API de Kimi K2 sin censura

La mayoría de las páginas sobre «modelos baratos» hablan en realidad de un modelo pequeño que lleva el apellido de un modelo grande. Esta no. Kimi K2.6 es una base completa a escala de frontera: un billón de parámetros de Mixture-of-Experts disperso, con un codificador de visión nativo y un programa de entrenamiento apuntado de lleno al uso agéntico de herramientas. Lo que la convierte en el nivel de valor no es un cerebro más pequeño, sino una receta de compresión más agresiva. Así que la pregunta no es «¿es lo bastante bueno?», sino «¿qué trabajos notan de verdad la diferencia entre este y su hermano cinco veces más caro?». Casi todo este artículo responde a eso.

01¿Qué es Kimi K2.6 realmente?

Kimi K2.6 es un modelo de pesos abiertos de Moonshot AI, el laboratorio de Pekín detrás de la serie Kimi, publicado el 20 de abril de 2026. Hereda la arquitectura que hizo notable a K2: un transformer Mixture-of-Experts disperso con aproximadamente 1 billón de parámetros totales y unos 32 000 millones activos por token, organizado como 384 expertos, 8 enrutados más 1 compartido por capa a lo largo de 61 capas, con atención latente multicabeza. Solo una pequeña porción de ese billón se activa en un token dado, que es exactamente por lo que un modelo de este tamaño puede costar centavos.

El linaje importa por lo que Moonshot optimizó. El K2 original se preentrenó sobre unos 15.5 billones de tokens usando el optimizador Muon / MuonClip, construido específicamente para evitar que un MoE de un billón de parámetros sufriera las explosiones de atención y los picos de pérdida que desestabilizan el entrenamiento a esa escala; Moonshot reportó cero inestabilidad de entrenamiento en toda la ejecución. Eso está aguas arriba de todo lo demás: les permitió gastar el presupuesto de entrenamiento en comportamiento agéntico en lugar de en apagar fuegos.

K2.6 amplía eso en dos direcciones. Primera, es nativamente multimodal: las imágenes y los fotogramas de vídeo pasan por MoonViT, un codificador de visión de unos 400M de parámetros que trocea la imagen en parches de 448x448 y proyecta cada tesela directamente al espacio de tokens del modelo de lenguaje; los tokens visuales van en la misma secuencia que todo lo demás, no en un generador de descripciones atornillado que alimenta a un modelo ciego. Segunda, está hecha para la orquestación en profundidad: el trabajo Agent Swarm de Moonshot reporta coordinación de hasta 300 subagentes especializados por dominio y hasta 4,000 pasos coordinados en una sola ejecución autónoma.

El perfil de benchmarks reportado por Moonshot

Estas son cifras reportadas por Moonshot para la base K2.6 sin comprimir, no mediciones nuestras. Útiles por su forma, no por su precisión:

Lee la forma, no los dígitos. Las puntuaciones de uso de herramientas y de búsqueda quedan altas; las de dificultad pura quedan más bajas. Esa es la firma de un modelo entrenado para actuar bien más que para saberlo todo: el intercambio correcto si tu agente tiene un navegador, una shell y un sistema de archivos; el equivocado si haces una única pregunta difícil sin herramientas asociadas.

02Qué significa W4A16-AUTOROUND-REAP

El sufijo del identificador del modelo no es decoración. Es la receta exacta de compresión, publicada para que puedas razonar sobre el intercambio que estás haciendo.

• W4A16: pesos a 4 bits, activaciones calculadas a 16. La memoria de pesos cae aproximadamente 4 veces frente a bf16 mientras la aritmética que acumula error se mantiene con precisión de 16 bits. Es el punto estándar de servicio de alta calidad para modelos MoE muy grandes.
• AUTOROUND: el cuantizador AutoRound de Intel. El redondeo ingenuo al más cercano trata cada peso de forma independiente y descarta información de la que el modelo dependía; AutoRound aprende en su lugar las decisiones de redondeo contra datos de calibración. Con un objetivo de 4 bits, esa es la diferencia entre un modelo que sigue cumpliendo un esquema y otro que se desvía.
• REAP: Router-weighted Expert Activation Pruning, de Cerebras Research (arXiv 2510.13999, ICLR 2026). La mayoría de los expertos de un MoE reciben enrutado rara vez. REAP puntúa cada uno según los valores de compuerta del enrutador y las normas de activación, y luego elimina los menos relevantes de una sola pasada. El resultado publicado: hasta un 50% de los expertos podados en modelos de un billón de parámetros conservando en gran medida la calidad base, y la poda superando a la fusión de expertos en tareas generativas; fusionar difumina a los especialistas entre sí, podar simplemente deja caer a los que no se usan.

Aplicado en ese orden —podar primero, cuantizar lo que queda— obtienes un modelo que cabe y corre rápido sin el desplome de calidad que cualquiera de las dos técnicas por separado provocaría a estos ratios. Para ser rotundos sobre el coste: un modelo comprimido no es idéntico bit a bit al original. Lo que compra la receta es que la degradación caiga donde es improbable que la notes —rutas de enrutado raras, colas de tokens de baja probabilidad— y no en el seguimiento de instrucciones, el formato de las llamadas a herramientas o el cumplimiento de esquemas.

03Qué significa «sin censura» en este endpoint

Sin censura aquí es una afirmación sobre la arquitectura, no sobre la actitud. No hay capa de rechazo delante del modelo ni filtrado de contenido en su salida. Tu petición llega a la base y su respuesta te llega a ti; nada intercepta ninguna de las dos direcciones.

Esa distinción importa, porque «sin censura» se usa a la ligera. Bajo esa palabra se agrupan tres cosas distintas:

1. Clasificación de la entrada: un modelo aparte lee tu prompt y decide si lo deja pasar. Aquí no existe.
2. Filtrado de la salida: un escáner inspecciona el texto generado y lo trunca o lo sustituye. Aquí no existe.
3. Las disposiciones propias de la base: lo que el modelo base aprendió durante el entrenamiento. Eso es del modelo, y no pretendemos haberlo borrado.

Las dos primeras son las que rompen sistemas en producción, y son las dos que quitamos. Un clasificador que se dispara en el 0.5% de las peticiones es una tasa de fallo del 0.5% que no puedes depurar, ni recurrir, ni ver venir; y a lo largo de un bucle de agente de 200 pasos, un fallo del 0.5% por paso se compone hasta convertirse en una ejecución que falla más veces de las que acierta. Un rechazo en una conversación es una molestia; un rechazo en el paso 147 de una ejecución autónoma destruye el estado de la ejecución y quema todo lo que gastaste en llegar hasta ahí. Para cargas agénticas, eliminar la superficie de rechazo es una propiedad de fiabilidad, no una preferencia estilística.

El corolario es que la responsabilidad pasa a ti. No hay red de seguridad entre tu aplicación y tus usuarios; si tu producto necesita una, constrúyela donde puedas verla, ajustarla y registrarla. Por favor, lee antes nuestra política de uso responsable.

04Kimi K2.6 frente a Kimi K3: ¿cuándo merecen la pena las 5 veces?

Esta es la decisión por la que vino la mayoría de los lectores, así que va sin rodeos. Kimi-K3 · 3BIT-REAP es la base mayor y más nueva: anunciada el 16 de julio de 2026 con pesos abiertos el 27 de julio, con aproximadamente 2.8 billones de parámetros totales y unos 104 000 millones activos por token, más de 3 veces el cómputo activo de K2.6. Aguas arriba, Moonshot lista K3 a unas 5 veces el precio de K2.6, y los precios de nuestra pasarela siguen ese ratio.

	Kimi-K2.6 · W4A16-AUTOROUND-REAP	Kimi-K3 · 3BIT-REAP
Entrada / 1M de tokens	$0.78	$3.83
Salida / 1M de tokens	$3.67	$19.12
Ventana de contexto	262,144	262,144
Salida máxima / petición	16,384	16,384
Entrada de imagen	Sí	Sí
Tool calling nativo	Sí	Sí
json_schema estricto	Sí	Sí
Sin censura	Sí	Sí
Parámetros activos / token	~32B	~104B

Fíjate en lo que la tabla no muestra: no hay ninguna fila donde K3 tenga una función que a K2.6 le falte. Misma ventana, misma salida máxima, misma visión, mismo tool calling, misma salida estructurada, misma postura sin censura, mismos tres dialectos. Las 5 veces compran exactamente una cosa: capacidad bruta por pasada hacia delante. Es real, pero es un solo eje, y no hace nada en los ejes donde no está tu cuello de botella.

El punto de la ventana de contexto, en concreto

Aguas arriba, la función estrella de K3 es un contexto de 1M de tokens frente a los 262K de K2.6. En la pasarela de Shannon ambos modelos se sirven con 262,144 tokens. Si el contexto largo era tu razón para pagar 5 veces más, esa razón no aplica aquí: pagarías la prima y obtendrías la misma ventana. Es el tipo de cosa que a un proveedor le tienta callarse, y por eso está en negrita.

Paga las 5 veces cuando

• Un solo tiro tiene que acertar. Una única pasada difícil donde reintentar es caro o imposible: una acción irreversible, una decisión al final de una tubería larga. Más parámetros activos por token es exactamente lo que sube el techo de una sola pasada.
• La tarea depende del conocimiento, no de las herramientas. Síntesis profunda donde la respuesta tiene que salir de los pesos. El perfil de K2.6 es agéntico; quítale las herramientas y la base mayor se nota.
• El volumen es bajo y lo que está en juego es alto. Con 500 llamadas al mes, 5 veces son $40 en lugar de $8. Compra sin más el modelo mejor.

No pagues las 5 veces cuando

• Estás ejecutando un bucle. Las ejecuciones agénticas largas están dominadas por pasos mecánicos —leer un archivo, llamar a una herramienta, comprobar un resultado, elegir el siguiente—, que es exactamente para lo que se entrenó K2.6. Con 200 pasos, las 5 veces son $7.71 frente a $38.29 por ejecución.
• Estás procesando imágenes en volumen. Las cargas de visión son intensivas en tokens de entrada y el razonamiento por ítem es superficial. Mira la sección 05; no está ni cerca.
• El trabajo es extracción, clasificación o transformación. Sacar campos de documentos, enrutar tickets, normalizar registros, resumir: tareas acotadas donde un modelo más grande produce el mismo JSON.
• Tienes un paso de verificación. Si la salida se comprueba —una batería de tests, un validador de esquema, una segunda pasada, una persona—, los fallos ocasionales salen baratos y la economía favorece al volumen de forma decisiva. Este es el argumento más infravalorado a favor del nivel de valor.

Un patrón que merece nombre: usa K2.6 para el bucle y K3 para el veredicto. Deja que el modelo agéntico barato haga los cien pasos de recopilar, llamar y redactar, y luego gasta una sola llamada cara en la síntesis final. Ambos modelos hablan la API idéntica con la misma ventana de contexto, así que cambiar es modificar una línea en el campo model.

05Visión a un precio de trabajo

La visión es la ventaja más afilada de K2.6 en este catálogo. De los doce modelos sin censura de la pasarela, solo cuatro aceptan imágenes, y K2.6 es el único que combina la entrada de imagen con el linaje agéntico de Kimi por debajo de un dólar por millón de tokens de entrada.

Las cargas de visión tienen una forma de coste inusual. Según la descripción publicada de MoonViT por Moonshot, una imagen de 1024x1024 se codifica en aproximadamente 576 tokens de imagen, y esos son tokens de entrada, el lado barato del libro mayor. Un trabajo de visión típico cae casi por completo en la tarifa de $0.78 y no en la de $3.67. Toma 10,000 imágenes, cada una con ~200 tokens de prompt (o sea ~776 tokens de entrada) y ~150 tokens de salida estructurada:

Carga de trabajo	Kimi-K2.6	Kimi-K3	Múltiplo
Un paso de agente (40K entrada / 2K salida)	$0.0385	$0.1914	5.0x
Ejecución autónoma de 200 pasos	$7.71	$38.29	5.0x
10,000 imágenes, salida estructurada	$11.56	$58.40	5.1x
Trabajo por lotes (1M entrada / 200K salida)	$1.51	$7.65	5.1x

Calculado a partir de los precios de lista de la pasarela de Shannon. La estimación de tokens de imagen usa la cifra publicada por Moonshot para MoonViT de ~576 tokens en una imagen de 1024x1024; la tokenización exacta varía con la resolución y la relación de aspecto.

Una tubería de imágenes de $11.56 es algo que ejecutas a diario sin pensarlo. Una de $58.40 es algo que planificas, justificas y acabas recortando. Esa diferencia es todo el argumento a favor de un nivel de valor.

Una advertencia honesta. En tablas independientes de tareas multimodales y de anclaje visual se ha reportado a K2.6 en torno al puesto 26 de 115 modelos, con una media cercana a 68.1: respetable, no líder de su clase. Su visión es genuinamente fuerte en comprensión de documentos, lectura de capturas de pantalla e interfaces, e interpretación de gráficas y diagramas; es más débil en anclaje espacial preciso: cajas delimitadoras exactas, conteo fino en escenas abarrotadas, OCR denso de escaneos degradados. Si necesitas localización con precisión de píxel, haz primero benchmarks con tus propios datos. Si necesitas un modelo que mire una captura de pantalla y decida qué pulsar a continuación, esta es de lleno la herramienta correcta.

06Tool calling sin rechazos y bucles agénticos

K2.6 admite tool calling nativo: el modelo emite invocaciones estructuradas de herramientas directamente a partir de las definiciones con esquema JSON que le suministras, en lugar de que haya que convencerlo de producir texto parseable. Con conversación multiturno y prompts de sistema, ese es el sustrato completo para un bucle de agente.

Lo que añade el «tool calling sin rechazos» es más sutil de lo que suena. En una API filtrada, los rechazos dentro de un bucle de agente se manifiestan en tres modos de fallo distintos:

• Rechazo duro: el paso devuelve prosa en lugar de una llamada a herramienta, el parseador falla, el bucle se rompe. Al menos es ruidoso.
• Rechazo blando: la llamada se hace, pero los argumentos van rebajados: una consulta estrechada, un parámetro con reservas, una carga útil truncada. El bucle continúa con un estado silenciosamente degradado y te enteras cuatro pasos después.
• Evitación preventiva: el plan se aparta de una rama legítima antes siquiera de acercarse a ella. Esto no lo ves nunca; simplemente obtienes un plan peor y ninguna explicación.

El segundo y el tercero son los caros, porque son invisibles: ningún error, nada en los registros, nada que buscar con grep. Un endpoint sin capa de rechazo elimina la clase entera: los argumentos de las llamadas a herramientas del modelo son los argumentos del modelo.

Esto importa sobre todo en los dominios que necesitan ejecuciones autónomas largas y que de todos modos tocan material sensible: investigación de seguridad y red teaming, análisis de malware e incidentes, procesamiento de documentos clínicos, descubrimiento de pruebas jurídicas y utillaje de moderación que debe razonar sobre el contenido que modera. Construir un clasificador de moderación requiere un modelo dispuesto a mirar lo que clasifica; eso no es una paradoja, es el trabajo.

Notas prácticas para ejecuciones largas: reasoning_effort te deja gastar más pensamiento en los pasos de planificación y menos en los mecánicos. El streaming está disponible en los tres dialectos, así que un paso largo puede mostrar progreso o abortarse pronto. Y 262,144 tokens de contexto mantienen residente el estado de trabajo real —contenidos de archivos, resultados previos de herramientas, un plan en curso— a lo largo de muchos pasos sin volver a resumir en cada turno, algo que es de por sí una fuente habitual de deriva en los agentes.

07Salida estructurada y los tres dialectos de API

K2.6 admite tanto json_schema (generación estrictamente restringida por esquema) como el más laxo response_format. Contrástalo con el catálogo: dos de los doce modelos de aquí no admiten salida con esquema estricto, y si la siguiente etapa de tu tubería parsea JSON, esa columna no es opcional.

La salida con esquema estricto es lo que hace utilizable un modelo sin censura como infraestructura: si el modelo debe emitir un objeto que cumpla tu esquema, obtienes una garantía de parseo independiente de lo que habría dicho por su cuenta: sin preámbulo, sin disculpa, sin un párrafo envolviendo tu JSON. Combinado con la ausencia de capa de rechazo, eso es un endpoint de extracción que devuelve tu objeto en cada llamada, para cada documento, trate de lo que trate el documento.

Superficie	Compatibilidad de Kimi-K2.6	Notas
/v1/chat/completions	Sí	Dialecto de OpenAI: sustitución directa para los SDK existentes
/v1/messages	Sí	Dialecto de Anthropic: mismo modelo, mismos pesos
/v1/responses	Sí	Interfaz de estilo responses
Streaming	Sí	En los tres dialectos
Tool calling	Sí	Nativo, definiciones de herramientas con esquema JSON
json_schema	Sí	Salida estructurada estricta
response_format	Sí	Modo JSON más laxo
reasoning_effort	Sí	Ajusta el presupuesto de pensamiento por llamada
Entrada de imagen	Sí	Imágenes junto al texto

Los tres dialectos apuntan a los mismos pesos en el mismo clúster. Apunta un cliente de OpenAI existente a la URL base, pon model a Kimi-K2.6-W4A16-AUTOROUND-REAP y ya estás en marcha. Las formas de petición y respuesta, la semántica del streaming y un playground en vivo están en la documentación de la API.

08Dónde Kimi K2.6 es la elección equivocada

Una guía de modelo que solo enumera virtudes es un anuncio. Aquí va dónde te mandaríamos a otra parte.

• Necesitas el techo absoluto en una sola pasada difícil. Ve a Kimi-K3 y paga las 5 veces. Para eso está.
• Necesitas anclaje visual con precisión de píxel. Las cajas delimitadoras, el OCR denso sobre escaneos degradados y el conteo exacto en escenas abarrotadas no son su terreno más fuerte; prueba antes con tus datos.
• Necesitas más barato que barato, sin visión. Varios modelos del catálogo están a $0.50 / $2.00. La prima de K2.6 compra visión y el perfil agéntico de Kimi; si no necesitas ninguna de las dos cosas, toma el nivel más barato.
• Necesitas más de 16,384 tokens de salida en una sola respuesta. Ese techo se aplica a todo el catálogo: los documentos largos requieren generación troceada elijas el modelo que elijas.
• Quieres un comportamiento exacto bit a bit respecto al modelo original. Esta es una compilación podada y cuantizada: un intercambio deliberado y publicado. Para un estudio de reproducibilidad, ejecuta contra los pesos originales de Moonshot.

Las cifras de arquitectura, benchmark y fecha de publicación de Kimi K2.6 y K3 están reportadas por Moonshot y se muestran para la base original, no para nuestra compilación comprimida. La cifra de clasificación multimodal procede de una tabla independiente de terceros. Los precios de la pasarela de Shannon son precios de lista a 5 de septiembre de 2026.

09Preguntas frecuentes

---

Shannon AI está operado por Shannon Lab LLC, Nuevo México, EE. UU. Fuentes: Moonshot AI — Kimi K2 · REAP the Experts (arXiv 2510.13999) · Cerebras Research — REAP. Las cifras de benchmark de Kimi son reportadas por Moonshot y provisionales a la espera de verificación independiente; describen la base sin comprimir, no la compilación cuantizada de Shannon.