Цензурасыз Kimi K2 API

«Арзан модель» деген беттердің көбі шын мәнінде үлкен модельдің отбасылық атын киген кішкентай модель туралы. Бұл бет ондай емес. Kimi K2.6 — толыққанды фронтир ауқымындағы негіз: триллион параметрлі сирек Mixture-of-Experts, нативті көру кодтаушысы бар әрі оқыту бағдарламасы тікелей агенттік құрал пайдалануға бағытталған. Оны тиімді деңгей ететін — кішірек ми емес, агрессивтірек қысу рецепті. Сондықтан сұрақ «ол жеткілікті жақсы ма?» емес, «оның және 5 есе қымбат бауырласының арасындағы айырманы қай жұмыстар шын мәнінде байқайды?» деген сұрақ. Бұл мақаланың басым бөлігі соған жауап береді.

01Kimi K2.6 шын мәнінде не?

Kimi K2.6 — Kimi сериясының артында тұрған Пекин зертханасы Moonshot AI-дың ашық салмақты моделі, 2026 жылғы 20 сәуірде шықты. Ол K2-ні көрнекті еткен архитектураны мұра етеді: жалпы шамамен 1 триллион параметрі және токенге шамамен 32 миллиард белсендісі бар сирек Mixture-of-Experts трансформері, 61 қабат бойынша әр қабатта 384 сарапшы, 8 бағдарланатын плюс 1 ортақ, Multi-head Latent Attention-мен. Кез келген нақты токенде сол триллионның аз ғана тілімі іске қосылады — дәл сондықтан мұндай өлшемдегі модельді центтермен бағалауға болады.

Тектің маңызы Moonshot нені оңтайландырғанында. Бастапқы K2 Muon / MuonClip оптимизаторымен шамамен 15.5 триллион токенде алдын ала оқытылды — ол дәл сол ауқымда оқытуды тұрақсыздандыратын зейін жарылыстары мен шығын секірістерінен триллион параметрлі MoE-ні қорғау үшін арнайы құрылған; Moonshot бүкіл жүріс бойы оқыту тұрақсыздығы болмағанын хабарлады. Бұл — қалғанының бәрінің жоғарғы жағы: ол оқыту бюджетін өрт сөндіруге емес, агенттік мінез-құлыққа жұмсауға мүмкіндік берді.

K2.6 мұны екі бағытта кеңейтеді. Біріншіден, ол нативті мультимодал: суреттер мен бейне кадрлары MoonViT арқылы өтеді — бұл суретті 448x448 тілімдерге бөліп, әр тілімді тікелей тілдік модельдің токен кеңістігіне жобалайтын ~400M параметрлі көру кодтаушысы; көрнекі токендер соқыр модельді қоректендіретін жапсырма сипаттаушыда емес, қалғанының бәрімен бір тізбекте тұрады. Екіншіден, ол тереңдіктегі оркестрлеуге құрылған: Moonshot-тың Agent Swarm жұмысы 300-ге дейін салалық мамандандырылған ішкі агентті үйлестіруді әрі бір автономды жүрісте 4,000-ға дейін үйлестірілген қадамды хабарлайды.

Moonshot хабарлаған бенчмарк бейнесі

Бұлар — қысылмаған K2.6 негізі үшін Moonshot хабарлаған көрсеткіштер, біздің өлшемдеріміз емес. Дәлдігі үшін емес, жалпы пішіні үшін пайдалы:

Цифрларды емес, пішінді оқыңыз. Құрал пайдаланатын және іздеуге негізделген ұпайлар жоғары; таза қиындық ұпайлары төменірек. Бұл — бәрін білуге емес, жақсы әрекет етуге оқытылған модельдің қолтаңбасы: агентіңізде браузер, қабықша және файлдық жүйе болса — дұрыс айырбас, ал құралсыз бір қиын сұрақ қойып отырсаңыз — қате айырбас.

02W4A16-AUTOROUND-REAP нені білдіреді

Модель идентификаторындағы жұрнақ — әшекей емес. Бұл — нақты қысу рецепті, әрі ол жасап отырған айырбасыңызды пайымдай алуыңыз үшін жарияланған.

• W4A16 — салмақтар 4 битте, активациялар 16 битте есептеледі. Салмақ жады bf16-ға қарағанда шамамен 4 есе азаяды, ал қатені жинақтайтын арифметика 16-биттік дәлдікте қалады. Бұл — өте үлкен MoE модельдерін ұсынудың стандартты, сапасы жоғары нүктесі.
• AUTOROUND — Intel-дің AutoRound кванттаушысы. Ең жақынға қарапайым дөңгелектеу әр салмаққа бөлек қарайды әрі модель сүйенген ақпаратты лақтырып жібереді; ал AutoRound дөңгелектеу шешімдерін калибрлеу деректеріне қарсы үйренеді. 4-биттік нысанада бұл — схеманы әлі де ұстанатын модель мен ауытқып кететін модельдің арасындағы айырма.
• REAP — Cerebras Research-тен шыққан Router-weighted Expert Activation Pruning (arXiv 2510.13999, ICLR 2026). MoE-дегі сарапшылардың көбіне маршрутизатор сирек бағдарлайды. REAP әрқайсысын маршрутизатор қақпасының мәндері бойынша да, активация нормалары бойынша да бағалайды, содан кейін ең аз маңыздыларын бір рет алып тастайды. Жарияланған нәтиже: триллион параметрлі модельдерден сарапшылардың 50%-ына дейінін кесіп, бастапқы сапаны негізінен ұстап тұру, әрі генеративті тапсырмаларда кесудің сарапшыларды біріктіруден артық болуы — біріктіру мамандарды бір-біріне жағып жібереді, ал кесу қолданылмайтындарын ғана тастайды.

Осы ретпен қолданғанда — алдымен кесу, содан кейін қалғанын кванттау — сіз осындай коэффициенттерде кез келген әдіс жеке-дара тудыратын сапа құлауынсыз сыятын әрі жылдам жүретін модель аласыз. Құн туралы ашық айтқанда: қысылған модель түпнұсқаға биттік дәлдікпен тең емес. Рецепт әперетін нәрсе — нашарлаудың нұсқауды орындауға, құрал шақыруды пішімдеуге немесе схеманы ұстануға емес, сіз байқауыңыз екіталай жерге түсуі: сирек бағдарлау жолдарына, ықтималдығы төмен токен құйрықтарына.

03Бұл эндпоинтте «цензурасыз» нені білдіреді

Мұндағы цензурасыз — көзқарас емес, архитектура туралы мәлімдеме. Модельдің алдында бас тарту қабаты жоқ әрі оның шығысында мазмұн сүзгісі жоқ. Сұранысыңыз негізге жетеді, ал оның жауабы сізге жетеді; екі бағытта да ешнәрсе ұстап алмайды.

Бұл айырманың маңызы бар, өйткені «цензурасыз» еркін қолданылады. Бұл сөздің астына үш бөлек нәрсе жинақталады:

1. Кірісті сыныптау — бөлек модель промптыңызды оқып, оны өткізу-өткізбеуді шешеді. Мұнда жоқ.
2. Шығысты сүзу — сканер жасалған мәтінді қарап, оны қысқартады немесе алмастырады. Мұнда жоқ.
3. Негіздің өз бейімділіктері — базалық модель оқыту кезінде нені үйренсе, сол. Бұл — модельдің өзінікі әрі біз оны өшірдік деп мәлімдемейміз.

Өндірістік жүйелерді бұзатын — алғашқы екеуі, әрі біз алып тастайтын да сол екеуі. Сұраныстардың 0.5%-ында іске қосылатын классификатор — сіз жөндей де, шағымдана да, алдын ала көре де алмайтын 0.5% ақаулық үлесі — ал 200 қадамдық агент циклінде әр қадамдағы 0.5% ақаулық сәтті аяқталғанынан жиірек құлайтын жүріске жинақталады. Әңгімедегі бас тарту — тітіркендіргіш нәрсе; ал автономды жүрістің 147-қадамындағы бас тарту жүрістің күйін жойып, соған дейін жұмсағаныңыздың бәрін өртейді. Агенттік жүктемелер үшін бас тарту бетін алып тастау — стилистикалық талғам емес, сенімділік қасиеті.

Салдары — жауапкершіліктің сізге ауысуы. Қосымшаңыз бен пайдаланушыларыңыздың арасында сақтандыру торы жоқ; өніміңізге ондай керек болса, оны көре алатын, баптай алатын және журналдай алатын жерде құрыңыз. Алдымен жауапты пайдалану саясатымызды оқыңыз.

04Kimi K2.6 па, Kimi K3 па: 5 есе қашан тұрарлық?

Оқырмандардың көбі осы шешім үшін келеді, сондықтан оны жалтармай айтамыз. Kimi-K3 · 3BIT-REAP — үлкенірек әрі жаңарақ негіз: 2026 жылғы 16 шілдеде жарияланып, салмақтары 27 шілдеде ашылды, жалпы шамамен 2.8 триллион параметр және токенге шамамен 104 миллиард белсенді — K2.6-ның белсенді есептеу қуатынан 3 еседен астам көп. Жоғарғы жақта Moonshot K3-ті K2.6 бағасынан шамамен 5 есе қымбат етіп көрсетеді, ал біздің шлюз бағамыз сол арақатынасты ұстайды.

	Kimi-K2.6 · W4A16-AUTOROUND-REAP	Kimi-K3 · 3BIT-REAP
1M токенге кіріс	$0.78	$3.83
1M токенге шығыс	$3.67	$19.12
Контекст терезесі	262,144	262,144
Сұранысына ең үлкен шығыс	16,384	16,384
Сурет кірісі	Иә	Иә
Нативті құрал шақыру	Иә	Иә
Қатаң json_schema	Иә	Иә
Цензурасыз	Иә	Иә
Токенге белсенді параметр	~32B	~104B

Кестенің нені көрсетпейтініне қараңыз: K3-те бар да, K2.6-да жоқ мүмкіндік тұрған бірде-бір жол жоқ. Бірдей терезе, бірдей ең үлкен шығыс, бірдей көру, бірдей құрал шақыру, бірдей құрылымдалған шығыс, бірдей цензурасыз ұстаным, бірдей үш диалект. 5 есе дәл бір нәрсе әперді — бір алға өтудегі шикі қабілет. Бұл нақты дүние, бірақ ол — бір ғана өс, әрі ол сіздің тар жолыңыз болмаған өстерде ештеңе істемейді.

Нақты контекст терезесі туралы

Жоғарғы жақта K3-тің басты мүмкіндігі — K2.6-ның 262K-сына қарсы 1M токендік контекст. Shannon шлюзінде екі модель де 262,144 токенде ұсынылады. 5 есе төлеу себебіңіз ұзын контекст болса, мұнда ол себеп қолданылмайды — үстеме төлеп, дәл сол терезені аласыз. Мұндай нәрсені жеткізуші айтпай кетуге бейім, сондықтан ол қалың қаріппен тұр.

5 есені мына жағдайларда төлеңіз

• Бір реттен дөп тиюі керек. Қайталау қымбат немесе мүмкін емес бір қиын өту — қайтымсыз әрекет, ұзын конвейердің соңындағы шешім. Токенге көбірек белсенді параметр дәл бір өтудің шыңын көтеретін нәрсе.
• Тапсырма құралға емес, білімге тәуелді. Жауабы салмақтардың өзінен шығуға тиіс терең синтез. K2.6-ның бейнесі — агенттік; құралдарды алып тастасаңыз, үлкенірек негіз көрінеді.
• Көлемі аз, тәуекелі жоғары. Айына 500 шақыруда 5 есе дегеніміз — $8-дің орнына $40. Жақсырақ модельді ала салыңыз.

5 есені мына жағдайларда төлемеңіз

• Цикл жүргізіп жатсаңыз. Ұзақ агенттік жүрістерде механикалық қадамдар басым — файлды оқы, құралды шақыр, нәтижені тексер, келесісін таңда — ал K2.6 дәл соған оқытылған. 200 қадамда 5 есе дегеніміз — жүрісіне $38.29-ға қарсы $7.71.
• Суреттерді көлемді өңдеп жатсаңыз. Көру жүктемелерінде кіріс токендері басым, ал элементке шаққандағы пайымдау таяз. 05-бөлімді қараңыз; айырма жақын да емес.
• Жұмыс — шығарып алу, сыныптау немесе түрлендіру. Құжаттардан өрістер тарту, өтінімдерді бағдарлау, жазбаларды қалыпқа келтіру, түйіндеу — үлкенірек модель дәл сол JSON-ды шығаратын шектеулі тапсырмалар.
• Тексеру қадамыңыз бар. Егер шығыс тексерілсе — тест жиынтығы, схема тексеруші, екінші өту, адам — анда-санда болатын қателер арзан, ал экономика көлемнің пайдасына шешуші түрде ауады. Бұл — тиімді деңгейдің ең аз бағаланатын дәлелі.

Атап өтуге тұрарлық үлгі: цикл үшін K2.6, ал үкім үшін K3 жүргізіңіз. Жинау, шақыру және жоба жазудың жүз қадамын арзан агенттік модель істесін, содан кейін қорытынды синтезге бір қымбат шақыру жұмсаңыз. Екі модель де дәл сол API-ды бірдей контекст терезесімен сөйлейді, сондықтан ауысу — model өрісіндегі бір жолдық өзгеріс.

05Жұмысшы бағасындағы көру

Көру — бұл каталогтағы K2.6-ның ең өткір жері. Шлюздегі он екі цензурасыз модельдің тек төртеуі суреттерді қабылдайды, ал K2.6 — миллион кіріс токеніне бір доллардан төмен бағада сурет кірісін Kimi агенттік тегімен қоса ұсынатын жалғызы.

Көру жүктемелерінің құн пішіні әдеттен тыс. Moonshot-тың MoonViT туралы жариялаған сипаттамасы бойынша 1024x1024 сурет шамамен 576 сурет токеніне кодталады — әрі бұлар кіріс токендері, яғни есептің арзан жағы. Әдеттегі көру тапсырмасы толығымен дерлік $3.67 емес, $0.78 мөлшерлемесіне түседі. Әрқайсысында ~200 токендік промпт (яғни ~776 кіріс токені) және ~150 токендік құрылымдалған шығыс болатын 10,000 суретті алайық:

Жүктеме	Kimi-K2.6	Kimi-K3	Еселігі
Бір агент қадамы (40K кіріс / 2K шығыс)	$0.0385	$0.1914	5.0x
200 қадамдық автономды жүріс	$7.71	$38.29	5.0x
10,000 сурет, құрылымдалған шығыс	$11.56	$58.40	5.1x
Топтық тапсырма (1M кіріс / 200K шығыс)	$1.51	$7.65	5.1x

Shannon шлюзінің тізімдік бағаларынан есептелген. Сурет токенінің бағасы Moonshot жариялаған MoonViT көрсеткішіне сүйенеді: 1024x1024 сурет үшін ~576 токен; нақты токенделу ажыратымдылық пен жақтар қатынасына қарай өзгереді.

$11.56 тұратын сурет конвейерін ойланбастан күн сайын жүргізесіз. $58.40 тұратынын жоспарлайсыз, ақтайсыз, ақыры қысқартасыз. Дәл сол алшақтық — тиімді деңгейдің бүкіл дәлелі.

Бір адал ескертпе. Тәуелсіз мультимодал және негізделген тапсырма рейтингтерінде K2.6 шамамен 115 модельдің ішінде 26-орында, орташасы 68.1-ге жуық деп хабарланды — құрметке лайық, бірақ сыныпты бастап тұрған жоқ. Оның көруі құжатты түсінуде, скриншот пен интерфейсті оқуда әрі диаграмма мен графикті түсіндіруде шынымен күшті; ал дәл кеңістіктік негіздеуде — нақты шектеу төртбұрыштарында, ретсіз көріністердегі ұсақ түйіршікті санауда, сапасы төмен сканерлерді тығыз OCR-лауда — әлсіздеу. Пиксельдік дәлдіктегі орналастыру керек болса, алдымен өз деректеріңізде бенчмарк жүргізіңіз. Ал скриншотқа қарап, келесі қайда басу керегін шешетін модель керек болса, керегі — нақ осы құрал.

06Бас тартусыз құрал шақыру және агенттік циклдер

K2.6 нативті құрал шақыруды қолдайды: модель талданатын мәтін шығаруға көндірілудің орнына, сіз берген JSON схемалы құрал анықтамаларынан құрылымдалған құрал шақыруларын тікелей шығарады. Көп айналымды әңгіме мен жүйелік промпттармен бірге бұл — агент циклінің толық негізі.

«Бас тартусыз құрал шақырудың» қосатыны естілгеннен де нәзік. Сүзілген API-да агент циклінің ішіндегі бас тартулар үш бөлек ақаулық түрінде көрінеді:

• Қатты бас тарту — қадам құрал шақырудың орнына проза қайтарады, талдаушы құлайды, цикл үзіледі. Кем дегенде дауысты.
• Жұмсақ бас тарту — шақыру жасалады, бірақ аргументтер әдейі әлсіретілген: тарылтылған сұрау, жалтарма параметр, қиылған жүктеме. Цикл үнсіз нашарлаған күймен жалғаса береді, ал сіз мұны төрт қадамнан кейін білесіз.
• Алдын ала қашқақтау — жоспар заңды тармаққа жақындамай тұрып одан бұрылып кетеді. Мұны сіз мүлдем көрмейсіз; жай ғана нашарлау жоспар аласыз, түсіндірмесіз.

Қымбаты — екіншісі мен үшіншісі, өйткені олар көрінбейді: қате жоқ, журналда ештеңе жоқ, іздейтін ештеңе жоқ. Бас тарту қабаты жоқ эндпоинт бүкіл санатты жояды — модельдің құрал шақыру аргументтері модельдің өз аргументтері болып қалады.

Бұның маңызы ұзақ автономды жүрістерді қажет ететін әрі әйтеуір сезімтал материалға тиетін салаларда ең зор: қауіпсіздік зерттеулері мен қызыл команда, зиянды бағдарлама мен оқиға талдауы, клиникалық құжаттарды өңдеу, құқықтық дереккөз жинау және өзі модерациялайтын мазмұнды пайымдауға мәжбүр модерация құралдары. Модерация классификаторын құру үшін не сыныптайтынына қарауға дайын модель керек; бұл — қайшылық емес, жай ғана жұмыстың өзі.

Ұзақ жүрістерге арналған практикалық жазбалар: reasoning_effort ойлауды жоспарлау қадамдарына көбірек, механикалық қадамдарға азырақ жұмсауға мүмкіндік береді. Ағынды беру үш диалектте де бар, сондықтан ұзақ қадам барысын көрсете алады немесе оны ерте тоқтатуға болады. Ал 262,144 токендік контекст нақты жұмыс күйін — файл мазмұнын, алдыңғы құрал нәтижелерін, жүріп жатқан жоспарды — көп қадам бойы әр айналымда қайта түйіндемей ұстап тұрады, ал қайта түйіндеудің өзі агент ауытқуының жиі көзі.

07Құрылымдалған шығыс және үш API диалекті

K2.6 json_schema-ны да (схемамен қатаң шектелген жасау), бос тұрақ response_format-ты да қолдайды. Мұны каталогқа салып тексеріңіз: мұндағы он екі модельдің екеуі қатаң схемалы шығысты қолдамайды, ал конвейеріңіздің келесі кезеңі JSON талдайтын болса, ол баған міндетті емес нәрсе емес.

Қатаң схемалы шығыс — цензурасыз модельді инфрақұрылым ретінде пайдалануға жарамды ететін нәрсе: модель сіздің схемаңызға сай нысан шығаруға міндетті болса, ол әйтпесе не айтар еді дегеніне тәуелсіз талдау кепілін аласыз — алғысөз де, кешірім де, JSON-ыңызды орап тұрған абзац та жоқ. Бас тарту қабатының жоқтығымен бірге бұл — қандай құжат туралы болса да, әр құжатта, әр шақыруда нысаныңызды қайтаратын шығарып алу эндпоинті.

Бет	Kimi-K2.6 қолдауы	Ескертпелер
/v1/chat/completions	Иә	OpenAI диалекті — бар SDK-ларға тікелей ауыстырма
/v1/messages	Иә	Anthropic диалекті — дәл сол модель, дәл сол салмақтар
/v1/responses	Иә	Responses үлгісіндегі интерфейс
Ағынды беру	Иә	Үш диалекттің де бәрінде
Құралдарды шақыру	Иә	Нативті, JSON схемалы құрал анықтамалары
json_schema	Иә	Қатаң құрылымдалған шығыс
response_format	Иә	Бос тұрақ JSON режимі
reasoning_effort	Иә	Шақыруға шаққанда ойлау бюджетін баптау
Сурет кірісі	Иә	Мәтінмен қатар суреттер

Үш диалект те бір кластердегі дәл сол салмақтарға жүгінеді. Бар OpenAI клиентіңізді базалық URL-ге бағыттап, model-ді Kimi-K2.6-W4A16-AUTOROUND-REAP етіп қойсаңыз, жұмыс басталды. Сұраныс пен жауап пішіндері, ағын семантикасы және тірі ойын алаңы API құжаттамасында.

08Kimi K2.6 қай жерде қате таңдау

Тек күшті жақтарын тізетін модель нұсқаулығы — жарнама. Міне, біз сізді басқа жаққа жіберетін жағдайлар.

• Бір қиын өтуде абсолютті шың керек. Kimi-K3-ке барып, 5 есені төлеңіз. Ол дәл соған арналған.
• Пиксельдік дәлдіктегі көрнекі негіздеу керек. Шектеу төртбұрыштары, сапасы төмен сканерлердегі тығыз OCR және ретсіз көріністерде дәл санау оның ең күшті жері емес — алдымен өз деректеріңізде сынаңыз.
• Арзаннан да арзан керек, көрусіз. Каталогтағы бірнеше модель $0.50 / $2.00 бағасында тұр. K2.6-ның үстемесі көру мен Kimi агенттік бейнесін әпереді; екеуі де керек болмаса, арзанырақ деңгейді алыңыз.
• Бір жауапта 16,384 шығыс токенінен көп керек. Ол шек бүкіл каталогқа қолданылады — қай модельді таңдасаңыз да, ұзын құжаттарды бөліктеп жасау керек.
• Жоғарғы жақтың биттік дәлдіктегі мінез-құлқы керек. Бұл — кесілген әрі кванттаудан өткен құрама: әдейі жасалған, жарияланған айырбас. Қайталанғыштық зерттеуі үшін Moonshot-тың түпнұсқа салмақтарында жүргізіңіз.

Kimi K2.6 мен K3-тің архитектура, бенчмарк және шығарылым күні көрсеткіштерін Moonshot хабарлаған әрі олар біздің қысылған құрамамыз үшін емес, жоғарғы жақтағы негіз үшін көрсетілген. Мультимодал рейтинг көрсеткіші — тәуелсіз үшінші тарап рейтингінен. Shannon шлюзінің бағалары — 2026 жылғы 5 қыркүйектегі жағдай бойынша тізімдік бағалар.

09Жиі қойылатын сұрақтар

---

Shannon AI-ды Shannon Lab LLC (Нью-Мексико, АҚШ) басқарады. Дереккөздер: Moonshot AI — Kimi K2 · REAP the Experts (arXiv 2510.13999) · Cerebras Research — REAP. Жоғарғы жақтағы Kimi бенчмарк көрсеткіштерін Moonshot хабарлаған әрі олар тәуелсіз тексеруге дейін уақытша; олар Shannon-ның кванттаудан өткен құрамасын емес, қысылмаған негізді сипаттайды.