Sencenzura Kimi K2 API

Plej multaj paĝoj pri "malmultekosta modelo" fakte temas pri malgranda modelo portanta la familian nomon de granda modelo. Ĉi tiu ne. Kimi K2.6 estas plena fundamento je pintnivela skalo — biliono da parametroj de maldensa Miksaĵo de Spertuloj, kun denaska vida kodilo kaj trejnprogramo celanta rekte agentan ilouzon. Kio faras ĝin la valora nivelo, ne estas pli malgranda cerbo, sed pli agresa kunprema recepto. Do la demando ne estas "ĉu ĝi sufiĉas?", sed "kiuj taskoj efektive rimarkas la diferencon inter ĉi tio kaj ĝia 5-oble pli multekosta frato?" Plej multe de ĉi tiu artikolo respondas tion.

01Kio estas Kimi K2.6, vere?

Kimi K2.6 estas malfermpeza modelo de Moonshot AI, la pekina laboratorio malantaŭ la serio Kimi, eldonita la 20-an de aprilo 2026. Ĝi heredas la arkitekturon, kiu igis K2 rimarkinda: maldensa transformilo laŭ Miksaĵo de Spertuloj kun proksimume 1 biliono da parametroj entute kaj ĉirkaŭ 32 miliardoj aktivaj po ĵetono, organizita kiel 384 spertuloj, 8 enkursigitaj plus 1 komuna po tavolo tra 61 tavoloj, kun plurkapa latenta atento. Nur eta tranĉaĵo de tiu biliono ekbrulas ĉe iu ajn donita ĵetono — kaj ĝuste tial modelo de ĉi tiu grando povas esti prezigita en cendoj.

La deveno gravas pro tio, kion Moonshot optimumigis. La originala K2 estis antaŭtrejnita sur proksimume 15.5 bilionoj da ĵetonoj per la optimumigilo Muon / MuonClip, konstruita specife por malhelpi, ke MoE kun biliono da parametroj suferu la atento-eksplodojn kaj perdo-pintojn, kiuj malstabiligas trejnadon je tiu skalo; Moonshot raportis nulan trejnan malstabilecon tra la tuta rulo. Tio estas antaŭfluma al ĉio alia — ĝi lasis ilin elspezi la trejnan buĝeton por agenta konduto anstataŭ por fajroestingado.

K2.6 etendas tion en du direktojn. Unue, ĝi estas denaske plurmodala: bildoj kaj videokadroj pasas tra MoonViT, vida kodilo kun ĉirkaŭ 400 milionoj da parametroj, kiu kaheligas bildon en pecojn 448x448 kaj projekcias ĉiun kahelon rekte en la ĵetonan spacon de la lingvomodelo — vidaj ĵetonoj sidas en la sama sekvenco kiel ĉio alia, ne en alŝraŭbita subskribilo nutranta blindan modelon. Due, ĝi estas konstruita por orkestrado je profundo: la laboro pri Agent Swarm de Moonshot raportas kunordigon tra ĝis 300 fake specialigitaj subagentoj kaj ĝis 4,000 kunordigitaj paŝoj en unu sola aŭtonoma rulo.

La benchmark-profilo raportita de Moonshot

Jen ciferoj raportitaj de Moonshot pri la nekunpremita fundamento K2.6, ne niaj mezuroj. Utilaj por la formo, ne por la precizeco:

Legu la formon, ne la ciferojn. La poentoj pri ilouzo kaj serĉo sidas alte; la poentoj pri pura malfacileco sidas pli malalte. Jen la subskribo de modelo trejnita bone agi anstataŭ ĉion scii — la ĝusta kompromiso, se via agento havas retumilon, ŝelon kaj dosiersistemon, la malĝusta, se vi faras unu malfacilan demandon sen iuj ajn iloj.

02Kion W4A16-AUTOROUND-REAP signifas

La sufikso sur la modelidentigilo ne estas ornamo. Ĝi estas la preciza kunprema recepto, publikigita por ke vi povu prijuĝi la kompromison, kiun vi faras.

• W4A16 — pezoj je 4 bitoj, aktivigoj kalkulataj je 16. La peza memoro falas proksimume 4-oble kompare kun bf16, dum la aritmetiko, kiu akumulas eraron, restas je 16-bita precizeco. Ĉi tio estas la norma altkvalita serva punkto por tre grandaj MoE-modeloj.
• AUTOROUND — la kvantigilo AutoRound de Intel. Naiva rondigo al la plej proksima traktas ĉiun pezon sendepende kaj forĵetas informojn, de kiuj la modelo dependis; AutoRound anstataŭe lernas la rondigajn decidojn kontraŭ kalibraj datumoj. Ĉe 4-bita celo tio estas la diferenco inter modelo, kiu ankoraŭ sekvas skemon, kaj modelo, kiu forderivas.
• REAP — Router-weighted Expert Activation Pruning, de Cerebras Research (arXiv 2510.13999, ICLR 2026). Plej multaj spertuloj en MoE malofte ricevas enkursigon. REAP taksas ĉiun laŭ kaj la kluzaj valoroj de la enkursigilo kaj la normoj de la aktivigoj, poste forigas la malplej elstarajn per unu sola pafo. La publikigita rezulto: ĝis 50% de la spertuloj pritonditaj el modeloj kun biliono da parametroj dum plejparte konserviĝas la bazlinia kvalito, kaj pritondado venkas kunfandadon de spertuloj ĉe generaj taskoj — kunfandado malklarigas fakulojn kune, pritondado nur forlasas la neuzatajn.

Aplikite en tiu ordo — unue pritondi, poste kvantigi tion, kio restas — vi ricevas modelon, kiu enteniĝas kaj ruliĝas rapide sen la kvalita kolapso, kiun ĉiu el la du teknikoj sola kaŭzus je tiuj proporcioj. Por esti senornama pri la kosto: kunpremita modelo ne estas bitidenta al la originalo. Kion la recepto aĉetas, estas ke la degrado surteriĝas tie, kie vi verŝajne ne rimarkos ĝin — maloftaj enkursigaj vojoj, malaltprobablaj ĵetonaj vostoj — anstataŭ en la sekvado de instrukcioj, la formatado de ilvokoj, aŭ la obeo al skemo.

03Kion "sencenzura" signifas sur ĉi tiu finpunkto

Sencenzura ĉi tie estas aserto pri arkitekturo, ne pri sinteno. Ekzistas neniu rifuza tavolo antaŭ la modelo kaj neniu enhavfiltrado sur ĝia eligo. Via peto atingas la fundamenton kaj ĝia respondo atingas vin; nenio kaptas iun ajn direkton.

Tiu distingo gravas, ĉar "sencenzura" estas uzata malprecize. Tri apartaj aferoj estas kunpakitaj sub la vorto:

1. Eniga klasifikado — aparta modelo legas vian peton kaj decidas, ĉu tralasi ĝin. Ne ĉeestas ĉi tie.
2. Eliga filtrado — skanilo inspektas la generitan tekston kaj tranĉas aŭ anstataŭigas ĝin. Ne ĉeestas ĉi tie.
3. La propraj emoj de la fundamento — kion ajn la baza modelo lernis dum la trejnado. Tio apartenas al la modelo, kaj ni ne asertas, ke ni forviŝis ĝin.

La unuaj du estas tio, kio rompas produktajn sistemojn, kaj ili estas la du, kiujn ni forigas. Klasifikilo, kiu ekbrulas ĉe 0.5% de la petoj, estas 0.5% da fiaskoj, kiujn vi ne povas sencimigi, ne povas apelacii, kaj ne povas antaŭvidi — kaj tra agenta buklo de 200 paŝoj, 0.5% da po-paŝa fiasko akumuliĝas en rulon, kiu fiaskas pli ofte ol sukcesas. Rifuzo en konversacio estas ĝeno; rifuzo ĉe paŝo 147 de aŭtonoma rulo detruas la staton de la rulo kaj forbruligas ĉion, kion vi elspezis por atingi tien. Por agentaj ŝarĝoj, forigi la rifuzan surfacon estas fidindeca eco, ne stila prefero.

La sekvo estas, ke la respondeco moviĝas al vi. Ekzistas neniu sekurreto inter via aplikaĵo kaj viaj uzantoj; se via produkto bezonas tian, konstruu ĝin tie, kie vi povas vidi, agordi kaj protokoli ĝin. Bonvolu unue legi nian politikon pri respondeca uzo.

04Kimi K2.6 kontraŭ Kimi K3: kiam 5-oblo indas?

Jen la decido, por kiu plej multaj legantoj venis, do jen ĝi sen ĉirkaŭfrazoj. Kimi-K3 · 3BIT-REAP estas la pli granda, pli nova fundamento: anoncita la 16-an de julio 2026 kun malfermaj pezoj la 27-an de julio, kun proksimume 2.8 bilionoj da parametroj entute kaj ĉirkaŭ 104 miliardoj aktivaj po ĵetono — pli ol trioble la aktiva kalkulo de K2.6. Ĉe la fonto, Moonshot listigas K3 je proksimume 5-oble la prezo de K2.6, kaj nia enireja prezado sekvas tiun proporcion.

	Kimi-K2.6 · W4A16-AUTOROUND-REAP	Kimi-K3 · 3BIT-REAP
Enige / 1M ĵetonoj	$0.78	$3.83
Elige / 1M ĵetonoj	$3.67	$19.12
Kunteksta fenestro	262,144	262,144
Maksimuma eligo / peto	16,384	16,384
Bilda enigo	Jes	Jes
Denaska ilvokado	Jes	Jes
Strikta json_schema	Jes	Jes
Sencenzura	Jes	Jes
Aktivaj parametroj / ĵetono	~32B	~104B

Rigardu, kion la tabelo ne montras: ekzistas neniu vico, kie K3 havas econ, kiun K2.6 malhavas. Sama fenestro, sama maksimuma eligo, sama vido, sama ilvokado, sama strukturita eligo, sama sencenzura pozicio, samaj tri dialektoj. La 5-oblo aĉetas ĝuste unu aferon — krudan kapablon po antaŭenira paŝo. Tio estas reala, sed ĝi estas unu sola akso, kaj ĝi faras nenion sur la aksoj, kie ĝi ne estas via botelkolo.

La punkto pri la kunteksta fenestro specife

Ĉe la fonto, la ĉefa eco de K3 estas kunteksto de 1M ĵetonoj kontraŭ la 262K de K2.6. Sur la Enirejo de Shannon ambaŭ modeloj estas servataj je 262,144 ĵetonoj. Se longa kunteksto estis via kialo pagi 5-oble, tiu kialo ne validas ĉi tie — vi pagus la kroman prezon kaj ricevus la saman fenestron. Jen la speco de afero, kiun vendisto estas tentata prisilenti, kaj ĝuste tial ĝi estas grasa.

Pagu la 5-oblon kiam

• Unu pafo devas trafi. Unu sola malfacila paŝo, kie reprovo estas multekosta aŭ neebla — nemalfarebla ago, decido ĉe la fino de longa ĉenstablo. Pli da aktivaj parametroj po ĵetono estas ĝuste tio, kio levas la plafonon de unu paŝo.
• La tasko estas scio-ligita, ne ilo-ligita. Profunda sintezo, kie la respondo devas eliri el la pezoj. La profilo de K2.6 estas agenta; forprenu la ilojn kaj la pli granda fundamento montriĝas.
• La volumeno estas malalta kaj la riskoj altaj. Je 500 vokoj monate, 5-oblo estas $40 anstataŭ $8. Simple aĉetu la pli bonan modelon.

Ne pagu la 5-oblon kiam

• Vi rulas buklon. Longajn agentajn rulojn regas meĥanikaj paŝoj — legi dosieron, voki ilon, kontroli rezulton, elekti la sekvan — kaj ĝuste por tio K2.6 estis trejnita. Ĉe 200 paŝoj la 5-oblo estas $7.71 kontraŭ $38.29 po rulo.
• Vi prilaboras bildojn amase. Vidaj ŝarĝoj estas pezaj laŭ enigaj ĵetonoj kaj la po-era rezonado estas malprofunda. Vidu sekcion 05; ĝi ne estas proksima.
• La tasko estas ekstraktado, klasifikado aŭ transformado. Eltiri kampojn el dokumentoj, enkursigi biletojn, normigi registrojn, resumi — limigitaj taskoj, kie pli granda modelo produktas la saman JSON-on.
• Vi havas kontrolan paŝon. Se la eligo estas kontrolata — testaro, skema validigilo, dua paŝo, homo — okazaj maltrafoj estas malmultekostaj kaj la ekonomio decide favoras la volumenon. Ĉi tio estas la plej subtaksita argumento por la valora nivelo.

Ŝablono inda je nomo: rulu K2.6 por la buklo kaj K3 por la verdikto. Lasu la malmultekostan agentan modelon fari la cent paŝojn de kolektado, vokado kaj skizado, poste elspezu unu multekostan vokon por la fina sintezo. Ambaŭ modeloj parolas la identan API-on kun la sama kunteksta fenestro, do la ŝanĝo estas unulinia modifo de la kampo model.

05Vido je labora prezo

Vido estas la plej akra eĝo de K2.6 en ĉi tiu katalogo. El la dek du sencenzuraj modeloj sur la Enirejo nur kvar entute akceptas bildojn, kaj K2.6 estas la sola, kiu parigas bildan enigon kun la agenta deveno de Kimi sub unu dolaro por miliono da enigaj ĵetonoj.

Vidaj ŝarĝoj havas nekutiman kostan formon. Laŭ la publikigita priskribo de MoonViT ĉe Moonshot, bildo de 1024x1024 kodiĝas al proksimume 576 bildaj ĵetonoj — kaj tiuj estas enigaj ĵetonoj, la malmultekosta flanko de la libro. Tipa vida tasko surteriĝas preskaŭ tute sur la tarifo de $0.78 anstataŭ sur tiu de $3.67. Prenu 10,000 bildojn, ĉiun kun ~200 ĵetonoj da peto (do ~776 enigaj ĵetonoj) kaj ~150 ĵetonoj da strukturita eligo:

Ŝarĝo	Kimi-K2.6	Kimi-K3	Obligo
Unu agenta paŝo (40K enige / 2K elige)	$0.0385	$0.1914	5.0x
Aŭtonoma rulo de 200 paŝoj	$7.71	$38.29	5.0x
10,000 bildoj, strukturita eligo	$11.56	$58.40	5.1x
Amasa tasko (1M enige / 200K elige)	$1.51	$7.65	5.1x

Kalkulita el la listaj prezoj de la Enirejo de Shannon. La takso de bildaj ĵetonoj uzas la publikigitan ciferon de Moonshot pri MoonViT, ~576 ĵetonoj por bildo de 1024x1024; la ekzakta ĵetonigo varias laŭ distingivo kaj proporcio.

Bilda ĉenstablo je $11.56 estas io, kion vi rulas ĉiutage sen pripensi ĝin. Tia je $58.40 estas io, kion vi planas, pravigas, kaj fine forigas. Tiu breĉo estas la tuta argumento por valora nivelo.

Unu honesta averto. Sur sendependaj plurmodalaj kaj surterigaj tabeloj K2.6 estis raportita ĉirkaŭ la 26-a el 115 modeloj, kun mezumo proksima al 68.1 — respektinda, ne gvidanta sian klason. Ĝia vido estas vere forta pri dokumentkompreno, legado de ekrankopioj kaj fasadoj, kaj interpretado de diagramoj; ĝi estas pli malforta ĉe preciza spaca surterigo — ekzaktaj limigaj skatoloj, fajngrajna nombrado en malordaj scenoj, densa OCR de degraditaj skanaĵoj. Se vi bezonas rastrume precizan lokalizadon, benchmark-u sur viaj propraj datumoj unue. Se vi bezonas modelon, kiu rigardu ekrankopion kaj decidu, kion klaki poste, jen ĝuste la ĝusta ilo.

06Ilvokado sen rifuzoj kaj agentaj bukloj

K2.6 subtenas denaskan ilvokadon: la modelo eligas strukturitajn ilvokojn rekte el la ildifinoj laŭ JSON-skemo, kiujn vi provizas, anstataŭ esti persvadata produkti analizeblan tekston. Kun plurvica konversacio kaj sistemaj petoj, tio estas la plena substrato por agenta buklo.

Kion "ilvokado sen rifuzoj" aldonas, estas pli subtila ol ĝi sonas. Sur filtrita API, rifuzoj ene de agenta buklo montriĝas en tri apartaj fiaskaj reĝimoj:

• Malmola rifuzo — la paŝo redonas prozon anstataŭ ilvokon, la analizilo fiaskas, la buklo rompiĝas. Almenaŭ laŭte.
• Mola rifuzo — la voko estas farita, sed la argumentoj estas malfortigitaj: mallarĝigita demando, evitema parametro, tranĉita ŝarĝo. La buklo daŭras kun kviete degradita stato kaj vi ekscias kvar paŝojn poste.
• Antaŭema evitado — la plano stiras for de legitima branĉo antaŭ ol proksimiĝi al ĝi. Ĉi tiun vi neniam vidas; vi simple ricevas pli malbonan planon kaj neniun klarigon.

La dua kaj la tria estas la multekostaj, ĉar ili estas nevideblaj: neniu eraro, nenio en la protokoloj, nenio por serĉi per grep. Finpunkto sen rifuza tavolo forigas la tutan klason — la ilvokaj argumentoj de la modelo estas la ilvokaj argumentoj de la modelo.

Ĉi tio plej gravas en la kampoj, kiuj bezonas longajn aŭtonomajn rulojn kaj tuŝas senteman materialon ĉiukaze: sekureca esplorado kaj ruĝa teamado, analizo de malica programaro kaj de incidentoj, prilaborado de klinikaj dokumentoj, jura malkovro, kaj moderigaj iloj, kiuj devas rezoni pri la enhavo, kiun ili moderigas. Konstrui moderigan klasifikilon postulas modelon pretan rigardi tion, kion ĝi klasifikas; tio ne estas paradokso, nur la laboro.

Praktikaj notoj por longaj ruloj: reasoning_effort lasas vin elspezi pli da pensado sur planajn paŝojn kaj malpli sur meĥanikajn. Flusendado estas disponebla sur ĉiuj tri dialektoj, do longa paŝo povas montri progreson aŭ esti ĉesigita frue. Kaj 262,144 ĵetonoj da kunteksto tenas veran laboran staton — dosierenhavojn, antaŭajn ilrezultojn, kurantan planon — loĝanta tra multaj paŝoj sen resumado ĉe ĉiu vico, kio mem estas ofta fonto de agenta forderivo.

07Strukturita eligo kaj la tri API-dialektoj

K2.6 subtenas kaj json_schema (strikta skem-limigita generado) kaj la pli malstriktan response_format. Kontrolu tion kontraŭ la katalogo: du el la dek du modeloj ĉi tie ne subtenas striktan skeman eligon, kaj se via sekva ĉenstabla stadio analizas JSON-on, tiu kolumno ne estas laŭvola.

Strikta skema eligo estas tio, kio faras sencenzuran modelon uzebla kiel infrastrukturo: se la modelo devas eligi objekton kongruan kun via skemo, vi ricevas analizan garantion sendependan de tio, kion ĝi alie estus dirinta — neniu antaŭparolo, neniu pardonpeto, neniu alineo volvita ĉirkaŭ via JSON. Kombinita kun neniu rifuza tavolo, tio estas ekstrakta finpunkto, kiu redonas vian objekton ĉe ĉiu voko, por ĉiu dokumento, pri kio ajn la dokumento temas.

Surfaco	Subteno ĉe Kimi-K2.6	Notoj
/v1/chat/completions	Jes	Dialekto de OpenAI — rekta anstataŭigo por ekzistantaj SDK-oj
/v1/messages	Jes	Dialekto de Anthropic — sama modelo, samaj pezoj
/v1/responses	Jes	Interfaco laŭ la stilo de Responses
Flusendado	Jes	Sur ĉiuj tri dialektoj
Ilvokado	Jes	Denaska, ildifinoj laŭ JSON-skemo
json_schema	Jes	Strikta strukturita eligo
response_format	Jes	Pli malstrikta JSON-reĝimo
reasoning_effort	Jes	Agordu la pensan buĝeton po voko
Bilda enigo	Jes	Bildoj apud teksto

Ĉiuj tri dialektoj adresas la samajn pezojn sur la sama aro. Direktu ekzistantan klienton de OpenAI al la baza URL, agordu model al Kimi-K2.6-W4A16-AUTOROUND-REAP, kaj vi ruliĝas. La formoj de petoj kaj respondoj, la flusenda semantiko kaj viva ludejo troviĝas en la API-dokumentado.

08Kie Kimi K2.6 estas la malĝusta elekto

Modelgvidilo, kiu listigas nur fortojn, estas reklamo. Jen kie ni sendus vin aliloken.

• Vi bezonas la absolutan plafonon ĉe unu sola malfacila paŝo. Iru al Kimi-K3 kaj pagu la 5-oblon. Por tio ĝi ekzistas.
• Vi bezonas rastrume precizan vidan surterigon. Limigaj skatoloj, densa OCR sur degraditaj skanaĵoj kaj ekzakta nombrado en malordaj scenoj ne estas ĝia plej forta tereno — testu sur viaj datumoj unue.
• Vi bezonas pli malmultekoste ol malmultekoste, sen vido. Pluraj katalogaj modeloj sidas je $0.50 / $2.00. La kroma prezo de K2.6 aĉetas vidon kaj la agentan profilon de Kimi; se vi bezonas nek unu nek la alian, prenu la pli malmultekostan nivelon.
• Vi bezonas pli ol 16,384 eligajn ĵetonojn en unu respondo. Tiu plafono validas tra la tuta katalogo — longaj dokumentoj bezonas pecigitan generadon, kiun ajn modelon vi elektas.
• Vi volas bitidentan konduton al la fonto. Ĉi tio estas pritondita kaj kvantigita konstruo: intenca, publikigita kompromiso. Por studo pri reproduktebleco, rulu kontraŭ la originalaj pezoj de Moonshot.

La ciferoj pri arkitekturo, benchmark-oj kaj eldondatoj de Kimi K2.6 kaj K3 estas raportitaj de Moonshot kaj montritaj por la fonta fundamento, ne por nia kunpremita konstruo. La plurmodala rangocifero venas de sendependa triapartia tabelo. La prezoj de la Enirejo de Shannon estas listaj prezoj je la 5-a de septembro 2026.

09Oftaj demandoj

---

Shannon AI estas funkciigata de Shannon Lab LLC, Nov-Meksiko, Usono. Fontoj: Moonshot AI — Kimi K2 · REAP the Experts (arXiv 2510.13999) · Cerebras Research — REAP. La fontaj benchmark-ciferoj pri Kimi estas raportitaj de Moonshot kaj provizoraj ĝis sendependa kontrolo; ili priskribas la nekunpremitan fundamenton, ne la kvantigitan konstruon de Shannon.