten i store træk holdes, og beskæring slår sammenlægning af eksperter på generative opgaver — sammenlægning slører specialister sammen, beskæring dropper bare dem, der ikke bruges.

Anvendt i den rækkefølge — beskær først, kvantisér det, der er tilbage — får du en model, der passer og kører hurtigt uden det kvalitetssammenbrud, hver af teknikkerne alene ville forårsage ved de forhold. For at være kontant om prisen: en komprimeret model er ikke bit-identisk med originalen. Det, opskriften køber, er, at forringelsen lander dér, hvor du sandsynligvis ikke bemærker den — sjældne routingveje, haler af tokens med lav sandsynlighed — frem for i instruktionsfølge, formatering af tool calls eller overholdelse af skemaer.

03Hvad »ucensureret« betyder på dette endpoint

Ucensureret er her en udtalelse om arkitektur, ikke om attitude. Der er intet afvisningslag foran modellen og ingen indholdsfiltrering af dens output. Din forespørgsel når grundmodellen, og dens svar når dig; intet opsnapper nogen af retningerne.

Den skelnen betyder noget, for »ucensureret« bruges løst. Tre forskellige ting pakkes ind under ordet:

1. Klassifikation af input — en separat model læser din prompt og afgør, om den må slippe igennem. Findes ikke her.
2. Filtrering af output — en scanner inspicerer den genererede tekst og afkorter eller erstatter den. Findes ikke her.
3. Grundmodellens egne tilbøjeligheder — hvad end basismodellen lærte under træning. Det er modellens eget, og vi påstår ikke at have slettet det.

De to første er dem, der ødelægger produktionssystemer, og det er de to, vi fjerner. En klassifikator, der udløses på 0,5 % af forespørgslerne, er en fejlrate på 0,5 %, du ikke kan fejlsøge, ikke kan appellere og ikke kan se komme — og over en agentløkke på 200 trin akkumulerer en fejlrate på 0,5 % pr. trin til en kørsel, der fejler oftere, end den lykkes. En afvisning i en samtale er en irritation; en afvisning på trin 147 i en autonom kørsel ødelægger kørslens tilstand og brænder alt, du brugte på at komme dertil. For agentarbejdsbyrder er fjernelsen af afvisningsfladen en pålidelighedsegenskab, ikke en stilistisk præference.

Konsekvensen er, at ansvaret flytter over til dig. Der er intet sikkerhedsnet mellem din applikation og dine brugere; har dit produkt brug for et, så byg det, hvor du kan se det, justere det og logge det. Læs venligst vores politik for ansvarlig brug først.

04Kimi K2.6 mod Kimi K3: hvornår er 5x det værd?

Det er den beslutning, de fleste læsere kom for, så her er den uden forbehold. Kimi-K3 · 3BIT-REAP er den større, nyere grundmodel: annonceret 16. juli 2026 med åbne vægte 27. juli, på cirka 2,8 billioner parametre i alt og omkring 104 milliarder aktive pr. token — mere end 3x K2.6's aktive beregning. Opstrøms angiver Moonshot K3 til cirka 5x K2.6's pris, og vores gateway-priser følger det forhold.

	Kimi-K2.6 · W4A16-AUTOROUND-REAP	Kimi-K3 · 3BIT-REAP
Input / 1M tokens	$0,78	$3,83
Output / 1M tokens	$3,67	$19,12
Kontekstvindue	262.144	262.144
Maks. output / forespørgsel	16.384	16.384
Billedinput	Ja	Ja
Indbygget tool calling	Ja	Ja
Strikst json_schema	Ja	Ja
Ucensureret	Ja	Ja
Aktive parametre / token	~32B	~104B

Læg mærke til, hvad tabellen ikke viser: der er ingen række, hvor K3 har en egenskab, K2.6 mangler. Samme vindue, samme maksimale output, samme vision, samme tool calling, samme strukturerede output, samme ucensurerede holdning, samme tre dialekter. De 5x køber præcis én ting — rå kapacitet pr. fremadgennemløb. Det er reelt, men det er en enkelt akse, og den gør intet på de akser, hvor den ikke er din flaskehals.

Specifikt om kontekstvinduet

Opstrøms er K3's hovedegenskab en kontekst på 1M tokens mod K2.6's 262K. På Shannon-gatewayen serveres begge modeller med 262.144 tokens. Var lang kontekst din grund til at betale 5x, gælder den grund ikke her — du ville betale merprisen og få det samme vindue. Det er den slags, en leverandør fristes til at lade være med at sige, og derfor står det med fed.

Betal de 5x, når

• Ét skud skal ramme. Et enkelt hårdt gennemløb, hvor et nyt forsøg er dyrt eller umuligt — en uigenkaldelig handling, en beslutning for enden af en lang pipeline. Flere aktive parametre pr. token er præcis det, der hæver loftet på ét gennemløb.
• Opgaven er vidensbundet, ikke værktøjsbundet. Dyb syntese, hvor svaret skal komme ud af vægtene. K2.6's profil er agentisk; tag værktøjerne væk, og den større grundmodel viser sig.
• Mængden er lille, og der er meget på spil. Ved 500 kald om måneden er 5x $40 i stedet for $8. Køb bare den bedre model.

Betal ikke de 5x, når

• Du kører en løkke. Lange agentiske kørsler domineres af mekaniske trin — læs en fil, kald et værktøj, tjek et resultat, vælg det næste — og det er præcis det, K2.6 blev trænet til. Ved 200 trin er de 5x $7,71 mod $38,29 pr. kørsel.
• Du behandler billeder i mængde. Vision-arbejdsbyrder er tunge på inputtokens, og ræsonnementet pr. element er overfladisk. Se afsnit 05; det er ikke tæt løb.
• Opgaven er udtræk, klassifikation eller transformation. At trække felter ud af dokumenter, dirigere sager, normalisere poster, opsummere — afgrænsede opgaver, hvor en større model producerer den samme JSON.
• Du har et verifikationstrin. Bliver outputtet tjekket — en testsuite, en skemavalidator, et ekstra gennemløb, et menneske — er lejlighedsvise fejl billige, og økonomien favoriserer mængde afgørende. Det er det mest undervurderede argument for værdiniveauet.

Et mønster værd at give navn: kør K2.6 til løkken og K3 til dommen. Lad den billige agentiske model tage de hundrede trin med at indsamle, kalde og skrive udkast, og brug så ét dyrt kald på den endelige syntese. Begge modeller taler det identiske API med det samme kontekstvindue, så skiftet er en ændring af én linje i model-feltet.

05Vision til en brugbar pris

Vision er K2.6's skarpeste kant i dette katalog. Af de tolv ucensurerede modeller på gatewayen tager kun fire overhovedet imod billeder, og K2.6 er den eneste, der parrer billedinput med Kimi-slægtens agentiske profil under én dollar pr. million inputtokens.

Vision-arbejdsbyrder har en usædvanlig omkostningsform. Ifølge Moonshots offentliggjorte beskrivelse af MoonViT indkodes et billede på 1024x1024 til cirka 576 billedtokens — og det er input-tokens, den billige side af regnskabet. En typisk vision-opgave lander næsten udelukkende på taksten $0,78 frem for $3,67. Tag 10.000 billeder, hver med cirka 200 tokens prompt (altså cirka 776 inputtokens) og cirka 150 tokens struktureret output:

Arbejdsbyrde	Kimi-K2.6	Kimi-K3	Faktor
Ét agenttrin (40K ind / 2K ud)	$0.0385	$0.1914	5.0x
Autonom kørsel på 200 trin	$7.71	$38.29	5.0x
10.000 billeder, struktureret output	$11.56	$58.40	5.1x
Batchjob (1M ind / 200K ud)	$1.51	$7.65	5.1x

Beregnet ud fra listepriserne på Shannon-gatewayen. Estimatet for billedtokens bruger Moonshots offentliggjorte MoonViT-tal på cirka 576 tokens for et billede på 1024x1024; den præcise tokenisering varierer med opløsning og billedformat.

En billedpipeline til $11,56 er noget, du kører dagligt uden at tænke over det. En til $58,40 er noget, du planlægger, retfærdiggør og til sidst skærer væk. Det spring er hele argumentet for et værdiniveau.

Ét ærligt forbehold. På uafhængige resultatlister for multimodale og forankrede opgaver er K2.6 blevet rapporteret omkring nr. 26 ud af 115 modeller, med et gennemsnit tæt på 68,1 — respektabelt, ikke førende i klassen. Dens vision er reelt stærk på dokumentforståelse, aflæsning af skærmbilleder og brugerflader samt fortolkning af grafer og diagrammer; den er svagere ved præcis rumlig forankring — nøjagtige afgrænsningsbokse, finkornet optælling i rodede motiver, tæt OCR af nedbrudte scanninger. Har du brug for pixelnøjagtig lokalisering, så benchmark på dine egne data først. Har du brug for en model, der kan se på et skærmbillede og afgøre, hvad der skal klikkes på næste gang, er det klart det rigtige værktøj.

06Tool calling uden afvisninger og agentiske løkker

K2.6 understøtter indbygget tool calling: modellen udsender strukturerede værktøjskald direkte ud fra de JSON-skema-værktøjsdefinitioner, du leverer, frem for at skulle lokkes til at producere tekst, der kan parses. Sammen med samtaler over flere ture og systemprompts er det hele underlaget for en agentløkke.

Det, »tool calling uden afvisninger« tilføjer, er finere, end det lyder. På et filtreret API viser afvisninger inde i en agentløkke sig i tre distinkte fejltilstande:

• Hård afvisning — trinnet returnerer prosa i stedet for et værktøjskald, parseren fejler, løkken knækker. Det er da i det mindste larmende.
• Blød afvisning — kaldet foretages, men argumenterne holdes tilbage: en indsnævret forespørgsel, en forbeholdent sat parameter, en afkortet nyttelast. Løkken fortsætter med stille forringet tilstand, og du opdager det fire trin senere.
• Forudgribende undvigelse — planen styrer uden om en legitim gren, før den kommer i nærheden af den. Den ser du aldrig; du får bare en dårligere plan og ingen forklaring.

Den anden og den tredje er de dyre, fordi de er usynlige: ingen fejl, intet i logfilerne, intet at søge efter. Et endpoint uden afvisningslag fjerner hele klassen — modellens argumenter til værktøjskald er modellens argumenter til værktøjskald.

Det betyder mest i de domæner, der har brug for lange autonome kørsler og alligevel berører følsomt materiale: sikkerhedsforskning og red teaming, malware- og hændelsesanalyse, behandling af kliniske dokumenter, juridisk bevisindsamling og moderationsværktøjer, der er nødt til at ræsonnere om det indhold, de modererer. At bygge en moderationsklassifikator kræver en model, der er villig til at se på det, den klassificerer; det er ikke et paradoks, bare arbejdet.

Praktiske bemærkninger til lange kørsler: reasoning_effort lader dig bruge mere tænkning på planlægningstrin og mindre på mekaniske. Streaming er tilgængelig på alle tre dialekter, så et langt trin kan vise fremdrift eller afbrydes tidligt. Og 262.144 tokens kontekst holder reel arbejdstilstand — filindhold, tidligere værktøjsresultater, en løbende plan — til stede gennem mange trin uden at genopsummere hver tur, hvilket i sig selv er en almindelig kilde til, at agenter driver af.

07Struktureret output og de tre API-dialekter

K2.6 understøtter både json_schema (strikst skemabundet generering) og det løsere response_format. Hold det op mod kataloget: to af de tolv modeller her understøtter ikke strikst skemaoutput, og hvis dit næste pipeline-trin parser JSON, er den kolonne ikke valgfri.

Strikst skemaoutput er det, der gør en ucensureret model brugbar som infrastruktur: skal modellen udsende et objekt, der matcher dit skema, får du en parsegaranti uafhængigt af, hvad den ellers ville have sagt — ingen indledning, ingen undskyldning, intet afsnit viklet om din JSON. Kombineret med intet afvisningslag er det et udtræks-endpoint, som returnerer dit objekt ved hvert eneste kald, for hvert eneste dokument, uanset hvad dokumentet handler om.

Flade	Kimi-K2.6-understøttelse	Bemærkninger
/v1/chat/completions	Ja	OpenAI-dialekt — kan sættes direkte ind i eksisterende SDK'er
/v1/messages	Ja	Anthropic-dialekt — samme model, samme vægte
/v1/responses	Ja	Grænseflade i responses-stil
Streaming	Ja	På alle tre dialekter
Tool calling	Ja	Indbygget, med JSON-skema-værktøjsdefinitioner
json_schema	Ja	Strikst struktureret output
response_format	Ja	Løsere JSON-tilstand
reasoning_effort	Ja	Justér tænkebudgettet pr. kald
Billedinput	Ja	Billeder ved siden af tekst

Alle tre dialekter adresserer de samme vægte på den samme klynge. Peg en eksisterende OpenAI-klient mod base-URL'en, sæt model til Kimi-K2.6-W4A16-AUTOROUND-REAP, og så kører du. Formen på forespørgsler og svar, streaming-semantik og en live legeplads findes i API-dokumentationen.

08Hvor Kimi K2.6 er det forkerte valg

En modelguide, der kun opremser styrker, er en reklame. Her er, hvor vi ville sende dig andre steder hen.

• Du har brug for det absolutte loft på ét hårdt gennemløb. Gå til Kimi-K3, og betal de 5x. Det er dét, den er til.
• Du har brug for pixelnøjagtig visuel forankring. Afgrænsningsbokse, tæt OCR på nedbrudte scanninger og nøjagtig optælling i rodede motiver er ikke dens stærkeste grund — test på dine data først.
• Du har brug for billigere end billigt, uden vision. Flere modeller i kataloget ligger på $0,50 / $2,00. K2.6's merpris køber vision og Kimi-slægtens agentiske profil; har du brug for ingen af delene, så tag det billigere niveau.
• Du har brug for mere end 16.384 outputtokens i ét svar. Det loft gælder i hele kataloget — lange dokumenter kræver opdelt generering, uanset hvilken model du vælger.
• Du vil have bit-nøjagtig adfærd fra grundmodellen. Dette er en beskåret og kvantiseret udgave: en bevidst, offentliggjort afvejning. Til et reproducerbarhedsstudie skal du køre mod Moonshots originale vægte.

Tal for arkitektur, benchmarks og udgivelsesdatoer for Kimi K2.6 og K3 er rapporteret af Moonshot og vist for grundmodellen opstrøms, ikke for vores komprimerede udgave. Placeringen på den multimodale liste stammer fra en uafhængig tredjeparts resultatliste. Shannon-gatewayens priser er listepriser pr. 5. september 2026.

09Ofte stillede spørgsmål

---

Shannon AI drives af Shannon Lab LLC, New Mexico, USA. Kilder: Moonshot AI — Kimi K2 · REAP the Experts (arXiv 2510.13999) · Cerebras Research — REAP. Kimi-benchmarktal opstrøms er rapporteret af Moonshot og er foreløbige, indtil de er uafhængigt verificeret; de beskriver den ukomprimerede grundmodel, ikke Shannons kvantiserede udgave.