API Kimi K2 sans censure
La vision, l'appel d'outils natif et une fenêtre de 262K sur la fondation agentique de mille milliards de paramètres de Moonshot — sans censure, à 0,78 $ en entrée / 3,67 $ en sortie par million de tokens.
En bref
Kimi-K2.6 · W4A16-AUTOROUND-REAP est le palier « rapport qualité-prix » de la famille Kimi sur la passerelle Shannon. C'est le MoE agentique de mille milliards de paramètres de Moonshot AI — le modèle conçu pour les longues boucles d'usage d'outils — servi sans censure avec l'entrée d'images, l'appel d'outils natif, la sortie JSON-schema stricte et un contexte de 262,144 tokens, à 0,78 $ / 3,67 $ par million de tokens. Son frère Kimi-K3 coûte environ 5× plus cher. La section 04 dit honnêtement quand ce facteur 5 vous achète quelque chose et quand il ne vous achète rien.
La plupart des pages consacrées à un « modèle bon marché » parlent en réalité d'un petit modèle portant le nom de famille d'un grand. Ce n'est pas le cas ici. Kimi K2.6 est une fondation complète à l'échelle de la frontière — mille milliards de paramètres de mélange d'experts épars, avec un encodeur de vision natif et un programme d'entraînement dirigé droit vers l'usage agentique d'outils. Ce qui en fait le palier « rapport qualité-prix », ce n'est pas un cerveau plus petit mais une recette de compression plus agressive. La question n'est donc pas « est-il assez bon ? » mais « quelles tâches remarquent réellement la différence entre lui et son frère cinq fois plus cher ? ». L'essentiel de cet article y répond.
01Qu'est-ce que Kimi K2.6, vraiment ?
Kimi K2.6 est un modèle à poids ouverts de Moonshot AI, le laboratoire pékinois derrière la série Kimi, publié le 20 avril 2026. Il hérite de l'architecture qui avait rendu K2 remarquable : un transformeur à mélange d'experts épars d'environ 1 000 milliards de paramètres au total et près de 32 milliards actifs par token, organisé en 384 experts, 8 routés plus 1 partagé par couche sur 61 couches, avec de la Multi-head Latent Attention. Seule une petite tranche de ces mille milliards s'active sur un token donné — et c'est exactement pourquoi un modèle de cette taille peut se facturer en cents.
La lignée compte à cause de ce que Moonshot a optimisé. Le K2 d'origine a été pré-entraîné sur environ 15 500 milliards de tokens avec l'optimiseur Muon / MuonClip, bâti spécifiquement pour empêcher un MoE de mille milliards de paramètres de subir les explosions d'attention et les pics de perte qui déstabilisent l'entraînement à cette échelle ; Moonshot a rapporté zéro instabilité d'entraînement sur toute la course. C'est en amont de tout le reste — cela leur a permis de dépenser le budget d'entraînement en comportement agentique plutôt qu'en lutte contre les incendies.
K2.6 prolonge cela dans deux directions. D'abord, il est nativement multimodal : les images et les images vidéo passent par MoonViT, un encodeur de vision d'environ 400 millions de paramètres qui découpe une image en tuiles de 448x448 et projette chaque tuile directement dans l'espace de tokens du modèle de langage — les tokens visuels se placent dans la même séquence que tout le reste, pas dans un module de légende vissé à côté qui alimenterait un modèle aveugle. Ensuite, il est bâti pour l'orchestration en profondeur : les travaux Agent Swarm de Moonshot font état d'une coordination sur jusqu'à 300 sous-agents spécialisés par domaine et de jusqu'à 4 000 étapes coordonnées en une seule exécution autonome.
Le profil de benchmarks rapporté par Moonshot
Ce sont des chiffres rapportés par Moonshot pour la fondation K2.6 non compressée, pas nos mesures. Utiles pour la forme, pas pour la précision :
Lisez la forme, pas les décimales. Les scores d'usage d'outils et de recherche sont hauts ; les scores de difficulté pure sont plus bas. C'est la signature d'un modèle entraîné à bien agir plutôt qu'à tout savoir — le bon arbitrage si votre agent dispose d'un navigateur, d'un shell et d'un système de fichiers, le mauvais si vous posez une seule question difficile sans aucun outil attaché.
02Ce que signifie W4A16-AUTOROUND-REAP
Le suffixe de l'identifiant de modèle n'est pas décoratif. C'est la recette exacte de compression, publiée pour que vous puissiez raisonner sur l'arbitrage que vous faites.
- W4A16 — poids sur 4 bits, activations calculées sur 16. La mémoire des poids chute d'environ 4× face au bf16 tandis que l'arithmétique qui accumule l'erreur reste en précision 16 bits. C'est le point de service standard de haute qualité pour les très grands modèles MoE.
- AUTOROUND — le quantifieur AutoRound d'Intel. L'arrondi naïf au plus proche traite chaque poids indépendamment et jette de l'information dont le modèle dépendait ; AutoRound apprend les décisions d'arrondi face à des données de calibration. À une cible de 4 bits, c'est la différence entre un modèle qui suit encore un schéma et un modèle qui dérive.
- REAP — Router-weighted Expert Activation Pruning, de Cerebras Research (arXiv 2510.13999, ICLR 2026). Dans un MoE, la plupart des experts sont rarement sollicités par le routeur. REAP note chacun d'eux à la fois sur les valeurs des portes du routeur et sur les normes d'activation, puis retire les moins saillants en une seule passe. Le résultat publié : jusqu'à 50 % des experts élagués sur des modèles de mille milliards de paramètres en tenant largement la qualité de référence, et l'élagage l'emportant sur la fusion d'experts pour les tâches génératives — la fusion mélange les spécialistes, l'élagage se contente de supprimer les inutilisés.
Appliqué dans cet ordre — élaguer d'abord, quantifier ce qui reste — on obtient un modèle qui tient et tourne vite sans l'effondrement de qualité que l'une ou l'autre technique seule provoquerait à ces taux. Pour être direct sur le coût : un modèle compressé n'est pas identique bit à bit à l'original. Ce que la recette achète, c'est que la dégradation atterrisse là où vous avez peu de chances de la remarquer — chemins de routage rares, queues de tokens à faible probabilité — plutôt que dans le suivi d'instructions, le formatage des appels d'outils ou le respect des schémas.
03Ce que « sans censure » veut dire sur ce point de terminaison
« Sans censure » est ici une affirmation d'architecture, pas d'attitude. Il n'y a aucune couche de refus devant le modèle et aucun filtrage de contenu sur sa sortie. Votre requête atteint la fondation et sa réponse vous atteint ; rien n'intercepte ni l'une ni l'autre.
Cette distinction compte, car « sans censure » est employé à la légère. Trois choses distinctes sont regroupées sous ce mot :
- La classification de l'entrée — un modèle séparé lit votre prompt et décide de le laisser passer ou non. Absente ici.
- Le filtrage de la sortie — un scanner inspecte le texte généré et le tronque ou le remplace. Absent ici.
- Les dispositions propres de la fondation — tout ce que le modèle de base a appris à l'entraînement. Cela lui appartient, et nous ne prétendons pas l'avoir effacé.
Ce sont les deux premières qui cassent les systèmes en production, et ce sont les deux que nous retirons. Un classifieur qui se déclenche sur 0,5 % des requêtes, c'est un taux d'échec de 0,5 % que vous ne pouvez ni déboguer, ni contester, ni anticiper — et sur une boucle d'agent de 200 étapes, un échec de 0,5 % par étape se compose en une exécution qui échoue plus souvent qu'elle ne réussit. Un refus dans une conversation est un agacement ; un refus à l'étape 147 d'une exécution autonome détruit l'état de l'exécution et brûle tout ce que vous avez dépensé pour y arriver. Pour les charges agentiques, retirer la surface de refus est une propriété de fiabilité, pas une préférence stylistique.
Le corollaire, c'est que la responsabilité se déplace vers vous. Il n'y a aucun filet de sécurité entre votre application et vos utilisateurs ; si votre produit en a besoin, construisez-le là où vous pouvez le voir, le régler et le journaliser. Merci de lire d'abord notre politique d'usage responsable.
04Kimi K2.6 face à Kimi K3 : quand le facteur 5 en vaut-il la peine ?
C'est la décision pour laquelle la plupart des lecteurs sont venus, alors la voici sans détour. Kimi-K3 · 3BIT-REAP est la fondation plus grande et plus récente : annoncée le 16 juillet 2026, poids ouverts le 27 juillet, à environ 2 800 milliards de paramètres au total et près de 104 milliards actifs par token — plus de 3× le calcul actif de K2.6. En amont, Moonshot situe K3 à environ 5× le prix de K2.6, et la tarification de notre passerelle suit ce rapport.
| Kimi-K2.6 · W4A16-AUTOROUND-REAP | Kimi-K3 · 3BIT-REAP | |
|---|---|---|
| Entrée / 1M de tokens | 0,78 $ | 3,83 $ |
| Sortie / 1M de tokens | 3,67 $ | 19,12 $ |
| Fenêtre de contexte | 262,144 | 262,144 |
| Sortie max / requête | 16,384 | 16,384 |
| Entrée image | Oui | Oui |
| Appel d'outils natif | Oui | Oui |
| json_schema strict | Oui | Oui |
| Sans censure | Oui | Oui |
| Paramètres actifs / token | ~32B | ~104B |
Regardez ce que le tableau ne montre pas : il n'existe aucune ligne où K3 dispose d'une fonctionnalité qui manque à K2.6. Même fenêtre, même sortie maximale, même vision, même appel d'outils, même sortie structurée, même posture sans censure, mêmes trois dialectes. Le facteur 5 achète exactement une chose — la capacité brute par passe avant. C'est réel, mais c'est un axe unique, et cela ne fait rien sur les axes où ce n'est pas votre goulet d'étranglement.
Le point précis de la fenêtre de contexte
En amont, la fonctionnalité phare de K3 est un contexte d'un million de tokens face aux 262K de K2.6. Sur la passerelle Shannon, les deux modèles sont servis à 262,144 tokens. Si le long contexte était votre raison de payer 5× plus, cette raison ne s'applique pas ici — vous paieriez la prime pour obtenir la même fenêtre. C'est le genre de chose qu'un fournisseur est tenté de passer sous silence, et c'est pourquoi elle est en gras.
Payez le facteur 5 quand
- Une seule tentative doit réussir. Une passe difficile unique où un nouvel essai est cher ou impossible — une action irréversible, une décision en fin de long pipeline. Davantage de paramètres actifs par token, c'est exactement ce qui relève le plafond sur une passe.
- La tâche est liée à la connaissance, pas aux outils. Une synthèse profonde où la réponse doit sortir des poids. Le profil de K2.6 est agentique ; retirez les outils et la fondation plus grande se voit.
- Le volume est faible et les enjeux sont élevés. À 500 appels par mois, le facteur 5, c'est 40 $ au lieu de 8 $. Achetez simplement le meilleur modèle.
Ne payez pas le facteur 5 quand
- Vous faites tourner une boucle. Les longues exécutions agentiques sont dominées par des étapes mécaniques — lire un fichier, appeler un outil, vérifier un résultat, choisir le suivant — et c'est exactement ce pour quoi K2.6 a été entraîné. À 200 étapes, le facteur 5, c'est 7,71 $ contre 38,29 $ par exécution.
- Vous traitez des images en volume. Les charges de vision sont lourdes en tokens d'entrée et le raisonnement par élément est superficiel. Voyez la section 05 ; ce n'est même pas serré.
- La tâche est de l'extraction, de la classification ou de la transformation. Sortir des champs de documents, router des tickets, normaliser des enregistrements, résumer — des tâches bornées où un modèle plus grand produit le même JSON.
- Vous avez une étape de vérification. Si la sortie est contrôlée — une suite de tests, un validateur de schéma, une seconde passe, un humain — les ratés occasionnels coûtent peu et l'économie penche nettement vers le volume. C'est l'argument le plus sous-estimé en faveur du palier « rapport qualité-prix ».
Un schéma qui mérite un nom : faites tourner K2.6 pour la boucle et K3 pour le verdict. Laissez le modèle agentique bon marché faire les cent étapes de collecte, d'appel et de rédaction, puis dépensez un seul appel coûteux pour la synthèse finale. Les deux modèles parlent la même API avec la même fenêtre de contexte, donc basculer est un changement d'une ligne sur le champ model.
05La vision à un prix de travail
La vision est le tranchant le plus net de K2.6 dans ce catalogue. Sur les douze modèles sans censure de la passerelle, quatre seulement acceptent des images, et K2.6 est le seul à associer l'entrée d'images à la lignée agentique Kimi en dessous d'un dollar par million de tokens d'entrée.
Les charges de vision ont une structure de coût inhabituelle. D'après la description publiée par Moonshot de MoonViT, une image de 1024x1024 s'encode en environ 576 tokens d'image — et ce sont des tokens d'entrée, le côté bon marché du grand livre. Une tâche de vision typique tombe presque entièrement sur le tarif de 0,78 $ plutôt que sur celui de 3,67 $. Prenez 10 000 images, chacune avec environ 200 tokens de prompt (soit ~776 tokens d'entrée) et environ 150 tokens de sortie structurée :
| Charge de travail | Kimi-K2.6 | Kimi-K3 | Facteur |
|---|---|---|---|
| Une étape d'agent (40K en entrée / 2K en sortie) | 0,0385 $ | 0,1914 $ | 5,0× |
| Exécution autonome de 200 étapes | 7,71 $ | 38,29 $ | 5,0× |
| 10 000 images, sortie structurée | 11,56 $ | 58,40 $ | 5,1× |
| Traitement par lots (1M en entrée / 200K en sortie) | 1,51 $ | 7,65 $ | 5,1× |
Calculé à partir des prix catalogue de la passerelle Shannon. L'estimation en tokens d'image utilise le chiffre MoonViT publié par Moonshot, environ 576 tokens pour une image de 1024x1024 ; la tokenisation exacte varie avec la résolution et le rapport d'aspect.
Un pipeline d'images à 11,56 $ est quelque chose que vous lancez quotidiennement sans y penser. Un pipeline à 58,40 $ est quelque chose que vous planifiez, que vous justifiez, et que vous finissez par couper. Cet écart est tout l'argument en faveur d'un palier « rapport qualité-prix ».
Une réserve honnête. Sur des classements multimodaux indépendants et sur des tâches d'ancrage, K2.6 a été situé autour de la 26e place sur 115 modèles, avec une moyenne proche de 68,1 — respectable, sans être en tête de classe. Sa vision est réellement solide sur la compréhension de documents, la lecture de captures d'écran et d'interfaces, et l'interprétation de graphiques ou de schémas ; elle est plus faible sur l'ancrage spatial précis — boîtes englobantes exactes, comptage fin dans des scènes encombrées, OCR dense de scans dégradés. Si vous avez besoin d'une localisation exacte au pixel, testez d'abord sur vos propres données. Si vous avez besoin d'un modèle qui regarde une capture d'écran et décide où cliquer ensuite, c'est très exactement le bon outil.
06Appel d'outils sans refus et boucles agentiques
K2.6 prend en charge l'appel d'outils natif : le modèle émet des invocations d'outils structurées directement à partir des définitions d'outils en JSON schema que vous fournissez, au lieu d'être amené par la ruse à produire du texte analysable. Avec la conversation multi-tours et les prompts système, c'est le substrat complet d'une boucle d'agent.
Ce qu'ajoute l'« appel d'outils sans refus » est plus subtil qu'il n'y paraît. Sur une API filtrée, les refus à l'intérieur d'une boucle d'agent se manifestent selon trois modes d'échec distincts :
- Refus franc — l'étape renvoie de la prose au lieu d'un appel d'outil, le parseur échoue, la boucle casse. Au moins, c'est bruyant.
- Refus souple — l'appel est fait mais les arguments sont bridés : une requête rétrécie, un paramètre édulcoré, une charge utile tronquée. La boucle se poursuit avec un état discrètement dégradé et vous vous en apercevez quatre étapes plus tard.
- Évitement préventif — le plan s'écarte d'une branche légitime avant même de s'en approcher. Celui-là, vous ne le voyez jamais ; vous obtenez simplement un plan moins bon, sans explication.
Les deuxième et troisième sont les coûteux, parce qu'ils sont invisibles : aucune erreur, rien dans les journaux, rien à rechercher au grep. Un point de terminaison sans couche de refus supprime toute la classe — les arguments d'appel d'outil du modèle sont les arguments d'appel d'outil du modèle.
Cela compte surtout dans les domaines qui exigent de longues exécutions autonomes et qui touchent de toute façon à du matériel sensible : recherche en sécurité et red teaming, analyse de malwares et d'incidents, traitement de documents cliniques, communication de pièces juridiques, et l'outillage de modération qui doit raisonner sur le contenu qu'il modère. Construire un classifieur de modération exige un modèle disposé à regarder ce qu'il classe ; ce n'est pas un paradoxe, c'est simplement le métier.
Notes pratiques pour les longues exécutions : reasoning_effort vous permet de dépenser plus de réflexion sur les étapes de planification et moins sur les étapes mécaniques. Le streaming est disponible sur les trois dialectes, une longue étape peut donc faire remonter sa progression ou être interrompue tôt. Et 262,144 tokens de contexte gardent un véritable état de travail — contenus de fichiers, résultats d'outils antérieurs, plan en cours — résident sur de nombreuses étapes sans avoir à tout résumer à chaque tour, ce qui est en soi une source fréquente de dérive des agents.
07Sortie structurée et les trois dialectes d'API
K2.6 prend en charge à la fois json_schema (génération strictement contrainte par un schéma) et le plus souple response_format. Comparez cela au catalogue : deux des douze modèles présentés ici ne prennent pas en charge la sortie strictement contrainte par un schéma, et si l'étape suivante de votre pipeline analyse du JSON, cette colonne n'est pas facultative.
La sortie strictement contrainte par un schéma est ce qui rend un modèle sans censure utilisable comme infrastructure : si le modèle doit émettre un objet conforme à votre schéma, vous obtenez une garantie d'analyse indépendante de ce qu'il aurait dit autrement — pas de préambule, pas d'excuses, pas de paragraphe enroulé autour de votre JSON. Combiné à l'absence de couche de refus, cela donne un point de terminaison d'extraction qui renvoie votre objet à chaque appel, pour chaque document, quel qu'en soit le sujet.
| Surface | Prise en charge Kimi-K2.6 | Notes |
|---|---|---|
| /v1/chat/completions | Oui | Dialecte OpenAI — compatible tel quel avec les SDK existants |
| /v1/messages | Oui | Dialecte Anthropic — même modèle, mêmes poids |
| /v1/responses | Oui | Interface de style Responses |
| Streaming | Oui | Sur les trois dialectes |
| Appel d'outils | Oui | Natif, définitions d'outils en JSON schema |
| json_schema | Oui | Sortie structurée stricte |
| response_format | Oui | Mode JSON plus souple |
| reasoning_effort | Oui | Ajuste le budget de réflexion par appel |
| Entrée image | Oui | Images à côté du texte |
Les trois dialectes s'adressent aux mêmes poids sur le même cluster. Pointez un client OpenAI existant vers l'URL de base, réglez model sur Kimi-K2.6-W4A16-AUTOROUND-REAP, et vous tournez. Les formes de requête et de réponse, la sémantique du streaming et un bac à sable interactif se trouvent dans la documentation de l'API.
08Là où Kimi K2.6 est le mauvais choix
Un guide de modèle qui ne liste que des forces est une publicité. Voici où nous vous enverrions ailleurs.
- Vous avez besoin du plafond absolu sur une passe difficile unique. Allez vers Kimi-K3 et payez le facteur 5. C'est à cela qu'il sert.
- Vous avez besoin d'un ancrage visuel exact au pixel. Boîtes englobantes, OCR dense sur scans dégradés et comptage exact dans des scènes encombrées ne sont pas son terrain le plus solide — testez d'abord sur vos données.
- Vous avez besoin de moins cher que bon marché, sans vision. Plusieurs modèles du catalogue se situent à 0,50 $ / 2,00 $. La prime de K2.6 achète la vision et le profil agentique Kimi ; si vous n'avez besoin ni de l'une ni de l'autre, prenez le palier moins cher.
- Vous avez besoin de plus de 16,384 tokens de sortie en une seule réponse. Ce plafond s'applique à tout le catalogue — les documents longs demandent une génération découpée quel que soit le modèle choisi.
- Vous voulez un comportement identique bit à bit à celui d'amont. C'est un build élagué et quantifié : un arbitrage délibéré et publié. Pour une étude de reproductibilité, travaillez sur les poids originaux de Moonshot.
Chaque chiffre en amont présenté ici est publié par Moonshot AI ou par des chercheurs indépendants. Nos propres nombres — prix, contexte, sortie maximale, indicateurs de capacités — viennent directement du point de terminaison /v1/models en production, que vous pouvez interroger vous-même. Vérifiez les deux.
Les chiffres d'architecture, de benchmarks et de dates de sortie de Kimi K2.6 et K3 sont rapportés par Moonshot et présentés pour la fondation en amont, pas pour notre build compressé. Le chiffre de classement multimodal provient d'un classement indépendant tiers. Les prix de la passerelle Shannon sont des prix catalogue en date du 5 septembre 2026.
09Questions fréquentes
Existe-t-il une API Kimi K2 sans censure ?
Oui. Shannon AI sert Kimi-K2.6 comme point de terminaison sans censure sur son propre cluster GPU : il n'y a aucune couche de refus devant le modèle et aucun filtrage de contenu appliqué à sa sortie. Vous obtenez le comportement propre de la fondation, avec une fenêtre de contexte de 262,144 tokens, l'entrée d'images et l'appel d'outils natif.
Combien coûte l'API Kimi K2.6 sans censure ?
Kimi-K2.6 est à 0,78 $ par million de tokens d'entrée et 3,67 $ par million de tokens de sortie. Une étape d'agent typique de 40K en entrée et 2K en sortie coûte environ 3,9 cents ; une exécution autonome de 200 étapes coûte à peu près 7,71 $.
Kimi K2.6 prend-il en charge la vision sur Shannon AI ?
Oui. Kimi-K2.6 accepte l'entrée d'images à côté du texte. C'est l'un des quatre seuls modèles dotés de vision du catalogue Shannon, et le seul qui associe la vision à la lignée agentique Kimi pour moins d'un dollar par million de tokens d'entrée.
Dois-je utiliser Kimi K2.6 ou Kimi K3 ?
Kimi K3 coûte environ 5× plus cher (3,83 $ / 19,12 $ contre 0,78 $ / 3,67 $) pour une fondation plus grande. Choisissez K3 quand une passe de raisonnement difficile doit réussir du premier coup et qu'un nouvel essai coûte cher. Choisissez K2.6 pour le volume : longues boucles d'agent, pipelines d'images, extraction, et tout ce que vous exécutez des milliers de fois, là où le facteur 5 fait la différence entre viable et non viable.
L'API Kimi K2 sans censure prend-elle en charge l'appel d'outils et JSON schema ?
Oui pour les deux. Kimi-K2.6 prend en charge l'appel d'outils natif, la sortie structurée json_schema stricte et response_format, sur les trois dialectes d'API : /v1/chat/completions, /v1/messages et /v1/responses. Le streaming et reasoning_effort sont pris en charge sur les trois.
Faites tourner Kimi-K2.6 sans censure
Vision, appel d'outils, 262K de contexte. 0,78 $ en entrée / 3,67 $ en sortie par million de tokens.
Lire la documentation de l'API Parcourir tous les modèlesIdentifiant de modèle : Kimi-K2.6-W4A16-AUTOROUND-REAP · servi sur notre propre cluster GPU
Shannon AI est exploité par Shannon Lab LLC, Nouveau-Mexique, États-Unis. Sources : Moonshot AI — Kimi K2 · REAP the Experts (arXiv 2510.13999) · Cerebras Research — REAP. Les chiffres de benchmarks Kimi en amont sont rapportés par Moonshot et restent provisoires en attendant une vérification indépendante ; ils décrivent la fondation non compressée, pas notre build quantifié.