API Kimi K2 Tanpa Sensor

Kebanyakan halaman "model murah" sebenarnya membicarakan model kecil yang memakai nama keluarga model besar. Yang ini tidak. Kimi K2.6 adalah fondasi penuh berskala frontier — satu triliun parameter Mixture-of-Experts jarang, dengan encoder visi native dan program pelatihan yang diarahkan lurus ke penggunaan alat secara agentik. Yang membuatnya jadi tier hemat bukan otak yang lebih kecil, melainkan resep kompresi yang lebih agresif. Jadi pertanyaannya bukan "apakah ia cukup bagus?" melainkan "pekerjaan mana yang benar-benar merasakan bedanya antara model ini dan saudaranya yang 5x lebih mahal?" Sebagian besar artikel ini menjawab itu.

01Apa sebenarnya Kimi K2.6 itu?

Kimi K2.6 adalah model berbobot terbuka dari Moonshot AI, lab di Beijing yang berada di balik seri Kimi, dirilis 20 April 2026. Ia mewarisi arsitektur yang membuat K2 menonjol: transformer Mixture-of-Experts jarang dengan kira-kira 1 triliun parameter total dan sekitar 32 miliar aktif per token, tersusun sebagai 384 expert, 8 dirutekan ditambah 1 bersama per lapisan sepanjang 61 lapisan, dengan Multi-head Latent Attention. Hanya sepotong kecil dari triliunan itu yang menyala pada token mana pun — dan justru itulah sebabnya model sebesar ini bisa dihargai dalam hitungan sen.

Silsilahnya penting karena apa yang dioptimalkan Moonshot. K2 orisinal dilatih awal pada kira-kira 15,5 triliun token memakai optimizer Muon / MuonClip, yang dibangun khusus agar MoE satu triliun parameter tidak mengalami ledakan attention dan lonjakan loss yang menggoyahkan pelatihan di skala itu; Moonshot melaporkan nol ketidakstabilan pelatihan sepanjang proses. Itu ada di hulu segalanya — ia memungkinkan mereka membelanjakan anggaran pelatihan untuk perilaku agentik alih-alih untuk memadamkan kebakaran.

K2.6 memperluas itu ke dua arah. Pertama, ia multimodal secara native: gambar dan frame video melewati MoonViT, encoder visi berukuran ~400J parameter yang memotong gambar menjadi petak 448x448 dan memproyeksikan tiap petak langsung ke ruang token model bahasa — token visual duduk di urutan yang sama dengan yang lain, bukan di captioner tempelan yang menyuapi model buta. Kedua, ia dibangun untuk orkestrasi berkedalaman: kerja Agent Swarm milik Moonshot melaporkan koordinasi sampai 300 sub-agen terspesialisasi per domain dan sebanyak 4.000 langkah terkoordinasi dalam satu jalannya proses otonom.

Profil benchmark yang dilaporkan Moonshot

Angka-angka ini dilaporkan Moonshot untuk fondasi K2.6 yang belum dikompresi, bukan hasil pengukuran kami. Berguna untuk melihat bentuknya, bukan presisinya:

Baca bentuknya, bukan angkanya. Skor yang melibatkan penggunaan alat dan pencarian duduk tinggi; skor kesulitan murni duduk lebih rendah. Itu tanda tangan model yang dilatih untuk bertindak dengan baik alih-alih untuk tahu segalanya — pertukaran yang tepat kalau agen Anda punya browser, shell dan sistem berkas, dan pertukaran yang salah kalau Anda mengajukan satu pertanyaan berat tanpa alat apa pun.

02Apa arti W4A16-AUTOROUND-REAP

Akhiran pada id model itu bukan hiasan. Itu resep kompresi yang persis, dipublikasikan supaya Anda bisa menimbang pertukaran yang Anda ambil.

• W4A16 — bobot pada 4 bit, aktivasi dihitung pada 16. Memori bobot turun kira-kira 4x dibanding bf16 sementara aritmetika yang mengakumulasi galat tetap pada presisi 16-bit. Ini titik penyajian standar berkualitas tinggi untuk model MoE yang sangat besar.
• AUTOROUND — kuantizer AutoRound dari Intel. Pembulatan naif ke nilai terdekat memperlakukan tiap bobot secara terpisah dan membuang informasi yang diandalkan model; AutoRound justru mempelajari keputusan pembulatan terhadap data kalibrasi. Pada target 4 bit itulah beda antara model yang masih mengikuti schema dan model yang melenceng.
• REAP — Router-weighted Expert Activation Pruning, dari Cerebras Research (arXiv 2510.13999, ICLR 2026). Kebanyakan expert dalam sebuah MoE jarang dirutekan. REAP menilai tiap expert berdasarkan nilai gerbang router sekaligus norma aktivasinya, lalu membuang yang paling tidak menonjol dalam sekali jalan. Hasil yang dipublikasikan: sampai 50% expert dipangkas dari model satu triliun parameter sambil sebagian besar mempertahankan kualitas dasar, dan pemangkasan mengalahkan penggabungan expert pada tugas generatif — penggabungan mengaburkan para spesialis menjadi satu, pemangkasan sekadar membuang yang tak terpakai.

Diterapkan dalam urutan itu — pangkas dulu, kuantisasi sisanya — Anda mendapat model yang muat dan berjalan cepat tanpa keruntuhan kualitas yang akan ditimbulkan salah satu teknik itu sendirian pada rasio sebesar ini. Biar terus terang soal ongkosnya: model terkompresi tidak identik bit demi bit dengan aslinya. Yang dibeli resep tersebut adalah bahwa degradasinya mendarat di tempat yang kemungkinan besar tak Anda sadari — jalur routing yang langka, ekor token berprobabilitas rendah — bukan di kepatuhan instruksi, format panggilan alat, atau kesetiaan pada schema.

03Apa arti "tanpa sensor" di endpoint ini

Tanpa sensor di sini adalah pernyataan tentang arsitektur, bukan tentang sikap. Tidak ada lapisan penolakan di depan model dan tidak ada penyaringan konten pada keluarannya. Permintaan Anda sampai ke fondasi dan jawabannya sampai ke Anda; tidak ada yang mencegat di kedua arah.

Pembedaan itu penting, karena kata "tanpa sensor" dipakai secara longgar. Ada tiga hal berbeda yang dibungkus dalam satu kata itu:

1. Klasifikasi masukan — sebuah model terpisah membaca prompt Anda dan memutuskan apakah ia boleh lewat. Tidak ada di sini.
2. Penyaringan keluaran — sebuah pemindai memeriksa teks yang dihasilkan lalu memotong atau menggantinya. Tidak ada di sini.
3. Watak bawaan fondasinya sendiri — apa pun yang dipelajari model dasar saat pelatihan. Itu milik model, dan kami tidak mengklaim telah menghapusnya.

Dua yang pertama itulah yang merusak sistem produksi, dan dua itulah yang kami hilangkan. Sebuah klasifier yang menyala pada 0,5% permintaan adalah tingkat kegagalan 0,5% yang tidak bisa Anda debug, tidak bisa Anda banding, dan tidak bisa Anda antisipasi — dan sepanjang loop agen 200 langkah, kegagalan 0,5% per langkah berlipat menjadi proses yang lebih sering gagal daripada berhasil. Penolakan di tengah percakapan itu menjengkelkan; penolakan di langkah ke-147 sebuah proses otonom menghancurkan state proses tersebut dan membakar semua yang sudah Anda keluarkan untuk sampai ke sana. Untuk beban kerja agen, membuang permukaan penolakan itu adalah properti keandalan, bukan preferensi gaya.

Konsekuensinya, tanggung jawab berpindah ke Anda. Tidak ada jaring pengaman antara aplikasi Anda dan pengguna Anda; kalau produk Anda butuh satu, bangunlah di tempat yang bisa Anda lihat, atur, dan catat. Mohon baca dulu kebijakan penggunaan bertanggung jawab kami.

04Kimi K2.6 vs Kimi K3: kapan 5x itu sepadan?

Ini keputusan yang dicari kebanyakan pembaca, jadi inilah jawabannya tanpa berputar-putar. Kimi-K3 · 3BIT-REAP adalah fondasi yang lebih besar dan lebih baru: diumumkan 16 Juli 2026 dengan bobot terbuka pada 27 Juli, dengan kira-kira 2,8 triliun parameter total dan sekitar 104 miliar aktif per token — lebih dari 3x komputasi aktif K2.6. Di hulu, Moonshot mencantumkan K3 pada sekitar 5x harga K2.6, dan harga gateway kami mengikuti rasio itu.

	Kimi-K2.6 · W4A16-AUTOROUND-REAP	Kimi-K3 · 3BIT-REAP
Masukan / 1J token	$0.78	$3.83
Keluaran / 1J token	$3.67	$19.12
Jendela konteks	262,144	262,144
Keluaran maks / permintaan	16,384	16,384
Masukan gambar	Ya	Ya
Tool calling native	Ya	Ya
json_schema ketat	Ya	Ya
Tanpa sensor	Ya	Ya
Parameter aktif / token	~32B	~104B

Perhatikan apa yang tidak ditunjukkan tabel itu: tidak ada satu baris pun di mana K3 punya fitur yang tidak dimiliki K2.6. Jendela sama, keluaran maksimum sama, visi sama, tool calling sama, output terstruktur sama, posisi tanpa sensor sama, tiga dialek yang sama. Yang dibeli 5x itu persis satu hal — kapabilitas mentah per forward pass. Itu nyata, tapi itu satu sumbu saja, dan ia tidak berbuat apa-apa pada sumbu-sumbu di mana ia bukan hambatan Anda.

Soal jendela konteks secara khusus

Di hulu, fitur utama K3 adalah konteks 1J token melawan 262K milik K2.6. Di gateway Shannon kedua model dilayani pada 262.144 token. Kalau konteks panjang adalah alasan Anda membayar 5x, alasan itu tidak berlaku di sini — Anda akan membayar premi dan mendapat jendela yang sama. Ini jenis hal yang biasanya tergoda untuk tidak disebut vendor, karena itulah ia ditulis tebal.

Bayar 5x kalau

• Satu tembakan harus kena. Satu proses berat di mana pengulangan itu mahal atau mustahil — tindakan yang tak bisa dibatalkan, keputusan di ujung pipeline panjang. Lebih banyak parameter aktif per token justru itulah yang menaikkan plafon satu kali proses.
• Tugasnya terikat pengetahuan, bukan terikat alat. Sintesis mendalam di mana jawabannya harus keluar dari bobot. Profil K2.6 itu agentik; ambil alatnya, dan fondasi yang lebih besar akan terlihat.
• Volume rendah dan taruhannya tinggi. Pada 500 panggilan sebulan, 5x itu $40 alih-alih $8. Beli saja model yang lebih baik.

Jangan bayar 5x kalau

• Anda menjalankan sebuah loop. Proses agentik panjang didominasi langkah-langkah mekanis — baca berkas, panggil alat, cek hasil, pilih yang berikutnya — dan justru itulah yang dilatihkan pada K2.6. Pada 200 langkah, 5x itu $7.71 berbanding $38.29 per proses.
• Anda memproses gambar dalam volume besar. Beban kerja visi berat di sisi token masukan dan penalaran per itemnya dangkal. Lihat bagian 05; selisihnya jauh.
• Pekerjaannya adalah ekstraksi, klasifikasi, atau transformasi. Menarik field dari dokumen, merutekan tiket, menormalkan rekaman, meringkas — tugas berbatas di mana model yang lebih besar menghasilkan JSON yang sama.
• Anda punya langkah verifikasi. Kalau keluarannya diperiksa — suite tes, validator schema, proses kedua, seorang manusia — meleset sesekali itu murah dan ekonominya jelas berpihak pada volume. Ini argumen paling diremehkan untuk tier hemat.

Satu pola yang layak disebut: jalankan K2.6 untuk loop-nya dan K3 untuk vonisnya. Biarkan model agentik murah mengerjakan seratus langkah pengumpulan, pemanggilan dan penyusunan draf, lalu belanjakan satu panggilan mahal untuk sintesis akhir. Kedua model berbicara API yang identik dengan jendela konteks yang sama, jadi berpindah itu cuma ubah satu baris di field model.

05Visi di harga yang masuk akal

Visi adalah keunggulan paling tajam K2.6 di katalog ini. Dari dua belas model tanpa sensor di gateway, hanya empat yang sama sekali menerima gambar, dan K2.6 satu-satunya yang memadukan masukan gambar dengan silsilah agentik Kimi di bawah satu dolar per satu juta token masukan.

Beban kerja visi punya bentuk biaya yang tidak biasa. Menurut deskripsi MoonViT yang dipublikasikan Moonshot, gambar 1024x1024 dikodekan menjadi kira-kira 576 token gambar — dan itu token masukan, sisi murah dari buku besar. Pekerjaan visi tipikal jatuh hampir seluruhnya pada tarif $0.78 alih-alih $3.67. Ambil 10.000 gambar, masing-masing dengan ~200 token prompt (jadi ~776 token masukan) dan ~150 token keluaran terstruktur:

Beban kerja	Kimi-K2.6	Kimi-K3	Kelipatan
Satu langkah agen (40K masuk / 2K keluar)	$0.0385	$0.1914	5.0x
Proses otonom 200 langkah	$7.71	$38.29	5.0x
10.000 gambar, output terstruktur	$11.56	$58.40	5.1x
Pekerjaan batch (1J masuk / 200K keluar)	$1.51	$7.65	5.1x

Dihitung dari harga daftar gateway Shannon. Estimasi token gambar memakai angka MoonViT yang dipublikasikan Moonshot, yaitu ~576 token untuk gambar 1024x1024; tokenisasi persisnya bervariasi menurut resolusi dan rasio aspek.

Pipeline gambar seharga $11.56 adalah sesuatu yang Anda jalankan tiap hari tanpa berpikir dua kali. Yang seharga $58.40 adalah sesuatu yang Anda jadwalkan, Anda benarkan alasannya, lalu akhirnya Anda pangkas. Jurang itulah keseluruhan argumen untuk adanya tier hemat.

Satu catatan jujur. Pada papan peringkat multimodal dan tugas berbasis grounding yang independen, K2.6 dilaporkan berada di sekitar peringkat 26 dari 115 model, rata-rata mendekati 68,1 — terhormat, tapi bukan yang terdepan di kelasnya. Visinya benar-benar kuat pada pemahaman dokumen, pembacaan tangkapan layar dan UI, serta penafsiran grafik atau diagram; ia lebih lemah pada grounding spasial yang presisi — kotak pembatas yang persis, penghitungan halus di adegan berjejal, OCR padat pada pindaian yang rusak. Kalau Anda butuh pelokalan akurat sampai piksel, ukur dulu pada data Anda sendiri. Kalau Anda butuh model untuk melihat tangkapan layar dan memutuskan apa yang harus diklik berikutnya, ini persis alat yang tepat.

06Tool calling tanpa penolakan dan loop agentik

K2.6 mendukung tool calling native: model memancarkan pemanggilan alat terstruktur langsung dari definisi alat berformat JSON-schema yang Anda berikan, bukan dibujuk untuk menghasilkan teks yang bisa diurai. Digabung dengan percakapan multi-giliran dan system prompt, itu substrat lengkap untuk sebuah loop agen.

Yang ditambahkan "tool calling tanpa penolakan" lebih halus dari kedengarannya. Pada API yang difilter, penolakan di dalam loop agen muncul dalam tiga mode kegagalan yang berbeda:

• Penolakan keras — langkahnya mengembalikan prosa alih-alih panggilan alat, parser gagal, loop putus. Setidaknya ini berisik.
• Penolakan halus — panggilan tetap dilakukan tapi argumennya ditahan-tahan: query dipersempit, parameter dibuat mengambang, payload dipotong. Loop berjalan terus dengan state yang diam-diam merosot dan Anda baru tahu empat langkah kemudian.
• Penghindaran preemtif — rencananya membelok menjauhi cabang yang sah sebelum sempat mendekatinya. Yang ini tak pernah Anda lihat; Anda cuma mendapat rencana yang lebih buruk tanpa penjelasan.

Yang kedua dan ketiga itulah yang mahal, karena keduanya tak kasat mata: tak ada error, tak ada apa pun di log, tak ada yang bisa di-grep. Endpoint tanpa lapisan penolakan membuang seluruh kelas itu — argumen panggilan alat model adalah argumen panggilan alat model itu sendiri.

Ini paling terasa di domain yang memang butuh proses otonom panjang dan toh menyentuh materi sensitif: riset keamanan dan red-teaming, analisis malware dan insiden, pengolahan dokumen klinis, penelusuran bukti hukum, dan perkakas moderasi yang harus menalar tentang konten yang dimoderasinya. Membangun klasifier moderasi menuntut model yang bersedia melihat apa yang ia klasifikasikan; itu bukan paradoks, itu memang pekerjaannya.

Catatan praktis untuk proses panjang: reasoning_effort memungkinkan Anda membelanjakan lebih banyak pikiran pada langkah perencanaan dan lebih sedikit pada langkah mekanis. Streaming tersedia di ketiga dialek, jadi langkah yang panjang bisa memunculkan progres atau dibatalkan lebih awal. Dan konteks 262.144 token menjaga state kerja yang nyata — isi berkas, hasil alat sebelumnya, rencana yang sedang berjalan — tetap tinggal sepanjang banyak langkah tanpa harus meringkas ulang tiap giliran, yang sendirinya adalah sumber umum penyimpangan agen.

07Output terstruktur dan tiga dialek API

K2.6 mendukung baik json_schema (generasi yang dibatasi schema secara ketat) maupun response_format yang lebih longgar. Cek itu terhadap katalog: dua dari dua belas model di sini tidak mendukung output schema ketat, dan kalau tahap pipeline Anda berikutnya mengurai JSON, kolom itu bukan opsional.

Output schema ketat itulah yang membuat model tanpa sensor bisa dipakai sebagai infrastruktur: kalau model wajib memancarkan objek yang cocok dengan schema Anda, Anda mendapat jaminan parse yang lepas dari apa pun yang seharusnya ia katakan — tanpa pembuka, tanpa permintaan maaf, tanpa paragraf yang membungkus JSON Anda. Digabung dengan ketiadaan lapisan penolakan, itu jadi endpoint ekstraksi yang mengembalikan objek Anda pada tiap panggilan, untuk tiap dokumen, apa pun isi dokumen itu.

Permukaan	Dukungan Kimi-K2.6	Catatan
/v1/chat/completions	Ya	Dialek OpenAI — langsung pasang untuk SDK yang sudah ada
/v1/messages	Ya	Dialek Anthropic — model sama, bobot sama
/v1/responses	Ya	Antarmuka bergaya Responses
Streaming	Ya	Di ketiga dialek
Tool calling	Ya	Native, definisi alat berformat JSON-schema
json_schema	Ya	Output terstruktur ketat
response_format	Ya	Mode JSON yang lebih longgar
reasoning_effort	Ya	Atur anggaran berpikir per panggilan
Masukan gambar	Ya	Gambar berdampingan dengan teks

Ketiga dialek menuju bobot yang sama di klaster yang sama. Arahkan klien OpenAI yang sudah Anda punya ke base URL, set model ke Kimi-K2.6-W4A16-AUTOROUND-REAP, dan Anda sudah jalan. Bentuk permintaan dan jawaban, semantik streaming dan playground langsung ada di dokumentasi API.

08Di mana Kimi K2.6 adalah pilihan yang salah

Panduan model yang hanya mendaftar kelebihan itu iklan. Berikut ini keadaan di mana kami akan mengarahkan Anda ke tempat lain.

• Anda butuh plafon mutlak pada satu proses berat. Pergilah ke Kimi-K3 dan bayar 5x-nya. Untuk itulah ia ada.
• Anda butuh grounding visual akurat sampai piksel. Kotak pembatas, OCR padat pada pindaian rusak dan penghitungan persis di adegan berjejal bukan lahan terkuatnya — uji dulu pada data Anda.
• Anda butuh lebih murah dari murah, tanpa visi. Beberapa model katalog duduk di $0.50 / $2.00. Premi K2.6 membeli visi dan profil agentik Kimi; kalau Anda tidak butuh keduanya, ambil tier yang lebih murah.
• Anda butuh lebih dari 16.384 token keluaran dalam satu jawaban. Plafon itu berlaku di seluruh katalog — dokumen panjang butuh generasi bertahap, model mana pun yang Anda pilih.
• Anda mau perilaku hulu yang persis sampai bit. Ini build yang dipangkas dan dikuantisasi: pertukaran yang disengaja dan dipublikasikan. Untuk studi reproduktibilitas, jalankan terhadap bobot asli Moonshot.

Angka arsitektur, benchmark, dan tanggal rilis Kimi K2.6 dan K3 dilaporkan Moonshot dan ditampilkan untuk fondasi hulu, bukan untuk build terkompresi kami. Angka peringkat multimodal berasal dari papan peringkat pihak ketiga yang independen. Harga gateway Shannon adalah harga daftar per 5 September 2026.

09Pertanyaan yang sering diajukan

---

Shannon AI dioperasikan oleh Shannon Lab LLC, New Mexico, USA. Sumber: Moonshot AI — Kimi K2 · REAP the Experts (arXiv 2510.13999) · Cerebras Research — REAP. Angka benchmark Kimi hulu dilaporkan Moonshot dan bersifat sementara sampai ada verifikasi independen; angka-angka itu menggambarkan fondasi yang belum dikompresi, bukan build terkuantisasi Shannon.