L'API Kimi K2 senza censura
Visione, tool calling nativo e una finestra da 262K sulla base agentica da mille miliardi di parametri di Moonshot — senza censura, a 0,78 $ in / 3,67 $ out per milione di token.
In breve
Kimi-K2.6 · W4A16-AUTOROUND-REAP è il livello convenienza della famiglia Kimi sul gateway Shannon. È il MoE agentico da mille miliardi di parametri di Moonshot AI — il modello costruito per i lunghi cicli d'uso degli strumenti — servito senza censura con input immagine, tool calling nativo, output con schema JSON in modalità strict e un contesto da 262.144 token, a 0,78 $ / 3,67 $ per milione di token. Il suo fratello Kimi-K3 costa all'incirca 5 volte tanto. La sezione 04 è un resoconto onesto di quando quelle 5 volte ti comprano qualcosa e quando non ti comprano nulla.
Quasi tutte le pagine sui «modelli economici» parlano in realtà di un modello piccolo che indossa il cognome di un modello grande. Questa no. Kimi K2.6 è una base a scala di frontiera a tutti gli effetti — mille miliardi di parametri di Mixture-of-Experts sparso, con un encoder visivo nativo e un programma di addestramento puntato dritto sull'uso agentico degli strumenti. A renderlo il livello convenienza non è un cervello più piccolo ma una ricetta di compressione più aggressiva. La domanda quindi non è «è abbastanza buono?» ma «quali lavori notano davvero la differenza fra questo e il fratello che costa 5 volte tanto?». Gran parte di questo articolo risponde a quello.
01Che cos'è davvero Kimi K2.6?
Kimi K2.6 è un modello a pesi aperti di Moonshot AI, il laboratorio di Pechino dietro alla serie Kimi, rilasciato il 20 aprile 2026. Eredita l'architettura che ha reso notevole K2: un transformer Mixture-of-Experts sparso con circa mille miliardi di parametri totali e circa 32 miliardi attivi per token, organizzato in 384 esperti, 8 instradati più 1 condiviso per strato su 61 strati, con Multi-head Latent Attention. Solo una piccola fetta di quel migliaio di miliardi si accende su un dato token — ed è esattamente per questo che un modello di queste dimensioni può essere prezzato in centesimi.
Il lignaggio conta per ciò che Moonshot ha ottimizzato. Il K2 originale è stato pre-addestrato su circa 15,5 mila miliardi di token usando l'ottimizzatore Muon / MuonClip, costruito apposta per evitare che un MoE da mille miliardi di parametri soffra le esplosioni di attenzione e i picchi di loss che destabilizzano l'addestramento a quella scala; Moonshot ha riportato zero instabilità di addestramento sull'intera corsa. Questo sta a monte di tutto il resto: ha permesso di spendere il budget di addestramento sul comportamento agentico invece che a spegnere incendi.
K2.6 estende quel lavoro in due direzioni. Primo, è nativamente multimodale: immagini e fotogrammi video passano per MoonViT, un encoder visivo da ~400M di parametri che divide l'immagine in riquadri da 448x448 e proietta ciascun riquadro direttamente nello spazio dei token del modello linguistico — i token visivi stanno nella stessa sequenza di tutto il resto, non in un generatore di didascalie avvitato sopra che alimenta un modello cieco. Secondo, è costruito per l'orchestrazione in profondità: il lavoro Agent Swarm di Moonshot riporta un coordinamento fino a 300 sotto-agenti specializzati per dominio e fino a 4.000 passi coordinati in una singola corsa autonoma.
Il profilo di benchmark riportato da Moonshot
Questi sono dati riportati da Moonshot per la base K2.6 non compressa, non nostre misurazioni. Utili per la forma, non per la precisione:
Leggi la forma, non le cifre. I punteggi che coinvolgono strumenti e ricerca stanno in alto; quelli di pura difficoltà stanno più in basso. È la firma di un modello addestrato ad agire bene più che a sapere tutto — lo scambio giusto se il tuo agente ha un browser, una shell e un file system, quello sbagliato se stai facendo una singola domanda difficile senza alcuno strumento collegato.
02Che cosa significa W4A16-AUTOROUND-REAP
Il suffisso sull'id del modello non è decorazione. È la ricetta di compressione esatta, pubblicata perché tu possa ragionare sullo scambio che stai facendo.
- W4A16 — pesi a 4 bit, attivazioni calcolate a 16. La memoria dei pesi cala di circa 4 volte rispetto a bf16 mentre l'aritmetica che accumula errore resta a precisione 16 bit. È il punto di serving standard di alta qualità per i modelli MoE molto grandi.
- AUTOROUND — il quantizzatore AutoRound di Intel. L'arrotondamento ingenuo al più vicino tratta ogni peso in modo indipendente e butta via informazione su cui il modello contava; AutoRound apprende invece le decisioni di arrotondamento su dati di calibrazione. A un obiettivo di 4 bit è la differenza fra un modello che segue ancora uno schema e uno che va alla deriva.
- REAP — Router-weighted Expert Activation Pruning, di Cerebras Research (arXiv 2510.13999, ICLR 2026). Nella maggior parte dei MoE gran parte degli esperti viene instradata raramente. REAP assegna a ciascuno un punteggio basato sia sui valori del gate del router sia sulle norme di attivazione, poi rimuove i meno rilevanti in un colpo solo. Il risultato pubblicato: fino al 50% degli esperti potato da modelli da mille miliardi di parametri mantenendo in gran parte la qualità di partenza, e il pruning che batte la fusione degli esperti sui compiti generativi — la fusione impasta insieme gli specialisti, il pruning si limita a eliminare quelli inutilizzati.
Applicati in quest'ordine — prima potare, poi quantizzare ciò che resta — ottieni un modello che ci sta e gira veloce senza il crollo di qualità che ciascuna tecnica da sola provocherebbe a questi rapporti. Per essere schietti sul costo: un modello compresso non è identico bit per bit all'originale. Quello che la ricetta compra è che il degrado atterri dove è improbabile che tu lo noti — percorsi di instradamento rari, code di token a bassa probabilità — invece che nell'aderenza alle istruzioni, nella formattazione delle chiamate a strumenti o nel rispetto dello schema.
03Che cosa significa «senza censura» su questo endpoint
Qui «senza censura» è un'affermazione sull'architettura, non sull'atteggiamento. Non c'è alcuno strato di rifiuto davanti al modello né alcun filtro sui contenuti sul suo output. La tua richiesta arriva alla base e la sua risposta arriva a te; nulla intercetta in nessuna delle due direzioni.
La distinzione conta, perché «senza censura» viene usato alla leggera. Sotto quella parola sono impacchettate tre cose distinte:
- Classificazione dell'input — un modello separato legge il tuo prompt e decide se farlo passare. Qui non c'è.
- Filtro sull'output — uno scanner ispeziona il testo generato e lo tronca o lo sostituisce. Qui non c'è.
- Le disposizioni proprie della base — qualunque cosa il modello di base abbia appreso in addestramento. Quella è del modello, e non pretendiamo di averla cancellata.
Le prime due sono quelle che rompono i sistemi in produzione, e sono le due che togliamo. Un classificatore che scatta sullo 0,5% delle richieste è un tasso di fallimento dello 0,5% che non puoi debuggare, non puoi contestare e non puoi vedere arrivare — e su un ciclo di agente da 200 passi, un fallimento dello 0,5% per passo si compone in una corsa che fallisce più spesso di quanto riesca. Un rifiuto in una conversazione è una seccatura; un rifiuto al passo 147 di una corsa autonoma distrugge lo stato della corsa e brucia tutto ciò che hai speso per arrivarci. Per i carichi agentici, togliere la superficie di rifiuto è una proprietà di affidabilità, non una preferenza stilistica.
Il corollario è che la responsabilità si sposta su di te. Non c'è alcuna rete di sicurezza fra la tua applicazione e i tuoi utenti; se il tuo prodotto ne ha bisogno, costruiscila dove puoi vederla, regolarla e registrarla. Ti chiediamo di leggere prima la nostra policy di uso responsabile.
04Kimi K2.6 contro Kimi K3: quando valgono le 5 volte?
È la decisione per cui la maggior parte dei lettori è arrivata qui, quindi eccola senza giri di parole. Kimi-K3 · 3BIT-REAP è la base più grande e più recente: annunciata il 16 luglio 2026 con pesi aperti il 27 luglio, a circa 2,8 mila miliardi di parametri totali e circa 104 miliardi attivi per token — più di 3 volte il calcolo attivo di K2.6. A monte, Moonshot elenca K3 a circa 5 volte il prezzo di K2.6, e i prezzi del nostro gateway seguono quel rapporto.
| Kimi-K2.6 · W4A16-AUTOROUND-REAP | Kimi-K3 · 3BIT-REAP | |
|---|---|---|
| Input / 1M di token | 0,78 $ | 3,83 $ |
| Output / 1M di token | 3,67 $ | 19,12 $ |
| Finestra di contesto | 262.144 | 262.144 |
| Output massimo / richiesta | 16.384 | 16.384 |
| Input immagine | Sì | Sì |
| Tool calling nativo | Sì | Sì |
| json_schema in modalità strict | Sì | Sì |
| Senza censura | Sì | Sì |
| Parametri attivi / token | ~32B | ~104B |
Guarda che cosa la tabella non mostra: non c'è una sola riga in cui K3 abbia una funzione che manca a K2.6. Stessa finestra, stesso output massimo, stessa visione, stesso tool calling, stesso output strutturato, stessa postura senza censura, stessi tre dialetti. Le 5 volte comprano esattamente una cosa: la capacità grezza per passaggio in avanti. È reale, ma è un solo asse, e non fa nulla sugli assi in cui non è il tuo collo di bottiglia.
Il punto sulla finestra di contesto, in particolare
A monte, la funzione di punta di K3 è un contesto da 1M di token contro i 262K di K2.6. Sul gateway Shannon entrambi i modelli sono serviti a 262.144 token. Se il contesto lungo era la tua ragione per pagare 5 volte tanto, qui quella ragione non si applica: pagheresti il sovrapprezzo e otterresti la stessa finestra. È il genere di cosa che un fornitore è tentato di lasciare non detta, ed è per questo che sta in grassetto.
Paga le 5 volte quando
- Un solo colpo deve andare a segno. Un singolo passaggio difficile in cui un nuovo tentativo è costoso o impossibile — un'azione irreversibile, una decisione alla fine di una lunga pipeline. Più parametri attivi per token è esattamente ciò che alza il tetto su un singolo passaggio.
- Il compito è legato alla conoscenza, non agli strumenti. Sintesi profonda in cui la risposta deve uscire dai pesi. Il profilo di K2.6 è agentico; togli gli strumenti e la base più grande si vede.
- Il volume è basso e la posta in gioco è alta. A 500 chiamate al mese, 5 volte tanto sono 40 $ invece di 8 $. Compra semplicemente il modello migliore.
Non pagare le 5 volte quando
- Stai eseguendo un ciclo. Le lunghe corse agentiche sono dominate da passi meccanici — leggi un file, chiama uno strumento, controlla un risultato, scegli il prossimo — che è esattamente ciò per cui K2.6 è stato addestrato. A 200 passi, le 5 volte sono 7,71 $ contro 38,29 $ a corsa.
- Stai elaborando immagini a volume. I carichi di visione sono pesanti sui token di input e il ragionamento per elemento è superficiale. Vedi la sezione 05; non è neanche vicino.
- Il lavoro è estrazione, classificazione o trasformazione. Tirare fuori campi dai documenti, smistare ticket, normalizzare record, riassumere: compiti delimitati in cui un modello più grande produce lo stesso JSON.
- Hai un passo di verifica. Se l'output viene controllato — una suite di test, un validatore di schema, un secondo passaggio, una persona — gli errori occasionali costano poco e l'economia favorisce decisamente il volume. È l'argomento più sottovalutato a favore del livello convenienza.
Uno schema che vale la pena nominare: usa K2.6 per il ciclo e K3 per il verdetto. Lascia che il modello agentico economico faccia i cento passi di raccolta, chiamata e stesura, poi spendi una sola chiamata costosa sulla sintesi finale. Entrambi i modelli parlano un'API identica con la stessa finestra di contesto, quindi passare dall'uno all'altro è una modifica di una riga al campo model.
05La visione a un prezzo di lavoro
La visione è il taglio più affilato di K2.6 in questo catalogo. Dei dodici modelli senza censura del gateway solo quattro accettano immagini, e K2.6 è l'unico che unisce l'input immagine al lignaggio agentico Kimi sotto un dollaro per milione di token in input.
I carichi di visione hanno una forma di costo insolita. Secondo la descrizione pubblicata da Moonshot di MoonViT, un'immagine 1024x1024 si codifica in circa 576 token immagine — e sono token di input, il lato economico del registro. Un tipico lavoro di visione ricade quasi interamente sulla tariffa da 0,78 $ e non su quella da 3,67 $. Prendi 10.000 immagini, ciascuna con ~200 token di prompt (quindi ~776 token di input) e ~150 token di output strutturato:
| Carico di lavoro | Kimi-K2.6 | Kimi-K3 | Moltiplicatore |
|---|---|---|---|
| Un passo di agente (40K in / 2K out) | 0,0385 $ | 0,1914 $ | 5,0× |
| Corsa autonoma da 200 passi | 7,71 $ | 38,29 $ | 5,0× |
| 10.000 immagini, output strutturato | 11,56 $ | 58,40 $ | 5,1× |
| Job in blocco (1M in / 200K out) | 1,51 $ | 7,65 $ | 5,1× |
Calcolato dai prezzi di listino del gateway Shannon. La stima dei token immagine usa il dato MoonViT pubblicato da Moonshot di ~576 token per un'immagine 1024x1024; la tokenizzazione esatta varia con risoluzione e proporzioni.
Una pipeline di immagini da 11,56 $ è qualcosa che esegui ogni giorno senza pensarci. Una da 58,40 $ è qualcosa che pianifichi, giustifichi e alla fine tagli. Quello scarto è tutto l'argomento a favore di un livello convenienza.
Un'avvertenza onesta. Su classifiche indipendenti multimodali e di compiti ancorati, K2.6 è stato riportato attorno al 26° posto su 115 modelli, con una media vicina a 68,1 — rispettabile, non al vertice della categoria. La sua visione è genuinamente forte sulla comprensione dei documenti, sulla lettura di screenshot e interfacce e sull'interpretazione di grafici o diagrammi; è più debole sull'ancoraggio spaziale preciso — riquadri di delimitazione esatti, conteggi a grana fine in scene affollate, OCR fitto di scansioni degradate. Se ti serve una localizzazione accurata al pixel, fai prima benchmark sui tuoi dati. Se ti serve un modello che guardi uno screenshot e decida su che cosa cliccare dopo, questo è esattamente lo strumento giusto.
06Tool calling senza rifiuti e cicli agentici
K2.6 supporta il tool calling nativo: il modello emette invocazioni strutturate degli strumenti direttamente dalle definizioni con schema JSON che gli fornisci, invece di essere convinto a produrre testo analizzabile. Con la conversazione multi-turno e i prompt di sistema, questo è il substrato completo di un ciclo di agente.
Ciò che aggiunge il «tool calling senza rifiuti» è più sottile di quanto sembri. Su un'API filtrata, i rifiuti dentro un ciclo di agente si presentano in tre modalità di fallimento distinte:
- Rifiuto duro — il passo restituisce prosa invece di una chiamata a strumento, il parser fallisce, il ciclo si rompe. Almeno è rumoroso.
- Rifiuto morbido — la chiamata viene fatta ma gli argomenti sono depotenziati: una query ristretta, un parametro prudente, un payload troncato. Il ciclo prosegue con uno stato silenziosamente degradato e te ne accorgi quattro passi più tardi.
- Evitamento preventivo — il piano si allontana da un ramo legittimo prima ancora di avvicinarvisi. Questo non lo vedi mai; ottieni solo un piano peggiore e nessuna spiegazione.
La seconda e la terza sono quelle costose, perché sono invisibili: nessun errore, niente nei log, nulla da cercare col grep. Un endpoint senza strato di rifiuto elimina l'intera classe — gli argomenti delle chiamate a strumento del modello sono gli argomenti delle chiamate a strumento del modello.
Questo conta soprattutto nei domini che hanno bisogno di lunghe corse autonome e che comunque toccano materiale sensibile: ricerca sulla sicurezza e red teaming, analisi di malware e incidenti, elaborazione di documenti clinici, discovery legale e strumenti di moderazione che devono ragionare sui contenuti che moderano. Costruire un classificatore di moderazione richiede un modello disposto a guardare ciò che classifica; non è un paradosso, è semplicemente il lavoro.
Note pratiche per le corse lunghe: reasoning_effort ti permette di spendere più pensiero sui passi di pianificazione e meno su quelli meccanici. Lo streaming è disponibile su tutti e tre i dialetti, così un passo lungo può mostrare i progressi o essere interrotto in anticipo. E 262.144 token di contesto tengono residente lo stato di lavoro reale — contenuti di file, risultati di strumenti precedenti, un piano in corso — attraverso molti passi senza dover riassumere a ogni turno, cosa che è di per sé una comune fonte di deriva degli agenti.
07Output strutturato e i tre dialetti API
K2.6 supporta sia json_schema (generazione vincolata dallo schema in modalità strict) sia il più lasco response_format. Confrontalo con il catalogo: due dei dodici modelli qui non supportano l'output con schema in modalità strict, e se lo stadio successivo della tua pipeline analizza JSON, quella colonna non è opzionale.
L'output con schema in modalità strict è ciò che rende un modello senza censura utilizzabile come infrastruttura: se il modello deve emettere un oggetto conforme al tuo schema, ottieni una garanzia di parsing indipendente da ciò che altrimenti avrebbe detto — nessun preambolo, nessuna scusa, nessun paragrafo avvolto attorno al tuo JSON. Unito all'assenza di uno strato di rifiuto, è un endpoint di estrazione che restituisce il tuo oggetto a ogni chiamata, per ogni documento, qualunque cosa il documento tratti.
| Superficie | Supporto Kimi-K2.6 | Note |
|---|---|---|
| /v1/chat/completions | Sì | Dialetto OpenAI — sostituzione diretta per gli SDK esistenti |
| /v1/messages | Sì | Dialetto Anthropic — stesso modello, stessi pesi |
| /v1/responses | Sì | Interfaccia in stile Responses |
| Streaming | Sì | Su tutti e tre i dialetti |
| Tool calling | Sì | Nativo, definizioni degli strumenti con schema JSON |
| json_schema | Sì | Output strutturato in modalità strict |
| response_format | Sì | Modalità JSON più lasca |
| reasoning_effort | Sì | Regola il budget di pensiero per chiamata |
| Input immagine | Sì | Immagini accanto al testo |
Tutti e tre i dialetti indirizzano gli stessi pesi sullo stesso cluster. Punta un client OpenAI esistente alla base URL, imposta model a Kimi-K2.6-W4A16-AUTOROUND-REAP e sei operativo. Le forme di richiesta e risposta, la semantica dello streaming e un playground interattivo sono nella documentazione API.
08Dove Kimi K2.6 è la scelta sbagliata
Una guida al modello che elenca solo i punti di forza è una pubblicità. Ecco dove ti manderemmo altrove.
- Ti serve il tetto assoluto su un singolo passaggio difficile. Vai su Kimi-K3 e paga le 5 volte. È a questo che serve.
- Ti serve un ancoraggio visivo accurato al pixel. Riquadri di delimitazione, OCR fitto su scansioni degradate e conteggi esatti in scene affollate non sono il suo terreno migliore: prova prima sui tuoi dati.
- Ti serve più economico dell'economico, senza visione. Diversi modelli del catalogo stanno a 0,50 $ / 2,00 $. Il sovrapprezzo di K2.6 compra la visione e il profilo agentico Kimi; se non ti serve nessuna delle due cose, prendi il livello più economico.
- Ti servono più di 16.384 token di output in una sola risposta. Quel tetto vale su tutto il catalogo: i documenti lunghi richiedono una generazione a pezzi qualunque modello tu scelga.
- Vuoi il comportamento a monte esatto bit per bit. Questa è una build potata e quantizzata: uno scambio deliberato e dichiarato. Per uno studio di riproducibilità, esegui contro i pesi originali di Moonshot.
Ogni dato a monte qui è pubblicato da Moonshot AI o da ricercatori indipendenti. I nostri numeri — prezzo, contesto, output massimo, flag di capacità — vengono direttamente dall'endpoint /v1/models in produzione, che puoi interrogare tu stesso. Controlla entrambi.
I dati di architettura, benchmark e data di rilascio di Kimi K2.6 e K3 sono riportati da Moonshot e mostrati per la base a monte, non per la nostra build compressa. Il dato di posizionamento multimodale viene da una classifica indipendente di terze parti. I prezzi del gateway Shannon sono prezzi di listino al 5 settembre 2026.
09Domande frequenti
Esiste un'API Kimi K2 senza censura?
Sì. Shannon AI serve Kimi-K2.6 come endpoint senza censura sul proprio cluster GPU: non c'è alcuno strato di rifiuto davanti al modello e nessun filtro sui contenuti applicato al suo output. Ottieni il comportamento proprio della base, con una finestra di contesto da 262.144 token, input immagine e tool calling nativo.
Quanto costa l'API Kimi K2.6 senza censura?
Kimi-K2.6 costa 0,78 $ per milione di token in input e 3,67 $ per milione di token in output. Un passo di agente tipico da 40K in input e 2K in output costa circa 3,9 centesimi; una corsa autonoma da 200 passi costa all'incirca 7,71 $.
Kimi K2.6 supporta la visione su Shannon AI?
Sì. Kimi-K2.6 accetta input immagine accanto al testo. È uno dei soli quattro modelli capaci di visione del catalogo Shannon, e l'unico che unisce la visione al lignaggio agentico di Kimi sotto un dollaro per milione di token in input.
Meglio Kimi K2.6 o Kimi K3?
Kimi K3 costa circa 5 volte tanto (3,83 $/19,12 $ contro 0,78 $/3,67 $) per una base più grande. Scegli K3 quando un singolo passaggio di ragionamento difficile deve andare a segno al primo colpo e un nuovo tentativo è costoso. Scegli K2.6 per i volumi: cicli di agente lunghi, pipeline di immagini, estrazione e tutto ciò che esegui migliaia di volte, dove 5 volte è la differenza fra sostenibile e non sostenibile.
L'API Kimi K2 senza censura supporta il tool calling e lo schema JSON?
Sì a entrambi. Kimi-K2.6 supporta tool calling nativo, output strutturato json_schema in modalità strict e response_format, su tutti e tre i dialetti API: /v1/chat/completions, /v1/messages e /v1/responses. Streaming e reasoning_effort sono supportati su tutti e tre.
Usa Kimi-K2.6 senza censura
Visione, tool calling, 262K di contesto. 0,78 $ in / 3,67 $ out per milione di token.
Leggi la documentazione API Sfoglia tutti i modelliId del modello: Kimi-K2.6-W4A16-AUTOROUND-REAP · servito sul nostro cluster GPU
Shannon AI è gestita da Shannon Lab LLC, New Mexico, USA. Fonti: Moonshot AI — Kimi K2 · REAP the Experts (arXiv 2510.13999) · Cerebras Research — REAP. I dati di benchmark Kimi a monte sono riportati da Moonshot e provvisori in attesa di verifica indipendente; descrivono la base non compressa, non la build quantizzata di Shannon.