Unzensierte Kimi K2 API

Die meisten Seiten über „günstige Modelle“ handeln in Wahrheit von einem kleinen Modell, das den Familiennamen eines großen trägt. Diese hier nicht. Kimi K2.6 ist ein vollwertiges Fundament auf Frontier-Niveau — eine Billion Parameter dünn besetztes Mixture-of-Experts, mit nativem Vision-Encoder und einem Trainingsprogramm, das direkt auf agentische Tool-Nutzung zielt. Zur Preis-Leistungs-Stufe macht es kein kleineres Gehirn, sondern ein aggressiveres Kompressionsrezept. Die Frage lautet also nicht „ist es gut genug?“, sondern „welche Aufgaben merken den Unterschied zum fünfmal teureren Geschwistermodell überhaupt?“ Der größte Teil dieses Artikels beantwortet genau das.

01Was ist Kimi K2.6 wirklich?

Kimi K2.6 ist ein Open-Weights-Modell von Moonshot AI, dem Pekinger Labor hinter der Kimi-Reihe, veröffentlicht am 20. April 2026. Es erbt die Architektur, die K2 bemerkenswert machte: ein dünn besetzter Mixture-of-Experts-Transformer mit rund 1 Billion Parametern insgesamt und etwa 32 Milliarden aktiven pro Token, organisiert als 384 Experten, 8 geroutete plus 1 geteilter pro Schicht über 61 Schichten, mit Multi-head Latent Attention. Nur ein kleiner Ausschnitt dieser Billion feuert bei einem gegebenen Token — genau deshalb lässt sich ein Modell dieser Größe in Cent bepreisen.

Die Herkunft zählt wegen dessen, worauf Moonshot optimiert hat. Das ursprüngliche K2 wurde auf rund 15,5 Billionen Token mit dem Optimierer Muon / MuonClip vortrainiert, der eigens dafür gebaut wurde, ein MoE mit einer Billion Parametern vor den Attention-Explosionen und Loss-Spitzen zu bewahren, die das Training in dieser Größenordnung destabilisieren; Moonshot berichtete über den gesamten Lauf null Trainingsinstabilität. Das liegt allem anderen vor — es erlaubte, das Trainingsbudget in agentisches Verhalten statt in Brandbekämpfung zu stecken.

K2.6 erweitert das in zwei Richtungen. Erstens ist es nativ multimodal: Bilder und Videobilder laufen durch MoonViT, einen Vision-Encoder mit rund 400M Parametern, der ein Bild in Kacheln von 448x448 zerlegt und jede Kachel direkt in den Token-Raum des Sprachmodells projiziert — visuelle Token sitzen in derselben Sequenz wie alles andere, nicht in einem angeflanschten Bildbeschreiber, der ein blindes Modell füttert. Zweitens ist es für Orchestrierung in die Tiefe gebaut: Moonshots Arbeit zu Agent Swarm berichtet von Koordination über bis zu 300 domänenspezialisierte Sub-Agenten und bis zu 4.000 koordinierte Schritte in einem einzigen autonomen Lauf.

Das von Moonshot berichtete Benchmark-Profil

Dies sind von Moonshot berichtete Werte für das unkomprimierte K2.6-Fundament, nicht unsere Messungen. Nützlich für die Form, nicht für die Präzision:

Lesen Sie die Form, nicht die Ziffern. Werte für Tool-Nutzung und suchgetriebene Aufgaben liegen hoch; Werte für reine Schwierigkeit liegen niedriger. Das ist die Signatur eines Modells, das darauf trainiert wurde, gut zu handeln, statt alles zu wissen — der richtige Handel, wenn Ihr Agent einen Browser, eine Shell und ein Dateisystem hat, der falsche, wenn Sie eine einzelne schwere Frage ohne Werkzeuge stellen.

02Was W4A16-AUTOROUND-REAP bedeutet

Das Suffix an der Modell-ID ist keine Dekoration. Es ist das exakte Kompressionsrezept, veröffentlicht, damit Sie den Handel beurteilen können, den Sie eingehen.

• W4A16 — Gewichte mit 4 Bit, Aktivierungen mit 16 Bit berechnet. Der Gewichtsspeicher sinkt gegenüber bf16 um etwa das Vierfache, während die Arithmetik, in der sich Fehler summieren, bei 16-Bit-Präzision bleibt. Das ist der Standard-Arbeitspunkt für hochwertige Auslieferung sehr großer MoE-Modelle.
• AUTOROUND — Intels AutoRound-Quantisierer. Naives Runden zum nächsten Wert behandelt jedes Gewicht einzeln und verwirft Information, auf die sich das Modell verlassen hat; AutoRound lernt die Rundungsentscheidungen stattdessen anhand von Kalibrierungsdaten. Bei einem 4-Bit-Ziel ist das der Unterschied zwischen einem Modell, das noch einem Schema folgt, und einem, das abdriftet.
• REAP — Router-weighted Expert Activation Pruning von Cerebras Research (arXiv 2510.13999, ICLR 2026). Zu den meisten Experten in einem MoE wird nur selten geroutet. REAP bewertet jeden anhand seiner Router-Gate-Werte und seiner Aktivierungsnormen und entfernt die am wenigsten relevanten in einem einzigen Durchgang. Das veröffentlichte Ergebnis: bis zu 50 % der Experten aus Modellen mit einer Billion Parametern entfernt, bei weitgehend gehaltener Ausgangsqualität, und Pruning schlägt das Verschmelzen von Experten bei generativen Aufgaben — Verschmelzen verwischt Spezialisten ineinander, Pruning wirft nur die ungenutzten weg.

In dieser Reihenfolge angewendet — erst prunen, dann quantisieren, was übrig bleibt — erhalten Sie ein Modell, das passt und schnell läuft, ohne den Qualitätseinbruch, den jede Technik allein bei diesen Verhältnissen verursachen würde. Um bei den Kosten deutlich zu sein: Ein komprimiertes Modell ist nicht bit-identisch mit dem Original. Was das Rezept einkauft, ist, dass die Verschlechterung dort landet, wo Sie sie kaum bemerken — seltene Routing-Pfade, Ausläufer unwahrscheinlicher Token — statt beim Befolgen von Anweisungen, bei der Formatierung von Tool-Calls oder bei der Schema-Treue.

03Was „unzensiert“ an diesem Endpunkt bedeutet

Unzensiert ist hier eine Aussage über Architektur, nicht über Haltung. Es gibt keine Ablehnungsschicht vor dem Modell und keine Inhaltsfilterung seiner Ausgabe. Ihre Anfrage erreicht das Fundament und seine Antwort erreicht Sie; nichts fängt eine der beiden Richtungen ab.

Diese Unterscheidung zählt, denn „unzensiert“ wird lose verwendet. Drei getrennte Dinge werden unter dem Wort gebündelt:

1. Eingabeklassifikation — ein separates Modell liest Ihren Prompt und entscheidet, ob es ihn durchlässt. Hier nicht vorhanden.
2. Ausgabefilterung — ein Scanner inspiziert erzeugten Text und kürzt oder ersetzt ihn. Hier nicht vorhanden.
3. Die eigenen Neigungen des Fundaments — was auch immer das Basismodell im Training gelernt hat. Das gehört dem Modell, und wir behaupten nicht, es getilgt zu haben.

Die ersten beiden sind das, was Produktionssysteme zerbricht, und es sind die beiden, die wir entfernen. Ein Klassifikator, der bei 0,5 % der Anfragen auslöst, ist eine Fehlerquote von 0,5 %, die Sie nicht debuggen, nicht anfechten und nicht kommen sehen können — und über eine Agentenschleife mit 200 Schritten summiert sich ein Fehler von 0,5 % pro Schritt zu einem Lauf, der öfter scheitert als gelingt. Eine Ablehnung in einem Gespräch ist ein Ärgernis; eine Ablehnung bei Schritt 147 eines autonomen Laufs zerstört den Zustand des Laufs und verbrennt alles, was Sie bis dahin investiert haben. Für Agenten-Arbeitslasten ist das Entfernen der Ablehnungsfläche eine Zuverlässigkeitseigenschaft, keine Stilfrage.

Die Kehrseite ist, dass die Verantwortung zu Ihnen wandert. Zwischen Ihrer Anwendung und Ihren Nutzern liegt kein Sicherheitsnetz; wenn Ihr Produkt eines braucht, bauen Sie es dort, wo Sie es sehen, justieren und protokollieren können. Bitte lesen Sie zuerst unsere Richtlinie zur verantwortungsvollen Nutzung.

04Kimi K2.6 gegen Kimi K3: Wann lohnt sich das Fünffache?

Das ist die Entscheidung, für die die meisten Leser gekommen sind, also hier ohne Ausflüchte. Kimi-K3 · 3BIT-REAP ist das größere, neuere Fundament: angekündigt am 16. Juli 2026, mit offenen Gewichten am 27. Juli, mit rund 2,8 Billionen Parametern insgesamt und etwa 104 Milliarden aktiven pro Token — mehr als das Dreifache der aktiven Rechenleistung von K2.6. Beim Anbieter selbst liegt K3 etwa beim Fünffachen des K2.6-Preises, und unsere Gateway-Preise folgen diesem Verhältnis.

	Kimi-K2.6 · W4A16-AUTOROUND-REAP	Kimi-K3 · 3BIT-REAP
Eingabe / 1 Mio. Token	$0.78	$3.83
Ausgabe / 1 Mio. Token	$3.67	$19.12
Kontextfenster	262,144	262,144
Max. Ausgabe / Anfrage	16,384	16,384
Bildeingabe	Ja	Ja
Natives Tool-Calling	Ja	Ja
Striktes json_schema	Ja	Ja
Unzensiert	Ja	Ja
Aktive Parameter / Token	~32B	~104B

Achten Sie darauf, was die Tabelle nicht zeigt: Es gibt keine Zeile, in der K3 eine Funktion hätte, die K2.6 fehlt. Dasselbe Fenster, dieselbe maximale Ausgabe, dieselbe Vision, dasselbe Tool-Calling, dieselbe strukturierte Ausgabe, dieselbe unzensierte Haltung, dieselben drei Dialekte. Das Fünffache kauft genau eine Sache — rohe Fähigkeit pro Forward-Pass. Die ist real, aber sie ist eine einzige Achse, und sie bewirkt nichts auf den Achsen, auf denen sie nicht Ihr Engpass ist.

Speziell zum Kontextfenster

Beim Anbieter ist K3s Aushängeschild ein Kontext von 1 Mio. Token gegenüber den 262K von K2.6. Auf dem Shannon-Gateway werden beide Modelle mit 262.144 Token ausgeliefert. Wenn langer Kontext Ihr Grund war, das Fünffache zu zahlen, gilt dieser Grund hier nicht — Sie zahlten den Aufschlag und bekämen dasselbe Fenster. So etwas verschweigt ein Anbieter gern, und genau deshalb steht es hier fett.

Zahlen Sie das Fünffache, wenn

• ein Versuch sitzen muss. Ein einzelner schwerer Durchlauf, bei dem eine Wiederholung teuer oder unmöglich ist — eine unumkehrbare Aktion, eine Entscheidung am Ende einer langen Pipeline. Mehr aktive Parameter pro Token sind genau das, was die Obergrenze eines einzelnen Durchlaufs anhebt.
• die Aufgabe wissens- und nicht werkzeuggebunden ist. Tiefe Synthese, bei der die Antwort aus den Gewichten kommen muss. Das Profil von K2.6 ist agentisch; nehmen Sie die Werkzeuge weg, und das größere Fundament zeigt sich.
• das Volumen klein und der Einsatz hoch ist. Bei 500 Aufrufen im Monat sind das Fünffache $40 statt $8. Kaufen Sie einfach das bessere Modell.

Zahlen Sie das Fünffache nicht, wenn

• Sie eine Schleife fahren. Lange agentische Läufe werden von mechanischen Schritten dominiert — eine Datei lesen, ein Tool aufrufen, ein Ergebnis prüfen, das nächste wählen — und genau dafür wurde K2.6 trainiert. Bei 200 Schritten stehen $7.71 gegen $38.29 pro Lauf.
• Sie Bilder in großer Menge verarbeiten. Vision-Arbeitslasten sind eingabelastig und das Reasoning pro Objekt ist flach. Siehe Abschnitt 05; es ist nicht knapp.
• die Aufgabe Extraktion, Klassifizierung oder Transformation ist. Felder aus Dokumenten ziehen, Tickets routen, Datensätze normalisieren, zusammenfassen — begrenzte Aufgaben, bei denen ein größeres Modell dasselbe JSON produziert.
• Sie einen Prüfschritt haben. Wird die Ausgabe geprüft — eine Testsuite, ein Schema-Validator, ein zweiter Durchlauf, ein Mensch —, sind gelegentliche Fehlschläge billig, und die Wirtschaftlichkeit spricht klar für Volumen. Das ist das am meisten unterschätzte Argument für die Preis-Leistungs-Stufe.

Ein Muster, das einen Namen verdient: K2.6 für die Schleife, K3 für das Urteil. Lassen Sie das günstige agentische Modell die hundert Schritte des Sammelns, Aufrufens und Entwerfens erledigen und geben Sie dann einen teuren Aufruf für die abschließende Synthese aus. Beide Modelle sprechen dieselbe API mit demselben Kontextfenster, der Wechsel ist also eine Änderung einer Zeile im Feld model.

05Vision zum Arbeitspreis

Vision ist in diesem Katalog K2.6s schärfste Kante. Von den zwölf unzensierten Modellen auf dem Gateway nehmen nur vier überhaupt Bilder an, und K2.6 ist das einzige, das Bildeingabe mit der agentischen Kimi-Linie unter einem Dollar pro Million Eingabe-Token verbindet.

Vision-Arbeitslasten haben eine ungewöhnliche Kostenform. Laut Moonshots veröffentlichter Beschreibung von MoonViT kodiert ein Bild von 1024x1024 zu rund 576 Bild-Token — und das sind Eingabe-Token, die günstige Seite der Rechnung. Eine typische Vision-Aufgabe landet fast vollständig beim Satz von $0.78 statt bei dem von $3.67. Nehmen Sie 10.000 Bilder mit je ~200 Token Prompt (also ~776 Eingabe-Token) und ~150 Token strukturierter Ausgabe:

Arbeitslast	Kimi-K2.6	Kimi-K3	Faktor
Ein Agentenschritt (40K rein / 2K raus)	$0.0385	$0.1914	5.0x
Autonomer Lauf über 200 Schritte	$7.71	$38.29	5.0x
10.000 Bilder, strukturierte Ausgabe	$11.56	$58.40	5.1x
Batch-Job (1 Mio. rein / 200K raus)	$1.51	$7.65	5.1x

Berechnet aus den Listenpreisen des Shannon-Gateways. Die Schätzung der Bild-Token nutzt Moonshots veröffentlichte MoonViT-Angabe von ~576 Token für ein Bild von 1024x1024; die genaue Tokenisierung variiert mit Auflösung und Seitenverhältnis.

Eine Bild-Pipeline für $11.56 lassen Sie täglich laufen, ohne darüber nachzudenken. Eine für $58.40 planen Sie ein, rechtfertigen sie und streichen sie irgendwann. Diese Lücke ist das gesamte Argument für eine Preis-Leistungs-Stufe.

Eine ehrliche Einschränkung. Auf unabhängigen Ranglisten für multimodale und geerdete Aufgaben wurde K2.6 bei etwa Platz 26 von 115 Modellen, Durchschnitt nahe 68,1 berichtet — achtbar, nicht führend. Seine Vision ist wirklich stark beim Dokumentenverständnis, beim Lesen von Screenshots und Oberflächen sowie bei der Interpretation von Diagrammen; schwächer ist sie bei präziser räumlicher Verankerung — exakte Bounding-Boxen, feinkörniges Zählen in unübersichtlichen Szenen, dichte OCR schlechter Scans. Wenn Sie pixelgenaue Lokalisierung brauchen, benchmarken Sie zuerst auf Ihren eigenen Daten. Wenn Sie ein Modell brauchen, das einen Screenshot ansieht und entscheidet, wohin als Nächstes zu klicken ist, ist dies genau das richtige Werkzeug.

06Tool-Calling ohne Ablehnung und agentische Schleifen

K2.6 unterstützt natives Tool-Calling: Das Modell gibt strukturierte Tool-Aufrufe direkt aus den JSON-Schema-Tool-Definitionen aus, die Sie liefern, statt dazu überredet zu werden, parsbaren Text zu produzieren. Zusammen mit mehrstufigen Gesprächen und System-Prompts ist das das vollständige Substrat für eine Agentenschleife.

Was „Tool-Calling ohne Ablehnung“ hinzufügt, ist subtiler, als es klingt. Auf einer gefilterten API zeigen sich Ablehnungen innerhalb einer Agentenschleife in drei verschiedenen Fehlerbildern:

• Harte Ablehnung — der Schritt liefert Prosa statt eines Tool-Aufrufs, der Parser scheitert, die Schleife bricht ab. Wenigstens laut.
• Weiche Ablehnung — der Aufruf erfolgt, aber die Argumente werden zurückgehalten: eine verengte Anfrage, ein abgeschwächter Parameter, eine gekürzte Nutzlast. Die Schleife läuft mit still verschlechtertem Zustand weiter, und Sie merken es vier Schritte später.
• Vorauseilendes Ausweichen — der Plan lenkt von einem legitimen Zweig weg, bevor er ihm nahekommt. Das sehen Sie nie; Sie bekommen einfach einen schlechteren Plan und keine Erklärung.

Das zweite und das dritte sind die teuren, weil sie unsichtbar sind: kein Fehler, nichts in den Logs, nichts, wonach man greppen könnte. Ein Endpunkt ohne Ablehnungsschicht beseitigt die ganze Klasse — die Tool-Call-Argumente des Modells sind die Tool-Call-Argumente des Modells.

Das zählt am meisten in den Bereichen, die lange autonome Läufe brauchen und ohnehin sensibles Material berühren: Security-Forschung und Red-Teaming, Malware- und Vorfallanalyse, Verarbeitung klinischer Dokumente, juristische Beweisaufnahme und Moderationswerkzeuge, die über die Inhalte nachdenken müssen, die sie moderieren. Einen Moderationsklassifikator zu bauen erfordert ein Modell, das bereit ist, sich anzusehen, was es klassifiziert; das ist kein Paradox, sondern schlicht die Aufgabe.

Praktische Hinweise für lange Läufe: Mit reasoning_effort geben Sie mehr Denkaufwand für Planungsschritte und weniger für mechanische aus. Streaming ist in allen drei Dialekten verfügbar, ein langer Schritt kann also Fortschritt zeigen oder früh abgebrochen werden. Und 262.144 Token Kontext halten echten Arbeitszustand — Dateiinhalte, frühere Tool-Ergebnisse, einen laufenden Plan — über viele Schritte hinweg präsent, ohne in jeder Runde neu zusammenzufassen, was selbst eine häufige Ursache für Agentendrift ist.

07Strukturierte Ausgabe und die drei API-Dialekte

K2.6 unterstützt sowohl json_schema (strikt schemagebundene Generierung) als auch das lockerere response_format. Halten Sie das gegen den Katalog: Zwei der zwölf Modelle hier unterstützen strikte Schema-Ausgabe nicht, und wenn Ihre nächste Pipeline-Stufe JSON parst, ist diese Spalte nicht optional.

Strikte Schema-Ausgabe ist das, was ein unzensiertes Modell als Infrastruktur nutzbar macht: Wenn das Modell ein Objekt ausgeben muss, das Ihrem Schema entspricht, bekommen Sie eine Parse-Garantie unabhängig davon, was es sonst gesagt hätte — keine Einleitung, keine Entschuldigung, kein Absatz um Ihr JSON herum. Zusammen mit der fehlenden Ablehnungsschicht ergibt das einen Extraktionsendpunkt, der bei jedem Aufruf und für jedes Dokument Ihr Objekt zurückgibt, worum es in dem Dokument auch geht.

Schnittstelle	Unterstützung in Kimi-K2.6	Anmerkungen
/v1/chat/completions	Ja	OpenAI-Dialekt — Drop-in für bestehende SDKs
/v1/messages	Ja	Anthropic-Dialekt — dasselbe Modell, dieselben Gewichte
/v1/responses	Ja	Schnittstelle im Responses-Stil
Streaming	Ja	In allen drei Dialekten
Tool-Calling	Ja	Nativ, Tool-Definitionen per JSON-Schema
json_schema	Ja	Strikte strukturierte Ausgabe
response_format	Ja	Lockerer JSON-Modus
reasoning_effort	Ja	Denkbudget pro Aufruf einstellen
Bildeingabe	Ja	Bilder neben Text

Alle drei Dialekte adressieren dieselben Gewichte auf demselben Cluster. Richten Sie einen bestehenden OpenAI-Client auf die Basis-URL, setzen Sie model auf Kimi-K2.6-W4A16-AUTOROUND-REAP, und Sie sind im Betrieb. Anfrage- und Antwortformate, Streaming-Semantik und ein Live-Playground stehen in der API-Dokumentation.

08Wo Kimi K2.6 die falsche Wahl ist

Ein Modell-Leitfaden, der nur Stärken auflistet, ist eine Anzeige. Hier ist, wo wir Sie woandershin schicken würden.

• Sie brauchen die absolute Obergrenze bei einem einzelnen schweren Durchlauf. Nehmen Sie Kimi-K3 und zahlen Sie das Fünffache. Dafür ist es da.
• Sie brauchen pixelgenaue visuelle Verankerung. Bounding-Boxen, dichte OCR auf schlechten Scans und exaktes Zählen in unübersichtlichen Szenen sind nicht sein stärkster Boden — testen Sie zuerst auf Ihren Daten.
• Sie brauchen billiger als billig, ohne Vision. Mehrere Katalogmodelle liegen bei $0.50 / $2.00. Der Aufschlag von K2.6 kauft Vision und das agentische Kimi-Profil; brauchen Sie keins von beidem, nehmen Sie die günstigere Stufe.
• Sie brauchen mehr als 16.384 Ausgabe-Token in einer Antwort. Diese Obergrenze gilt im gesamten Katalog — lange Dokumente brauchen gestückelte Generierung, welches Modell Sie auch wählen.
• Sie wollen bit-exaktes Verhalten des Originals. Dies ist ein geprunter und quantisierter Build: ein bewusster, veröffentlichter Handel. Für eine Reproduzierbarkeitsstudie fahren Sie gegen Moonshots Originalgewichte.

Architektur-, Benchmark- und Veröffentlichungsdaten zu Kimi K2.6 und K3 sind von Moonshot berichtet und beziehen sich auf das Ursprungsfundament, nicht auf unseren komprimierten Build. Die multimodale Platzierung stammt von einer unabhängigen Rangliste Dritter. Die Preise des Shannon-Gateways sind Listenpreise mit Stand 5. September 2026.

09Häufig gestellte Fragen

---

Shannon AI wird von Shannon Lab LLC, New Mexico, USA, betrieben. Quellen: Moonshot AI — Kimi K2 · REAP the Experts (arXiv 2510.13999) · Cerebras Research — REAP. Die Benchmark-Zahlen zum Ursprungsmodell Kimi sind von Moonshot berichtet und vorläufig, solange sie nicht unabhängig verifiziert sind; sie beschreiben das unkomprimierte Fundament, nicht Shannons quantisierten Build.