ಸೆನ್ಸಾರ್ ರಹಿತ Kimi K2 API
Moonshot ನ ಟ್ರಿಲಿಯನ್-ಪ್ಯಾರಾಮೀಟರ್ ಏಜೆಂಟಿಕ್ ಫೌಂಡೇಶನ್ ಮೇಲೆ ದೃಷ್ಟಿ, ಸ್ಥಳೀಯ ಟೂಲ್ ಕಾಲಿಂಗ್ ಮತ್ತು 262K ವಿಂಡೋ — ಸೆನ್ಸಾರ್ ರಹಿತ, ಪ್ರತಿ ಮಿಲಿಯನ್ ಟೋಕನ್‌ಗೆ $0.78 ಇನ್ / $3.67 ಔಟ್ ನಲ್ಲಿ.
ಸಂಕ್ಷಿಪ್ತವಾಗಿ
Kimi-K2.6 · W4A16-AUTOROUND-REAP ಎಂಬುದು Shannon ಗೇಟ್‌ವೇಯ ಮೇಲಿನ Kimi ಕುಟುಂಬದ ಮೌಲ್ಯ ಶ್ರೇಣಿ. ಇದು Moonshot AI ಯ 1-ಟ್ರಿಲಿಯನ್-ಪ್ಯಾರಾಮೀಟರ್ ಏಜೆಂಟಿಕ್ MoE — ದೀರ್ಘ ಟೂಲ್-ಬಳಕೆ ಲೂಪ್‌ಗಳಿಗಾಗಿ ಕಟ್ಟಲಾದ ಮಾಡೆಲ್ — ಸೆನ್ಸಾರ್ ರಹಿತ ಆಗಿ ದೃಷ್ಟಿ ಇನ್‌ಪುಟ್, ಸ್ಥಳೀಯ ಟೂಲ್ ಕಾಲಿಂಗ್, ಕಠಿಣ JSON-schema ಔಟ್‌ಪುಟ್ ಮತ್ತು 262,144-ಟೋಕನ್ ಸಂದರ್ಭ ಜೊತೆ, ಪ್ರತಿ ಮಿಲಿಯನ್ ಟೋಕನ್‌ಗೆ $0.78 / $3.67 ದರದಲ್ಲಿ ಸೇವೆ ನೀಡಲಾಗಿದೆ. ಇದರ ಸೋದರ Kimi-K3 ಸುಮಾರು 5 ಪಟ್ಟು ಹೆಚ್ಚು ವೆಚ್ಚವಾಗುತ್ತದೆ. ಆ 5 ಪಟ್ಟು ನಿಮಗೆ ಏನಾದರೂ ಕೊಡುವುದು ಯಾವಾಗ ಮತ್ತು ಏನನ್ನೂ ಕೊಡದಿರುವುದು ಯಾವಾಗ ಎಂಬುದರ ಪ್ರಾಮಾಣಿಕ ವಿವರಣೆ ವಿಭಾಗ 04 ರಲ್ಲಿದೆ.
ಬಹುತೇಕ "ಅಗ್ಗದ ಮಾಡೆಲ್" ಪುಟಗಳು ನಿಜಕ್ಕೂ ದೊಡ್ಡ ಮಾಡೆಲ್‌ನ ಕುಟುಂಬದ ಹೆಸರನ್ನು ಧರಿಸಿದ ಚಿಕ್ಕ ಮಾಡೆಲ್ ಬಗ್ಗೆ. ಇದು ಹಾಗಲ್ಲ. Kimi K2.6 ಒಂದು ಪೂರ್ಣ ಫ್ರಾಂಟಿಯರ್-ಪ್ರಮಾಣದ ಫೌಂಡೇಶನ್ — ಒಂದು ಟ್ರಿಲಿಯನ್ ಪ್ಯಾರಾಮೀಟರ್‌ಗಳ ಸ್ಪಾರ್ಸ್ ಮಿಶ್ರಣ-ಆಫ್-ಎಕ್ಸ್‌ಪರ್ಟ್ಸ್, ಸ್ಥಳೀಯ ದೃಷ್ಟಿ ಎನ್ಕೋಡರ್ ಮತ್ತು ಏಜೆಂಟಿಕ್ ಟೂಲ್ ಬಳಕೆಯ ಮೇಲೆ ನೇರವಾಗಿ ಗುರಿಯಿಟ್ಟ ತರಬೇತಿ ಕಾರ್ಯಕ್ರಮದೊಂದಿಗೆ. ಇದನ್ನು ಮೌಲ್ಯ ಶ್ರೇಣಿಯಾಗಿಸುವುದು ಚಿಕ್ಕ ಮಿದುಳಲ್ಲ, ಬದಲಿಗೆ ಹೆಚ್ಚು ಆಕ್ರಮಣಕಾರಿ ಸಂಕುಚನ ವಿಧಾನ. ಆದ್ದರಿಂದ ಪ್ರಶ್ನೆ "ಇದು ಸಾಕಷ್ಟು ಒಳ್ಳೆಯದೇ?" ಅಲ್ಲ, ಬದಲಿಗೆ "ಯಾವ ಕೆಲಸಗಳು ಇದು ಮತ್ತು ಅದರ 5-ಪಟ್ಟು-ಹೆಚ್ಚು-ದುಬಾರಿ ಸೋದರ ನಡುವಿನ ವ್ಯತ್ಯಾಸವನ್ನು ನಿಜವಾಗಿ ಗಮನಿಸುತ್ತವೆ?" ಎಂಬುದು. ಈ ಲೇಖನದ ಬಹುಪಾಲು ಅದಕ್ಕೆ ಉತ್ತರಿಸುತ್ತದೆ.
01Kimi K2.6 ನಿಜವಾಗಿ ಏನು?
Kimi K2.6 ಎಂಬುದು Moonshot AI ಯ ಓಪನ್-ವೈಟ್ಸ್ ಮಾಡೆಲ್, Kimi ಸರಣಿಯ ಹಿಂದಿನ ಬೀಜಿಂಗ್ ಲ್ಯಾಬ್, ಏಪ್ರಿಲ್ 20, 2026 ರಂದು ಬಿಡುಗಡೆಯಾಗಿದೆ. ಇದು K2 ಅನ್ನು ಗಮನಾರ್ಹಗೊಳಿಸಿದ ವಾಸ್ತುಶಿಲ್ಪವನ್ನು ಪಡೆದುಕೊಳ್ಳುತ್ತದೆ: ಸುಮಾರು 1 ಟ್ರಿಲಿಯನ್ ಒಟ್ಟು ಪ್ಯಾರಾಮೀಟರ್‌ಗಳು ಮತ್ತು ಪ್ರತಿ ಟೋಕನ್‌ಗೆ ಸುಮಾರು 32 ಬಿಲಿಯನ್ ಸಕ್ರಿಯ ಇರುವ ಸ್ಪಾರ್ಸ್ ಮಿಶ್ರಣ-ಆಫ್-ಎಕ್ಸ್‌ಪರ್ಟ್ಸ್ ಟ್ರಾನ್ಸ್‌ಫಾರ್ಮರ್, 61 ಪದರಗಳಾದ್ಯಂತ ಪ್ರತಿ ಪದರಕ್ಕೆ 384 ಎಕ್ಸ್‌ಪರ್ಟ್‌ಗಳು, 8 ರೂಟ್ ಮಾಡಿದ ಜೊತೆಗೆ 1 ಹಂಚಿದ ಆಗಿ ಸಂಘಟಿಸಲಾಗಿದೆ, Multi-head Latent Attention ಜೊತೆ. ಆ ಟ್ರಿಲಿಯನ್‌ನ ಚಿಕ್ಕ ಭಾಗ ಮಾತ್ರ ಯಾವುದೇ ಟೋಕನ್‌ಗೆ ಸಕ್ರಿಯವಾಗುತ್ತದೆ — ಇಷ್ಟು ದೊಡ್ಡ ಮಾಡೆಲ್ ಸೆಂಟ್‌ಗಳಲ್ಲಿ ಬೆಲೆ ಕಟ್ಟಬಹುದಾಗಿರುವುದಕ್ಕೆ ಇದೇ ಕಾರಣ.
ಈ ವಂಶಾವಳಿ ಮುಖ್ಯ ಏಕೆಂದರೆ Moonshot ಏನಿಗಾಗಿ ಆಪ್ಟಿಮೈಸ್ ಮಾಡಿತು ಎಂಬುದಕ್ಕೆ. ಮೂಲ K2 Muon / MuonClip ಆಪ್ಟಿಮೈಜರ್ ಬಳಸಿ ಸುಮಾರು 15.5 ಟ್ರಿಲಿಯನ್ ಟೋಕನ್‌ಗಳ ಮೇಲೆ ಪೂರ್ವ-ತರಬೇತಿ ಪಡೆದಿತ್ತು, ಟ್ರಿಲಿಯನ್-ಪ್ಯಾರಾಮೀಟರ್ MoE ಅನ್ನು ಆ ಪ್ರಮಾಣದಲ್ಲಿ ತರಬೇತಿಯನ್ನು ಅಸ್ಥಿರಗೊಳಿಸುವ ಅಟೆನ್ಷನ್ ಸ್ಫೋಟಗಳು ಮತ್ತು ನಷ್ಟ ಸ್ಪೈಕ್‌ಗಳಿಂದ ದೂರವಿಡಲು ನಿರ್ದಿಷ್ಟವಾಗಿ ಕಟ್ಟಲ್ಪಟ್ಟಿತ್ತು; ರನ್‌ನಾದ್ಯಂತ ಶೂನ್ಯ ತರಬೇತಿ ಅಸ್ಥಿರತೆಯನ್ನು Moonshot ವರದಿ ಮಾಡಿತು. ಅದು ಎಲ್ಲದಕ್ಕಿಂತ ಮೇಲ್ಸ್ತರದಲ್ಲಿದೆ — ಬೆಂಕಿ ನಂದಿಸುವ ಬದಲು ಏಜೆಂಟಿಕ್ ವರ್ತನೆಯ ಮೇಲೆ ತರಬೇತಿ ಬಜೆಟ್ ಖರ್ಚು ಮಾಡಲು ಅದು ಅವಕಾಶ ಕೊಟ್ಟಿತು.
K2.6 ಅದನ್ನು ಎರಡು ದಿಕ್ಕುಗಳಲ್ಲಿ ವಿಸ್ತರಿಸುತ್ತದೆ. ಮೊದಲನೆಯದಾಗಿ, ಇದು ಸ್ಥಳೀಯವಾಗಿ ಮಲ್ಟಿಮೋಡಲ್: ಚಿತ್ರಗಳು ಮತ್ತು ವೀಡಿಯೊ ಫ್ರೇಮ್‌ಗಳು MoonViT ಮೂಲಕ ಹಾದುಹೋಗುತ್ತವೆ, ಇದು ~400M-ಪ್ಯಾರಾಮೀಟರ್ ದೃಷ್ಟಿ ಎನ್ಕೋಡರ್ ಒಂದು ಚಿತ್ರವನ್ನು 448x448 ಪ್ಯಾಚ್‌ಗಳಾಗಿ ಟೈಲ್ ಮಾಡಿ ಪ್ರತಿ ಟೈಲ್ ಅನ್ನು ನೇರವಾಗಿ ಭಾಷಾ ಮಾಡೆಲ್‌ನ ಟೋಕನ್ ಜಾಗಕ್ಕೆ ಪ್ರೊಜೆಕ್ಟ್ ಮಾಡುತ್ತದೆ — ದೃಶ್ಯ ಟೋಕನ್‌ಗಳು ಬೇರೆಲ್ಲದರ ಜೊತೆ ಅದೇ ಅನುಕ್ರಮದಲ್ಲಿ ಕುಳಿತಿರುತ್ತವೆ, ಕುರುಡು ಮಾಡೆಲ್‌ಗೆ ಆಹಾರ ನೀಡುವ ಜೋಡಿಸಿದ ಕ್ಯಾಪ್ಷನರ್‌ನಲ್ಲಿ ಅಲ್ಲ. ಎರಡನೆಯದಾಗಿ, ಇದು ಆಳದಲ್ಲಿ ಆರ್ಕೆಸ್ಟ್ರೇಶನ್‌ಗಾಗಿ ಕಟ್ಟಲ್ಪಟ್ಟಿದೆ: Moonshot ನ Agent Swarm ಕೆಲಸ ಒಂದೇ ಸ್ವಾಯತ್ತ ರನ್‌ನಲ್ಲಿ 300 ರವರೆಗಿನ ಡೊಮೈನ್-ವಿಶೇಷ ಉಪ-ಏಜೆಂಟ್‌ಗಳಾದ್ಯಂತ ಮತ್ತು 4,000 ರವರೆಗಿನ ಸಂಯೋಜಿತ ಹಂತಗಳ ಸಮನ್ವಯವನ್ನು ವರದಿ ಮಾಡುತ್ತದೆ.
Moonshot ನ ವರದಿ ಮಾಡಿದ ಬೆಂಚ್‌ಮಾರ್ಕ್ ಪ್ರೊಫೈಲ್
ಇವು ಸಂಕುಚಿತವಲ್ಲದ K2.6 ಫೌಂಡೇಶನ್‌ಗಾಗಿ Moonshot-ವರದಿ ಮಾಡಿದ ಅಂಕಿಗಳು, ನಮ್ಮ ಅಳತೆಗಳಲ್ಲ. ಆಕಾರಕ್ಕೆ ಉಪಯುಕ್ತ, ನಿಖರತೆಗಲ್ಲ:
ಆಕಾರವನ್ನು ಓದಿ, ಅಂಕಿಗಳನ್ನಲ್ಲ. ಟೂಲ್-ಬಳಸುವ ಮತ್ತು ಹುಡುಕಾಟ-ಚಾಲಿತ ಸ್ಕೋರ್‌ಗಳು ಎತ್ತರದಲ್ಲಿ ಕುಳಿತಿವೆ; ಶುದ್ಧ-ಕಠಿಣತೆಯ ಸ್ಕೋರ್‌ಗಳು ಕಡಿಮೆ ಇವೆ. ಇದು ತಿಳಿಯುವ ಬದಲು ಕಾರ್ಯ ನಿರ್ವಹಿಸುವಂತೆ ತರಬೇತಿ ಪಡೆದ ಮಾಡೆಲ್‌ನ ಸಹಿ — ನಿಮ್ಮ ಏಜೆಂಟ್‌ಗೆ ಬ್ರೌಸರ್, ಶೆಲ್ ಮತ್ತು ಫೈಲ್ ಸಿಸ್ಟಂ ಇದ್ದರೆ ಸರಿಯಾದ ಟ್ರೇಡ್-ಆಫ್, ಟೂಲ್ ಇಲ್ಲದೆ ಒಂಟಿ ಕಠಿಣ ಪ್ರಶ್ನೆ ಕೇಳುತ್ತಿದ್ದರೆ ತಪ್ಪಾದದ್ದು.
02W4A16-AUTOROUND-REAP ಎಂದರೆ ಏನು
ಮಾಡೆಲ್ id ಯ ಸಫಿಕ್ಸ್ ಅಲಂಕಾರವಲ್ಲ. ಇದು ನಿಖರವಾದ ಸಂಕುಚನ ವಿಧಾನ, ನೀವು ಮಾಡುತ್ತಿರುವ ಟ್ರೇಡ್ ಬಗ್ಗೆ ಯೋಚಿಸಬಹುದೆಂದು ಪ್ರಕಟಿಸಲಾಗಿದೆ.
- W4A16 — ವೈಟ್ಸ್ 4 ಬಿಟ್‌ನಲ್ಲಿ, ಆಕ್ಟಿವೇಶನ್‌ಗಳು 16 ರಲ್ಲಿ ಲೆಕ್ಕ ಹಾಕಲಾಗುತ್ತವೆ. ವೈಟ್ ಮೆಮೊರಿ bf16 ಗೆ ಎದುರಾಗಿ ಸುಮಾರು 4x ಇಳಿಯುತ್ತದೆ, ಅದೇ ಸಮಯದಲ್ಲಿ ದೋಷವನ್ನು ಸಂಚಯಿಸುವ ಗಣಿತ 16-ಬಿಟ್ ನಿಖರತೆಯಲ್ಲೇ ಉಳಿಯುತ್ತದೆ. ಇದು ಅತಿ ದೊಡ್ಡ MoE ಮಾಡೆಲ್‌ಗಳಿಗೆ ಪ್ರಮಾಣಿತ ಉನ್ನತ-ಗುಣಮಟ್ಟದ ಸೇವಾ ಬಿಂದು.
- AUTOROUND — Intel ನ AutoRound ಕ್ವಾಂಟೈಜರ್. ನಿಷ್ಕಪಟ ರೌಂಡ್-ಟು-ನಿಯರೆಸ್ಟ್ ಪ್ರತಿ ವೈಟ್ ಅನ್ನು ಸ್ವತಂತ್ರವಾಗಿ ಪರಿಗಣಿಸಿ ಮಾಡೆಲ್ ಅವಲಂಬಿಸಿದ್ದ ಮಾಹಿತಿಯನ್ನು ಬಿಸಾಡುತ್ತದೆ; AutoRound ಬದಲಿಗೆ ಕ್ಯಾಲಿಬ್ರೇಶನ್ ಡೇಟಾ ಎದುರು ರೌಂಡಿಂಗ್ ನಿರ್ಧಾರಗಳನ್ನು ಕಲಿಯುತ್ತದೆ. 4-ಬಿಟ್ ಗುರಿಯಲ್ಲಿ ಅದೇ ಸ್ಕೀಮಾ ಅನುಸರಿಸುತ್ತಲೇ ಇರುವ ಮಾಡೆಲ್ ಮತ್ತು ದಿಕ್ಕುತಪ್ಪುವ ಮಾಡೆಲ್ ನಡುವಿನ ವ್ಯತ್ಯಾಸ ಅದು.
- REAP — Cerebras Research (arXiv 2510.13999, ICLR 2026) ಇಂದ, Router-weighted Expert Activation Pruning. MoE ಯಲ್ಲಿನ ಬಹುತೇಕ ಎಕ್ಸ್‌ಪರ್ಟ್‌ಗಳಿಗೆ ಅಪರೂಪವಾಗಿ ಮಾತ್ರ ರೂಟ್ ಮಾಡಲಾಗುತ್ತದೆ. REAP ಪ್ರತಿಯೊಂದನ್ನೂ ಅದರ ರೂಟರ್ ಗೇಟ್ ಮೌಲ್ಯಗಳು ಮತ್ತು ಆಕ್ಟಿವೇಶನ್ ನಾರ್ಮ್‌ಗಳೆರಡರ ಮೇಲೆ ಸ್ಕೋರ್ ಮಾಡಿ, ನಂತರ ಒಂದೇ ಹೊಡೆತದಲ್ಲಿ ಅತಿ ಕಡಿಮೆ ಪ್ರಾಮುಖ್ಯದವನ್ನು ತೆಗೆಯುತ್ತದೆ. ಪ್ರಕಟಿತ ಫಲಿತಾಂಶ: ಟ್ರಿಲಿಯನ್-ಪ್ಯಾರಾಮೀಟರ್ ಮಾಡೆಲ್‌ಗಳಿಂದ 50% ವರೆಗಿನ ಎಕ್ಸ್‌ಪರ್ಟ್‌ಗಳನ್ನು ಪ್ರೂನ್ ಮಾಡಿದರೂ ಬೇಸ್‌ಲೈನ್ ಗುಣಮಟ್ಟವನ್ನು ಬಹುಮಟ್ಟಿಗೆ ಹಿಡಿದಿಟ್ಟುಕೊಳ್ಳುವುದು, ಮತ್ತು ಜನರೇಟಿವ್ ಕೆಲಸಗಳಲ್ಲಿ ಎಕ್ಸ್‌ಪರ್ಟ್ ಮರ್ಜಿಂಗ್ ಅನ್ನು ಪ್ರೂನಿಂಗ್ ಸೋಲಿಸುವುದು — ಮರ್ಜಿಂಗ್ ವಿಶೇಷಜ್ಞರನ್ನು ಒಟ್ಟಿಗೆ ಮಸುಕುಗೊಳಿಸುತ್ತದೆ, ಪ್ರೂನಿಂಗ್ ಬಳಸದವನ್ನು ಬಿಡುತ್ತದೆ ಅಷ್ಟೇ.
ಆ ಕ್ರಮದಲ್ಲಿ ಅನ್ವಯಿಸಿ — ಮೊದಲು ಪ್ರೂನ್ ಮಾಡಿ, ಉಳಿದದ್ದನ್ನು ಕ್ವಾಂಟೈಸ್ ಮಾಡಿ — ಈ ಅನುಪಾತಗಳಲ್ಲಿ ಒಂಟಿ ವಿಧಾನ ಉಂಟುಮಾಡುವ ಗುಣಮಟ್ಟ ಕುಸಿತವಿಲ್ಲದೆ ಹೊಂದಿಕೊಳ್ಳುವ ಮತ್ತು ವೇಗವಾಗಿ ಚಲಿಸುವ ಮಾಡೆಲ್ ನಿಮಗೆ ಸಿಗುತ್ತದೆ. ವೆಚ್ಚದ ಬಗ್ಗೆ ಸ್ಪಷ್ಟವಾಗಿ ಹೇಳುವುದಾದರೆ: ಸಂಕುಚಿತ ಮಾಡೆಲ್ ಮೂಲದೊಂದಿಗೆ ಬಿಟ್-ಒಂದೇ ಅಲ್ಲ. ಈ ವಿಧಾನ ಖರೀದಿಸುವುದೇನೆಂದರೆ ಅವನತಿ ನೀವು ಗಮನಿಸುವ ಸಾಧ್ಯತೆ ಕಡಿಮೆ ಇರುವಲ್ಲಿ ಇಳಿಯುತ್ತದೆ — ಅಪರೂಪದ ರೂಟಿಂಗ್ ಮಾರ್ಗಗಳು, ಕಡಿಮೆ-ಸಂಭವನೀಯ ಟೋಕನ್ ಬಾಲಗಳು — ಸೂಚನೆ ಅನುಸರಣೆ, ಟೂಲ್-ಕಾಲ್ ಫಾರ್ಮ್ಯಾಟಿಂಗ್, ಅಥವಾ ಸ್ಕೀಮಾ ಅನುಸರಣೆಯಲ್ಲಲ್ಲ.
03ಈ ಎಂಡ್‌ಪಾಯಿಂಟ್‌ನಲ್ಲಿ "ಸೆನ್ಸಾರ್ ರಹಿತ" ಎಂದರೆ ಏನು
ಸೆನ್ಸಾರ್ ರಹಿತ ಇಲ್ಲಿ ವಾಸ್ತುಶಿಲ್ಪದ ಬಗ್ಗೆ ಒಂದು ಹೇಳಿಕೆ, ಧೋರಣೆಯ ಬಗ್ಗೆ ಅಲ್ಲ. ಮಾಡೆಲ್‌ನ ಮುಂದೆ ಯಾವುದೇ ನಿರಾಕರಣೆ ಪದರ ಇಲ್ಲ ಮತ್ತು ಅದರ ಔಟ್‌ಪುಟ್ ಮೇಲೆ ಯಾವುದೇ ಕಂಟೆಂಟ್ ಫಿಲ್ಟರಿಂಗ್ ಇಲ್ಲ. ನಿಮ್ಮ ವಿನಂತಿ ಫೌಂಡೇಶನ್ ಅನ್ನು ತಲುಪುತ್ತದೆ ಮತ್ತು ಅದರ ಪ್ರತಿಕ್ರಿಯೆ ನಿಮ್ಮನ್ನು ತಲುಪುತ್ತದೆ; ಎರಡೂ ದಿಕ್ಕಿನಲ್ಲಿ ಏನೂ ಮಧ್ಯಪ್ರವೇಶಿಸುವುದಿಲ್ಲ.
ಆ ವ್ಯತ್ಯಾಸ ಮುಖ್ಯ, ಏಕೆಂದರೆ "ಸೆನ್ಸಾರ್ ರಹಿತ" ಸಡಿಲವಾಗಿ ಬಳಸಲ್ಪಡುತ್ತದೆ. ಆ ಪದದ ಅಡಿಯಲ್ಲಿ ಮೂರು ಪ್ರತ್ಯೇಕ ವಿಷಯಗಳನ್ನು ಒಟ್ಟುಗೂಡಿಸಲಾಗಿದೆ:
- ಇನ್‌ಪುಟ್ ವರ್ಗೀಕರಣ — ಪ್ರತ್ಯೇಕ ಮಾಡೆಲ್ ನಿಮ್ಮ ಪ್ರಾಂಪ್ಟ್ ಓದಿ ಅದನ್ನು ಮುಂದೆ ಬಿಡಬೇಕೆ ಎಂದು ನಿರ್ಧರಿಸುತ್ತದೆ. ಇಲ್ಲಿ ಇಲ್ಲ.
- ಔಟ್‌ಪುಟ್ ಫಿಲ್ಟರಿಂಗ್ — ಸ್ಕ್ಯಾನರ್ ಉತ್ಪಾದಿತ ಪಠ್ಯವನ್ನು ಪರಿಶೀಲಿಸಿ ಕತ್ತರಿಸುತ್ತದೆ ಅಥವಾ ಬದಲಿಸುತ್ತದೆ. ಇಲ್ಲಿ ಇಲ್ಲ.
- ಫೌಂಡೇಶನ್‌ನ ಸ್ವಂತ ಒಲವುಗಳು — ಬೇಸ್ ಮಾಡೆಲ್ ತರಬೇತಿಯಲ್ಲಿ ಏನು ಕಲಿತಿತೋ ಅದು. ಅದು ಮಾಡೆಲ್‌ನದ್ದೇ, ಮತ್ತು ಅದನ್ನು ನಾವು ಅಳಿಸಿದ್ದೇವೆ ಎಂದು ಹೇಳಿಕೊಳ್ಳುವುದಿಲ್ಲ.
ಉತ್ಪಾದನಾ ವ್ಯವಸ್ಥೆಗಳನ್ನು ಮುರಿಯುವುದು ಮೊದಲ ಎರಡು, ಮತ್ತು ಅವೆರಡನ್ನೇ ನಾವು ತೆಗೆದುಹಾಕುತ್ತೇವೆ. 0.5% ವಿನಂತಿಗಳ ಮೇಲೆ ಪ್ರಚೋದಿಸುವ ವರ್ಗೀಕಾರಕ ನೀವು ಡೀಬಗ್ ಮಾಡಲಾಗದ, ಮನವಿ ಮಾಡಲಾಗದ, ಮತ್ತು ಮುಂಚಿತವಾಗಿ ನೋಡಲಾಗದ 0.5% ವೈಫಲ್ಯ ದರ — ಮತ್ತು 200-ಹಂತದ ಏಜೆಂಟ್ ಲೂಪ್‌ನಾದ್ಯಂತ, ಪ್ರತಿ-ಹಂತ 0.5% ವೈಫಲ್ಯ ಯಶಸ್ವಿಯಾಗುವುದಕ್ಕಿಂತ ಹೆಚ್ಚಾಗಿ ವಿಫಲವಾಗುವ ರನ್‌ಗೆ ಸಂಯುಕ್ತಗೊಳ್ಳುತ್ತದೆ. ಸಂಭಾಷಣೆಯಲ್ಲಿನ ನಿರಾಕರಣೆ ಕಿರಿಕಿರಿ; ಸ್ವಾಯತ್ತ ರನ್‌ನ 147 ನೇ ಹಂತದಲ್ಲಿನ ನಿರಾಕರಣೆ ರನ್‌ನ ಸ್ಥಿತಿಯನ್ನು ನಾಶಪಡಿಸಿ ಅಲ್ಲಿಗೆ ತಲುಪಲು ನೀವು ಖರ್ಚು ಮಾಡಿದ್ದೆಲ್ಲವನ್ನೂ ಸುಡುತ್ತದೆ. ಏಜೆಂಟ್ ಕೆಲಸಗಳಿಗೆ, ನಿರಾಕರಣೆ ಮೇಲ್ಮೈಯನ್ನು ತೆಗೆಯುವುದು ಒಂದು ವಿಶ್ವಾಸಾರ್ಹತೆ ಗುಣಲಕ್ಷಣ, ಶೈಲಿಗತ ಆದ್ಯತೆ ಅಲ್ಲ.
ಅದರ ಪರಿಣಾಮವೆಂದರೆ ಹೊಣೆಗಾರಿಕೆ ನಿಮಗೆ ಸ್ಥಳಾಂತರಿಸುತ್ತದೆ. ನಿಮ್ಮ ಅಪ್ಲಿಕೇಶನ್ ಮತ್ತು ನಿಮ್ಮ ಬಳಕೆದಾರರ ನಡುವೆ ಯಾವುದೇ ಸುರಕ್ಷತಾ ಜಾಲ ಇಲ್ಲ; ನಿಮ್ಮ ಉತ್ಪನ್ನಕ್ಕೆ ಒಂದು ಬೇಕಿದ್ದರೆ, ನೀವು ಅದನ್ನು ನೋಡಬಹುದಾದ, ಹೊಂದಿಸಬಹುದಾದ ಮತ್ತು ಲಾಗ್ ಮಾಡಬಹುದಾದ ಸ್ಥಳದಲ್ಲಿ ಕಟ್ಟಿ. ದಯವಿಟ್ಟು ಮೊದಲು ನಮ್ಮ ಜವಾಬ್ದಾರಿಯುತ ಬಳಕೆ ನೀತಿ ಓದಿ.
04Kimi K2.6 ಎದುರು Kimi K3: 5 ಪಟ್ಟು ಯಾವಾಗ ಯೋಗ್ಯ?
ಬಹುತೇಕ ಓದುಗರು ಬಂದಿರುವುದೇ ಈ ನಿರ್ಧಾರಕ್ಕಾಗಿ, ಆದ್ದರಿಂದ ಯಾವುದೇ ಸಂಕೋಚ ಇಲ್ಲದೆ ಇಲ್ಲಿದೆ. Kimi-K3 · 3BIT-REAP ದೊಡ್ಡದು, ಹೊಸ ಫೌಂಡೇಶನ್: ಜುಲೈ 16, 2026 ರಂದು ಪ್ರಕಟವಾಗಿ ಜುಲೈ 27 ರಂದು ಓಪನ್ ವೈಟ್ಸ್‌ನೊಂದಿಗೆ, ಸುಮಾರು 2.8 ಟ್ರಿಲಿಯನ್ ಒಟ್ಟು ಪ್ಯಾರಾಮೀಟರ್‌ಗಳು ಮತ್ತು ಪ್ರತಿ ಟೋಕನ್‌ಗೆ ಸುಮಾರು 104 ಬಿಲಿಯನ್ ಸಕ್ರಿಯ — K2.6 ಯ ಸಕ್ರಿಯ ಗಣಿತಕ್ಕಿಂತ 3x ಗಿಂತ ಹೆಚ್ಚು. ಅಪ್‌ಸ್ಟ್ರೀಮ್, Moonshot K3 ಅನ್ನು K2.6 ಯ ಬೆಲೆಯ ಸುಮಾರು 5x ಎಂದು ಪಟ್ಟಿ ಮಾಡುತ್ತದೆ, ಮತ್ತು ನಮ್ಮ ಗೇಟ್‌ವೇ ಬೆಲೆ ಆ ಅನುಪಾತವನ್ನೇ ಅನುಸರಿಸುತ್ತದೆ.
| Kimi-K2.6 · W4A16-AUTOROUND-REAP | Kimi-K3 · 3BIT-REAP | |
|---|---|---|
| ಇನ್‌ಪುಟ್ / 1M ಟೋಕನ್ | $0.78 | $3.83 |
| ಔಟ್‌ಪುಟ್ / 1M ಟೋಕನ್ | $3.67 | $19.12 |
| ಸಂದರ್ಭ ವಿಂಡೋ | 262,144 | 262,144 |
| ಗರಿಷ್ಠ ಔಟ್‌ಪುಟ್ / ವಿನಂತಿ | 16,384 | 16,384 |
| ದೃಷ್ಟಿ ಇನ್‌ಪುಟ್ | ಹೌದು | ಹೌದು |
| ಸ್ಥಳೀಯ ಟೂಲ್ ಕಾಲಿಂಗ್ | ಹೌದು | ಹೌದು |
| ಕಠಿಣ json_schema | ಹೌದು | ಹೌದು |
| ಸೆನ್ಸಾರ್ ರಹಿತ | ಹೌದು | ಹೌದು |
| ಸಕ್ರಿಯ ಪ್ಯಾರಾಮೀಟರ್‌ಗಳು / ಟೋಕನ್ | ~32B | ~104B |
ಟೇಬಲ್ ತೋರಿಸದಿರುವುದನ್ನು ನೋಡಿ: K2.6 ಕೊರತೆ ಇರುವ ಫೀಚರ್ K3 ಗೆ ಇರುವ ಒಂದೇ ಒಂದು ಸಾಲು ಇಲ್ಲ. ಅದೇ ವಿಂಡೋ, ಅದೇ ಗರಿಷ್ಠ ಔಟ್‌ಪುಟ್, ಅದೇ ದೃಷ್ಟಿ, ಅದೇ ಟೂಲ್ ಕಾಲಿಂಗ್, ಅದೇ ರಚನಾತ್ಮಕ ಔಟ್‌ಪುಟ್, ಅದೇ ಸೆನ್ಸಾರ್ ರಹಿತ ಧೋರಣೆ, ಅದೇ ಮೂರು ಶೈಲಿಗಳು. 5 ಪಟ್ಟು ಬರೀ ಒಂದೇ ವಿಷಯ ಖರೀದಿಸುತ್ತದೆ — ಪ್ರತಿ ಫಾರ್ವರ್ಡ್ ಪಾಸ್‌ಗೆ ಕಚ್ಚಾ ಸಾಮರ್ಥ್ಯ. ಅದು ನಿಜ, ಆದರೆ ಅದೊಂದು ಏಕೈಕ ಅಕ್ಷ, ಮತ್ತು ಅದು ನಿಮ್ಮ ಅಡಚಣೆ ಅಲ್ಲದ ಅಕ್ಷಗಳ ಮೇಲೆ ಏನೂ ಮಾಡುವುದಿಲ್ಲ.
ನಿರ್ದಿಷ್ಟವಾಗಿ ಸಂದರ್ಭ-ವಿಂಡೋ ಅಂಶ
ಅಪ್‌ಸ್ಟ್ರೀಮ್, K3 ಯ ಮುಖ್ಯ ಫೀಚರ್ K2.6 ಯ 262K ಗೆ ಎದುರಾಗಿ 1M-ಟೋಕನ್ ಸಂದರ್ಭ. Shannon ಗೇಟ್‌ವೇಯಲ್ಲಿ ಎರಡೂ ಮಾಡೆಲ್‌ಗಳಿಗೆ 262,144 ಟೋಕನ್‌ಗಳಲ್ಲಿ ಸೇವೆ ನೀಡಲಾಗಿದೆ. ದೀರ್ಘ ಸಂದರ್ಭ ನೀವು 5x ಪಾವತಿಸಲು ಕಾರಣವಾಗಿದ್ದರೆ, ಆ ಕಾರಣ ಇಲ್ಲಿ ಅನ್ವಯಿಸುವುದಿಲ್ಲ — ನೀವು ಪ್ರೀಮಿಯಂ ಪಾವತಿಸಿ ಅದೇ ವಿಂಡೋ ಪಡೆಯುತ್ತೀರಿ. ಒಂದು ಮಾರಾಟಗಾರ ಹೇಳದೆ ಬಿಡಲು ಪ್ರಚೋದಿತನಾಗುವ ರೀತಿಯ ಸಂಗತಿ ಇದು, ಅದಕ್ಕಾಗಿಯೇ ಇದನ್ನು ಬೋಲ್ಡ್‌ನಲ್ಲಿ ಬರೆಯಲಾಗಿದೆ.
5x ಪಾವತಿಸಿ, ಯಾವಾಗ
- ಒಂದೇ ಪ್ರಯತ್ನ ಯಶಸ್ವಿಯಾಗಬೇಕಿದ್ದಾಗ. ಮರುಪ್ರಯತ್ನ ದುಬಾರಿ ಅಥವಾ ಅಸಾಧ್ಯವಾಗಿರುವ ಒಂಟಿ ಕಠಿಣ ಪಾಸ್ — ಹಿಂತಿರುಗಿಸಲಾಗದ ಕ್ರಿಯೆ, ದೀರ್ಘ ಪೈಪ್‌ಲೈನ್‌ನ ಕೊನೆಯಲ್ಲಿನ ನಿರ್ಧಾರ. ಪ್ರತಿ ಟೋಕನ್‌ಗೆ ಹೆಚ್ಚಿನ ಸಕ್ರಿಯ ಪ್ಯಾರಾಮೀಟರ್‌ಗಳು ಒಂಟಿ ಪಾಸ್‌ನ ಸೀಲಿಂಗ್ ಅನ್ನು ಹೆಚ್ಚಿಸುವುದೇ.
- ಕೆಲಸ ಟೂಲ್-ಬದ್ಧ ಅಲ್ಲ, ಜ್ಞಾನ-ಬದ್ಧ. ಉತ್ತರ ವೈಟ್ಸ್‌ನಿಂದಲೇ ಬರಬೇಕಾದ ಆಳವಾದ ಸಂಶ್ಲೇಷಣೆ. K2.6 ಯ ಪ್ರೊಫೈಲ್ ಏಜೆಂಟಿಕ್; ಟೂಲ್‌ಗಳನ್ನು ತೆಗೆದುಬಿಡಿ ಮತ್ತು ದೊಡ್ಡ ಫೌಂಡೇಶನ್ ತೋರುತ್ತದೆ.
- ಪ್ರಮಾಣ ಕಡಿಮೆ ಮತ್ತು ಪಣ ಹೆಚ್ಚು. ತಿಂಗಳಿಗೆ 500 ಕರೆಗಳಲ್ಲಿ, 5x ಎಂದರೆ $8 ಬದಲು $40. ಬರೀ ಉತ್ತಮ ಮಾಡೆಲ್ ಖರೀದಿಸಿ.
5x ಪಾವತಿಸಬೇಡಿ, ಯಾವಾಗ
- ನೀವು ಲೂಪ್ ಚಲಾಯಿಸುತ್ತಿದ್ದೀರಿ. ದೀರ್ಘ ಏಜೆಂಟಿಕ್ ರನ್‌ಗಳಲ್ಲಿ ಯಾಂತ್ರಿಕ ಹಂತಗಳ ಪ್ರಾಬಲ್ಯ ಇರುತ್ತದೆ — ಫೈಲ್ ಓದಿ, ಟೂಲ್ ಕರೆ ಮಾಡಿ, ಫಲಿತಾಂಶ ಪರಿಶೀಲಿಸಿ, ಮುಂದಿನದನ್ನು ಆಯ್ಕೆ ಮಾಡಿ — ಇದೇ K2.6 ಗಾಗಿ ತರಬೇತಿ ಪಡೆದದ್ದು. 200 ಹಂತಗಳಲ್ಲಿ 5x ಎಂದರೆ ಪ್ರತಿ ರನ್‌ಗೆ $7.71 ಎದುರು $38.29.
- ನೀವು ಚಿತ್ರಗಳನ್ನು ಪ್ರಮಾಣದಲ್ಲಿ ಪ್ರಕ್ರಿಯೆಗೊಳಿಸುತ್ತಿದ್ದೀರಿ. ದೃಷ್ಟಿ ಕೆಲಸದ ಭಾರ ಇನ್‌ಪುಟ್-ಟೋಕನ್-ಭಾರೀ ಮತ್ತು ಪ್ರತಿ-ಐಟಂ ರೀಸನಿಂಗ್ ಆಳವಿಲ್ಲದ್ದು. ವಿಭಾಗ 05 ನೋಡಿ; ಅದು ಹತ್ತಿರವೂ ಅಲ್ಲ.
- ಕೆಲಸ ಹೊರತೆಗೆಯುವಿಕೆ, ವರ್ಗೀಕರಣ, ಅಥವಾ ಪರಿವರ್ತನೆ. ದಾಖಲೆಗಳಿಂದ ಫೀಲ್ಡ್‌ಗಳನ್ನು ಎಳೆಯುವುದು, ಟಿಕೆಟ್‌ಗಳನ್ನು ರೂಟ್ ಮಾಡುವುದು, ದಾಖಲೆಗಳನ್ನು ಸಾಮಾನ್ಯೀಕರಿಸುವುದು, ಸಾರಾಂಶಗೊಳಿಸುವುದು — ದೊಡ್ಡ ಮಾಡೆಲ್ ಅದೇ JSON ಉತ್ಪಾದಿಸುವ ಸೀಮಿತ ಕೆಲಸಗಳು.
- ನಿಮಗೆ ಪರಿಶೀಲನಾ ಹಂತ ಇದೆ. ಔಟ್‌ಪುಟ್ ಪರಿಶೀಲಿಸಲ್ಪಟ್ಟರೆ — ಟೆಸ್ಟ್ ಸೂಟ್, ಸ್ಕೀಮಾ ವ್ಯಾಲಿಡೇಟರ್, ಎರಡನೇ ಪಾಸ್, ಮನುಷ್ಯ — ಸಾಂದರ್ಭಿಕ ತಪ್ಪುಗಳು ಅಗ್ಗವಾಗಿರುತ್ತವೆ ಮತ್ತು ಗಣಿತ ನಿರ್ಣಾಯಕವಾಗಿ ಪ್ರಮಾಣಕ್ಕೆ ಒಲವು ತೋರುತ್ತದೆ. ಮೌಲ್ಯ ಶ್ರೇಣಿಗೆ ಇದೇ ಅತಿ ಕಡಿಮೆ ಅಂದಾಜು ಮಾಡಲಾದ ವಾದ.
ಹೆಸರಿಸಬೇಕಾದ ಒಂದು ಮಾದರಿ: ಲೂಪ್‌ಗೆ K2.6 ಮತ್ತು ತೀರ್ಪಿಗೆ K3 ಚಲಾಯಿಸಿ. ಅಗ್ಗದ ಏಜೆಂಟಿಕ್ ಮಾಡೆಲ್ ಸಂಗ್ರಹಣೆ, ಕರೆ ಮಾಡುವಿಕೆ ಮತ್ತು ಡ್ರಾಫ್ಟಿಂಗ್‌ನ ನೂರು ಹಂತಗಳನ್ನು ಮಾಡಲಿ, ನಂತರ ಅಂತಿಮ ಸಂಶ್ಲೇಷಣೆಯ ಮೇಲೆ ಒಂದು ದುಬಾರಿ ಕರೆ ಖರ್ಚು ಮಾಡಿ. ಎರಡೂ ಮಾಡೆಲ್‌ಗಳು ಅದೇ ಸಂದರ್ಭ ವಿಂಡೋ ಜೊತೆ ಒಂದೇ API ಮಾತನಾಡುತ್ತವೆ, ಆದ್ದರಿಂದ ಬದಲಾಯಿಸುವುದು model ಫೀಲ್ಡ್‌ಗೆ ಒಂದೇ-ಸಾಲಿನ ಬದಲಾವಣೆ.
05ಕಾರ್ಯಸಾಧ್ಯ ಬೆಲೆಯಲ್ಲಿ ದೃಷ್ಟಿ
ಈ ಕ್ಯಾಟಲಾಗ್‌ನಲ್ಲಿ ದೃಷ್ಟಿಯೇ K2.6 ಯ ಚೂಪಾದ ಅಂಚು. ಗೇಟ್‌ವೇಯ ಹನ್ನೆರಡು ಸೆನ್ಸಾರ್ ರಹಿತ ಮಾಡೆಲ್‌ಗಳಲ್ಲಿ ನಾಲ್ಕು ಮಾತ್ರ ಚಿತ್ರಗಳನ್ನು ಒಪ್ಪಿಕೊಳ್ಳುತ್ತವೆ, ಮತ್ತು ಪ್ರತಿ ಮಿಲಿಯನ್ ಇನ್‌ಪುಟ್ ಟೋಕನ್‌ಗೆ ಒಂದು ಡಾಲರ್‌ಗಿಂತ ಕಡಿಮೆಯಲ್ಲಿ ಚಿತ್ರ ಇನ್‌ಪುಟ್ ಅನ್ನು Kimi ಏಜೆಂಟಿಕ್ ವಂಶಾವಳಿಯೊಂದಿಗೆ ಜೋಡಿಸುವ ಏಕೈಕದ್ದು K2.6.
ದೃಷ್ಟಿ ಕೆಲಸದ ಭಾರಕ್ಕೆ ಅಸಾಮಾನ್ಯ ವೆಚ್ಚ ಆಕಾರ ಇದೆ. MoonViT ಬಗ್ಗೆ Moonshot ನ ಪ್ರಕಟಿತ ವಿವರಣೆಯ ಪ್ರಕಾರ, 1024x1024 ಚಿತ್ರ ಸುಮಾರು 576 ಚಿತ್ರ ಟೋಕನ್‌ಗಳಿಗೆ ಎನ್ಕೋಡ್ ಆಗುತ್ತದೆ — ಮತ್ತು ಅವು ಇನ್‌ಪುಟ್ ಟೋಕನ್‌ಗಳು, ಲೆಕ್ಕದ ಅಗ್ಗದ ಬದಿ. ಸಾಮಾನ್ಯ ದೃಷ್ಟಿ ಕೆಲಸ $3.67 ದರಕ್ಕಿಂತ ಬಹುತೇಕ ಸಂಪೂರ್ಣವಾಗಿ $0.78 ದರದ ಮೇಲೆ ಬೀಳುತ್ತದೆ. 10,000 ಚಿತ್ರಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳಿ, ಪ್ರತಿಯೊಂದೂ ~200 ಟೋಕನ್ ಪ್ರಾಂಪ್ಟ್ ಜೊತೆ (ಆದ್ದರಿಂದ ~776 ಇನ್‌ಪುಟ್ ಟೋಕನ್‌ಗಳು) ಮತ್ತು ~150 ಟೋಕನ್ ರಚನಾತ್ಮಕ ಔಟ್‌ಪುಟ್ ಜೊತೆ:
| ಕೆಲಸದ ಭಾರ | Kimi-K2.6 | Kimi-K3 | ಗುಣಕ |
|---|---|---|---|
| ಒಂದು ಏಜೆಂಟ್ ಹಂತ (40K ಇನ್ / 2K ಔಟ್) | $0.0385 | $0.1914 | 5.0x |
| 200-ಹಂತದ ಸ್ವಾಯತ್ತ ರನ್ | $7.71 | $38.29 | 5.0x |
| 10,000 ಚಿತ್ರಗಳು, ರಚನಾತ್ಮಕ ಔಟ್‌ಪುಟ್ | $11.56 | $58.40 | 5.1x |
| ಬ್ಯಾಚ್ ಕೆಲಸ (1M ಇನ್ / 200K ಔಟ್) | $1.51 | $7.65 | 5.1x |
Shannon ಗೇಟ್‌ವೇ ಪಟ್ಟಿ ಬೆಲೆಗಳಿಂದ ಲೆಕ್ಕಹಾಕಲಾಗಿದೆ. ಚಿತ್ರ-ಟೋಕನ್ ಅಂದಾಜು 1024x1024 ಚಿತ್ರಕ್ಕೆ ~576 ಟೋಕನ್‌ಗಳ Moonshot ನ ಪ್ರಕಟಿತ MoonViT ಅಂಕಿಯನ್ನು ಬಳಸುತ್ತದೆ; ನಿಖರ ಟೋಕನೈಸೇಶನ್ ರೆಸಲ್ಯೂಶನ್ ಮತ್ತು ಆಸ್ಪೆಕ್ಟ್ ರೇಶಿಯೊ ಪ್ರಕಾರ ಬದಲಾಗುತ್ತದೆ.
$11.56 ಚಿತ್ರ ಪೈಪ್‌ಲೈನ್ ಎಂಬುದು ಯೋಚಿಸದೆ ಪ್ರತಿದಿನ ಚಲಾಯಿಸುವ ಸಂಗತಿ. $58.40 ಒಂದು ಶೆಡ್ಯೂಲ್ ಮಾಡುವ, ಸಮರ್ಥಿಸುವ, ಮತ್ತು ಅಂತಿಮವಾಗಿ ಕಡಿತಗೊಳಿಸುವ ಸಂಗತಿ. ಆ ಅಂತರವೇ ಮೌಲ್ಯ ಶ್ರೇಣಿಗಾಗಿ ಇಡೀ ವಾದ.
ಒಂದು ಪ್ರಾಮಾಣಿಕ ಎಚ್ಚರಿಕೆ. ಸ್ವತಂತ್ರ ಮಲ್ಟಿಮೋಡಲ್ ಮತ್ತು ಗ್ರೌಂಡೆಡ್-ಟಾಸ್ಕ್ ಲೀಡರ್‌ಬೋರ್ಡ್‌ಗಳಲ್ಲಿ K2.6 115 ಮಾಡೆಲ್‌ಗಳಲ್ಲಿ #26, ಸರಾಸರಿ ಸುಮಾರು 68.1 ಎಂದು ವರದಿಯಾಗಿದೆ — ಗೌರವಾನ್ವಿತ, ವರ್ಗ-ನಾಯಕತ್ವ ಅಲ್ಲ. ಇದರ ದೃಷ್ಟಿ ದಾಖಲೆ ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ, ಸ್ಕ್ರೀನ್‌ಶಾಟ್ ಮತ್ತು UI ಓದುವಿಕೆ, ಮತ್ತು ಚಾರ್ಟ್ ಅಥವಾ ಡಯಾಗ್ರಾಮ್ ವ್ಯಾಖ್ಯಾನದಲ್ಲಿ ನಿಜಕ್ಕೂ ಬಲಿಷ್ಠ; ನಿಖರ ಸ್ಥಳ ಗ್ರೌಂಡಿಂಗ್‌ನಲ್ಲಿ ದುರ್ಬಲ — ನಿಖರ ಬೌಂಡಿಂಗ್ ಬಾಕ್ಸ್‌ಗಳು, ಗಿಜಿಗುಟ್ಟುವ ದೃಶ್ಯಗಳಲ್ಲಿ ಸೂಕ್ಷ್ಮ ಎಣಿಕೆ, ಕೆಳಗಿಳಿದ ಸ್ಕ್ಯಾನ್‌ಗಳ ದಟ್ಟ OCR. ನಿಮಗೆ ಪಿಕ್ಸೆಲ್-ನಿಖರ ಲೋಕಲೈಸೇಶನ್ ಬೇಕಿದ್ದರೆ, ಮೊದಲು ನಿಮ್ಮ ಸ್ವಂತ ಡೇಟಾದ ಮೇಲೆ ಬೆಂಚ್‌ಮಾರ್ಕ್ ಮಾಡಿ. ಮಾಡೆಲ್ ಒಂದು ಸ್ಕ್ರೀನ್‌ಶಾಟ್ ನೋಡಿ ಮುಂದೆ ಏನು ಕ್ಲಿಕ್ ಮಾಡಬೇಕೆಂದು ನಿರ್ಧರಿಸಬೇಕಿದ್ದರೆ, ಇದೇ ಸರಿಯಾದ ಟೂಲ್.
06ನಿರಾಕರಣೆ-ಇಲ್ಲದ ಟೂಲ್ ಕಾಲಿಂಗ್ ಮತ್ತು ಏಜೆಂಟಿಕ್ ಲೂಪ್‌ಗಳು
K2.6 ಸ್ಥಳೀಯ ಟೂಲ್ ಕಾಲಿಂಗ್ ಬೆಂಬಲಿಸುತ್ತದೆ: ನೀವು ಒದಗಿಸುವ JSON-schema ಟೂಲ್ ವ್ಯಾಖ್ಯಾನಗಳಿಂದ ಮಾಡೆಲ್ ರಚನಾತ್ಮಕ ಟೂಲ್ ಆಹ್ವಾನಗಳನ್ನು ನೇರವಾಗಿ ಹೊರಸೂಸುತ್ತದೆ, ಪಾರ್ಸ್ ಮಾಡಬಹುದಾದ ಪಠ್ಯ ಉತ್ಪಾದಿಸುವಂತೆ ಮನವೊಲಿಸುವ ಬದಲು. ಬಹು-ಸುತ್ತಿನ ಸಂಭಾಷಣೆ ಮತ್ತು ಸಿಸ್ಟಂ ಪ್ರಾಂಪ್ಟ್‌ಗಳ ಜೊತೆ, ಅದೇ ಏಜೆಂಟ್ ಲೂಪ್‌ಗೆ ಪೂರ್ಣ ತಳಪಾಯ.
"ನಿರಾಕರಣೆ-ಇಲ್ಲದ ಟೂಲ್ ಕಾಲಿಂಗ್" ಸೇರಿಸುವುದು ಕೇಳಿಸುವುದಕ್ಕಿಂತ ಸೂಕ್ಷ್ಮ. ಫಿಲ್ಟರ್ ಮಾಡಿದ API ಯಲ್ಲಿ, ಏಜೆಂಟ್ ಲೂಪ್‌ನ ಒಳಗಿನ ನಿರಾಕರಣೆಗಳು ಮೂರು ಪ್ರತ್ಯೇಕ ವೈಫಲ್ಯ ವಿಧಾನಗಳಲ್ಲಿ ಕಾಣಿಸುತ್ತವೆ:
- ಕಠಿಣ ನಿರಾಕರಣೆ — ಹಂತ ಟೂಲ್ ಕಾಲ್ ಬದಲು ಗದ್ಯ ಹಿಂತಿರುಗಿಸುತ್ತದೆ, ಪಾರ್ಸರ್ ವಿಫಲವಾಗುತ್ತದೆ, ಲೂಪ್ ಮುರಿಯುತ್ತದೆ. ಗಟ್ಟಿಯಾಗಿಯಾದರೂ ಇರುತ್ತದೆ.
- ಮೃದು ನಿರಾಕರಣೆ — ಕರೆ ಮಾಡಲಾಗುತ್ತದೆ ಆದರೆ ಆರ್ಗ್ಯುಮೆಂಟ್‌ಗಳು ಸ್ಯಾಂಡ್‌ಬ್ಯಾಗ್ ಮಾಡಲ್ಪಟ್ಟಿರುತ್ತವೆ: ಸಂಕುಚಿಸಿದ ಕ್ವೆರಿ, ಹೆಡ್ಜ್ ಮಾಡಿದ ಪ್ಯಾರಾಮೀಟರ್, ಕತ್ತರಿಸಿದ ಪೇಲೋಡ್. ಲೂಪ್ ಶಾಂತವಾಗಿ ಅವನತಿಗೊಂಡ ಸ್ಥಿತಿಯೊಂದಿಗೆ ಮುಂದುವರಿಯುತ್ತದೆ ಮತ್ತು ನಾಲ್ಕು ಹಂತಗಳ ನಂತರ ನಿಮಗೆ ತಿಳಿಯುತ್ತದೆ.
- ಪೂರ್ವಭಾವಿ ತಪ್ಪಿಸುವಿಕೆ — ಯೋಜನೆ ನ್ಯಾಯಸಮ್ಮತ ಶಾಖೆಯ ಹತ್ತಿರ ಬರುವ ಮೊದಲೇ ಅದರಿಂದ ದೂರ ಸಾಗುತ್ತದೆ. ಇದನ್ನು ನೀವು ಎಂದಿಗೂ ನೋಡುವುದಿಲ್ಲ; ನಿಮಗೆ ಬರೀ ಕೆಟ್ಟ ಯೋಜನೆ ಸಿಗುತ್ತದೆ, ವಿವರಣೆ ಇಲ್ಲದೆ.
ಎರಡನೆಯ ಮತ್ತು ಮೂರನೆಯದು ದುಬಾರಿಯಾದವು, ಏಕೆಂದರೆ ಅವು ಅಗೋಚರ: ಯಾವುದೇ ದೋಷ ಇಲ್ಲ, ಲಾಗ್‌ಗಳಲ್ಲಿ ಏನೂ ಇಲ್ಲ, grep ಮಾಡಲು ಏನೂ ಇಲ್ಲ. ನಿರಾಕರಣೆ ಪದರ ಇಲ್ಲದ ಎಂಡ್‌ಪಾಯಿಂಟ್ ಇಡೀ ವರ್ಗವನ್ನೇ ತೆಗೆಯುತ್ತದೆ — ಮಾಡೆಲ್‌ನ ಟೂಲ್-ಕಾಲ್ ಆರ್ಗ್ಯುಮೆಂಟ್‌ಗಳು ಮಾಡೆಲ್‌ನ ಟೂಲ್-ಕಾಲ್ ಆರ್ಗ್ಯುಮೆಂಟ್‌ಗಳೇ ಆಗಿರುತ್ತವೆ.
ಇದು ದೀರ್ಘ ಸ್ವಾಯತ್ತ ರನ್‌ಗಳ ಅಗತ್ಯವಿರುವ ಮತ್ತು ಸೂಕ್ಷ್ಮ ವಸ್ತುವನ್ನು ಮುಟ್ಟುವ ಡೊಮೈನ್‌ಗಳಲ್ಲಿ ಅತಿ ಹೆಚ್ಚು ಮುಖ್ಯ: ಭದ್ರತಾ ಸಂಶೋಧನೆ ಮತ್ತು ರೆಡ್-ಟೀಮಿಂಗ್, ಮಾಲ್‌ವೇರ್ ಮತ್ತು ಘಟನಾ ವಿಶ್ಲೇಷಣೆ, ಕ್ಲಿನಿಕಲ್ ದಾಖಲೆ ಪ್ರಕ್ರಿಯೆ, ಕಾನೂನು ಡಿಸ್ಕವರಿ, ಮತ್ತು ಅದು ಮಾಡರೇಟ್ ಮಾಡುವ ವಿಷಯದ ಬಗ್ಗೆ ರೀಸನಿಂಗ್ ಮಾಡಬೇಕಾದ ಮಾಡರೇಶನ್ ಟೂಲಿಂಗ್. ಮಾಡರೇಶನ್ ವರ್ಗೀಕಾರಕ ಕಟ್ಟುವುದಕ್ಕೆ ಅದು ವರ್ಗೀಕರಿಸುವುದನ್ನು ನೋಡಲು ಸಿದ್ಧವಿರುವ ಮಾಡೆಲ್ ಬೇಕು; ಅದು ವಿರೋಧಾಭಾಸವಲ್ಲ, ಬರೀ ಕೆಲಸ.
ದೀರ್ಘ ರನ್‌ಗಳಿಗೆ ಪ್ರಾಯೋಗಿಕ ಟಿಪ್ಪಣಿಗಳು: reasoning_effort ಯೋಜನಾ ಹಂತಗಳಲ್ಲಿ ಹೆಚ್ಚು ಮತ್ತು ಯಾಂತ್ರಿಕ ಹಂತಗಳಲ್ಲಿ ಕಡಿಮೆ ಆಲೋಚನೆ ಖರ್ಚು ಮಾಡಲು ಬಿಡುತ್ತದೆ. ಎಲ್ಲಾ ಮೂರು ಶೈಲಿಗಳಲ್ಲೂ ಸ್ಟ್ರೀಮಿಂಗ್ ಲಭ್ಯ, ಆದ್ದರಿಂದ ದೀರ್ಘ ಹಂತ ಪ್ರಗತಿಯನ್ನು ಮೇಲ್ಮೈಗೆ ತರಬಹುದು ಅಥವಾ ಬೇಗ ಸ್ಥಗಿತಗೊಳಿಸಬಹುದು. ಮತ್ತು 262,144 ಟೋಕನ್‌ಗಳ ಸಂದರ್ಭ ಪ್ರತಿ ಸುತ್ತನ್ನೂ ಮರುಸಾರಾಂಶ ಮಾಡದೆ ಹಲವು ಹಂತಗಳಾದ್ಯಂತ ನಿಜವಾದ ಕೆಲಸ ಸ್ಥಿತಿಯನ್ನು — ಫೈಲ್ ವಿಷಯ, ಹಿಂದಿನ ಟೂಲ್ ಫಲಿತಾಂಶಗಳು, ಚಾಲ್ತಿಯಲ್ಲಿರುವ ಯೋಜನೆ — ಉಳಿಸಿಕೊಳ್ಳುತ್ತದೆ, ಅದೇ ಏಜೆಂಟ್ ಡ್ರಿಫ್ಟ್‌ನ ಸಾಮಾನ್ಯ ಮೂಲ.
07ರಚನಾತ್ಮಕ ಔಟ್‌ಪುಟ್ ಮತ್ತು ಮೂರು API ಶೈಲಿಗಳು
K2.6 json_schema (ಕಠಿಣ ಸ್ಕೀಮಾ-ನಿರ್ಬಂಧಿತ ಜನರೇಶನ್) ಮತ್ತು ಸಡಿಲ response_format ಎರಡನ್ನೂ ಬೆಂಬಲಿಸುತ್ತದೆ. ಅದನ್ನು ಕ್ಯಾಟಲಾಗ್‌ಗೆ ಎದುರಾಗಿ ಪರಿಶೀಲಿಸಿ: ಇಲ್ಲಿನ ಹನ್ನೆರಡು ಮಾಡೆಲ್‌ಗಳಲ್ಲಿ ಎರಡು ಕಠಿಣ ಸ್ಕೀಮಾ ಔಟ್‌ಪುಟ್ ಬೆಂಬಲಿಸುವುದಿಲ್ಲ, ಮತ್ತು ನಿಮ್ಮ ಮುಂದಿನ ಪೈಪ್‌ಲೈನ್ ಹಂತ JSON ಪಾರ್ಸ್ ಮಾಡುತ್ತಿದ್ದರೆ, ಆ ಕಾಲಮ್ ಐಚ್ಛಿಕವಲ್ಲ.
ಕಠಿಣ ಸ್ಕೀಮಾ ಔಟ್‌ಪುಟ್ ಸೆನ್ಸಾರ್ ರಹಿತ ಮಾಡೆಲ್ ಅನ್ನು ಮೂಲಸೌಕರ್ಯವಾಗಿ ಬಳಸಬಹುದಾಗಿಸುತ್ತದೆ: ಮಾಡೆಲ್ ನಿಮ್ಮ ಸ್ಕೀಮಾಗೆ ಹೊಂದುವ ಆಬ್ಜೆಕ್ಟ್ ಹೊರಸೂಸಬೇಕಾದರೆ, ಅದು ಬೇರೆ ಏನು ಹೇಳುತ್ತಿತ್ತೋ ಅದರಿಂದ ಸ್ವತಂತ್ರವಾದ ಪಾರ್ಸ್ ಗ್ಯಾರಂಟಿ ನಿಮಗೆ ಸಿಗುತ್ತದೆ — ಪೀಠಿಕೆ ಇಲ್ಲ, ಕ್ಷಮೆ ಇಲ್ಲ, ನಿಮ್ಮ JSON ಸುತ್ತ ಪ್ಯಾರಾಗ್ರಾಫ್ ಇಲ್ಲ. ನಿರಾಕರಣೆ ಪದರ ಇಲ್ಲದಿರುವುದರ ಜೊತೆ ಸೇರಿಸಿದಾಗ, ಅದು ಪ್ರತಿ ಕರೆಗೂ, ಪ್ರತಿ ದಾಖಲೆಗೂ, ಆ ದಾಖಲೆ ಏನೇ ಆಗಿದ್ದರೂ ನಿಮ್ಮ ಆಬ್ಜೆಕ್ಟ್ ಹಿಂತಿರುಗಿಸುವ ಹೊರತೆಗೆಯುವಿಕೆ ಎಂಡ್‌ಪಾಯಿಂಟ್.
| ಮೇಲ್ಮೈ | Kimi-K2.6 ಬೆಂಬಲ | ಟಿಪ್ಪಣಿಗಳು |
|---|---|---|
| /v1/chat/completions | ಹೌದು | OpenAI ಶೈಲಿ — ಇರುವ SDK ಗಳಿಗೆ ಡ್ರಾಪ್-ಇನ್ |
| /v1/messages | ಹೌದು | Anthropic ಶೈಲಿ — ಅದೇ ಮಾಡೆಲ್, ಅದೇ ವೈಟ್ಸ್ |
| /v1/responses | ಹೌದು | Responses-ಶೈಲಿಯ ಇಂಟರ್‌ಫೇಸ್ |
| ಸ್ಟ್ರೀಮಿಂಗ್ | ಹೌದು | ಎಲ್ಲಾ ಮೂರು ಶೈಲಿಗಳಲ್ಲಿ |
| ಟೂಲ್ ಕಾಲಿಂಗ್ | ಹೌದು | ಸ್ಥಳೀಯ, JSON-schema ಟೂಲ್ ವ್ಯಾಖ್ಯಾನಗಳು |
| json_schema | ಹೌದು | ಕಠಿಣ ರಚನಾತ್ಮಕ ಔಟ್‌ಪುಟ್ |
| response_format | ಹೌದು | ಸಡಿಲ JSON ಮೋಡ್ |
| reasoning_effort | ಹೌದು | ಪ್ರತಿ ಕರೆಗೆ ಆಲೋಚನಾ ಬಜೆಟ್ ಟ್ಯೂನ್ ಮಾಡಿ |
| ದೃಷ್ಟಿ ಇನ್‌ಪುಟ್ | ಹೌದು | ಪಠ್ಯದ ಜೊತೆ ಚಿತ್ರಗಳು |
ಎಲ್ಲಾ ಮೂರು ಶೈಲಿಗಳೂ ಅದೇ ಕ್ಲಸ್ಟರ್‌ನಲ್ಲಿ ಅದೇ ವೈಟ್ಸ್ ಅನ್ನು ವಿಳಾಸ ಮಾಡುತ್ತವೆ. ಇರುವ OpenAI ಕ್ಲೈಂಟ್ ಅನ್ನು ಬೇಸ್ URL ಗೆ ತೋರಿಸಿ, model ಅನ್ನು Kimi-K2.6-W4A16-AUTOROUND-REAP ಗೆ ಸೆಟ್ ಮಾಡಿ, ನೀವು ಚಲಾಯಿಸುತ್ತಿದ್ದೀರಿ. ವಿನಂತಿ ಮತ್ತು ಪ್ರತಿಕ್ರಿಯೆ ಆಕಾರಗಳು, ಸ್ಟ್ರೀಮಿಂಗ್ ಸೆಮ್ಯಾಂಟಿಕ್ಸ್ ಮತ್ತು ಲೈವ್ ಪ್ಲೇಗ್ರೌಂಡ್ API ದಾಖಲಾತಿಯಲ್ಲಿವೆ.
08Kimi K2.6 ತಪ್ಪಾದ ಆಯ್ಕೆಯಾಗಿರುವ ಸ್ಥಳ
ಬರೀ ಬಲಗಳನ್ನು ಪಟ್ಟಿ ಮಾಡುವ ಮಾಡೆಲ್ ಗೈಡ್ ಒಂದು ಜಾಹೀರಾತು. ನಾವು ನಿಮ್ಮನ್ನು ಬೇರೆಡೆ ಕಳುಹಿಸುವ ಸ್ಥಳ ಇಲ್ಲಿದೆ.
- ಒಂಟಿ ಕಠಿಣ ಪಾಸ್‌ನಲ್ಲಿ ನಿಮಗೆ ಪರಮ ಸೀಲಿಂಗ್ ಬೇಕು. Kimi-K3 ಗೆ ಹೋಗಿ 5x ಪಾವತಿಸಿ. ಅದಕ್ಕಾಗಿಯೇ ಅದು.
- ನಿಮಗೆ ಪಿಕ್ಸೆಲ್-ನಿಖರ ದೃಶ್ಯ ಗ್ರೌಂಡಿಂಗ್ ಬೇಕು. ಬೌಂಡಿಂಗ್ ಬಾಕ್ಸ್‌ಗಳು, ಕೆಳಗಿಳಿದ ಸ್ಕ್ಯಾನ್‌ಗಳ ಮೇಲೆ ದಟ್ಟ OCR ಮತ್ತು ಗಿಜಿಗುಟ್ಟುವ ದೃಶ್ಯಗಳಲ್ಲಿ ನಿಖರ ಎಣಿಕೆ ಇದರ ಬಲಿಷ್ಠ ನೆಲೆ ಅಲ್ಲ — ಮೊದಲು ನಿಮ್ಮ ಡೇಟಾದ ಮೇಲೆ ಪರೀಕ್ಷಿಸಿ.
- ದೃಷ್ಟಿ ಇಲ್ಲದೆ ಅಗ್ಗಕ್ಕಿಂತ ಅಗ್ಗ ಬೇಕು. ಹಲವಾರು ಕ್ಯಾಟಲಾಗ್ ಮಾಡೆಲ್‌ಗಳು $0.50 / $2.00 ನಲ್ಲಿ ಕುಳಿತಿವೆ. K2.6 ಯ ಪ್ರೀಮಿಯಂ ದೃಷ್ಟಿ ಮತ್ತು Kimi ಏಜೆಂಟಿಕ್ ಪ್ರೊಫೈಲ್ ಖರೀದಿಸುತ್ತದೆ; ನಿಮಗೆ ಎರಡೂ ಬೇಡವಾದರೆ, ಅಗ್ಗದ ಶ್ರೇಣಿ ತೆಗೆದುಕೊಳ್ಳಿ.
- ಒಂದೇ ಪ್ರತಿಕ್ರಿಯೆಯಲ್ಲಿ ನಿಮಗೆ 16,384 ಗಿಂತ ಹೆಚ್ಚು ಔಟ್‌ಪುಟ್ ಟೋಕನ್‌ಗಳು ಬೇಕು. ಆ ಸೀಲಿಂಗ್ ಇಡೀ ಕ್ಯಾಟಲಾಗ್‌ಗೆ ಅನ್ವಯಿಸುತ್ತದೆ — ದೀರ್ಘ ದಾಖಲೆಗಳಿಗೆ ನೀವು ಯಾವ ಮಾಡೆಲ್ ಆಯ್ಕೆ ಮಾಡಿದರೂ ಚಂಕ್ ಮಾಡಿದ ಜನರೇಶನ್ ಬೇಕು.
- ನಿಮಗೆ ಬಿಟ್-ನಿಖರ ಅಪ್‌ಸ್ಟ್ರೀಮ್ ವರ್ತನೆ ಬೇಕು. ಇದು ಪ್ರೂನ್ ಮಾಡಿ ಕ್ವಾಂಟೈಸ್ ಮಾಡಿದ ಬಿಲ್ಡ್: ಉದ್ದೇಶಪೂರ್ವಕ, ಪ್ರಕಟಿತ ಟ್ರೇಡ್. ಪುನರುತ್ಪಾದನಾ ಅಧ್ಯಯನಕ್ಕೆ, Moonshot ನ ಮೂಲ ವೈಟ್ಸ್ ಎದುರು ಚಲಾಯಿಸಿ.
ಇಲ್ಲಿನ ಪ್ರತಿ ಅಪ್‌ಸ್ಟ್ರೀಮ್ ಅಂಕಿ Moonshot AI ಅಥವಾ ಸ್ವತಂತ್ರ ಸಂಶೋಧಕರು ಪ್ರಕಟಿಸಿದ್ದು. ನಮ್ಮ ಸ್ವಂತ ಸಂಖ್ಯೆಗಳು — ಬೆಲೆ, ಸಂದರ್ಭ, ಗರಿಷ್ಠ ಔಟ್‌ಪುಟ್, ಸಾಮರ್ಥ್ಯ ಫ್ಲ್ಯಾಗ್‌ಗಳು — ನೀವೇ ಕ್ವೆರಿ ಮಾಡಬಹುದಾದ ಲೈವ್ /v1/models ಎಂಡ್‌ಪಾಯಿಂಟ್‌ನಿಂದ ನೇರವಾಗಿ ಬರುತ್ತವೆ. ಎರಡನ್ನೂ ಪರಿಶೀಲಿಸಿ.
Kimi K2.6 ಮತ್ತು K3 ವಾಸ್ತುಶಿಲ್ಪ, ಬೆಂಚ್‌ಮಾರ್ಕ್ ಮತ್ತು ಬಿಡುಗಡೆ-ದಿನಾಂಕ ಅಂಕಿಗಳು Moonshot-ವರದಿ ಮಾಡಿದವು ಮತ್ತು ಅಪ್‌ಸ್ಟ್ರೀಮ್ ಫೌಂಡೇಶನ್‌ಗಾಗಿ ತೋರಿಸಲಾಗಿದೆ, ನಮ್ಮ ಸಂಕುಚಿತ ಬಿಲ್ಡ್‌ಗಾಗಿ ಅಲ್ಲ. ಮಲ್ಟಿಮೋಡಲ್ ರ‍್ಯಾಂಕಿಂಗ್ ಅಂಕಿ ಸ್ವತಂತ್ರ ಮೂರನೇ-ಪಕ್ಷದ ಲೀಡರ್‌ಬೋರ್ಡ್‌ನಿಂದ. Shannon ಗೇಟ್‌ವೇ ಬೆಲೆಗಳು ಸೆಪ್ಟೆಂಬರ್ 5, 2026 ರ ಪ್ರಕಾರ ಪಟ್ಟಿ ಬೆಲೆಗಳು.
09ಪದೇ ಪದೇ ಕೇಳಲಾಗುವ ಪ್ರಶ್ನೆಗಳು
ಸೆನ್ಸಾರ್ ರಹಿತ Kimi K2 API ಇದೆಯೇ?
ಹೌದು. Shannon AI ತನ್ನದೇ GPU ಕ್ಲಸ್ಟರ್‌ನಲ್ಲಿ Kimi-K2.6 ಅನ್ನು ಸೆನ್ಸಾರ್ ರಹಿತ ಎಂಡ್‌ಪಾಯಿಂಟ್ ಆಗಿ ಸೇವೆ ನೀಡುತ್ತದೆ: ಮಾಡೆಲ್‌ನ ಮುಂದೆ ಯಾವುದೇ ನಿರಾಕರಣೆ ಪದರ ಇಲ್ಲ ಮತ್ತು ಅದರ ಔಟ್‌ಪುಟ್‌ಗೆ ಯಾವುದೇ ಕಂಟೆಂಟ್ ಫಿಲ್ಟರಿಂಗ್ ಅನ್ವಯಿಸುವುದಿಲ್ಲ. ನಿಮಗೆ ಫೌಂಡೇಶನ್‌ನ ಸ್ವಂತ ವರ್ತನೆ ಸಿಗುತ್ತದೆ, 262,144-ಟೋಕನ್ ಸಂದರ್ಭ ವಿಂಡೋ, ದೃಷ್ಟಿ ಇನ್‌ಪುಟ್ ಮತ್ತು ಸ್ಥಳೀಯ ಟೂಲ್ ಕಾಲಿಂಗ್ ಜೊತೆ.
ಸೆನ್ಸಾರ್ ರಹಿತ Kimi K2.6 API ಎಷ್ಟು ವೆಚ್ಚವಾಗುತ್ತದೆ?
Kimi-K2.6 ಪ್ರತಿ ಮಿಲಿಯನ್ ಇನ್‌ಪುಟ್ ಟೋಕನ್‌ಗೆ $0.78 ಮತ್ತು ಪ್ರತಿ ಮಿಲಿಯನ್ ಔಟ್‌ಪುಟ್ ಟೋಕನ್‌ಗೆ $3.67. 40K ಇನ್‌ಪುಟ್ ಮತ್ತು 2K ಔಟ್‌ಪುಟ್‌ನ ಸಾಮಾನ್ಯ ಏಜೆಂಟ್ ಹಂತ ಸುಮಾರು 3.9 ಸೆಂಟ್ ವೆಚ್ಚವಾಗುತ್ತದೆ; 200-ಹಂತದ ಸ್ವಾಯತ್ತ ರನ್ ಸುಮಾರು $7.71 ವೆಚ್ಚವಾಗುತ್ತದೆ.
Shannon AI ನಲ್ಲಿ Kimi K2.6 ದೃಷ್ಟಿ ಬೆಂಬಲಿಸುತ್ತದೆಯೇ?
ಹೌದು. Kimi-K2.6 ಪಠ್ಯದ ಜೊತೆಗೆ ಚಿತ್ರ ಇನ್‌ಪುಟ್ ಅನ್ನು ಒಪ್ಪಿಕೊಳ್ಳುತ್ತದೆ. ಇದು Shannon ಕ್ಯಾಟಲಾಗ್‌ನಲ್ಲಿ ದೃಷ್ಟಿ-ಸಮರ್ಥ ನಾಲ್ಕು ಮಾಡೆಲ್‌ಗಳಲ್ಲಿ ಒಂದು, ಮತ್ತು ಪ್ರತಿ ಮಿಲಿಯನ್ ಇನ್‌ಪುಟ್ ಟೋಕನ್‌ಗೆ ಒಂದು ಡಾಲರ್‌ಗಿಂತ ಕಡಿಮೆಯಲ್ಲಿ ದೃಷ್ಟಿಯನ್ನು Kimi ಏಜೆಂಟಿಕ್ ವಂಶಾವಳಿಯೊಂದಿಗೆ ಜೋಡಿಸುವ ಏಕೈಕದ್ದು.
ನಾನು Kimi K2.6 ಅಥವಾ Kimi K3 ಬಳಸಬೇಕೇ?
Kimi K3 ಒಂದು ದೊಡ್ಡ ಫೌಂಡೇಶನ್‌ಗಾಗಿ ಸುಮಾರು 5 ಪಟ್ಟು ಹೆಚ್ಚು ($3.83/$19.12 ಎದುರಾಗಿ $0.78/$3.67) ವೆಚ್ಚವಾಗುತ್ತದೆ. ಒಂದು ಕಠಿಣ ರೀಸನಿಂಗ್ ಪಾಸ್ ಮೊದಲ ಬಾರಿಗೆ ಯಶಸ್ವಿಯಾಗಬೇಕಿದ್ದು ಮರುಪ್ರಯತ್ನ ದುಬಾರಿಯಾಗಿದ್ದಾಗ K3 ಆಯ್ಕೆ ಮಾಡಿ. ಪ್ರಮಾಣಕ್ಕಾಗಿ K2.6 ಆಯ್ಕೆ ಮಾಡಿ: ದೀರ್ಘ ಏಜೆಂಟ್ ಲೂಪ್‌ಗಳು, ಚಿತ್ರ ಪೈಪ್‌ಲೈನ್‌ಗಳು, ಹೊರತೆಗೆಯುವಿಕೆ, ಮತ್ತು ನೀವು ಸಾವಿರಾರು ಬಾರಿ ಚಲಾಯಿಸುವ ಯಾವುದೇ ಕೆಲಸ, ಅಲ್ಲಿ 5 ಪಟ್ಟು ಕಾರ್ಯಸಾಧ್ಯ ಮತ್ತು ಅಲ್ಲದ ನಡುವಿನ ವ್ಯತ್ಯಾಸ.
ಸೆನ್ಸಾರ್ ರಹಿತ Kimi K2 API ಟೂಲ್ ಕಾಲಿಂಗ್ ಮತ್ತು JSON schema ಬೆಂಬಲಿಸುತ್ತದೆಯೇ?
ಎರಡಕ್ಕೂ ಹೌದು. Kimi-K2.6 ಎಲ್ಲಾ ಮೂರು API ಶೈಲಿಗಳಾದ್ಯಂತ ಸ್ಥಳೀಯ ಟೂಲ್ ಕಾಲಿಂಗ್, ಕಠಿಣ json_schema ರಚನಾತ್ಮಕ ಔಟ್‌ಪುಟ್ ಮತ್ತು response_format ಬೆಂಬಲಿಸುತ್ತದೆ: /v1/chat/completions, /v1/messages, ಮತ್ತು /v1/responses. ಸ್ಟ್ರೀಮಿಂಗ್ ಮತ್ತು reasoning_effort ಮೂರರಲ್ಲೂ ಬೆಂಬಲಿತ.
Kimi-K2.6 ಅನ್ನು ಸೆನ್ಸಾರ್ ರಹಿತವಾಗಿ ಚಲಾಯಿಸಿ
ದೃಷ್ಟಿ, ಟೂಲ್ ಕಾಲಿಂಗ್, 262K ಸಂದರ್ಭ. ಪ್ರತಿ ಮಿಲಿಯನ್ ಟೋಕನ್‌ಗೆ $0.78 ಇನ್ / $3.67 ಔಟ್.
API ದಾಖಲಾತಿ ಓದಿ ಎಲ್ಲಾ ಮಾಡೆಲ್‌ಗಳನ್ನು ಬ್ರೌಸ್ ಮಾಡಿಮಾಡೆಲ್ id: Kimi-K2.6-W4A16-AUTOROUND-REAP · ನಮ್ಮದೇ GPU ಕ್ಲಸ್ಟರ್‌ನಲ್ಲಿ ಸೇವೆ ನೀಡಲಾಗಿದೆ
Shannon AI ಅನ್ನು Shannon Lab LLC, ನ್ಯೂ ಮೆಕ್ಸಿಕೊ, USA ನಿರ್ವಹಿಸುತ್ತದೆ. ಮೂಲಗಳು: Moonshot AI — Kimi K2 · REAP the Experts (arXiv 2510.13999) · Cerebras Research — REAP. ಅಪ್‌ಸ್ಟ್ರೀಮ್ Kimi ಬೆಂಚ್‌ಮಾರ್ಕ್ ಅಂಕಿಗಳು Moonshot-ವರದಿ ಮಾಡಿದವು ಮತ್ತು ಸ್ವತಂತ್ರ ಪರಿಶೀಲನೆಗೆ ಬಾಕಿ ಇರುವ ಪ್ರಾಥಮಿಕವಾದವು; ಅವು ಸಂಕುಚಿತವಲ್ಲದ ಫೌಂಡೇಶನ್ ಅನ್ನು ವಿವರಿಸುತ್ತವೆ, Shannon ನ ಕ್ವಾಂಟೈಸ್ ಮಾಡಿದ ಬಿಲ್ಡ್ ಅನ್ನಲ್ಲ.