અનસેન્સર્ડ Kimi K2 API
Moonshot ના ટ્રિલિયન-પેરામીટર એજન્ટિક ફાઉન્ડેશન પર વિઝન, નેટિવ ટૂલ કૉલિંગ અને 262K વિન્ડો — અનસેન્સર્ડ, 1 મિલિયન ટોકન દીઠ $0.78 ઇન / $3.67 આઉટ પર.
ટૂંકમાં
Kimi-K2.6 · W4A16-AUTOROUND-REAP એ Shannon ગેટવે પર Kimi પરિવારનું વેલ્યુ ટાયર છે. તે Moonshot AI નું 1-ટ્રિલિયન-પેરામીટર એજન્ટિક MoE છે — લાંબા ટૂલ-યુઝ લૂપ માટે બનેલું મોડેલ — વિઝન ઇનપુટ, નેટિવ ટૂલ કૉલિંગ, સ્ટ્રિક્ટ JSON-schema આઉટપુટ અને 262,144-ટોકન કોન્ટેક્સ્ટ સાથે અનસેન્સર્ડ સર્વ થાય છે, 1 મિલિયન ટોકન દીઠ $0.78 / $3.67 પર. તેનું સાથી Kimi-K3 લગભગ 5x વધુ ખર્ચે છે. સેક્શન 04 એ પ્રામાણિક હિસાબ છે કે એ 5x ક્યારે તમને કંઈક ખરીદે છે અને ક્યારે કંઈ નહીં.
મોટાભાગના "સસ્તું મોડેલ" પાનાં ખરેખર મોટા મોડેલનું કુટુંબનું નામ પહેરેલા નાના મોડેલ વિશે હોય છે. આ એક નથી. Kimi K2.6 એ પૂરું ફ્રન્ટિયર-સ્કેલનું ફાઉન્ડેશન છે — sparse મિક્સ્ચર-ઓફ-એક્સપર્ટ્સનું ટ્રિલિયન પેરામીટર, નેટિવ વિઝન એન્કોડર અને એજન્ટિક ટૂલ યુઝ પર સીધા લક્ષિત તાલીમ પ્રોગ્રામ સાથે. તેને વેલ્યુ ટાયર બનાવે છે એ નાનું મગજ નથી પણ વધુ આક્રમક કમ્પ્રેશન રેસિપી છે. એટલે પ્રશ્ન "શું તે પૂરતું સારું છે?" નથી પણ "કઈ જોબ ખરેખર આ અને તેના 5x-વધુ-મોંઘા સાથી વચ્ચેનો ફરક નોંધે છે?" છે. આ લેખનો મોટાભાગનો ભાગ એનો જવાબ આપે છે.
01Kimi K2.6 ખરેખર શું છે?
Kimi K2.6 એ Kimi શ્રેણી પાછળની Beijing લેબ Moonshot AI નું ઓપન-વેઇટ્સ મોડેલ છે, 20 એપ્રિલ, 2026 ના રોજ રિલીઝ થયેલું. તે એ આર્કિટેક્ચર વારસામાં લે છે જેણે K2 ને નોંધપાત્ર બનાવ્યું: લગભગ 1 ટ્રિલિયન કુલ પેરામીટર અને ટોકન દીઠ લગભગ 32 બિલિયન એક્ટિવ ધરાવતું sparse મિક્સ્ચર-ઓફ-એક્સપર્ટ્સ ટ્રાન્સફોર્મર, 61 લેયરમાં લેયર દીઠ 384 એક્સપર્ટ, 8 રાઉટેડ વત્તા 1 શેર્ડ તરીકે ગોઠવેલું, Multi-head Latent Attention સાથે. એ ટ્રિલિયનનો ફક્ત નાનો ટુકડો કોઈપણ આપેલા ટોકન પર ફાયર થાય છે — બરાબર એ જ કારણ છે કે આ કદનું મોડેલ સેન્ટમાં કિંમત મૂકી શકાય છે.
Moonshot એ શેના માટે ઓપ્ટિમાઇઝ કર્યું એના કારણે વંશ મહત્વનો છે. મૂળ K2 Muon / MuonClip ઓપ્ટિમાઇઝર વાપરીને લગભગ 15.5 ટ્રિલિયન ટોકન પર પ્રી-ટ્રેઇન થયેલું, ખાસ કરીને ટ્રિલિયન-પેરામીટર MoE ને એ સ્કેલ પર તાલીમને અસ્થિર કરતા એટેન્શન વિસ્ફોટ અને loss spike થી બચાવવા બનેલું; Moonshot એ આખા રનમાં શૂન્ય તાલીમ અસ્થિરતા જણાવી. એ બીજા બધા કરતાં upstream છે — તેણે તેમને firefighting ને બદલે એજન્ટિક વર્તન પર તાલીમ બજેટ ખર્ચવા દીધું.
K2.6 તેને બે દિશામાં લંબાવે છે. પહેલું, તે નેટિવલી મલ્ટિમોડલ છે: ઇમેજ અને વિડિયો ફ્રેમ MoonViT માંથી પસાર થાય છે, ~400M-પેરામીટરનું વિઝન એન્કોડર જે ઇમેજને 448x448 patch માં ટાઇલ કરે છે અને દરેક ટાઇલને સીધા ભાષા મોડેલની ટોકન સ્પેસમાં પ્રોજેક્ટ કરે છે — વિઝ્યુઅલ ટોકન બાકીની બધી વસ્તુ સાથે એ જ સિક્વન્સમાં બેસે છે, blind મોડેલને ફીડ કરતા બોલ્ટ-ઑન કેપ્શનરમાં નહીં. બીજું, તે ઊંડાણમાં ઓર્કેસ્ટ્રેશન માટે બનેલું છે: Moonshot નું Agent Swarm કામ એક જ ઑટોનોમસ રનમાં 300 સુધીના ડોમેન-સ્પેશિયલાઇઝ્ડ સબ-એજન્ટ અને 4,000 જેટલા સંકલિત સ્ટેપ પર સંકલન જણાવે છે.
Moonshot નો જણાવેલો બેન્ચમાર્ક પ્રોફાઇલ
આ અનક્વોન્ટાઇઝ્ડ K2.6 ફાઉન્ડેશન માટે Moonshot-જણાવેલા આંકડા છે, અમારા માપ નહીં. આકાર માટે ઉપયોગી, ચોકસાઈ માટે નહીં:
આકાર વાંચો, અંકો નહીં. ટૂલ-વાપરતા અને સર્ચ-ડ્રિવન સ્કોર ઊંચે બેસે છે; શુદ્ધ-મુશ્કેલીના સ્કોર નીચે બેસે છે. એ સિગ્નેચર છે એવા મોડેલની જે બધું જાણવા ને બદલે સારી રીતે કાર્ય કરવા તાલીમ પામ્યું — જો તમારા એજન્ટ પાસે બ્રાઉઝર, શેલ અને ફાઇલ સિસ્ટમ છે તો સાચો ટ્રેડ, જો તમે કોઈ ટૂલ જોડ્યા વગર એક જ અઘરો પ્રશ્ન પૂછી રહ્યા છો તો ખોટો.
02W4A16-AUTOROUND-REAP નો શું અર્થ થાય છે
મોડેલ id પરનો પ્રત્યય શણગાર નથી. તે ચોક્કસ કમ્પ્રેશન રેસિપી છે, પ્રકાશિત જેથી તમે તમે જે ટ્રેડ કરી રહ્યા છો એના પર તર્ક કરી શકો.
- W4A16 — 4 બિટ પર વેઇટ્સ, 16 પર ગણેલા એક્ટિવેશન. bf16 સામે વેઇટ મેમરી લગભગ 4x ઘટે છે જ્યારે ભૂલ ભેગી કરતું ગણિત 16-બિટ ચોકસાઈ પર રહે છે. આ ખૂબ મોટા MoE મોડેલો માટે સ્ટાન્ડર્ડ ઉચ્ચ-ગુણવત્તાનું serving બિંદુ છે.
- AUTOROUND — Intel નું AutoRound ક્વોન્ટાઇઝર. નાઇવ round-to-nearest દરેક વેઇટને સ્વતંત્ર રીતે ટ્રીટ કરે છે અને મોડેલ જેના પર આધારિત હતું એ માહિતી કાઢી નાખે છે; AutoRound તેના બદલે calibration ડેટા સામે રાઉન્ડિંગ નિર્ણયોને શીખે છે. 4-બિટ લક્ષ્ય પર એ મોડેલ જે હજુ સ્કીમાનું પાલન કરે છે અને જે drift થાય છે તેની વચ્ચેનો ફરક છે.
- REAP — Cerebras Research (arXiv 2510.13999, ICLR 2026) તરફથી Router-weighted Expert Activation Pruning. MoE માંના મોટાભાગના એક્સપર્ટ ભાગ્યે જ રાઉટ થાય છે. REAP દરેકને તેના router gate value અને તેના activation norm બંને પર સ્કોર કરે છે, પછી એક જ શોટમાં ઓછામાં ઓછા મહત્વના દૂર કરે છે. પ્રકાશિત પરિણામ: ટ્રિલિયન-પેરામીટર મોડેલોમાંથી 50% સુધીના એક્સપર્ટ પ્રુન કરાયા જ્યારે મોટાભાગે બેઝલાઇન ગુણવત્તા જાળવી, અને જનરેટિવ ટાસ્ક પર પ્રુનિંગ એક્સપર્ટ મર્જિંગ ને હરાવે છે — મર્જિંગ સ્પેશિયલિસ્ટને એકબીજામાં ભેળવે છે, પ્રુનિંગ ફક્ત ન વપરાયેલાને કાઢી નાખે છે.
એ ક્રમમાં લાગુ કરેલું — પહેલાં પ્રુન કરો, બચેલાને ક્વોન્ટાઇઝ કરો — તમને એવું મોડેલ મળે છે જે ફિટ થાય છે અને ઝડપી ચાલે છે, બેમાંથી કોઈ એક તકનીક એકલી આ રેશિયો પર જે ગુણવત્તા પતન કરાવે એના વગર. ખર્ચ વિશે સીધું કહીએ: કમ્પ્રેસ્ડ મોડેલ મૂળ સાથે bit-identical નથી. રેસિપી શું ખરીદે છે એ છે કે અધોગતિ ત્યાં ઊતરે છે જ્યાં તમે ભાગ્યે જ નોંધશો — દુર્લભ રાઉટિંગ પાથ, ઓછી-સંભાવનાની ટોકન પૂંછડી — સૂચના પાલન, ટૂલ-કૉલ ફોર્મેટિંગ, કે સ્કીમા પાલનમાં નહીં.
03આ એન્ડપોઇન્ટ પર "અનસેન્સર્ડ" નો શું અર્થ થાય છે
અહીં અનસેન્સર્ડ એ વલણ વિશે નહીં, આર્કિટેક્ચર વિશે નિવેદન છે. મોડેલની આગળ કોઈ ઇનકાર સ્તર નથી અને તેના આઉટપુટ પર કોઈ કન્ટેન્ટ ફિલ્ટરિંગ નથી. તમારી વિનંતી ફાઉન્ડેશન સુધી પહોંચે છે અને તેનો રિસ્પોન્સ તમારા સુધી પહોંચે છે; કોઈપણ દિશામાં કંઈ intercept કરતું નથી.
એ ફરક મહત્વનો છે, કારણ કે "અનસેન્સર્ડ" ઢીલી રીતે વપરાય છે. શબ્દ હેઠળ ત્રણ અલગ વસ્તુઓ બંડલ થયેલી છે:
- ઇનપુટ વર્ગીકરણ — અલગ મોડેલ તમારો પ્રોમ્પ્ટ વાંચે છે અને નક્કી કરે છે કે તેને પસાર થવા દેવો કે નહીં. અહીં હાજર નથી.
- આઉટપુટ ફિલ્ટરિંગ — સ્કેનર જનરેટ થયેલા ટેક્સ્ટનું નિરીક્ષણ કરે છે અને તેને truncate કે replace કરે છે. અહીં હાજર નથી.
- ફાઉન્ડેશનનો પોતાનો સ્વભાવ — બેઝ મોડેલ તાલીમમાં જે શીખ્યું એ ગમે તે. એ મોડેલનું છે, અને અમે તેને ભૂંસી નાખ્યાનો દાવો કરતા નથી.
પહેલા બે એ છે જે પ્રોડક્શન સિસ્ટમને તોડે છે, અને એ બે જ અમે દૂર કરીએ છીએ. 0.5% વિનંતી પર ફાયર થતું ક્લાસિફાયર 0.5% નિષ્ફળતા દર છે જેને તમે ડિબગ કરી શકતા નથી, અપીલ કરી શકતા નથી, અને આવતું જોઈ શકતા નથી — અને 200-સ્ટેપના એજન્ટ લૂપમાં, 0.5% per-step નિષ્ફળતા ભેગી થઈને એવો રન બને છે જે સફળ થાય એના કરતાં વધુ વાર નિષ્ફળ જાય. વાતચીતમાં ઇનકાર હેરાનગતિ છે; ઑટોનોમસ રનના સ્ટેપ 147 પર ઇનકાર રનની સ્ટેટને નષ્ટ કરે છે અને ત્યાં પહોંચવા તમે ખર્ચેલું બધું બાળી નાખે છે. એજન્ટ વર્કલોડ માટે, ઇનકાર સપાટી દૂર કરવી એ સ્ટાઇલિસ્ટિક પસંદગી નહીં, વિશ્વસનીયતાનો ગુણધર્મ છે.
Corollary એ છે કે જવાબદારી તમારી તરફ ખસે છે. તમારી એપ્લિકેશન અને તમારા users વચ્ચે કોઈ safety net નથી; જો તમારા પ્રોડક્ટને એકની જરૂર હોય, તો તેને ત્યાં બનાવો જ્યાં તમે તેને જોઈ, ટ્યુન, અને લોગ કરી શકો. કૃપા કરીને પહેલાં અમારી જવાબદાર ઉપયોગ નીતિ વાંચો.
04Kimi K2.6 vs Kimi K3: 5x ક્યારે લાયક છે?
આ એ નિર્ણય છે જેના માટે મોટાભાગના વાચકો આવ્યા, એટલે અહીં તે કોઈ hedging વગર છે. Kimi-K3 · 3BIT-REAP મોટું, નવું ફાઉન્ડેશન છે: 16 જુલાઈ, 2026 ના રોજ જાહેર થયેલું, 27 જુલાઈએ ઓપન વેઇટ્સ સાથે, લગભગ 2.8 ટ્રિલિયન કુલ પેરામીટર અને ટોકન દીઠ લગભગ 104 બિલિયન એક્ટિવ — K2.6 ના એક્ટિવ કમ્પ્યુટ કરતાં 3x કરતાં વધુ. Upstream, Moonshot K3 ને K2.6 ની કિંમતના લગભગ 5x પર યાદી કરે છે, અને અમારી ગેટવે કિંમત એ રેશિયોને અનુસરે છે.
| Kimi-K2.6 · W4A16-AUTOROUND-REAP | Kimi-K3 · 3BIT-REAP | |
|---|---|---|
| 1M ટોકન દીઠ ઇનપુટ | $0.78 | $3.83 |
| 1M ટોકન દીઠ આઉટપુટ | $3.67 | $19.12 |
| કોન્ટેક્સ્ટ વિન્ડો | 262,144 | 262,144 |
| મહત્તમ આઉટપુટ / વિનંતી | 16,384 | 16,384 |
| વિઝન ઇનપુટ | હા | હા |
| નેટિવ ટૂલ કૉલિંગ | હા | હા |
| સ્ટ્રિક્ટ json_schema | હા | હા |
| અનસેન્સર્ડ | હા | હા |
| એક્ટિવ પેરામીટર / ટોકન | ~32B | ~104B |
ટેબલ શું નથી બતાવતું એ જુઓ: એવી કોઈ પંક્તિ નથી જ્યાં K3 પાસે એવું ફીચર છે જે K2.6 પાસે નથી. એ જ વિન્ડો, એ જ મહત્તમ આઉટપુટ, એ જ વિઝન, એ જ ટૂલ કૉલિંગ, એ જ સ્ટ્રક્ચર્ડ આઉટપુટ, એ જ અનસેન્સર્ડ પોસ્ચર, એ જ ત્રણ ડાયલેક્ટ. 5x બરાબર એક વસ્તુ ખરીદે છે — ફોરવર્ડ પાસ દીઠ raw ક્ષમતા. એ ખરું છે, પણ તે એક જ ધરી છે, અને જ્યાં તે તમારો bottleneck નથી ત્યાં તે કંઈ કરતું નથી.
ખાસ કરીને કોન્ટેક્સ્ટ-વિન્ડોનો મુદ્દો
Upstream, K3 નું હેડલાઇન ફીચર K2.6 ના 262K સામે 1M-ટોકન કોન્ટેક્સ્ટ છે. Shannon ગેટવે પર બંને મોડેલ 262,144 ટોકન પર સર્વ થાય છે. જો લોંગ કોન્ટેક્સ્ટ 5x ચૂકવવાનું તમારું કારણ હતું, તો એ કારણ અહીં લાગુ પડતું નથી — તમે પ્રીમિયમ ચૂકવશો અને એ જ વિન્ડો મેળવશો. આ એ પ્રકારની વસ્તુ છે જે vendor ન કહેવા લલચાય, એટલે તે અહીં bold માં છે.
5x ચૂકવો જ્યારે
- એક શોટ ઊતરવો જ જોઈએ. એક અઘરો પાસ જ્યાં retry મોંઘું કે અશક્ય છે — irreversible ક્રિયા, લાંબી પાઇપલાઇનના અંતે નિર્ણય. ટોકન દીઠ વધુ એક્ટિવ પેરામીટર બરાબર એ છે જે એક પાસ પર સીલિંગ વધારે છે.
- ટાસ્ક જ્ઞાન-બાઉન્ડ છે, ટૂલ-બાઉન્ડ નહીં. ઊંડું સંશ્લેષણ જ્યાં જવાબ વેઇટ્સમાંથી જ આવવો જોઈએ. K2.6 નો પ્રોફાઇલ એજન્ટિક છે; ટૂલ કાઢી લો અને મોટું ફાઉન્ડેશન દેખાય છે.
- વોલ્યુમ ઓછું છે અને stakes ઊંચા છે. મહિનામાં 500 કૉલ પર, 5x એ $8 ને બદલે $40 છે. ફક્ત વધુ સારું મોડેલ ખરીદો.
5x ન ચૂકવો જ્યારે
- તમે લૂપ ચલાવી રહ્યા છો. લાંબા એજન્ટિક રન યાંત્રિક સ્ટેપ પર પ્રભુત્વ ધરાવે છે — ફાઇલ વાંચો, ટૂલ કૉલ કરો, પરિણામ ચેક કરો, આગલું પસંદ કરો — બરાબર જેના માટે K2.6 તાલીમ પામ્યું. 200 સ્ટેપ પર 5x એ $38.29 સામે $7.71 પ્રતિ રન છે.
- તમે વોલ્યુમમાં ઇમેજ પ્રોસેસ કરી રહ્યા છો. વિઝન વર્કલોડ ઇનપુટ-ટોકન-ભારે છે અને પ્રતિ-આઇટમ રિઝનિંગ છીછરું છે. સેક્શન 05 જુઓ; તે નજીક પણ નથી.
- જોબ નિષ્કર્ષણ, વર્ગીકરણ, કે ટ્રાન્સફોર્મેશન છે. ડોક્યુમેન્ટમાંથી ફીલ્ડ ખેંચવા, ટિકિટ રાઉટ કરવી, રેકોર્ડ normalize કરવા, સારાંશ — મર્યાદિત ટાસ્ક જ્યાં મોટું મોડેલ એ જ JSON ઉત્પન્ન કરે છે.
- તમારી પાસે verification સ્ટેપ છે. જો આઉટપુટ ચેક થાય છે — ટેસ્ટ સ્યુટ, સ્કીમા validator, બીજો પાસ, માણસ — ક્યારેક ચૂકી જવું સસ્તું છે અને અર્થશાસ્ત્ર નિર્ણાયક રીતે વોલ્યુમની તરફેણ કરે છે. વેલ્યુ ટાયર માટે આ સૌથી ઓછું આંકેલી દલીલ છે.
નામ આપવા યોગ્ય પેટર્ન: લૂપ માટે K2.6 અને ચુકાદા માટે K3 ચલાવો. સસ્તા એજન્ટિક મોડેલને ભેગું કરવાના, કૉલ કરવાના અને ડ્રાફ્ટ કરવાના સો સ્ટેપ કરવા દો, પછી અંતિમ સંશ્લેષણ પર એક મોંઘો કૉલ ખર્ચો. બંને મોડેલ એ જ કોન્ટેક્સ્ટ વિન્ડો સાથે એકસમાન API બોલે છે, એટલે સ્વિચ કરવું model ફિલ્ડમાં એક-લાઇનનો ફેરફાર છે.
05વ્યાજબી કિંમતે વિઝન
વિઝન આ કેટલોગમાં K2.6 ની સૌથી તીક્ષ્ણ ધાર છે. ગેટવે પરના બાર અનસેન્સર્ડ મોડેલોમાંથી ફક્ત ચાર ઇમેજ સ્વીકારે છે, અને K2.6 એકમાત્ર છે જે 1 મિલિયન ઇનપુટ ટોકન દીઠ એક ડોલરથી નીચે ઇમેજ ઇનપુટને Kimi એજન્ટિક વંશ સાથે જોડે છે.
વિઝન વર્કલોડનો ખર્ચ આકાર અસામાન્ય છે. MoonViT ના Moonshot ના પ્રકાશિત વર્ણન પ્રમાણે, 1024x1024 ઇમેજ લગભગ 576 ઇમેજ ટોકન માં એન્કોડ થાય છે — અને એ ઇનપુટ ટોકન છે, ledger ની સસ્તી બાજુ. લાક્ષણિક વિઝન જોબ લગભગ સંપૂર્ણપણે $0.78 દર પર ઊતરે છે, $3.67 પર નહીં. 10,000 ઇમેજ લો, દરેક ~200 ટોકનના પ્રોમ્પ્ટ સાથે (એટલે ~776 ઇનપુટ ટોકન) અને ~150 ટોકનનું સ્ટ્રક્ચર્ડ આઉટપુટ:
| વર્કલોડ | Kimi-K2.6 | Kimi-K3 | ગુણક |
|---|---|---|---|
| એક એજન્ટ સ્ટેપ (40K ઇન / 2K આઉટ) | $0.0385 | $0.1914 | 5.0x |
| 200-સ્ટેપનો ઑટોનોમસ રન | $7.71 | $38.29 | 5.0x |
| 10,000 ઇમેજ, સ્ટ્રક્ચર્ડ આઉટપુટ | $11.56 | $58.40 | 5.1x |
| બેચ જોબ (1M ઇન / 200K આઉટ) | $1.51 | $7.65 | 5.1x |
Shannon ગેટવે યાદી કિંમત પરથી ગણેલું. ઇમેજ-ટોકન અંદાજ 1024x1024 ઇમેજ માટે Moonshot ના પ્રકાશિત MoonViT આંકડા ~576 ટોકન વાપરે છે; ચોક્કસ ટોકનાઇઝેશન રિઝોલ્યુશન અને aspect ratio સાથે બદલાય છે.
$11.56 ની ઇમેજ પાઇપલાઇન એ છે જે તમે વિચાર્યા વગર દરરોજ ચલાવો છો. $58.40 ની એ છે જે તમે શેડ્યુલ કરો છો, justify કરો છો, અને છેવટે કાપી નાખો છો. એ ગેપ વેલ્યુ ટાયર માટેની આખી દલીલ છે.
એક પ્રામાણિક ચેતવણી. સ્વતંત્ર મલ્ટિમોડલ અને grounded-task લીડરબોર્ડ પર K2.6 લગભગ 115 મોડેલોમાં #26, સરેરાશ લગભગ 68.1 પર જણાવવામાં આવ્યું છે — યોગ્ય, ક્લાસ-લીડિંગ નહીં. તેની વિઝન ડોક્યુમેન્ટ સમજણ, સ્ક્રીનશોટ અને UI વાચન, અને ચાર્ટ કે ડાયાગ્રામ અર્થઘટન પર ખરેખર મજબૂત છે; તે ચોક્કસ spatial grounding પર નબળી છે — ચોક્કસ bounding box, ભરચક દ્રશ્યોમાં ઝીણી ગણતરી, ડિગ્રેડેડ સ્કેનનું ગાઢ OCR. જો તમને pixel-accurate localization જોઈએ, તો પહેલાં તમારા પોતાના ડેટા પર બેન્ચમાર્ક કરો. જો તમને સ્ક્રીનશોટ જોઈને આગળ શું ક્લિક કરવું નક્કી કરે એવું મોડેલ જોઈએ, તો આ બરાબર સાચું ટૂલ છે.
06ઇનકાર-વગરનું ટૂલ કૉલિંગ અને એજન્ટિક લૂપ
K2.6 નેટિવ ટૂલ કૉલિંગ ને સમર્થન આપે છે: મોડેલ parseable ટેક્સ્ટ ઉત્પન્ન કરવા ફોસલાવવાને બદલે તમે આપેલા JSON-schema ટૂલ ડેફિનેશનમાંથી સીધા સ્ટ્રક્ચર્ડ ટૂલ invocation ઉત્પન્ન કરે છે. મલ્ટિ-ટર્ન વાતચીત અને system prompt સાથે, એ એજન્ટ લૂપ માટે પૂરો substrate છે.
"ઇનકાર-વગરનું ટૂલ કૉલિંગ" જે ઉમેરે છે એ સંભળાય છે એના કરતાં વધુ સૂક્ષ્મ છે. ફિલ્ટર્ડ API પર, એજન્ટ લૂપની અંદર ઇનકાર ત્રણ અલગ નિષ્ફળતા મોડમાં દેખાય છે:
- સખત ઇનકાર — સ્ટેપ ટૂલ કૉલને બદલે prose પાછું આપે છે, parser નિષ્ફળ જાય છે, લૂપ તૂટે છે. ઓછામાં ઓછું ઘોંઘાટવાળું.
- નરમ ઇનકાર — કૉલ થાય છે પણ arguments sandbagged છે: સંકુચિત query, hedged પેરામીટર, truncated payload. લૂપ ચૂપચાપ ડિગ્રેડેડ સ્ટેટ સાથે ચાલુ રહે છે અને તમને ચાર સ્ટેપ પછી ખબર પડે છે.
- Preemptive ટાળવું — પ્લાન કાયદેસર શાખાની નજીક પહોંચતા પહેલાં જ તેનાથી દૂર steer થાય છે. તમે આ ક્યારેય જોતા નથી; તમને ફક્ત ખરાબ પ્લાન મળે છે અને કોઈ સ્પષ્ટીકરણ નહીં.
બીજું અને ત્રીજું મોંઘા છે, કારણ કે તે અદૃશ્ય છે: કોઈ ભૂલ નહીં, log માં કંઈ નહીં, grep કરવા કંઈ નહીં. કોઈ ઇનકાર સ્તર ન ધરાવતું એન્ડપોઇન્ટ આખો વર્ગ દૂર કરે છે — મોડેલના ટૂલ-કૉલ argument મોડેલના ટૂલ-કૉલ argument જ છે.
આ સૌથી વધુ એવા ડોમેનમાં મહત્વનું છે જેમને લાંબા ઑટોનોમસ રન જોઈએ છે અને છતાં સંવેદનશીલ સામગ્રીને સ્પર્શે છે: સિક્યુરિટી રિસર્ચ અને red-teaming, માલવેર અને incident વિશ્લેષણ, ક્લિનિકલ ડોક્યુમેન્ટ પ્રોસેસિંગ, કાનૂની discovery, અને મોડરેશન ટૂલિંગ જેને તે જે મોડરેટ કરે છે એ વિશે રિઝન કરવું જ પડે. મોડરેશન ક્લાસિફાયર બનાવવા માટે એવું મોડેલ જોઈએ જે તે જે વર્ગીકૃત કરે છે તેને જોવા તૈયાર હોય; એ વિરોધાભાસ નથી, ફક્ત જોબ છે.
લાંબા રન માટે વ્યવહારુ નોંધો: reasoning_effort તમને પ્લાનિંગ સ્ટેપ પર વધુ વિચારવા અને યાંત્રિક પર ઓછું ખર્ચવા દે છે. ત્રણેય ડાયલેક્ટ પર સ્ટ્રીમિંગ ઉપલબ્ધ છે, એટલે લાંબો સ્ટેપ પ્રગતિ બતાવી શકે છે કે વહેલો abort થઈ શકે છે. અને 262,144 ટોકન કોન્ટેક્સ્ટ ખરી કાર્યકારી સ્ટેટ — ફાઇલ કન્ટેન્ટ, અગાઉના ટૂલ પરિણામ, ચાલુ પ્લાન — ને દરેક ટર્ન ફરીથી સારાંશિત કર્યા વગર ઘણા સ્ટેપ પર resident રાખે છે, જે પોતે એજન્ટ drift નો સામાન્ય સ્રોત છે.
07સ્ટ્રક્ચર્ડ આઉટપુટ અને ત્રણ API ડાયલેક્ટ
K2.6 json_schema (સ્ટ્રિક્ટ સ્કીમા-કંસ્ટ્રેઇન્ડ જનરેશન) અને looser response_format બંનેને સમર્થન આપે છે. કેટલોગ સામે તે ચેક કરો: અહીંના બાર મોડેલોમાંથી બે સ્ટ્રિક્ટ સ્કીમા આઉટપુટને સમર્થન નથી આપતા, અને જો તમારો આગલો પાઇપલાઇન સ્ટેજ JSON parse કરે છે, તો એ કૉલમ optional નથી.
સ્ટ્રિક્ટ સ્કીમા આઉટપુટ એ છે જે અનસેન્સર્ડ મોડેલને infrastructure તરીકે વાપરી શકાય એવું બનાવે છે: જો મોડેલે તમારી સ્કીમા સાથે મેળ ખાતો ઓબ્જેક્ટ ઉત્પન્ન કરવો જ પડે, તો તમને પાર્સ ગેરંટી મળે છે એ સ્વતંત્ર રીતે કે તે અન્યથા શું કહેત — કોઈ preamble નહીં, કોઈ માફી નહીં, તમારા JSON ની આસપાસ કોઈ ફકરો લપેટાયેલો નહીં. કોઈ ઇનકાર સ્તર સાથે જોડાયેલું, એ એક નિષ્કર્ષણ એન્ડપોઇન્ટ છે જે દરેક કૉલ પર, દરેક ડોક્યુમેન્ટ માટે, ડોક્યુમેન્ટ ગમે તે વિશે હોય, તમારો ઓબ્જેક્ટ પાછો આપે છે.
| સપાટી | Kimi-K2.6 સમર્થન | નોંધ |
|---|---|---|
| /v1/chat/completions | હા | OpenAI ડાયલેક્ટ — હાલના SDK માટે drop-in |
| /v1/messages | હા | Anthropic ડાયલેક્ટ — એ જ મોડેલ, એ જ વેઇટ્સ |
| /v1/responses | હા | Responses-શૈલીનું ઇન્ટરફેસ |
| સ્ટ્રીમિંગ | હા | ત્રણેય ડાયલેક્ટ પર |
| ટૂલ કૉલિંગ | હા | નેટિવ, JSON-schema ટૂલ ડેફિનેશન |
| json_schema | હા | સ્ટ્રિક્ટ સ્ટ્રક્ચર્ડ આઉટપુટ |
| response_format | હા | Looser JSON મોડ |
| reasoning_effort | હા | કૉલ દીઠ thinking બજેટ ટ્યુન કરો |
| વિઝન ઇનપુટ | હા | ટેક્સ્ટની સાથે ઇમેજ |
ત્રણેય ડાયલેક્ટ એ જ ક્લસ્ટર પર એ જ વેઇટ્સને સંબોધે છે. હાલના OpenAI ક્લાયન્ટને base URL તરફ પોઇન્ટ કરો, model ને Kimi-K2.6-W4A16-AUTOROUND-REAP સેટ કરો, અને તમે ચાલી રહ્યા છો. વિનંતી અને રિસ્પોન્સ આકાર, સ્ટ્રીમિંગ સિમેન્ટિક્સ અને લાઇવ પ્લેગ્રાઉન્ડ API ડોક્યુમેન્ટેશન માં છે.
08Kimi K2.6 ક્યાં ખોટી પસંદગી છે
ફક્ત તાકાત યાદી કરતી મોડેલ માર્ગદર્શિકા જાહેરાત છે. અહીં છે જ્યાં અમે તમને બીજે મોકલીશું.
- તમને એક અઘરા પાસ પર સંપૂર્ણ સીલિંગ જોઈએ. Kimi-K3 પર જાઓ અને 5x ચૂકવો. એ જ માટે તે છે.
- તમને pixel-accurate વિઝ્યુઅલ grounding જોઈએ. Bounding box, ડિગ્રેડેડ સ્કેન પર ગાઢ OCR અને ભરચક દ્રશ્યોમાં ચોક્કસ ગણતરી તેની સૌથી મજબૂત જમીન નથી — પહેલાં તમારા ડેટા પર ટેસ્ટ કરો.
- તમને સસ્તા કરતાં સસ્તું જોઈએ, વિઝન વગર. ઘણા કેટલોગ મોડેલ $0.50 / $2.00 પર બેસે છે. K2.6 નું પ્રીમિયમ વિઝન અને Kimi એજન્ટિક પ્રોફાઇલ ખરીદે છે; જો તમને બેમાંથી કોઈ ન જોઈએ, તો સસ્તું ટાયર લો.
- તમને એક રિસ્પોન્સમાં 16,384 થી વધુ આઉટપુટ ટોકન જોઈએ. એ સીલિંગ આખા કેટલોગ પર લાગુ પડે છે — તમે ગમે તે મોડેલ પસંદ કરો, લાંબા ડોક્યુમેન્ટને chunked જનરેશનની જરૂર છે.
- તમને bit-exact upstream વર્તન જોઈએ. આ પ્રુન્ડ અને ક્વોન્ટાઇઝ્ડ બિલ્ડ છે: ઇરાદાપૂર્વકનો, પ્રકાશિત ટ્રેડ. reproducibility અભ્યાસ માટે, Moonshot ના મૂળ વેઇટ્સ સામે ચલાવો.
અહીંનો દરેક upstream આંકડો Moonshot AI દ્વારા કે સ્વતંત્ર સંશોધકો દ્વારા પ્રકાશિત છે. અમારા પોતાના આંકડા — કિંમત, કોન્ટેક્સ્ટ, મહત્તમ આઉટપુટ, ક્ષમતા ફ્લેગ — સીધા લાઇવ /v1/models એન્ડપોઇન્ટમાંથી આવે છે જેને તમે જાતે query કરી શકો છો. બંને તપાસો.
Kimi K2.6 અને K3 આર્કિટેક્ચર, બેન્ચમાર્ક, અને રિલીઝ-તારીખના આંકડા Moonshot-જણાવેલા છે અને upstream ફાઉન્ડેશન માટે બતાવેલા છે, અમારા કમ્પ્રેસ્ડ બિલ્ડ માટે નહીં. મલ્ટિમોડલ રેન્કિંગ આંકડો સ્વતંત્ર third-party લીડરબોર્ડમાંથી છે. Shannon ગેટવે કિંમત 5 સપ્ટેમ્બર, 2026 મુજબની યાદી કિંમત છે.
09વારંવાર પુછાતા પ્રશ્નો
શું અનસેન્સર્ડ Kimi K2 API છે?
હા. Shannon AI Kimi-K2.6 ને તેના પોતાના GPU ક્લસ્ટર પર અનસેન્સર્ડ એન્ડપોઇન્ટ તરીકે સર્વ કરે છે: મોડેલની આગળ કોઈ ઇનકાર સ્તર નથી અને તેના આઉટપુટ પર કોઈ કન્ટેન્ટ ફિલ્ટરિંગ લાગુ થતું નથી. તમને 262,144-ટોકન કોન્ટેક્સ્ટ વિન્ડો, વિઝન ઇનપુટ, અને નેટિવ ટૂલ કૉલિંગ સાથે ફાઉન્ડેશનનું પોતાનું વર્તન મળે છે.
અનસેન્સર્ડ Kimi K2.6 API ની કિંમત કેટલી છે?
Kimi-K2.6 1 મિલિયન ઇનપુટ ટોકન દીઠ $0.78 અને 1 મિલિયન આઉટપુટ ટોકન દીઠ $3.67 છે. 40K ઇનપુટ અને 2K આઉટપુટનું લાક્ષણિક એજન્ટ સ્ટેપ લગભગ 3.9 સેન્ટ ખર્ચે છે; 200-સ્ટેપનો ઑટોનોમસ રન લગભગ $7.71 ખર્ચે છે.
શું Shannon AI પર Kimi K2.6 વિઝનને સમર્થન આપે છે?
હા. Kimi-K2.6 ટેક્સ્ટની સાથે ઇમેજ ઇનપુટ સ્વીકારે છે. તે Shannon કેટલોગમાં ફક્ત ચાર વિઝન-સક્ષમ મોડેલોમાંનું એક છે, અને 1 મિલિયન ઇનપુટ ટોકન દીઠ એક ડોલરથી ઓછામાં Kimi એજન્ટિક વંશ સાથે વિઝનને જોડતું એકમાત્ર.
મારે Kimi K2.6 કે Kimi K3 વાપરવું જોઈએ?
Kimi K3 ની કિંમત મોટા ફાઉન્ડેશન માટે લગભગ 5x વધુ છે ($3.83/$19.12 સામે $0.78/$3.67). K3 પસંદ કરો જ્યારે એક અઘરો રિઝનિંગ પાસ પહેલી વાર જ સફળ થવો જોઈએ અને retry મોંઘું છે. વોલ્યુમ માટે K2.6 પસંદ કરો: લાંબા એજન્ટ લૂપ, ઇમેજ પાઇપલાઇન, નિષ્કર્ષણ, અને કંઈપણ જે તમે હજારો વાર ચલાવો છો, જ્યાં 5x એ યોગ્ય અને અયોગ્ય વચ્ચેનો ફરક છે.
શું અનસેન્સર્ડ Kimi K2 API ટૂલ કૉલિંગ અને JSON schema ને સમર્થન આપે છે?
બંનેને હા. Kimi-K2.6 નેટિવ ટૂલ કૉલિંગ, સ્ટ્રિક્ટ json_schema સ્ટ્રક્ચર્ડ આઉટપુટ, અને response_format ને, ત્રણેય API ડાયલેક્ટ પર સમર્થન આપે છે: /v1/chat/completions, /v1/messages, અને /v1/responses. ત્રણેય પર સ્ટ્રીમિંગ અને reasoning_effort સમર્થિત છે.
Kimi-K2.6 અનસેન્સર્ડ ચલાવો
વિઝન, ટૂલ કૉલિંગ, 262K કોન્ટેક્સ્ટ. 1 મિલિયન ટોકન દીઠ $0.78 ઇન / $3.67 આઉટ.
API ડોક્સ વાંચો બધા મોડેલ બ્રાઉઝ કરોમોડેલ id: Kimi-K2.6-W4A16-AUTOROUND-REAP · અમારા પોતાના GPU ક્લસ્ટર પર સર્વ થાય છે
Shannon AI, Shannon Lab LLC, ન્યૂ મેક્સિકો, USA દ્વારા સંચાલિત છે. સોર્સ: Moonshot AI — Kimi K2 · REAP the Experts (arXiv 2510.13999) · Cerebras Research — REAP. Upstream Kimi બેન્ચમાર્ક આંકડા Moonshot-જણાવેલા છે અને સ્વતંત્ર ચકાસણીની રાહ જોઈ રહ્યા છે; તેઓ અનક્વોન્ટાઇઝ્ડ ફાઉન્ડેશનનું વર્ણન કરે છે, Shannon ના ક્વોન્ટાઇઝ્ડ બિલ્ડનું નહીં.