अनसेंसर्ड Kimi K2 API

ज़्यादातर "सस्ते मॉडल" वाले पन्ने असल में किसी छोटे मॉडल के बारे में होते हैं जिसने बड़े मॉडल के परिवार का नाम पहन रखा है। यह वैसा नहीं है। Kimi K2.6 पूरा फ्रंटियर-पैमाने का फ़ाउंडेशन है — एक ट्रिलियन पैरामीटर वाला विरल Mixture-of-Experts, नेटिव विज़न एनकोडर और ऐसे ट्रेनिंग कार्यक्रम के साथ जो सीधे एजेंटिक टूल उपयोग पर निशाना साधता है। इसे वैल्यू स्तर छोटा दिमाग़ नहीं बनाता, बल्कि ज़्यादा आक्रामक कंप्रेशन नुस्ख़ा बनाता है। इसलिए सवाल यह नहीं है कि "क्या यह काफ़ी अच्छा है?" बल्कि यह है कि "कौन से काम असल में इसमें और इसके 5 गुना महँगे सहोदर में फ़र्क महसूस करते हैं?" इस लेख का ज़्यादातर हिस्सा उसी का जवाब है।

01Kimi K2.6 असल में है क्या?

Kimi K2.6, Moonshot AI का ओपन-वेट्स मॉडल है — यह बीजिंग की वही लैब है जो Kimi शृंखला के पीछे है — और यह 20 अप्रैल 2026 को जारी हुआ। इसे वही आर्किटेक्चर विरासत में मिला है जिसने K2 को उल्लेखनीय बनाया: एक विरल Mixture-of-Experts ट्रांसफ़ॉर्मर जिसमें लगभग 1 ट्रिलियन कुल पैरामीटर और प्रति टोकन करीब 32 अरब सक्रिय हैं, जो 61 लेयरों में प्रति लेयर 384 एक्सपर्ट, 8 राउटेड और 1 साझा के रूप में संगठित हैं, साथ में Multi-head Latent Attention। उस ट्रिलियन का बस एक छोटा हिस्सा किसी भी टोकन पर चलता है — और ठीक इसी वजह से इस आकार का मॉडल सेंटों में क़ीमत पा सकता है।

वंशावली इसलिए मायने रखती है कि Moonshot ने किस चीज़ का अनुकूलन किया। मूल K2 को लगभग 15.5 ट्रिलियन टोकन पर Muon / MuonClip ऑप्टिमाइज़र से प्री-ट्रेन किया गया था, जिसे ख़ासकर इसलिए बनाया गया था कि ट्रिलियन-पैरामीटर MoE उन अटेंशन विस्फोटों और लॉस उछालों से बचा रहे जो उस पैमाने पर ट्रेनिंग अस्थिर कर देते हैं; Moonshot ने पूरे रन में शून्य ट्रेनिंग अस्थिरता बताई। यह बाक़ी सबसे ऊपर की बात है — इसी ने उन्हें ट्रेनिंग बजट आग बुझाने के बजाय एजेंटिक व्यवहार पर खर्च करने दिया।

K2.6 इसे दो दिशाओं में आगे ले जाता है। पहला, यह नेटिव रूप से मल्टीमॉडल है: इमेज और वीडियो फ़्रेम MoonViT से गुज़रते हैं, जो लगभग 40 करोड़ पैरामीटर वाला विज़न एनकोडर है और किसी इमेज को 448x448 पैच में बाँटकर हर टाइल को सीधे भाषा मॉडल के टोकन स्पेस में प्रक्षेपित करता है — दृश्य टोकन उसी अनुक्रम में बैठते हैं जिसमें बाक़ी सब कुछ, न कि किसी अंधे मॉडल को खिलाने वाले जुड़े हुए कैप्शनर में। दूसरा, यह गहराई में समन्वय के लिए बना है: Moonshot का Agent Swarm काम बताता है कि 300 तक डोमेन-विशेषज्ञ उप-एजेंटों में समन्वय होता है और एक ही स्वायत्त रन में 4,000 तक समन्वित चरण चलते हैं।

Moonshot द्वारा रिपोर्ट किया गया बेंचमार्क प्रोफ़ाइल

ये बिना कंप्रेस किए K2.6 फ़ाउंडेशन के लिए Moonshot द्वारा रिपोर्ट किए गए आँकड़े हैं, हमारे माप नहीं। ये आकार समझने के लिए काम के हैं, सटीकता के लिए नहीं:

आकार पढ़िए, अंक नहीं। टूल इस्तेमाल करने वाले और खोज-आधारित स्कोर ऊँचे बैठते हैं; शुद्ध कठिनाई वाले स्कोर नीचे। यह उस मॉडल की पहचान है जिसे सब कुछ जानने के बजाय अच्छा करने के लिए ट्रेन किया गया — अगर आपके एजेंट के पास ब्राउज़र, शेल और फ़ाइल सिस्टम है तो यह सही सौदा है, और अगर आप बिना किसी टूल के कोई एक कठिन सवाल पूछ रहे हैं तो ग़लत।

02W4A16-AUTOROUND-REAP का क्या मतलब है

मॉडल आईडी पर लगा प्रत्यय सजावट नहीं है। यह ठीक-ठीक कंप्रेशन नुस्ख़ा है, जिसे इसलिए प्रकाशित किया गया ताकि आप अपने किए सौदे पर तर्क कर सकें।

• W4A16 — वेट्स 4 बिट पर, एक्टिवेशन 16 पर गणना किए हुए। bf16 के मुक़ाबले वेट मेमोरी लगभग 4 गुना घटती है, जबकि जो अंकगणित त्रुटि जमा करता है वह 16-बिट परिशुद्धता पर बना रहता है। बहुत बड़े MoE मॉडलों के लिए यही मानक उच्च-गुणवत्ता सर्विंग बिंदु है।
• AUTOROUND — Intel का AutoRound क्वांटाइज़र। सीधी राउंड-टू-नियरेस्ट हर वेट को स्वतंत्र मानती है और वह जानकारी फेंक देती है जिस पर मॉडल टिका था; AutoRound इसके बजाय कैलिब्रेशन डेटा के मुक़ाबले राउंडिंग के फ़ैसले सीखता है। 4-बिट लक्ष्य पर यही फ़र्क है ऐसे मॉडल में जो अब भी स्कीमा का पालन करता है और ऐसे मॉडल में जो भटक जाता है।
• REAP — Router-weighted Expert Activation Pruning, Cerebras Research से (arXiv 2510.13999, ICLR 2026)। किसी MoE के ज़्यादातर एक्सपर्ट तक शायद ही कभी राउट होता है। REAP हर एक को उसकी राउटर गेट वैल्यू और एक्टिवेशन नॉर्म, दोनों पर स्कोर देता है, फिर सबसे कम महत्वपूर्ण को एक ही झटके में हटा देता है। प्रकाशित नतीजा: ट्रिलियन-पैरामीटर मॉडलों से 50% तक एक्सपर्ट काटे गए और बेसलाइन गुणवत्ता काफ़ी हद तक बनी रही, और जनरेटिव कामों पर प्रूनिंग ने एक्सपर्ट मर्जिंग को हराया — मर्जिंग विशेषज्ञों को आपस में धुँधला कर देती है, प्रूनिंग बस अनुपयोगी वालों को गिरा देती है।

इसी क्रम में लागू करने पर — पहले प्रून, फिर जो बचे उसे क्वांटाइज़ — आपको ऐसा मॉडल मिलता है जो समाता भी है और तेज़ भी चलता है, बिना उस गुणवत्ता ढहने के जो इन अनुपातों पर अकेली कोई भी तकनीक ले आती। लागत के बारे में सीधी बात: कंप्रेस किया गया मॉडल मूल के बिट-दर-बिट समान नहीं होता। नुस्ख़ा जो चीज़ ख़रीदता है वह यह है कि गिरावट वहाँ पड़े जहाँ आपके ध्यान में आने की संभावना कम है — दुर्लभ राउटिंग रास्ते, कम-संभावना वाली टोकन पूँछें — न कि निर्देश-पालन, टूल-कॉल फ़ॉर्मैटिंग या स्कीमा पालन में।

03इस एंडपॉइंट पर "अनसेंसर्ड" का क्या मतलब है

यहाँ अनसेंसर्ड आर्किटेक्चर के बारे में कथन है, रवैये के बारे में नहीं। मॉडल के आगे कोई रिफ्यूज़ल लेयर नहीं है और उसके आउटपुट पर कोई कंटेंट फ़िल्टरिंग नहीं। आपका अनुरोध फ़ाउंडेशन तक पहुँचता है और उसका जवाब आप तक; किसी भी दिशा में कुछ बीच में नहीं आता।

यह भेद मायने रखता है, क्योंकि "अनसेंसर्ड" ढीले-ढाले ढंग से इस्तेमाल होता है। इस शब्द के नीचे तीन अलग-अलग चीज़ें बाँध दी जाती हैं:

1. इनपुट वर्गीकरण — एक अलग मॉडल आपका प्रॉम्प्ट पढ़ता है और तय करता है कि उसे जाने देना है या नहीं। यहाँ मौजूद नहीं।
2. आउटपुट फ़िल्टरिंग — एक स्कैनर पैदा किए गए टेक्स्ट की जाँच करके उसे काटता या बदल देता है। यहाँ मौजूद नहीं।
3. फ़ाउंडेशन की अपनी प्रवृत्तियाँ — जो कुछ भी बेस मॉडल ने ट्रेनिंग में सीखा। वह मॉडल का अपना है, और हम यह दावा नहीं करते कि हमने उसे मिटा दिया है।

पहली दो ही प्रोडक्शन सिस्टम तोड़ती हैं, और यही दो हम हटाते हैं। ऐसा क्लासिफ़ायर जो 0.5% अनुरोधों पर चल जाता है, एक 0.5% विफलता दर है जिसे आप डिबग नहीं कर सकते, जिसकी अपील नहीं कर सकते, और जिसे आते हुए देख नहीं सकते — और 200-चरण वाले एजेंट लूप में प्रति-चरण 0.5% विफलता चक्रवृद्धि होकर ऐसा रन बना देती है जो सफल होने से ज़्यादा बार विफल होता है। किसी बातचीत में इनकार खीझ है; किसी स्वायत्त रन के 147वें चरण पर इनकार उस रन की पूरी अवस्था नष्ट कर देता है और वहाँ तक पहुँचने में खर्च किया सब कुछ जला देता है। एजेंट वर्कलोड के लिए रिफ्यूज़ल सतह हटाना विश्वसनीयता का गुण है, शैली की पसंद नहीं।

इसका उपसिद्धांत यह है कि ज़िम्मेदारी आप पर आ जाती है। आपके एप्लिकेशन और आपके उपयोगकर्ताओं के बीच कोई सुरक्षा जाल नहीं है; अगर आपके उत्पाद को एक चाहिए, तो उसे वहाँ बनाइए जहाँ आप उसे देख, ट्यून और लॉग कर सकें। कृपया पहले हमारी ज़िम्मेदार उपयोग नीति पढ़ लीजिए।

04Kimi K2.6 बनाम Kimi K3: 5 गुना कब वसूल होता है?

ज़्यादातर पाठक यही फ़ैसला जानने आए हैं, इसलिए यह बिना लाग-लपेट के है। Kimi-K3 · 3BIT-REAP बड़ा और नया फ़ाउंडेशन है: 16 जुलाई 2026 को घोषित और 27 जुलाई को ओपन वेट्स के साथ आया, लगभग 2.8 ट्रिलियन कुल पैरामीटर और प्रति टोकन करीब 104 अरब सक्रिय — यानी K2.6 के सक्रिय कंप्यूट से 3 गुना से ज़्यादा। अपस्ट्रीम में Moonshot, K3 की कीमत K2.6 से लगभग 5 गुना बताती है, और हमारे गेटवे की कीमत उसी अनुपात पर चलती है।

	Kimi-K2.6 · W4A16-AUTOROUND-REAP	Kimi-K3 · 3BIT-REAP
इनपुट / 1M टोकन	$0.78	$3.83
आउटपुट / 1M टोकन	$3.67	$19.12
कॉन्टेक्स्ट विंडो	262,144	262,144
अधिकतम आउटपुट / अनुरोध	16,384	16,384
विज़न इनपुट	हाँ	हाँ
नेटिव टूल कॉलिंग	हाँ	हाँ
सख़्त json_schema	हाँ	हाँ
अनसेंसर्ड	हाँ	हाँ
सक्रिय पैरामीटर / टोकन	~32B	~104B

देखिए कि तालिका क्या नहीं दिखाती: कोई पंक्ति ऐसी नहीं जहाँ K3 में कोई ऐसी सुविधा हो जो K2.6 में न हो। वही विंडो, वही अधिकतम आउटपुट, वही विज़न, वही टूल कॉलिंग, वही स्ट्रक्चर्ड आउटपुट, वही अनसेंसर्ड मुद्रा, वही तीन बोलियाँ। वह 5 गुना ठीक एक चीज़ ख़रीदता है — प्रति फ़ॉरवर्ड पास कच्ची क्षमता। यह असली है, पर यह एक ही अक्ष है, और जिन अक्षों पर आपकी अड़चन नहीं है वहाँ यह कुछ नहीं करता।

ख़ासकर कॉन्टेक्स्ट-विंडो वाली बात

अपस्ट्रीम में K3 की मुख्य ख़ूबी 1M-टोकन कॉन्टेक्स्ट है, जबकि K2.6 का 262K। Shannon गेटवे पर दोनों मॉडल 262,144 टोकन पर परोसे जाते हैं। अगर लंबा कॉन्टेक्स्ट ही 5 गुना चुकाने की आपकी वजह थी, तो वह वजह यहाँ लागू नहीं होती — आप प्रीमियम चुकाएँगे और वही विंडो पाएँगे। यह वैसी चीज़ है जिसे कोई विक्रेता अनकहा छोड़ने को ललचाता है, इसीलिए यह मोटे अक्षरों में है।

5 गुना तब चुकाइए जब

• एक ही शॉट को सही बैठना हो। कोई अकेला कठिन पास जहाँ दोबारा कोशिश महँगी या नामुमकिन हो — कोई अपरिवर्तनीय क्रिया, किसी लंबी पाइपलाइन के अंत में लिया गया फ़ैसला। प्रति टोकन ज़्यादा सक्रिय पैरामीटर ठीक वही चीज़ है जो एक पास की छत ऊँची करती है।
• काम ज्ञान-बद्ध हो, टूल-बद्ध नहीं। गहरा संश्लेषण जहाँ जवाब वेट्स में से ही निकलना है। K2.6 का प्रोफ़ाइल एजेंटिक है; टूल हटा दीजिए और बड़ा फ़ाउंडेशन दिखने लगता है।
• मात्रा कम हो और दाँव ऊँचा। महीने में 500 कॉल पर, 5 गुना का मतलब $8 की जगह $40 है। बस बेहतर मॉडल ख़रीद लीजिए।

5 गुना तब मत चुकाइए जब

• आप कोई लूप चला रहे हों। लंबे एजेंटिक रन पर यांत्रिक चरण हावी रहते हैं — फ़ाइल पढ़ो, टूल बुलाओ, नतीजा जाँचो, अगला चुनो — और ठीक इसी के लिए K2.6 को ट्रेन किया गया था। 200 चरणों पर वह 5 गुना यानी प्रति रन $7.71 बनाम $38.29।
• आप मात्रा में इमेज प्रोसेस कर रहे हों। विज़न वर्कलोड इनपुट-टोकन-प्रधान होते हैं और प्रति मद रीज़निंग उथली होती है। खंड 05 देखिए; मुक़ाबला दूर-दूर तक नहीं है।
• काम निष्कर्षण, वर्गीकरण या रूपांतरण हो। दस्तावेज़ों से फ़ील्ड निकालना, टिकट राउट करना, रिकॉर्ड सामान्यीकृत करना, सारांश बनाना — सीमित काम जहाँ बड़ा मॉडल भी वही JSON पैदा करता है।
• आपके पास सत्यापन चरण हो। अगर आउटपुट जाँचा जाता है — कोई टेस्ट सूट, स्कीमा वैलिडेटर, दूसरा पास, या कोई इंसान — तो कभी-कभार की चूकें सस्ती पड़ती हैं और अर्थशास्त्र निर्णायक रूप से मात्रा के पक्ष में जाता है। वैल्यू स्तर के पक्ष में यह सबसे कम आँका गया तर्क है।

एक तरीक़ा जिसका नाम लेना ज़रूरी है: लूप के लिए K2.6 और फ़ैसले के लिए K3 चलाइए। इकट्ठा करने, बुलाने और मसौदा बनाने के सौ चरण सस्ते एजेंटिक मॉडल से कराइए, फिर अंतिम संश्लेषण पर एक महँगी कॉल खर्च कीजिए। दोनों मॉडल एक ही API बोलते हैं और उनकी कॉन्टेक्स्ट विंडो भी वही है, इसलिए अदला-बदली सिर्फ़ model फ़ील्ड में एक पंक्ति का बदलाव है।

05काम लायक कीमत पर विज़न

इस कैटलॉग में विज़न ही K2.6 की सबसे तीखी धार है। गेटवे पर मौजूद बारह अनसेंसर्ड मॉडलों में से सिर्फ़ चार इमेज स्वीकार करते हैं, और K2.6 अकेला है जो एक डॉलर प्रति दस लाख इनपुट टोकन से नीचे इमेज इनपुट को Kimi की एजेंटिक वंशावली के साथ जोड़ता है।

विज़न वर्कलोड की लागत का आकार असामान्य होता है। MoonViT के बारे में Moonshot के प्रकाशित विवरण के अनुसार, 1024x1024 की इमेज लगभग 576 इमेज टोकन में एनकोड होती है — और वे इनपुट टोकन हैं, यानी बही-खाते का सस्ता पक्ष। किसी सामान्य विज़न काम का लगभग पूरा भार $3.67 की दर के बजाय $0.78 की दर पर पड़ता है। 10,000 इमेज लीजिए, हर एक पर ~200 टोकन का प्रॉम्प्ट (यानी ~776 इनपुट टोकन) और ~150 टोकन स्ट्रक्चर्ड आउटपुट:

वर्कलोड	Kimi-K2.6	Kimi-K3	गुणक
एक एजेंट चरण (40K इन / 2K आउट)	$0.0385	$0.1914	5.0x
200-चरण वाला स्वायत्त रन	$7.71	$38.29	5.0x
10,000 इमेज, स्ट्रक्चर्ड आउटपुट	$11.56	$58.40	5.1x
बैच जॉब (1M इन / 200K आउट)	$1.51	$7.65	5.1x

Shannon गेटवे की सूची कीमतों से गणना की गई। इमेज-टोकन अनुमान में Moonshot का प्रकाशित MoonViT आँकड़ा इस्तेमाल हुआ है, यानी 1024x1024 इमेज के लिए ~576 टोकन; असल टोकनाइज़ेशन रिज़ॉल्यूशन और आस्पेक्ट रेशियो के साथ बदलती है।

$11.56 वाली इमेज पाइपलाइन वह चीज़ है जिसे आप बिना सोचे रोज़ चलाते हैं। $58.40 वाली वह चीज़ है जिसे आप शेड्यूल करते हैं, उसका औचित्य बताते हैं, और आख़िर में काट देते हैं। वही फ़ासला वैल्यू स्तर का पूरा तर्क है।

एक ईमानदार चेतावनी। स्वतंत्र मल्टीमॉडल और ग्राउंडेड-टास्क लीडरबोर्ड पर K2.6 को लगभग 115 मॉडलों में #26, औसत करीब 68.1 बताया गया है — सम्मानजनक, पर श्रेणी में अग्रणी नहीं। इसका विज़न दस्तावेज़ समझ, स्क्रीनशॉट तथा UI पढ़ने, और चार्ट या डायग्राम की व्याख्या में सचमुच मज़बूत है; यह सटीक स्थानिक ग्राउंडिंग में कमज़ोर है — ठीक-ठीक बाउंडिंग बॉक्स, भीड़ भरे दृश्यों में बारीक गिनती, ख़राब स्कैनों का सघन OCR। अगर आपको पिक्सेल-सटीक स्थानीयकरण चाहिए, तो पहले अपने ही डेटा पर बेंचमार्क कीजिए। अगर आपको ऐसा मॉडल चाहिए जो स्क्रीनशॉट देखकर तय करे कि आगे कहाँ क्लिक करना है, तो यही सही औज़ार है।

06बिना इनकार वाली टूल कॉलिंग और एजेंटिक लूप

K2.6 नेटिव टूल कॉलिंग सपोर्ट करता है: मॉडल आपकी दी हुई JSON-स्कीमा टूल परिभाषाओं से सीधे संरचित टूल आह्वान निकालता है, बजाय इसके कि उसे पार्स होने लायक टेक्स्ट पैदा करने के लिए फुसलाया जाए। बहु-चरणीय बातचीत और सिस्टम प्रॉम्प्ट के साथ, यही किसी एजेंट लूप का पूरा आधार है।

"बिना इनकार वाली टूल कॉलिंग" जो जोड़ती है वह सुनने में जितना लगता है उससे सूक्ष्म है। किसी फ़िल्टर वाले API पर, एजेंट लूप के भीतर इनकार तीन अलग विफलता रूपों में दिखते हैं:

• सख़्त इनकार — चरण किसी टूल कॉल के बजाय गद्य लौटाता है, पार्सर विफल होता है, लूप टूट जाता है। कम से कम यह शोर मचाता है।
• नरम इनकार — कॉल तो होती है पर तर्क दबा दिए जाते हैं: संकुचित क्वेरी, गोल-मोल पैरामीटर, कटा हुआ पेलोड। लूप चुपचाप बिगड़ी अवस्था के साथ चलता रहता है और आपको चार चरण बाद पता चलता है।
• पूर्व-निवारक बचाव — योजना किसी वैध शाखा के पास पहुँचने से पहले ही उससे कतरा जाती है। यह आपको कभी दिखता नहीं; आपको बस बदतर योजना मिलती है और कोई सफ़ाई नहीं।

दूसरा और तीसरा महँगे हैं, क्योंकि वे अदृश्य हैं: कोई त्रुटि नहीं, लॉग में कुछ नहीं, grep करने को कुछ नहीं। बिना रिफ्यूज़ल लेयर वाला एंडपॉइंट पूरी श्रेणी हटा देता है — मॉडल के टूल-कॉल तर्क मॉडल के ही टूल-कॉल तर्क होते हैं।

यह उन क्षेत्रों में सबसे ज़्यादा मायने रखता है जिन्हें लंबे स्वायत्त रन चाहिए और जो वैसे भी संवेदनशील सामग्री छूते हैं: सुरक्षा अनुसंधान और रेड-टीमिंग, मैलवेयर तथा घटना विश्लेषण, क्लिनिकल दस्तावेज़ प्रोसेसिंग, कानूनी डिस्कवरी, और ऐसी मॉडरेशन टूलिंग जिसे उसी सामग्री पर तर्क करना होता है जिसका वह मॉडरेशन करती है। मॉडरेशन क्लासिफ़ायर बनाने के लिए ऐसा मॉडल चाहिए जो उसे देखने को तैयार हो जिसका वह वर्गीकरण करता है; यह विरोधाभास नहीं, बस काम है।

लंबे रन के लिए व्यावहारिक नोट: reasoning_effort आपको योजना वाले चरणों पर ज़्यादा सोच और यांत्रिक चरणों पर कम खर्च करने देता है। स्ट्रीमिंग तीनों बोलियों पर उपलब्ध है, इसलिए कोई लंबा चरण प्रगति दिखा सकता है या जल्दी रोका जा सकता है। और 262,144 टोकन का कॉन्टेक्स्ट असली कामकाजी अवस्था — फ़ाइल सामग्री, पिछले टूल नतीजे, चलती हुई योजना — कई चरणों तक बिना हर बार दोबारा सारांश बनाए बनाए रखता है, जो ख़ुद एजेंट के भटकाव का आम स्रोत है।

07स्ट्रक्चर्ड आउटपुट और तीन API बोलियाँ

K2.6 दोनों सपोर्ट करता है: json_schema (सख़्त स्कीमा-बद्ध जनरेशन) और ढीला response_format। इसे कैटलॉग के मुक़ाबले जाँचिए: यहाँ के बारह में से दो मॉडल सख़्त स्कीमा आउटपुट नहीं देते, और अगर आपका अगला पाइपलाइन चरण JSON पार्स करता है, तो वह कॉलम वैकल्पिक नहीं है।

सख़्त स्कीमा आउटपुट ही किसी अनसेंसर्ड मॉडल को बुनियादी ढाँचे के रूप में इस्तेमाल लायक बनाता है: अगर मॉडल को आपकी स्कीमा से मेल खाता ऑब्जेक्ट ही निकालना है, तो आपको पार्स की गारंटी मिलती है, चाहे वह वरना कुछ भी कहता — कोई भूमिका नहीं, कोई माफ़ी नहीं, आपके JSON के इर्द-गिर्द लिपटा कोई पैराग्राफ़ नहीं। बिना रिफ्यूज़ल लेयर के साथ मिलाकर, यह ऐसा निष्कर्षण एंडपॉइंट बनता है जो हर कॉल पर, हर दस्तावेज़ के लिए आपका ऑब्जेक्ट लौटाता है, चाहे दस्तावेज़ किसी भी बारे में हो।

सतह	Kimi-K2.6 समर्थन	नोट्स
/v1/chat/completions	हाँ	OpenAI बोली — मौजूदा SDK के लिए सीधा प्रतिस्थापन
/v1/messages	हाँ	Anthropic बोली — वही मॉडल, वही वेट्स
/v1/responses	हाँ	Responses-शैली इंटरफ़ेस
स्ट्रीमिंग	हाँ	तीनों बोलियों पर
टूल कॉलिंग	हाँ	नेटिव, JSON-स्कीमा टूल परिभाषाएँ
json_schema	हाँ	सख़्त स्ट्रक्चर्ड आउटपुट
response_format	हाँ	ढीला JSON मोड
reasoning_effort	हाँ	प्रति कॉल थिंकिंग बजट ट्यून कीजिए
विज़न इनपुट	हाँ	टेक्स्ट के साथ इमेज

तीनों बोलियाँ उसी क्लस्टर पर उन्हीं वेट्स को संबोधित करती हैं। किसी मौजूदा OpenAI क्लाइंट को बेस URL पर मोड़िए, model को Kimi-K2.6-W4A16-AUTOROUND-REAP पर सेट कीजिए, और आप चल पड़े। अनुरोध तथा प्रतिक्रिया के आकार, स्ट्रीमिंग शब्दार्थ और एक लाइव प्लेग्राउंड API दस्तावेज़ीकरण में हैं।

08Kimi K2.6 कहाँ ग़लत चुनाव है

ऐसी मॉडल गाइड जो सिर्फ़ ख़ूबियाँ गिनाए, विज्ञापन होती है। यहाँ बताया है कि हम आपको कहाँ कहीं और भेजेंगे।

• आपको किसी एक कठिन पास पर बिल्कुल ऊपरी छत चाहिए। Kimi-K3 पर जाइए और 5 गुना चुकाइए। वह इसी के लिए है।
• आपको पिक्सेल-सटीक विज़ुअल ग्राउंडिंग चाहिए। बाउंडिंग बॉक्स, ख़राब स्कैनों पर सघन OCR और भीड़ भरे दृश्यों में ठीक-ठीक गिनती इसकी सबसे मज़बूत ज़मीन नहीं — पहले अपने डेटा पर परखिए।
• आपको सस्ते से भी सस्ता चाहिए, बिना विज़न के। कैटलॉग के कई मॉडल $0.50 / $2.00 पर बैठते हैं। K2.6 का प्रीमियम विज़न और Kimi का एजेंटिक प्रोफ़ाइल ख़रीदता है; अगर आपको इनमें से कुछ नहीं चाहिए, तो सस्ता स्तर लीजिए।
• आपको एक ही जवाब में 16,384 से ज़्यादा आउटपुट टोकन चाहिए। यह सीमा पूरी कैटलॉग पर लागू है — लंबे दस्तावेज़ों के लिए आप कोई भी मॉडल चुनें, जनरेशन टुकड़ों में करनी पड़ेगी।
• आपको बिट-दर-बिट अपस्ट्रीम व्यवहार चाहिए। यह प्रून और क्वांटाइज़ किया हुआ बिल्ड है: एक सोचा-समझा, प्रकाशित सौदा। पुनरुत्पादन अध्ययन के लिए Moonshot के मूल वेट्स पर चलाइए।

Kimi K2.6 और K3 के आर्किटेक्चर, बेंचमार्क तथा रिलीज़-तिथि संबंधी आँकड़े Moonshot द्वारा रिपोर्ट किए गए हैं और अपस्ट्रीम फ़ाउंडेशन के लिए दिखाए गए हैं, हमारे कंप्रेस किए बिल्ड के लिए नहीं। मल्टीमॉडल रैंकिंग का आँकड़ा किसी स्वतंत्र तीसरे पक्ष के लीडरबोर्ड से है। Shannon गेटवे की कीमतें 5 सितंबर 2026 तक की सूची कीमतें हैं।

09अक्सर पूछे जाने वाले सवाल

---

Shannon AI का संचालन Shannon Lab LLC, न्यू मैक्सिको, USA करती है। स्रोत: Moonshot AI — Kimi K2 · REAP the Experts (arXiv 2510.13999) · Cerebras Research — REAP। अपस्ट्रीम Kimi बेंचमार्क आँकड़े Moonshot द्वारा रिपोर्ट किए गए हैं और स्वतंत्र सत्यापन तक अनंतिम हैं; वे बिना कंप्रेस किए फ़ाउंडेशन का वर्णन करते हैं, Shannon के क्वांटाइज़ किए बिल्ड का नहीं।