Zentsurarik gabeko Kimi K2 APIa
Ikusmena, tresna-dei natiboak eta 262K leihoa Moonshot-en bilioi bat parametroko oinarri agentikoan — zentsurarik gabe, milioi bat tokeneko $0.78 sarreran / $3.67 irteeran.
Laburpena
Kimi-K2.6 · W4A16-AUTOROUND-REAP Kimi familiaren balio-maila da Shannon atebidean. Moonshot AI-ren bilioi bat parametroko MoE agentikoa da — tresna-erabileraren begizta luzeetarako eraikitako eredua — zentsurarik gabe zerbitzatua, irudi-sarrerarekin, tresna-dei natiboekin, JSON eskema zorrotzeko irteerarekin eta 262,144 tokeneko testuinguruarekin, milioi bat tokeneko $0.78 / $3.67 prezioan. Bere anaia Kimi-K3-k gutxi gorabehera 5 aldiz gehiago kostatzen du. 04. atala 5 halako horrek zerbait ematen dizunean eta ezer ematen ez dizunean kontatzen duen kontakizun zintzoa da.
"Eredu merke" orri gehienak eredu handi baten familia-izena daraman eredu txiki bati buruzkoak dira benetan. Hau ez. Kimi K2.6 mugako eskalako oinarri osoa da — bilioi bat parametroko Mixture-of-Experts bakana, ikusmen-kodetzaile natiboarekin eta tresna-erabilera agentikora zuzenean bideratutako entrenamendu-programarekin. Balio-maila egiten duena ez da garun txikiagoa, konpresio-errezeta oldarkorragoa baizik. Beraz, galdera ez da "nahikoa ona al da?", baizik eta "zein lanek nabaritzen dute benetan honen eta 5 aldiz garestiagoa den bere anaiaren arteko aldea?". Artikulu honen zatirik handienak horri erantzuten dio.
01Zer da Kimi K2.6, benetan?
Kimi K2.6 Moonshot AI-ren pisu irekiko eredua da — Kimi seriearen atzean dagoen Pekingo laborategia — 2026ko apirilaren 20an kaleratua. K2 nabarmen egin zuen arkitektura heredatzen du: Mixture-of-Experts transformer bakana, gutxi gorabehera bilioi bat parametro guztira eta token bakoitzeko 32 mila milioi aktibo, geruzako 384 aditu gisa antolatuta, 8 bideratu gehi 1 partekatu, 61 geruzatan, Multi-head Latent Attention-ekin. Bilioi horren zati txiki bat baino ez da pizten token bakoitzean — eta horregatik jar daiteke tamaina honetako eredu bat zentimotan.
Leinuak axola du Moonshot-ek zer optimizatu zuen dela eta. Jatorrizko K2 15.5 bilioi token inguruz aurre-entrenatu zen Muon / MuonClip optimizatzailearekin, bereziki eraikia bilioi bat parametroko MoE batek eskala horretan entrenamendua desegonkortzen duten arreta-leherketak eta galera-gailurrak jasan ez ditzan; Moonshot-ek entrenamendu osoan ezegonkortasunik ez zela izan jakinarazi zuen. Hori beste guztiaren gainetik dago — entrenamendu-aurrekontua portaera agentikoan gastatzeko aukera eman zien, suteak itzaltzen ibili beharrean.
K2.6-k hori bi norabidetan luzatzen du. Lehenik, natiboki multimodala da: irudiak eta bideo-fotogramak MoonViT-etik pasatzen dira, 400M parametro inguruko ikusmen-kodetzaile bat, irudia 448x448 laukitan zatitzen duena eta lauki bakoitza zuzenean hizkuntza-ereduaren token-espaziora proiektatzen duena — token bisualak beste guztiaren sekuentzia berean daude, ez eredu itsu bati elikatzen dion kanpoko azpitituludore batean. Bigarrenik, sakoneran orkestratzeko eraikita dago: Moonshot-en Agent Swarm lanak 300 azpiagente espezializatu arteko koordinazioa eta exekuzio autonomo bakar batean 4,000 urrats koordinatu arte jakinarazten ditu.
Moonshot-ek jakinarazitako benchmark profila
Hauek Moonshot-ek jakinarazitako datuak dira konprimitu gabeko K2.6 oinarrirako, ez gure neurketak. Formarako baliagarriak, ez zehaztasunerako:
Irakur ezazu forma, ez digituak. Tresnak erabiltzen eta bilaketan oinarritutako puntuazioak altu daude; zailtasun hutsekoak beherago. Hori ondo jokatzeko entrenatutako eredu baten sinadura da, dena jakiteko entrenatutakoarena baino — truke egokia zure agenteak nabigatzailea, shell-a eta fitxategi-sistema baditu, eta okerra galdera zail bakar bat egiten ari bazara tresnarik gabe.
02Zer esan nahi du W4A16-AUTOROUND-REAP-ek
Ereduaren id-aren atzizkia ez da apaingarria. Konpresio-errezeta zehatza da, argitaratua egiten ari zaren trukeari buruz arrazoitu ahal izan dezazun.
- W4A16 — pisuak 4 bitean, aktibazioak 16 bitean kalkulatuta. Pisuen memoria bf16-ren aldean gutxi gorabehera 4 aldiz jaisten da, errorea metatzen duen aritmetika 16 biteko zehaztasunean geratzen den bitartean. Hau da MoE eredu oso handientzako zerbitzu-puntu estandar kalitate handikoa.
- AUTOROUND — Intel-en AutoRound kuantizatzailea. Hurbilenera biribiltze inuxenteak pisu bakoitza independenteki tratatzen du eta ereduak behar zuen informazioa botatzen du; AutoRound-ek biribiltze-erabakiak ikasi egiten ditu kalibrazio-datuen aurka. 4 biteko helburuan hori da eskema bati oraindik jarraitzen dion eredu baten eta noraezean dabilenaren arteko aldea.
- REAP — Router-weighted Expert Activation Pruning, Cerebras Research-ena (arXiv 2510.13999, ICLR 2026). MoE bateko aditu gehienetara gutxitan bideratzen da. REAP-ek bakoitza puntuatzen du bere bideratzailearen ate-balioengatik eta bere aktibazio-normengatik, eta gero garrantzi gutxienekoak kentzen ditu urrats bakarrean. Argitaratutako emaitza: bilioi bat parametroko ereduetatik adituen %50 arte inausita oinarrizko kalitateari neurri handi batean eutsiz, eta inausketak adituak batzea gainditzen du zeregin sortzaileetan — batzeak espezialistak nahasten ditu, inausketak erabili gabekoak kentzen ditu besterik gabe.
Ordena horretan aplikatuta — lehenik inaustu, gero gelditzen dena kuantizatu — kabitzen eta azkar dabilen eredu bat lortzen duzu, teknika bakoitzak bakarrik proportzio hauetan eragingo lukeen kalitate-kolapsorik gabe. Kostuari buruz zuzen hitz eginda: eredu konprimitu bat ez da jatorrizkoaren berdina bit mailan. Errezetak ematen duena da degradazioa nabarituko ez duzun tokian erortzea — bideratze-bide arraroak, probabilitate baxuko token-isatsak — eta ez jarraibideak betetzean, tresna-deien formatuan edo eskemari eustean.
03Zer esan nahi du "zentsurarik gabe" amaiera-puntu honetan
Zentsurarik gabe hemen arkitekturari buruzko baieztapena da, ez jarrerari buruzkoa. Ez dago uko egiteko geruzarik ereduaren aurrean eta ez dago eduki-iragazketarik bere irteeran. Zure eskaera oinarrira iristen da eta bere erantzuna zuregana; ezerk ez du bi noranzkoetako bat ere atzematen.
Bereizketa horrek axola du, "zentsurarik gabe" lasai erabiltzen baita. Hiru gauza desberdin biltzen dira hitz horren azpian:
- Sarreraren sailkapena — beste eredu batek zure prompta irakurtzen du eta pasatzen utzi ala ez erabakitzen du. Hemen ez dago.
- Irteeraren iragazketa — eskaner batek sortutako testua aztertzen du eta mozten edo ordezkatzen du. Hemen ez dago.
- Oinarriaren joera propioak — oinarrizko ereduak entrenamenduan ikasi zuena. Hori ereduarena da, eta ez dugu ezabatu dugunik esaten.
Lehen biek hausten dituzte produkzio-sistemak, eta horiek dira kentzen ditugun biak. Eskaeren %0.5ean pizten den sailkatzaile bat arazketarik, apelaziorik eta aurreikuspenik gabeko %0.5eko hutsegite-tasa da — eta 200 urratseko agente-begizta batean, urratseko %0.5eko hutsegiteak metatuz gero, exekuzioak arrakasta baino gehiagotan huts egiten du. Elkarrizketa bateko uko bat gogaikarria da; exekuzio autonomo baten 147. urratseko ukoak exekuzioaren egoera suntsitzen du eta hara iristeko gastatutako guztia erretzen du. Agenteen lan-kargetan, uko egiteko azalera kentzea fidagarritasun-propietatea da, ez estilo-hobespena.
Ondorioa da erantzukizuna zuregana pasatzen dela. Ez dago segurtasun-sarerik zure aplikazioaren eta zure erabiltzaileen artean; zure produktuak bat behar badu, eraiki ezazu ikusi, doitu eta erregistratu dezakezun tokian. Irakurri lehenik gure erabilera arduratsuaren politika.
04Kimi K2.6 eta Kimi K3: noiz merezi du 5 halakoak?
Hau da irakurle gehienak bila etorri diren erabakia, beraz hona hemen bueltarik gabe. Kimi-K3 · 3BIT-REAP oinarri handiagoa eta berriagoa da: 2026ko uztailaren 16an iragarria, pisu irekiekin uztailaren 27an, gutxi gorabehera 2.8 bilioi parametro guztira eta token bakoitzeko 104 mila milioi aktibo — K2.6-ren konputazio aktiboa baino 3 aldiz gehiago. Jatorrian, Moonshot-ek K3 K2.6-ren prezioaren 5 halako inguruan zerrendatzen du, eta gure atebideko prezioek ratio horri jarraitzen diote.
| Kimi-K2.6 · W4A16-AUTOROUND-REAP | Kimi-K3 · 3BIT-REAP | |
|---|---|---|
| Sarrera / 1M token | $0.78 | $3.83 |
| Irteera / 1M token | $3.67 | $19.12 |
| Testuinguru-leihoa | 262,144 | 262,144 |
| Gehieneko irteera / eskaera | 16,384 | 16,384 |
| Irudi-sarrera | Bai | Bai |
| Tresna-dei natiboak | Bai | Bai |
| json_schema zorrotza | Bai | Bai |
| Zentsurarik gabe | Bai | Bai |
| Parametro aktiboak / token | ~32B | ~104B |
Begiratu taulak zer ez duen erakusten: ez dago errenkadarik non K3-k K2.6-k ez duen ezaugarri bat duen. Leiho bera, gehieneko irteera bera, ikusmen bera, tresna-dei berak, egituratutako irteera bera, zentsurarik gabeko jarrera bera, hiru dialekto berak. 5 halakoak gauza bakar bat erosten du — aurrera-pasaldi bakoitzeko gaitasun gordina. Hori benetakoa da, baina ardatz bakarra da, eta ezer ez du egiten zure botila-lepoa ez den ardatzetan.
Testuinguru-leihoaren puntua zehazki
Jatorrian, K3-ren ezaugarri nagusia 1M tokeneko testuingurua da, K2.6-ren 262K-ren aldean. Shannon atebidean bi ereduak 262,144 tokenetan zerbitzatzen dira. Testuinguru luzea bazen 5 halako ordaintzeko zure arrazoia, arrazoi hori ez da hemen aplikatzen — gainprezioa ordainduko zenuke eta leiho bera lortuko zenuke. Hau da hornitzaile batek isilik uztera tentatuta legokeen gauzetakoa, eta horregatik dago letra lodiz.
Ordaindu 5 halakoa noiz
- Saiakera bakarrak asmatu behar duenean. Berriro saiatzea garestia edo ezinezkoa den pasaldi zail bakar bat — ekintza itzulezin bat, kanalizazio luze baten amaierako erabaki bat. Token bakoitzeko parametro aktibo gehiagok igotzen du, hain zuzen ere, pasaldi bakarreko sabaia.
- Zeregina ezagutzari lotuta dagoenean, ez tresnei. Erantzuna pisuetatik atera behar den sintesi sakona. K2.6-ren profila agentikoa da; kendu tresnak eta oinarri handiagoa nabaritzen da.
- Bolumena txikia denean eta jokoan dagoena handia. Hilean 500 dei eginda, 5 halakoa $40 da $8 izan beharrean. Erosi eredu hobea eta kito.
Ez ordaindu 5 halakoa noiz
- Begizta bat exekutatzen ari zarenean. Exekuzio agentiko luzeak urrats mekanikoek menderatzen dituzte — irakurri fitxategi bat, deitu tresna bati, egiaztatu emaitza bat, hautatu hurrengoa — eta horixe da K2.6 entrenatu zutenerako. 200 urratsetan 5 halakoa exekuzioko $7.71 da $38.29-ren aldean.
- Irudiak bolumenean prozesatzen ari zarenean. Ikusmen-lan-kargak sarrera-token askokoak dira eta elementu bakoitzeko arrazoiketa azalekoa da. Ikus 05. atala; ez dago hurbil ere.
- Lana erauzketa, sailkapena edo eraldaketa denean. Dokumentuetatik eremuak ateratzea, txartelak bideratzea, erregistroak normalizatzea, laburtzea — eredu handiago batek JSON bera sortzen duen zeregin mugatuak.
- Egiaztatze-urrats bat duzunean. Irteera egiaztatzen bada — proba-multzo bat, eskema-balidatzaile bat, bigarren pasaldi bat, pertsona bat — noizbehinkako hutsak merkeak dira eta ekonomiak bolumenaren alde egiten du erabat. Hau da balio-mailaren aldeko argudiorik gutxietsiena.
Izena merezi duen eredu bat: exekutatu K2.6 begiztarako eta K3 epairako. Utzi eredu agentiko merkeari biltzeko, deitzeko eta zirriborratzeko ehun urratsak egiten, eta gero gastatu dei garesti bakar bat azken sintesian. Bi ereduek API berbera hitz egiten dute testuinguru-leiho berarekin, beraz aldatzea model eremuko lerro bakarreko aldaketa da.
05Ikusmena prezio erabilgarrian
Ikusmena da K2.6-ren ertzik zorrotzena katalogo honetan. Atebideko hamabi eredu zentsuragabeetatik lauk baino ez dituzte irudiak onartzen, eta K2.6 da irudi-sarrera Kimi leinu agentikoarekin uztartzen duen bakarra milioi bat sarrera-tokeneko dolar batetik behera.
Ikusmen-lan-kargek kostu-forma ezohikoa dute. Moonshot-ek MoonViT-i buruz argitaratutakoaren arabera, 1024x1024 irudi bat gutxi gorabehera 576 irudi-tokenetan kodetzen da — eta horiek sarrera-tokenak dira, kontabilitatearen alde merkea. Ikusmen-lan tipiko bat ia erabat $0.78ko tarifan erortzen da eta ez $3.67koan. Har itzazu 10,000 irudi, bakoitza ~200 tokeneko promptarekin (beraz ~776 sarrera-token) eta ~150 tokeneko egituratutako irteerarekin:
| Lan-karga | Kimi-K2.6 | Kimi-K3 | Biderkatzailea |
|---|---|---|---|
| Agente-urrats bat (40K sarrera / 2K irteera) | $0.0385 | $0.1914 | 5.0x |
| 200 urratseko exekuzio autonomoa | $7.71 | $38.29 | 5.0x |
| 10,000 irudi, egituratutako irteera | $11.56 | $58.40 | 5.1x |
| Lote-lana (1M sarrera / 200K irteera) | $1.51 | $7.65 | 5.1x |
Shannon atebideko zerrenda-prezioetatik kalkulatuta. Irudi-tokenen estimazioak Moonshot-ek argitaratutako MoonViT datua erabiltzen du, 1024x1024 irudi baterako ~576 token; tokenizazio zehatza bereizmenaren eta itxura-erlazioaren arabera aldatzen da.
$11.56ko irudi-kanalizazio bat egunero exekutatzen duzun zerbait da, pentsatu gabe. $58.40koa antolatu, justifikatu eta azkenean moztu egiten duzun zerbait da. Tarte hori da balio-maila baten aldeko argudio osoa.
Ohar zintzo bat. Multimodalitateko eta zeregin oinarrituetako sailkapen independenteetan K2.6 115 ereduetatik 26. postuan, 68.1 inguruko batez bestekoarekin jakinarazi da — duina, ez klasearen burua. Bere ikusmena benetan sendoa da dokumentuak ulertzen, pantaila-argazkiak eta interfazeak irakurtzen, eta grafikoak edo diagramak interpretatzen; ahulagoa da kokapen espazial zehatzean — muga-koadro zehatzak, eszena beteetan zenbaketa xehea, hondatutako eskaneatuen OCR trinkoa. Pixel mailako kokapen zehatza behar baduzu, egin benchmark zure datuekin lehenik. Pantaila-argazki bati begiratu eta hurrengo zer klikatu erabakiko duen eredu bat behar baduzu, hau da tresna egokia zalantzarik gabe.
06Ukorik gabeko tresna-deiak eta begizta agentikoak
K2.6-k tresna-dei natiboak onartzen ditu: ereduak tresna-inbokazio egituratuak zuzenean sortzen ditu zuk ematen dituzun JSON eskemako tresna-definizioetatik, testu parseagarria sortzera limurtua izan beharrean. Txanda anitzeko elkarrizketarekin eta sistemako promptekin batera, hori da agente-begizta baten substratu osoa.
"Ukorik gabeko tresna-deiek" gehitzen dutena dirudiena baino sotilagoa da. Iragazitako API batean, agente-begizta bateko ukoak hiru hutsegite-modu desberdinetan agertzen dira:
- Uko gogorra — urratsak prosa itzultzen du tresna-dei baten ordez, parseatzaileak huts egiten du, begizta hausten da. Behintzat ozena da.
- Uko biguna — deia egiten da baina argumentuak moteldu egiten dira: kontsulta estutua, parametro zuhurra, karga moztua. Begiztak aurrera jarraitzen du egoera isilean hondatuta, eta lau urrats geroago konturatzen zara.
- Aurrez saihestea — planak adar zilegi batetik ihes egiten du hurbildu ere egin baino lehen. Hau ez duzu inoiz ikusten; plan okerragoa jasotzen duzu eta azalpenik ez.
Bigarrena eta hirugarrena dira garestiak, ikusezinak direlako: errorerik ez, ezer erregistroetan, ezer bilatzeko. Uko egiteko geruzarik gabeko amaiera-puntu batek klase osoa kentzen du — ereduaren tresna-deien argumentuak ereduaren tresna-deien argumentuak dira.
Hau exekuzio autonomo luzeak behar dituzten eta dena den material sentikorra ukitzen duten arloetan nabaritzen da gehien: segurtasun-ikerketa eta talde gorria, malware eta intzidenteen analisia, dokumentu klinikoen prozesamendua, lege-aurkikuntza, eta moderatzen duen edukiari buruz arrazoitu behar duen moderazio-tresneria. Moderazio-sailkatzaile bat eraikitzeak sailkatzen duenari begiratzeko prest dagoen eredua eskatzen du; hori ez da paradoxa bat, lana bera baizik.
Ohar praktikoak exekuzio luzeetarako: reasoning_effort-ek pentsamendu gehiago gastatzen uzten dizu plangintza-urratsetan eta gutxiago mekanikoetan. Streaminga hiru dialektoetan dago eskuragarri, beraz urrats luze batek aurrerapena erakuts dezake edo goiz abortatu daiteke. Eta 262,144 tokeneko testuinguruak benetako lan-egoerari eusten dio — fitxategien edukiak, aurreko tresna-emaitzak, plan bat martxan — urrats askotan zehar, txanda bakoitzean berriro laburtu gabe, hori bera baita agenteen noraeza sortzen duen iturri arrunta.
07Egituratutako irteera eta hiru API dialektoak
K2.6-k json_schema (eskemak zorrozki mugatutako sorkuntza) eta response_format lasaiagoa onartzen ditu, biak. Egiaztatu hori katalogoaren aurka: hemengo hamabi ereduetatik bik ez dute eskema zorrotzeko irteera onartzen, eta zure hurrengo kanalizazio-etapak JSON parseatzen badu, zutabe hori ez da aukerakoa.
Eskema zorrotzeko irteerak egiten du eredu zentsuragabe bat azpiegitura gisa erabilgarri: ereduak zure eskemarekin bat datorren objektu bat igorri behar badu, parseatze-bermea lortzen duzu bestela esango zukeenaz aparte — hitzaurrerik ez, barkamenik ez, zure JSONaren inguruan bildutako paragraforik ez. Uko egiteko geruzarik ezarekin konbinatuta, hori dei bakoitzean, dokumentu bakoitzean, dokumentua zeri buruzkoa den axola gabe, zure objektua itzultzen duen erauzketa-amaiera-puntua da.
| Azalera | Kimi-K2.6 euskarria | Oharrak |
|---|---|---|
| /v1/chat/completions | Bai | OpenAI dialektoa — zuzenean lehendik dauden SDKentzat |
| /v1/messages | Bai | Anthropic dialektoa — eredu bera, pisu berak |
| /v1/responses | Bai | Responses erako interfazea |
| Streaming | Bai | Hiru dialektoetan |
| Tresna-deiak | Bai | Natiboak, JSON eskemako tresna-definizioak |
| json_schema | Bai | Egituratutako irteera zorrotza |
| response_format | Bai | JSON modu lasaiagoa |
| reasoning_effort | Bai | Doitu pentsamendu-aurrekontua deiko |
| Irudi-sarrera | Bai | Irudiak testuarekin batera |
Hiru dialektoek kluster bereko pisu berberak atzitzen dituzte. Zuzendu lehendik duzun OpenAI bezeroa oinarrizko URLra, ezarri model Kimi-K2.6-W4A16-AUTOROUND-REAP gisa, eta martxan zaude. Eskaeren eta erantzunen formak, streamingaren semantika eta proba-eremu bizi bat APIaren dokumentazioan daude.
08Non den Kimi K2.6 aukera okerra
Indarguneak baino zerrendatzen ez dituen ereduaren gida bat iragarki bat da. Hona hemen non bidaliko zintuzkegun beste nonbaitera.
- Pasaldi zail bakar batean sabai absolutua behar duzunean. Joan Kimi-K3-ra eta ordaindu 5 halakoa. Horretarako dago.
- Pixel mailako kokapen bisual zehatza behar duzunean. Muga-koadroak, hondatutako eskaneatuen OCR trinkoa eta eszena beteetako zenbaketa zehatza ez dira bere lurrik sendoena — probatu zure datuekin lehenik.
- Merkea baino merkeagoa behar duzunean, ikusmenik gabe. Katalogoko hainbat eredu $0.50 / $2.00 prezioan daude. K2.6-ren gainprezioak ikusmena eta Kimi profil agentikoa erosten ditu; biak behar ez badituzu, hartu maila merkeagoa.
- Erantzun bakar batean 16,384 irteera-token baino gehiago behar dituzunean. Sabai hori katalogo osoari aplikatzen zaio — dokumentu luzeek zatikako sorkuntza behar dute zein eredu aukeratzen duzun ere.
- Jatorriaren portaera bit mailan zehatza nahi duzunean. Hau inausitako eta kuantizatutako eraikuntza bat da: truke nahita egina eta argitaratua. Erreproduzigarritasun-azterketa baterako, exekutatu Moonshot-en jatorrizko pisuen aurka.
Hemengo jatorrizko datu guztiak Moonshot AI-k edo ikertzaile independenteek argitaratutakoak dira. Gure zenbakiak — prezioa, testuingurua, gehieneko irteera, gaitasun-banderak — zuk zeuk kontsulta dezakezun /v1/models amaiera-puntu bizitik datoz zuzenean. Egiaztatu biak.
Kimi K2.6 eta K3-ren arkitektura-, benchmark- eta kaleratze-datak Moonshot-ek jakinarazitakoak dira eta jatorrizko oinarrirako erakusten dira, ez gure eraikuntza konprimiturako. Sailkapen multimodalaren datua hirugarrenen sailkapen independente batekoa da. Shannon atebideko prezioak 2026ko irailaren 5eko zerrenda-prezioak dira.
09Maiz egiten diren galderak
Ba al dago zentsurarik gabeko Kimi K2 APIrik?
Bai. Shannon AI-k Kimi-K2.6 zentsurarik gabeko amaiera-puntu gisa zerbitzatzen du bere GPU kluster propioan: ez dago uko egiteko geruzarik ereduaren aurrean eta ez zaio eduki-iragazketarik aplikatzen bere irteerari. Oinarriaren portaera propioa jasotzen duzu, 262,144 tokeneko testuinguru-leihoarekin, irudi-sarrerarekin eta tresna-dei natiboekin.
Zenbat kostatzen du zentsurarik gabeko Kimi K2.6 APIak?
Kimi-K2.6 milioi bat sarrera-tokeneko $0.78 eta milioi bat irteera-tokeneko $3.67 da. 40K sarrera eta 2K irteerako agente-urrats tipiko batek 3.9 zentimo inguru kostatzen du; 200 urratseko exekuzio autonomo batek gutxi gorabehera $7.71.
Kimi K2.6-k ikusmena onartzen du Shannon AI-n?
Bai. Kimi-K2.6-k irudi-sarrera onartzen du testuarekin batera. Shannon katalogoko ikusmena duten lau ereduetako bat da, eta ikusmena Kimi leinu agentikoarekin uztartzen duen bakarra milioi bat sarrera-tokeneko dolar batetik behera.
Kimi K2.6 ala Kimi K3 erabili beharko nuke?
Kimi K3-k 5 aldiz gehiago kostatzen du gutxi gorabehera ($3.83/$19.12 eta $0.78/$3.67-ren aldean) oinarri handiago batengatik. Aukeratu K3 arrazoiketa-pasaldi zail bakar batek lehen aldian asmatu behar duenean eta berriro saiatzea garestia denean. Aukeratu K2.6 bolumenerako: agente-begizta luzeak, irudi-kanalizazioak, erauzketa eta milaka aldiz exekutatzen duzun edozer, non 5 halakoa bideragarriaren eta ezinezkoaren arteko aldea den.
Zentsurarik gabeko Kimi K2 APIak tresna-deiak eta JSON eskema onartzen ditu?
Biak bai. Kimi-K2.6-k tresna-dei natiboak, json_schema egituratutako irteera zorrotza eta response_format onartzen ditu, hiru API dialektoetan: /v1/chat/completions, /v1/messages eta /v1/responses. Streaminga eta reasoning_effort ere hiruretan onartzen dira.
Exekutatu Kimi-K2.6 zentsurarik gabe
Ikusmena, tresna-deiak, 262K testuingurua. Milioi bat tokeneko $0.78 sarreran / $3.67 irteeran.
Irakurri APIaren dokumentazioa Ikusi eredu guztiakEreduaren id-a: Kimi-K2.6-W4A16-AUTOROUND-REAP · gure GPU kluster propioan zerbitzatua
Shannon AI Shannon Lab LLC-k kudeatzen du, New Mexico, AEB. Iturriak: Moonshot AI — Kimi K2 · REAP the Experts (arXiv 2510.13999) · Cerebras Research — REAP. Jatorrizko Kimi benchmark datuak Moonshot-ek jakinarazitakoak dira eta behin-behinekoak dira egiaztapen independentearen zain; konprimitu gabeko oinarria deskribatzen dute, ez Shannon-en eraikuntza kuantizatua.