API ya Kimi K2 ya Bê Sansûr
Dîtin, bangkirina amûran a niştecih û pencereyeke 262K li ser bingehê ajanî yê trîlyon-parametreyî yê Moonshot — bê sansûr, bi $0.78 têketin / $3.67 derketin ji bo her mîlyon tokenan.
TL;DR
Kimi-K2.6 · W4A16-AUTOROUND-REAP asta nirxê ya malbata Kimi li ser dergehê Shannon e. Ew MoEya ajanî ya 1-trîlyon-parametreyî ya Moonshot AI e — ew model ku ji bo lûpên bikaranîna amûran ên dirêj hatiye avakirin — ku bê sansûr bi têketina dîtinê, bangkirina amûran a niştecih, derketina hişk a bi şemaya JSON û contexteke 262,144-tokenî tê xizmet kirin, bi $0.78 / $3.67 ji bo her mîlyon tokenan. Xwişka wê Kimi-K3 bi qasî 5 caran zêdetir dike. Beşa 04 hesabekî dilsoz e li ser wê ka ew 5 car kengî tiştekî ji te re dikire û kengî tiştekî nakire.
Piraniya rûpelên «modela erzan» bi rastî li ser modeleke biçûk in ku navê malbata modeleke mezin li xwe kiriye. Ev ne wisa ye. Kimi K2.6 bingehekê tam bi pîvana sînor e — trîlyonek parametreyên Mixture-of-Experts a seyrek, bi kodkerekî dîtinê yê niştecih û bernameyeke perwerdehiyê ya ku rasterast bikaranîna amûran a ajanî armanc dike. Tiştê ku wê dike asta nirxê ne mêjiyekî biçûktir e lê recipeyeke pêçandinê ya tundtir e. Loma pirs ne «ma têra xwe baş e?» ye lê «kîjan kar bi rastî cudahiya di navbera vê û xwişka wê ya 5-caran-bihatir de hîs dikin?» ye. Piraniya vê gotarê bersiva wê dide.
01Kimi K2.6 bi rastî çi ye?
Kimi K2.6 modeleke bi giraniyên vekirî ye ji Moonshot AI, laboratûwara Pekînê ya li piştî rêza Kimi, ku di 20ê Nîsana 2026 de hat berdan. Ew mîmariya ku K2 berbiçav kir mîras digire: transformerekê Mixture-of-Experts a seyrek bi bi qasî 1 trîlyon parametreyên giştî û bi qasî 32 mîlyar aktîv ji bo her tokenekê, ku wek 384 pispor, 8 rêkirî plus 1 hevpar ji bo her tebeqeyekê li seranserê 61 tebeqeyan hatiye rêxistin kirin, bi Multi-head Latent Attention. Tenê perçeyekî biçûk ê wî trîlyonî li ser her tokenekê dişewite — ku ev tam sedem e ku modeleke vê mezinahiyê dikare bi sentan were bihanîkirin.
Rêz girîng e ji ber wê ku Moonshot çi optîmîze kiriye. K2 ya orîjînal li ser bi qasî 15.5 trîlyon tokenan bi optîmîzerê Muon / MuonClip pêş-perwerdekirî bû, ku bi taybetî hatiye avakirin da ku nehêle MoEyeke trîlyon-parametreyî ji wan teqînên balê û lûtkeyên windahiyê êş bikişîne ku perwerdehiyê li wê pîvanê bêîstiqrar dikin; Moonshot ragihand ku li seranserê meşandinê tu bêîstiqrariya perwerdehiyê tune bû. Ev li jorî her tiştê din e — wê dihişt ku ew budceya perwerdehiyê li ser tevgera ajanî xerc bikin ne li ser vemirandina agir.
K2.6 wê di du aliyan de dirêj dike. Ya yekem, ew bi awayekî niştecih pir-modalî ye: wêne û çarçoveyên vîdyoyê bi rêya MoonViT derbas dibin, kodkerekî dîtinê yê ~400M-parametreyî ku wêneyekê li perçeyên 448x448 dabeş dike û her perçeyekê rasterast di fezaya tokenan a modela zimanî de projeksiyon dike — tokenên dîtinê di heman rêzê de ne wek her tiştê din, ne di kaptionerekî ve zeliqandî de ku modeleke kor xwedî dike. Ya duyem, ew ji bo orkestrasyona kûr hatiye avakirin: karê Agent Swarm yê Moonshot hevrêzkirina li seranserê heta 300 bin-ajanên pispor ên qadê û heta 4,000 gavên hevrêzkirî di meşandineke otonom a yekane de ragihîne.
Profîla benchmarkê ya ragihandî ya Moonshot
Ev jimarên ji aliyê Moonshot ve hatine ragihandin ji bo bingehê K2.6 yê nepêçandî ne, ne pîvandinên me. Ji bo şeklê bikêrhatî ne, ne ji bo rasttiyê:
Şeklê bixwîne, ne reqeman. Nirxên bikaranîna amûran û yên li ser lêgerînê bilind rûdinin; nirxên dijwariya safî nizmtir rûdinin. Ev îmzeya modeleke ye ku hatiye perwerdekirin ku baş tev bigere ne ku her tiştî zanibe — bazara rast heke ajanê te browserek, shellek û pergaleke fîleyan hebe, ya xelet heke tu pirseke dijwar a yekane bêyî amûran bikî.
02W4A16-AUTOROUND-REAP çi tê wateyê
Paşgira li ser nasnameya modelê ne xemilandin e. Ew recipeya pêçandinê ya tam e, ku hatiye weşandin da ku tu bikaribî li ser wê bazarê ku tu dikî hizir bikî.
- W4A16 — giranî li 4 bitan, aktîvasyon li 16an tên hesabkirin. Bîra giraniyan li hember bf16 bi qasî 4 caran dadikeve dema ku ew aritmetîka ku çewtiyê kom dike li rasttiya 16-bit dimîne. Ev xala xizmetkirinê ya standard a bi kalîteya bilind e ji bo modelên MoE yên pir mezin.
- AUTOROUND — quantizerê AutoRound yê Intelê. Gilorkirina sade ya ber bi ya nêzîk her giraniyekê bi serê xwe dihesibîne û agahiya ku model pê ve girêdayî bû davêje; AutoRound li şûna wê biryarên gilorkirinê li hember daneyên kalîbrasyonê fêr dibe. Li hedefeke 4-bit ev cudahiya di navbera modeleke ku hîn jî şemayekê dişopîne û yeke ku diherike de ye.
- REAP — Router-weighted Expert Activation Pruning, ji Cerebras Research (arXiv 2510.13999, ICLR 2026). Piraniya pisporên di MoEyekê de kêm caran tên rêkirin. REAP her yekê hem li ser nirxên dergehê routerê hem li ser normên aktîvasyona wê dinirxîne, paşê yên herî kêm berbiçav bi gavekê radike. Encama weşandî: heta 50% ya pisporan ji modelên trîlyon-parametreyî tên birrîn dema ku kalîteya bingehîn bi giranî tê parastin, û birrîn li ser karên çêkirinê ji tevlihevkirina pisporan çêtir e — tevlihevkirin pisporan bi hev re tar dike, birrîn tenê yên nebikaranîn davêje.
Bi wê rêzê hatiye sepandin — pêşî birrîn, paşê pêçandina ya ku dimîne — tu modeleke werdigirî ku cih digire û bilez dixebite bêyî wê hilweşîna kalîteyê ku dê her yek ji van teknîkan bi serê xwe li van rêjeyan bianiya. Ji bo eşkerebûna li ser lêçûnê: modeleke pêçandî bit-bi-bit wek ya orîjînal nîne. Tiştê ku recipe dikire ev e ku xerabûn li cihê ku tu bi îhtîmaleke mezin hîs nakî dikeve — riyên rêkirinê yên kêm, dûvikên tokenan ên bi îhtîmala nizm — ne di şopandina rênimayan, formatkirina bangkirina amûran, an pêkanîna şemayê de.
03«Bê sansûr» li ser vî endpointî çi tê wateyê
Bê sansûr li vir gotinek e li ser mîmariyê, ne li ser helwestê. Li ber modelê tu tebeqeya redkirinê tune û li ser derketina wê tu fîltrekirina naverokê nîne. Daxwaza te digihîje bingehê û bersiva wê digihîje te; tu tişt tu aliyekî napçirîne.
Ew cudahî girîng e, ji ber ku «bê sansûr» bi awayekî sist tê bikaranîn. Sê tiştên cuda di bin vê peyvê de tên komkirin:
- Klasîfîkasyona têketinê — modeleke cuda prompta te dixwîne û biryar dide ka wê derbas bike an na. Li vir nîne.
- Fîltrekirina derketinê — skenerek nivîsa çêkirî venakole û wê dibirre an diguherîne. Li vir nîne.
- Meylên bingehê bi xwe — çi ku modela bingehîn di perwerdehiyê de fêr bûye. Ew ya modelê ye, û em îdia nakin ku me ew jê birine.
Her du yên yekem ew tişt in ku pergalên hilberînê dişikînin, û ew her du ne ku em radikin. Klasîfîkerekî ku li ser 0.5% ya daxwazan dişewite rêjeyeke têkçûnê ya 0.5% e ku tu nikarî debug bikî, nikarî îtîraz bikî, û nikarî bibînî ku tê — û li seranserê lûpeke ajanî ya 200-gavî, têkçûneke 0.5% ya her-gavî di nav meşandineke ku ji serkeftinê bêtir têk diçe de kom dibe. Redkirinek di axaftinekê de aciziyek e; redkirinek li gava 147emîn a meşandineke otonom rewşa meşandinê hildiweşîne û her tiştê ku te ji bo gihîştina wir xerc kiriye dişewitîne. Ji bo karên ajanî, rakirina rûyê redkirinê taybetmendiyeke pêbaweriyê ye, ne tercîheke şêwazî.
Encama wê ev e ku berpirsiyarî diçe ser te. Di navbera sepana te û bikarhênerên te de tu tora ewlehiyê tune; heke berhema te yekê hewce dike, wê li cihê ku tu dikarî bibînî, eyar bikî û tomar bikî ava bike. Ji kerema xwe pêşî polîtîkaya bikaranîna berpirsiyar a me bixwîne.
04Kimi K2.6 li hember Kimi K3: 5 car kengî hêjayî ye?
Ev biryara ku piraniya xwendevanan ji bo wê hatine ye, loma li vir e bêyî çeper. Kimi-K3 · 3BIT-REAP bingehê mezintir û nûtir e: di 16ê Tîrmeha 2026 de hat ragihandin bi giraniyên vekirî di 27ê Tîrmehê de, bi bi qasî 2.8 trîlyon parametreyên giştî û bi qasî 104 mîlyar aktîv ji bo her tokenekê — ji 3 caran zêdetir hesabê aktîv ê K2.6. Li jor, Moonshot K3 bi qasî 5 caran bihayê K2.6 rêz dike, û bihayê dergehê me wê rêjeyê dişopîne.
| Kimi-K2.6 · W4A16-AUTOROUND-REAP | Kimi-K3 · 3BIT-REAP | |
|---|---|---|
| Têketin / 1M token | $0.78 | $3.83 |
| Derketin / 1M token | $3.67 | $19.12 |
| Pencereya contextê | 262,144 | 262,144 |
| Derketina herî zêde / daxwaz | 16,384 | 16,384 |
| Têketina dîtinê | Erê | Erê |
| Bangkirina amûran a niştecih | Erê | Erê |
| json_schema ya hişk | Erê | Erê |
| Bê sansûr | Erê | Erê |
| Parametreyên aktîv / token | ~32B | ~104B |
Li tiştê ku tablo nîşan nade binêre: tu rêzek tune ku K3 tê de taybetmendiyekê hebe ku K2.6 jê kêm be. Heman pencere, heman derketina herî zêde, heman dîtin, heman bangkirina amûran, heman derketina strukturkirî, heman helwesta bê sansûr, heman sê zarava. Ew 5 car tam yek tiştî dikire — kapasîteya xav ji bo her derbaseke pêş. Ew rastîn e, lê ew tewangeke yekane ye, û li ser wan tewangan ku ew ne astenga te ye tu tiştî nake.
Bi taybetî xala pencereya contextê
Li jor, taybetmendiya sernavê ya K3 contexteke 1M-tokenî ye li hember 262K ya K2.6. Li ser dergehê Shannon her du model li 262,144 tokenan tên xizmet kirin. Heke contexta dirêj sedema te bû ku tu 5 caran zêdetir bidî, ew sedem li vir nayê sepandin — tu yê premiumê bidî û heman pencereyê bistînî. Ev ew cure tişt e ku firoşkarek tê ceribandin ku wê negot, ku ev sedem e ku ew bi tîpên stûr e.
5 caran bide gava
- Divê yek gav bigire. Derbaseke dijwar a yekane ku tê de dubarekirin biha an ne mimkun e — kiryareke ku venagere, biryarek li dawiya lûleyeke dirêj. Parametreyên aktîv ên zêdetir ji bo her tokenekê tam ew tişt e ku tavanê li ser derbaseke yekane bilind dike.
- Kar bi zanînê ve girêdayî ye, ne bi amûran. Sentezeke kûr ku divê bersiv ji giraniyan derkeve. Profîla K2.6 ajanî ye; amûran jê bigire û bingehê mezintir xwe nîşan dide.
- Hejmar kêm e û rîsk bilind e. Li 500 bangan di mehekê de, 5 car $40 e li şûna $8. Tenê modela çêtir bikire.
5 caran nede gava
- Tu lûpekê dimeşînî. Meşandinên ajanî yên dirêj ji aliyê gavên mekanîkî ve serdest in — fîleyekê bixwîne, bang li amûrekê bike, encamekê kontrol bike, ya pêş hilbijêre — ku ev tam tişt e ku K2.6 ji bo wê hatiye perwerdekirin. Li 200 gavan ew 5 car $7.71 li hember $38.29 ji bo her meşandinekê ye.
- Tu wêneyan bi hejmara mezin pêvajo dikî. Karên dîtinê ji aliyê tokenên têketinê ve giran in û ramîna her hêmanekê kûr nîne. Li beşa 05 binêre; ne nêzîk e.
- Kar derxistin, klasîfîkasyon, an veguhastin e. Kişandina qadan ji belgeyan, rêkirina bilêtan, normalîzekirina tomaran, kurtkirin — karên sînordar ku tê de modeleke mezintir heman JSONê çêdike.
- Gaveke verîfîkasyonê ya te heye. Heke derketin tê kontrol kirin — komeke testan, verîfîkerekî şemayê, derbaseke duyem, mirovek — windakirinên carinan erzan in û aborî bi awayekî biryardar hejmara mezin tercîh dike. Ev argumana herî kêm-nirxandî ji bo asta nirxê ye.
Şablonek hêjayî binavkirinê: K2.6 ji bo lûpê û K3 ji bo biryarê bimeşîne. Bihêle ku modela ajanî ya erzan sed gavên komkirinê, bangkirinê û pêşnûmekirinê bike, paşê yek bangekî biha li ser sentezê dawî xerc bike. Her du model heman API bi heman pencereya contextê diaxivin, loma guhertin guhertineke yek-rêzî ya qada model e.
05Dîtin li bihayekî xebatê
Dîtin devê herî tûj ê K2.6 di vê katalogê de ye. Ji diwazdeh modelên bê sansûr ên li ser dergehê tenê çar bi giştî wêneyan qebûl dikin, û K2.6 ya tenê ye ku têketina wêneyan bi rêza ajanî ya Kimi re li jêrî dolarekî ji bo her mîlyon tokenên têketinê dicivîne.
Karên dîtinê şeklekî lêçûnê yê ne asayî hene. Li gorî şiroveya weşandî ya Moonshot ji bo MoonViT, wêneyekî 1024x1024 bo bi qasî 576 tokenên wêneyî tê kodkirin — û ew tokenên têketinê ne, aliyê erzan ê defterê. Karekî dîtinê yê tîpîk hema hema bi tevahî li ser rêjeya $0.78 dikeve ne ya $3.67. 10,000 wêneyan bigire, her yek bi ~200 tokenên promptê (loma ~776 tokenên têketinê) û ~150 tokenên derketina strukturkirî:
| Kar | Kimi-K2.6 | Kimi-K3 | Qat |
|---|---|---|---|
| Yek gava ajanî (40K têketin / 2K derketin) | $0.0385 | $0.1914 | 5.0x |
| Meşandineke otonom a 200-gavî | $7.71 | $38.29 | 5.0x |
| 10,000 wêne, derketina strukturkirî | $11.56 | $58.40 | 5.1x |
| Karê komî (1M têketin / 200K derketin) | $1.51 | $7.65 | 5.1x |
Ji bihayên lîsteyê yên dergehê Shannon hatine hesabkirin. Texmîna tokenên wêneyan jimara MoonViT ya weşandî ya Moonshot bikar tîne, ~576 token ji bo wêneyekî 1024x1024; tokenkirina rast li gorî rezolusyonê û rêjeya aliyan diguhere.
Lûleyeke wêneyan a $11.56 tiştek e ku tu rojane bêyî ku li ser bifikirî dimeşînî. Ya $58.40 tiştek e ku tu plan dikî, rewa dikî, û di dawiyê de dibirrî. Ew valahî temamê argumanê ye ji bo asteke nirxê.
Hişyariyeke dilsoz. Li ser lîsteyên serbixwe yên pir-modalî û karên bi bingeh, K2.6 li dora #26 ji 115 modelan, navînî nêzî 68.1 hatiye ragihandin — hêjayî rêzê, ne pêşengê polê. Dîtina wê li ser têgihiştina belgeyan, xwendina screenshot û navrûyan, û şirovekirina grafîk an diagraman bi rastî bihêz e; ew di bingehkirina fezayî ya rast de qelstir e — qutiyên sînordar ên rast, jimartina hûrgilî di dîmenên tevlihev de, OCRa dagirtî ya skenên xerabûyî. Heke tu cihkirineke bi rasttiya pîkselî hewce dikî, pêşî li ser daneyên xwe benchmark bike. Heke tu modeleke hewce dikî ku li screenshotekê binêre û biryar bide ka pêştir li ser çi bitikîne, ev rasterast amûra rast e.
06Bangkirina amûran a bê redkirin û lûpên ajanî
K2.6 piştgiriya bangkirina amûran a niştecih dike: model bangkirinên amûran ên strukturkirî rasterast ji pênaseyên amûran ên bi şemaya JSON ku tu didî derdixe, ne ku tê xapandin da ku nivîseke parsekirbar çêbike. Bi axaftina pir-dorî û promptên pergalê re, ev binyada tam e ji bo lûpeke ajanî.
Tiştê ku «bangkirina amûran a bê redkirin» lê zêde dike ji ya ku tê guhê te hûrtir e. Li ser API yeke fîltrekirî, redkirin di nav lûpeke ajanî de bi sê awayên têkçûnê yên cuda xuya dibin:
- Redkirina hişk — gav li şûna bangkirineke amûrekê nivîsekê vedigerîne, parser têk diçe, lûp dişkê. Herî kêm bi deng e.
- Redkirina nerm — bang tê kirin lê argument tên kêmkirin: pirseke teng kirî, parametreyeke bi çeper, barekî birrandî. Lûp bi rewşeke bi bêdengî xerabkirî berdewam dike û tu çar gav şûnda pê dihesî.
- Dûrketina pêşdibir — plan berî ku nêzîkî şaxekî meşrû bibe jê dûr dikeve. Tu vê carê tu carî nabînî; tu tenê planekî xerabtir werdigirî û tu şirove nîne.
Ya duyem û ya sêyem yên biha ne, ji ber ku ew nayên dîtin: tu çewtî, tiştek di logan de tune, tiştek tune ku were lêgerîn. Endpointekî bêyî tebeqeyeke redkirinê temamê wê polê radike — argumanên bangkirina amûran ên modelê argumanên bangkirina amûran ên modelê ne.
Ev herî zêde di wan qadan de girîng e ku meşandinên otonom ên dirêj hewce dikin û bi her awayî destê xwe li materyalê hesas didin: lêkolîna ewlehiyê û red-teaming, analîza malware û bûyeran, pêvajokirina belgeyên klînîkî, kifşkirina hiqûqî, û amûrên moderasyonê ku divê li ser wê naveroka ku moderasyon dikin hizir bikin. Avakirina klasîfîkerekî moderasyonê modeleke hewce dike ku amade be li tiştê ku klasîfîye dike binêre; ev ne paradoks e, ew tenê karê ye.
Notên pratîk ji bo meşandinên dirêj: reasoning_effort dihêle tu li ser gavên plansaziyê hizirkirineke zêdetir û li ser yên mekanîkî kêmtir xerc bikî. Streaming li ser her sê zaravayan heye, loma gaveke dirêj dikare pêşketinê nîşan bide an zû were rawestandin. Û 262,144 tokenên contextê rewşa xebatê ya rastîn digirin — naveroka fîleyan, encamên amûran ên berê, planekî domdar — ku li seranserê gelek gavan dimîne bêyî ku her dorekê ji nû ve were kurt kirin, ku ev bi xwe çavkaniyeke gelemperî ya şemitîna ajanan e.
07Derketina strukturkirî û sê zaravayên API
K2.6 piştgiriya hem json_schema (çêkirina bi şemayê hişk sînordar) hem jî response_format ya sisttir dike. Wê li hember katalogê kontrol bike: du ji diwazdeh modelên li vir piştgiriya derketina şemaya hişk nakin, û heke qonaxa lûleya te ya pêş JSONê parse bike, ew stûn ne bijartî ye.
Derketina şemaya hişk ew tişt e ku modeleke bê sansûr wek binesaziyekê bikêrhatî dike: heke divê model objeyekê derxîne ku bi şemaya te re li hev bike, tu garantiyeke parsekirinê werdigirî serbixwe ji tiştê ku ew wek din digot — tu pêşgotin, tu lêborîn, tu paragrafa ku li dora JSONa te pêçayî. Bi tu tebeqeya redkirinê re tevlihev bike, û ew endpointekî derxistinê ye ku li ser her bangekê, ji bo her belgeyekê, belge li ser çi be jî, objeya te vedigerîne.
| Rû | Piştgiriya Kimi-K2.6 | Not |
|---|---|---|
| /v1/chat/completions | Erê | Zaravayê OpenAI — bêguhertin ji bo SDKyên heyî |
| /v1/messages | Erê | Zaravayê Anthropic — heman model, heman giranî |
| /v1/responses | Erê | Navrûya bi şeklê Responses |
| Streaming | Erê | Li ser her sê zaravayan |
| Bangkirina amûran | Erê | Niştecih, pênaseyên amûran ên bi şemaya JSON |
| json_schema | Erê | Derketina strukturkirî ya hişk |
| response_format | Erê | Awayê JSON yê sisttir |
| reasoning_effort | Erê | Budceya hizirkirinê ji bo her bangekê eyar bike |
| Têketina dîtinê | Erê | Wêne ligel nivîsê |
Her sê zarava heman giraniyên li ser heman komê digirin. Clientekî OpenAI yê heyî li URLa bingehîn nîşan bike, model li Kimi-K2.6-W4A16-AUTOROUND-REAP saz bike, û tu dimeşî. Şeklên daxwaz û bersivê, semantîka streamingê û playgroundeke zindî di belgekirina API de ne.
08Li ku Kimi K2.6 bijartina xelet e
Rêbereke modelê ku tenê hêzan rêz dike reklam e. Li vir e ku em ê te bişînin cihekî din.
- Tu tavana mutleq li ser derbaseke dijwar a yekane hewce dikî. Here Kimi-K3 û 5 caran bide. Ew ji bo wê ye.
- Tu bingehkirina dîtbarî ya bi rasttiya pîkselî hewce dikî. Qutiyên sînordar, OCRa dagirtî ya li ser skenên xerabûyî û jimartina rast a di dîmenên tevlihev de ne erdê wê yê herî bihêz e — pêşî li ser daneyên xwe test bike.
- Tu ji erzan erzantir hewce dikî, bêyî dîtinê. Çend modelên katalogê li $0.50 / $2.00 rûdinin. Premiuma K2.6 dîtinê û profîla ajanî ya Kimi dikire; heke tu ne vê ne wê hewce dikî, asta erzantir bigire.
- Tu di bersiveke yekane de ji 16,384 tokenên derketinê zêdetir hewce dikî. Ew tavan li seranserê tevahiya katalogê tê sepandin — belgeyên dirêj çêkirineke parçekirî hewce dikin, tu kîjan modelê hilbijêrî.
- Tu tevgereke bit-bi-bit a jorîn dixwazî. Ev avakirineke birrandî û quantizekirî ye: bazareke bi mebest û weşandî. Ji bo lêkolîneke ji-nû-ve-çêkirinê, li hember giraniyên orîjînal ên Moonshot bimeşîne.
Her jimareke jorîn a li vir ji aliyê Moonshot AI an ji aliyê lêkolînerên serbixwe ve hatiye weşandin. Jimarên me bi xwe — biha, context, derketina herî zêde, alayên kapasîteyê — rasterast ji endpointê zindî yê /v1/models tên ku tu dikarî bi xwe pirs bikî. Her duyan kontrol bike.
Jimarên mîmarî, benchmarkê û tarîxa berdanê yên Kimi K2.6 û K3 ji aliyê Moonshot ve hatine ragihandin û ji bo bingehê jorîn tên nîşandan, ne ji bo avakirina me ya pêçandî. Jimara rêzkirina pir-modalî ji lîsteyeke serbixwe ya aliyê sêyem e. Bihayên dergehê Shannon bihayên lîsteyê ne heta 5ê Îlona 2026.
09Pirsên ku pir tên kirin
Ma API yeke Kimi K2 ya bê sansûr heye?
Erê. Shannon AI Kimi-K2.6 wek endpointekî bê sansûr li ser koma GPU ya xwe xizmet dike: li ber modelê tu tebeqeya redkirinê tune û li ser derketina wê tu fîltrekirina naverokê nayê sepandin. Tu tevgera bingehê bi xwe werdigirî, bi pencereyeke context a 262,144-tokenî, têketina dîtinê, û bangkirina amûran a niştecih.
API ya Kimi K2.6 ya bê sansûr çiqas dike?
Kimi-K2.6 $0.78 ji bo her mîlyon tokenên têketinê û $3.67 ji bo her mîlyon tokenên derketinê ye. Gaveke ajanî ya tîpîk a 40K têketin û 2K derketin bi qasî 3.9 sentan dike; meşandineke otonom a 200-gavî bi qasî $7.71 dike.
Ma Kimi K2.6 li ser Shannon AI piştgiriya dîtinê dike?
Erê. Kimi-K2.6 têketina wêneyan ligel nivîsê qebûl dike. Ew yek ji tenê çar modelên bi kapasîteya dîtinê yên di kataloga Shannon de ye, û ya tenê ye ku dîtinê bi rêza ajanî ya Kimi re li jêrî dolarekî ji bo her mîlyon tokenên têketinê dicivîne.
Ma divê ez Kimi K2.6 bikar bînim an Kimi K3?
Kimi K3 bi qasî 5 caran zêdetir dike ($3.83/$19.12 li hember $0.78/$3.67) ji bo bingehekê mezintir. K3 hilbijêre gava derbaseke ramanê ya dijwar a yekane divê cara yekem bigire û dubarekirin biha be. K2.6 ji bo hejmara mezin hilbijêre: lûpên ajanî yên dirêj, lûleyên wêneyan, derxistin, û her tiştê ku tu bi hezaran caran dimeşînî, li cihê ku 5 car cudahiya di navbera mimkun û ne mimkun de ye.
Ma API ya Kimi K2 ya bê sansûr piştgiriya bangkirina amûran û şemaya JSON dike?
Erê ji bo her duyan. Kimi-K2.6 piştgiriya bangkirina amûran a niştecih, derketina strukturkirî ya hişk a json_schema, û response_format dike, li seranserê her sê zaravayên API: /v1/chat/completions, /v1/messages, û /v1/responses. Streaming û reasoning_effort li ser her sêyan tên piştgirî kirin.
Kimi-K2.6 bê sansûr bimeşîne
Dîtin, bangkirina amûran, contexta 262K. $0.78 têketin / $3.67 derketin ji bo her mîlyon tokenan.
Belgekirina API Bixwîne Li Hemû Modelan BigereNasnameya modelê: Kimi-K2.6-W4A16-AUTOROUND-REAP · li ser koma GPU ya me bi xwe tê xizmet kirin
Shannon AI ji aliyê Shannon Lab LLC, New Mexico, DYA ve tê xebitandin. Çavkanî: Moonshot AI — Kimi K2 · REAP the Experts (arXiv 2510.13999) · Cerebras Research — REAP. Jimarên benchmarkê yên Kimi yên jorîn ji aliyê Moonshot ve hatine ragihandin û heta verîfîkasyona serbixwe demkî ne; ew bingehê nepêçandî şirove dikin, ne avakirina quantizekirî ya Shannon.