Onzenséiert Kimi-K2-API
Vision, natiivt Tool-Calling an e Fënster vun 262K op dem Moonshot senger agentescher Basis mat enger Billioun Parameter — onzenséiert, fir $0.78 eran / $3.67 eraus pro Millioun Token.
Kuerz gesot
Kimi-K2.6 · W4A16-AUTOROUND-REAP ass d'Wäertstuf vun der Kimi-Famill um Shannon-Gateway. Et ass dem Moonshot AI säin agenteschen MoE mat enger Billioun Parameter — de Modell fir laang Tool-Notzungsschleefen gebaut — onzenséiert servéiert mat Billerinput, natiivem Tool-Calling, strengem Output no JSON-Schema an engem Kontext vun 262,144 Token, fir $0.78 / $3.67 pro Millioun Token. Säi Geschwëster Kimi-K3 kascht ronn 5× méi. Sektioun 04 ass e éierlecht Konto doriwwer, wéini dat 5-facht dir eppes bréngt a wéini näischt.
Déi meescht Säiten iwwer „bëlleg Modeller“ handelen a Wierklechkeet vun engem klenge Modell deen de Familljennumm vun engem groussen dréit. Dës hei net. Kimi K2.6 ass eng voll Basis op Spëtzegréisst — eng Billioun Parameter spuersamt Mixture-of-Experts, mat engem natiive Vision-Encoder an engem Trainingsprogramm deen direkt op agentesch Tool-Notzung zielt. Wat et zur Wäertstuf mécht ass keen méi klengen Hier, mä e méi aggressivt Kompressiounsrezept. D'Fro ass also net „ass en gutt genuch?“, mä „wéi eng Aufgabe mierken tatsächlech den Ënnerscheed tëscht dësem a sengem 5× méi deiere Geschwëster?“. De gréissten Deel vun dësem Artikel äntwert dat.
01Wat ass Kimi K2.6 wierklech?
Kimi K2.6 ass en Open-Weights-Modell vu Moonshot AI, dem Pekinger Labo hannert der Kimi-Serie, den 20. Abrëll 2026 erauskomm. Et ierft d'Architektur déi K2 bemierkenswäert gemaach huet: e spuersamen Mixture-of-Experts-Transformer mat ronn 1 Billioun Parameter total an ongeféier 32 Milliarden aktiv pro Token, organiséiert als 384 Experten, 8 geroutet plus 1 gedeelt pro Schicht iwwer 61 Schichten, mat Multi-head Latent Attention. Nëmmen e klengen Deel vun där Billioun feiert bei engem gegebene Token — a genee dofir kann e Modell an där Gréisst a Cent bepräist ginn.
D'Ofstamung zielt wéinst deem, wourop de Moonshot optiméiert huet. Den originalen K2 gouf op ronn 15.5 Billiounen Token mam Optimeierer Muon / MuonClip virtrainéiert, extra gebaut fir e MoE mat enger Billioun Parameter virun den Attention-Explosiounen a Verloschtspëtzen ze schützen déi d'Training an där Gréisst destabiliséieren; de Moonshot huet iwwer de ganze Laf Null Trainingsinstabilitéit bericht. Dat läit alles anerem viraus — et huet hinnen erlaabt, de Trainingsbudget op agentescht Verhalen auszeginn amplaz op d'Feierläschen.
K2.6 verlängert dat an zwou Richtungen. Als éischt ass et natiiv multimodal: d'Biller a Videobiller ginn duerch MoonViT, e Vision-Encoder mat ~400M Parameter deen e Bild a 448x448-Kachele opdeelt an all Kachel direkt an de Tokenraum vum Sproochmodell projizéiert — d'visuell Token sëtzen an der selwechter Sequenz wéi alles anescht an net an engem ugeschraubte Beschrëfter deen e bline Modell fiddert. Zweetens ass et fir Orchestréierung an d'Déift gebaut: dem Moonshot seng Aarbecht zum Agent Swarm bericht Koordinatioun iwwer bis zu 300 fachspezialiséiert Ënneragenten a bis zu 4,000 koordinéiert Schrëtt an engem eenzegen autonome Laf.
Dem Moonshot säi berichte Benchmarkprofil
Dat si vum Moonshot berichte Zuele fir déi onkompriméiert K2.6-Basis, a keng Miessunge vun eis. Nëtzlech fir d'Form, net fir d'Präzisioun:
Lies d'Form an net d'Zifferen. D'Punkte bei der Tool-Notzung a bei sichgedriwwener Aarbecht leien héich; d'Punkte fir reng Schwieregkeet leien méi déif. Dat ass d'Ënnerschrëft vun engem Modell dee geléiert huet gutt ze handelen an net alles ze wëssen — den richtegen Tosch, wann däin Agent e Browser, eng Shell an e Fichierssystem huet, de falschen, wann s du eng eenzeg schwéier Fro ouni Tools stells.
02Wat W4A16-AUTOROUND-REAP heescht
De Suffix un der Modell-Id ass keng Dekoratioun. Et ass dat genee Kompressiounsrezept, publizéiert sou datt s du den Tosch duerchdenke kanns deen s du méchs.
- W4A16 — d'Gewiichter mat 4 Bit, d'Aktivéierunge mat 16 gerechent. De Gewiichtspäicher fält ronn 4× géint bf16, wärend d'Rechnerei déi de Feeler ukumuléiert bei 16-Bit-Präzisioun bleift. Dat ass de Standardpunkt vun héijer Qualitéit fir d'Servéiere vu ganz groussen MoE-Modeller.
- AUTOROUND — dem Intel säin AutoRound-Quantiséierer. Naiivt Ronne op de nächste Wäert behandelt all Gewiicht fir sech a geheit Informatioun ewech op déi de Modell sech gestäipt huet; AutoRound léiert d'Rondungsentscheedungen amplaz géint Kalibréierungsdaten. Bei engem 4-Bit-Zil ass dat den Ënnerscheed tëscht engem Modell deen nach engem Schema follegt an engem deen ofdrift.
- REAP — Router-weighted Expert Activation Pruning, vu Cerebras Research (arXiv 2510.13999, ICLR 2026). Déi meescht Experten an engem MoE kréien selten Trafic geroutet. REAP bewäert all een souwuel no senge Router-Gate-Wäerter wéi och no senge Aktivéierungsnormen, an huelt dann déi mannst salient an engem eenzege Schoss eraus. Dat publizéiert Resultat: bis zu 50 % vun den Experten aus Modeller mat enger Billioun Parameter geprunt, wouduerch d'Basisqualitéit gréisstendeels hält, an d'Prunen schléit d'Zesummeleeë vun Experten bei generativen Aufgaben — d'Zesummeleeë verwëscht Spezialisten, d'Prunen leet just déi onbenotzt fale.
An där Reiefolleg ugewannt — fir d'éischt prunen, dann quantiséieren wat iwwreg bleift — kriss du e Modell dee passt a séier leeft, ouni de Qualitéitskollaps deen all Technik fir sech bei dëse Verhältnisser géif verursaachen. Fir direkt iwwer d'Käschten ze schwätzen: e kompriméierte Modell ass net bitidentesch mam Original. Wat d'Rezept kaaft ass, datt den Ofbau do landt wou s du en onwahrscheinlech mierks — selten Routingweeër, Schwänz vun Token mat klenger Wahrscheinlechkeet — an net beim Instruktiounsfollegen, bei der Formatéierung vun Tool-Calls oder beim Anhale vun engem Schema.
03Wat „onzenséiert“ op dësem Endpunkt heescht
Onzenséiert ass hei eng Ausso iwwer d'Architektur an net iwwer d'Haltung. Et gëtt keng Refus-Schicht virum Modell a keng Inhaltsfilterung op sengem Output. Deng Ufro erreecht d'Basis a seng Äntwert erreecht dech; näischt fänkt eng vun de Richtungen of.
Deen Ënnerscheed zielt, well „onzenséiert“ locker benotzt gëtt. Dräi verschidde Saache ginn ënner dat Wuert gepaakt:
- Inputklassifikatioun — e separate Modell liest däi Prompt an entscheet ob en duerchgelooss gëtt. Hei net do.
- Outputfilterung — e Scanner kuckt de generéierten Text un a kierzt en oder ersetzt en. Hei net do.
- D'Basis hir eege Neigungen — wat de Grondmodell am Training geléiert huet. Dat gehéiert dem Modell, a mir behaapten net, mir hätten et ausgeläscht.
Déi éischt zwee sinn dat wat Produktiounssystemer futti mécht, an et sinn déi zwee déi mir ewechhuelen. E Klassifikateur dee bei 0.5 % vun den Ufroe feiert ass eng Feelerquot vun 0.5 % déi s du net debugge kanns, net uféchte kanns an net kommen gesäis — an iwwer eng Agenteschleef mat 200 Schrëtt kumuléiert sech e Feeler vun 0.5 % pro Schrëtt zu engem Laf dee méi dacks scheitert wéi datt en duerchkënnt. E Refus an enger Konversatioun ass en Ierger; e Refus um Schrëtt 147 vun engem autonome Laf zerstéiert de Zoustand vum Laf a verbrennt alles wat s du ausgi hues fir dohinner ze kommen. Bei Agent-Aarbechtslaaschten ass d'Ewechhuele vun der Refusfläch eng Zouverlässegkeetseegeschaft a keng stilistesch Preferenz.
De Folgesaz ass, datt d'Verantwortung op dech réckelt. Et gëtt kee Sécherheetsnetz tëscht denger Applikatioun an dengen Benotzer; wann däi Produkt eent brauch, da bau et do wou s du et gesäis, ofstëmme kanns a protokolléiere kanns. Lies wgl. als éischt eis Politik fir verantwortlech Notzung.
04Kimi K2.6 géint Kimi K3: wéini ass dat 5-facht et wäert?
Dat ass d'Entscheedung fir déi déi meescht Lieser komm sinn, also hei ass se ouni Ausflüchten. Kimi-K3 · 3BIT-REAP ass déi méi grouss, méi nei Basis: de 16. Juli 2026 ugekënnegt mat offene Gewiichter den 27. Juli, mat ronn 2.8 Billiounen Parameter total an ongeféier 104 Milliarden aktiv pro Token — méi wéi dat 3-facht vum K2.6 senger aktiver Rechnerei. Uewestrooms lëscht de Moonshot K3 zu ronn dem 5-fachen vum Präis vum K2.6, an eise Gateway-Präis follegt deem Verhältnis.
| Kimi-K2.6 · W4A16-AUTOROUND-REAP | Kimi-K3 · 3BIT-REAP | |
|---|---|---|
| Input / 1M Token | $0.78 | $3.83 |
| Output / 1M Token | $3.67 | $19.12 |
| Kontextfenster | 262,144 | 262,144 |
| Max. Output / Ufro | 16,384 | 16,384 |
| Billerinput | Jo | Jo |
| Natiivt Tool-Calling | Jo | Jo |
| Strenge json_schema | Jo | Jo |
| Onzenséiert | Jo | Jo |
| Aktiv Parameter / Token | ~32B | ~104B |
Kuck wat d'Tabell net weist: et gëtt keng Zeil wou K3 e Feature huet dee K2.6 feelt. Dat selwecht Fënster, dee selwechte maximalen Output, déiselwecht Vision, dat selwecht Tool-Calling, dee selwechte strukturéierten Output, déiselwecht onzenséiert Haltung, déi selwecht dräi Dialekter. Dat 5-facht kaaft genee eng Saach — reng Fäegkeet pro Virwäertspass. Dat ass real, mä et ass eng eenzeg Achs, an et mécht näischt op deenen Achsen wou et net däi Flaschenhals ass.
De Punkt zum Kontextfenster speziell
Uewestrooms ass dem K3 säin Haaptfeature e Kontext vun 1M Token géint dem K2.6 seng 262K. Um Shannon-Gateway ginn béid Modeller mat 262,144 Token servéiert. Wa laange Kontext däi Grond war dat 5-facht ze bezuelen, da gëllt dee Grond hei net — s du géifs den Opschlag bezuelen an datselwecht Fënster kréien. Dat ass déi Zort Saach déi en Ubidder verlockt ass net ze soen, an dofir steet se hei fett.
Bezuel dat 5-facht, wann
- Ee Schoss sëtze muss. E eenzege schwéiere Pass wou en Neiversuch deier oder onméiglech ass — eng onëmkéierbar Handlung, eng Entscheedung um Enn vun enger laanger Pipeline. Méi aktiv Parameter pro Token ass genee dat wat d'Ubierstgrenz vun engem Pass hieft.
- D'Aufgab u Wësse gebonnen ass an net un Tools. Déif Synthes wou d'Äntwert aus de Gewiichter kommen muss. Dem K2.6 säi Profil ass agentesch; huel d'Tools ewech an déi méi grouss Basis weist sech.
- De Volumen niddreg an den Asaz héich ass. Bei 500 Opruff am Mount sinn dat 5-facht $40 amplaz $8. Kaf einfach dee bessere Modell.
Bezuel dat 5-facht net, wann
- Du eng Schleef leefs. Laang agentesch Leef gi vu mechanesche Schrëtt dominéiert — eng Datei liesen, en Tool opruffen, e Resultat kontrolléieren, dat nächst wielen — an dat ass genee wofir K2.6 trainéiert gouf. Bei 200 Schrëtt sinn dat 5-facht $7.71 géint $38.29 pro Laf.
- Du Biller am Volumen veraarbechs. Vision-Aarbechtslaaschte si schwéier u Input-Token an d'Raisonnéiere pro Element ass flaach. Kuck Sektioun 05; et ass net knapp.
- D'Aufgab Extraktioun, Klassifikatioun oder Transformatioun ass. Felder aus Dokumenter zéien, Ticketen ëmleeden, Datesätz normaliséieren, zesummefaassen — agegrenzt Aufgabe wou e méi groussen Modell datselwecht JSON produzéiert.
- Du e Verifikatiounsschrëtt hues. Wann den Output kontrolléiert gëtt — eng Testsuite, e Schemavalidéierer, en zweete Pass, e Mënsch — da si geleeëntlech Feelschléi bëlleg an d'Ekonomie spriecht kloer fir de Volumen. Dat ass dat am meeschten ënnerschätzt Argument fir d'Wäertstuf.
E Muster dat een nenne soll: K2.6 fir d'Schleef a K3 fir den Uerteel. Looss de bëllegen agenteschen Modell déi honnert Schrëtt vum Sammelen, Opruffen an Entwerfe maachen, a gëff dann een deiere Opruff fir déi final Synthes aus. Béid Modeller schwätzen déi identesch API mam selwechte Kontextfenster, also ass d'Wiessele eng Ännerung vun enger Zeil um Feld model.
05Vision zu engem gaangbare Präis
Vision ass dem K2.6 seng schäerfst Kant an dësem Katalog. Vun den zwielef onzenséierte Modeller um Gateway huelen nëmme véier iwwerhaapt Biller un, a K2.6 ass deen eenzegen deen de Billerinput mat der agentescher Kimi-Ofstamung ënner engem Dollar pro Millioun Input-Token verbënnt.
Vision-Aarbechtslaaschten hunn eng ongewéinlech Käschteform. No dem Moonshot senger publizéierter Beschreiwung vu MoonViT gëtt e Bild vun 1024x1024 op ronn 576 Billertoken kodéiert — an dat sinn Input-Token, déi bëlleg Säit vum Bicherbuch. Eng typesch Vision-Aufgab landt bal ganz um Tarif vun $0.78 an net op deem vun $3.67. Huel 10,000 Biller, jee mat ~200 Token Prompt (also ~776 Input-Token) a ~150 Token strukturéiertem Output:
| Aarbechtslaascht | Kimi-K2.6 | Kimi-K3 | Faktor |
|---|---|---|---|
| Ee Agenteschrëtt (40K eran / 2K eraus) | $0.0385 | $0.1914 | 5.0x |
| Autonome Laf mat 200 Schrëtt | $7.71 | $38.29 | 5.0x |
| 10,000 Biller, strukturéierten Output | $11.56 | $58.40 | 5.1x |
| Batch-Job (1M eran / 200K eraus) | $1.51 | $7.65 | 5.1x |
Aus de Lëschtepräisser vum Shannon-Gateway gerechent. D'Schätzung vun de Billertoke benotzt dem Moonshot seng publizéiert MoonViT-Zuel vu ~576 Token fir e Bild vun 1024x1024; déi genee Tokeniséierung variéiert mat der Opléisung an dem Säiteverhältnis.
Eng Billerpipeline fir $11.56 ass eppes wat s du all Dag leefs ouni drun ze denken. Eng fir $58.40 ass eppes wat s du plangs, rechtfäerdegs, an um Enn strächs. Déi Lück ass dat ganzt Argument fir eng Wäertstuf.
En éierleche Virbehalt. Op onofhängege Ranglëschte fir multimodal a geerdet Aufgabe gouf K2.6 ronn op Plaz 26 vun 115 Modeller, mat engem Duerchschnëtt no bei 68.1 bericht — respektabel, net féierend an der Klass. Seng Vision ass wierklech staark beim Verständnis vun Dokumenter, beim Liese vu Screenshoten an Interfaces, a bei der Interpretatioun vu Grafiken a Schemaen; méi schwaach ass se bei präziser raimlecher Erdung — genee Begrenzungsrieder, feinkäregt Zielen a vollgestoppte Szenen, dichter OCR vu schlechte Scannen. Wann s du pixelgenau Lokaliséierung brauchs, benchmark als éischt op dengen eegenen Donnéeën. Wann s du e Modell brauchs deen e Screenshot ukuckt an entscheet wat en als nächst klickt, ass dat kloer dat richtegt Wierkzeug.
06Tool-Calling ouni Refus an agentesch Schleefen
K2.6 ënnerstëtzt natiivt Tool-Calling: de Modell gëtt strukturéiert Tool-Opruff direkt aus de JSON-Schema-Tooldefinitioune eraus déi s du liwwers, amplaz dozou iwwerriets ze ginn, parsbaren Text ze produzéieren. Zesumme mat Konversatioun iwwer méi Ronnen a Systemprompte ass dat de komplette Ënnergrond fir eng Agenteschleef.
Wat „Tool-Calling ouni Refus“ derbäisetzt ass méi subtil wéi et kléngt. Op enger gefiltert API weisen sech Refusen an enger Agenteschleef an dräi ënnerschiddleche Feelermodi:
- Haarde Refus — de Schrëtt gëtt Prosa amplaz engem Tool-Call zréck, de Parser scheitert, d'Schleef brécht. Wéinstens haart.
- Wäiche Refus — den Opruff gëtt gemaach, mä d'Argumenter gi verwässert: eng agegrenzte Ufro, e verwaschene Parameter, eng ofgeschnidde Notzlaascht. D'Schleef leeft mat roueg verschlechtertem Zoustand weider an du fënns et véier Schrëtt méi spéit eraus.
- Preemptivt Ausweichen — de Plang steiert vun engem legitime Zweig ewech, ier en him no kënnt. Deen hei gesäis du ni; s du kriss just e méi schlechte Plang a keng Erklärung.
Deen zweeten an deen drëtten sinn déi deier, well se onsiichtbar sinn: kee Feeler, näischt an de Protokoller, näischt wourop ee gréppe kann. En Endpunkt ouni Refus-Schicht hëlt déi ganz Klass ewech — dem Modell seng Tool-Call-Argumenter sinn dem Modell seng Tool-Call-Argumenter.
Dat zielt am meeschten an deene Beräicher déi souwisou laang autonom Leef brauchen a sensibelt Material beréieren: Sécherheetsfuerschung a Red-Teaming, Analys vu Schadsoftware a Virfäll, d'Veraarbechtung vu klineschen Dokumenter, juristesch Beweisféierung, a Moderatiounswierkzeuger déi iwwer den Inhalt raisonnéiere mussen deen se moderéieren. E Moderatiounsklassifikateur ze bauen verlaangt e Modell dee gewëllt ass ze kucke wat en klasséiert; dat ass kee Paradox, dat ass just d'Aarbecht.
Praktesch Notize fir laang Leef: reasoning_effort léisst dech méi Denken op d'Plangschrëtt an manner op d'mechanesch ausginn. Streaming ass op allen dräi Dialekter verfügbar, sou datt e laange Schrëtt de Fortschrëtt weise kann oder fréi ofgebrach ka ginn. An 262,144 Token Kontext halen e richtege Schaffzoustand — Dateiinhalter, fréier Toolresultater, e lafende Plang — iwwer vill Schrëtt hi präsent, ouni all Ronn nei zesummenzefaassen, wat selwer eng dacks Quell vun Agentendrift ass.
07Strukturéierten Output an déi dräi API-Dialekter
K2.6 ënnerstëtzt souwuel json_schema (streng schemagebonne Generatioun) wéi och dat méi loux response_format. Kontrolléier dat géint de Katalog: zwee vun den zwielef Modeller hei ënnerstëtzen keen strenge Schemaoutput, a wann deng nächst Pipelinestuf JSON parst, dann ass déi Kolonn net fakultativ.
Strenge Schemaoutput ass wat en onzenséierte Modell als Infrastruktur benotzbar mécht: wann de Modell en Objet erausginn muss deen zu dengem Schema passt, dann hues du eng Parsgarantie onofhängeg vun deem wat en soss gesot hätt — kee Virwuert, keng Entschëllegung, keng Paragraph ëm däi JSON gewéckelt. Kombinéiert mat kenger Refus-Schicht ass dat en Extraktiounsendpunkt deen däin Objet bei all Opruff zréckgëtt, fir all Dokument, egal ëm wat et am Dokument geet.
| Fläch | Ënnerstëtzung Kimi-K2.6 | Notizen |
|---|---|---|
| /v1/chat/completions | Jo | OpenAI-Dialekt — direkt agesat mat bestoenden SDKen |
| /v1/messages | Jo | Anthropic-Dialekt — dee selwechte Modell, déi selwecht Gewiichter |
| /v1/responses | Jo | Interface am Responses-Stil |
| Streaming | Jo | Op allen dräi Dialekter |
| Tool-Calling | Jo | Natiiv, Tooldefinitioune no JSON-Schema |
| json_schema | Jo | Strenge strukturéierten Output |
| response_format | Jo | Méi louxe JSON-Modus |
| reasoning_effort | Jo | Denkbudget pro Opruff astellen |
| Billerinput | Jo | Biller nieft dem Text |
All dräi Dialekter adresséieren déi selwecht Gewiichter um selwechte Cluster. Riicht e bestoende OpenAI-Client op d'Basis-URL, setz model op Kimi-K2.6-W4A16-AUTOROUND-REAP, an s du leefs. D'Formen vun Ufro an Äntwert, d'Streamingsemantik an e Live-Playground stinn an der API-Dokumentatioun.
08Wou Kimi K2.6 déi falsch Wiel ass
E Modellguide deen nëmme Stäerkte lëscht ass eng Reklamm. Hei ass, wou mir dech soss anzwousch hischécke géifen.
- Du brauchs déi absolut Ubierstgrenz op engem eenzege schwéiere Pass. Gank op Kimi-K3 a bezuel dat 5-facht. Dofir ass en do.
- Du brauchs pixelgenau visuell Erdung. Begrenzungsrieder, dicht OCR op schlechte Scannen a genee Zielen a vollgestoppte Szene sinn net säi stäerkste Grond — teste als éischt op dengen Donnéeën.
- Du brauchs bëlleger wéi bëlleg, ouni Vision. E puer Modeller am Katalog sëtzen op $0.50 / $2.00. Dem K2.6 säin Opschlag kaaft Vision an de agentesche Kimi-Profil; wann s du kee vu béide brauchs, huel déi bëlleger Stuf.
- Du brauchs méi wéi 16,384 Output-Token an enger Äntwert. Déi Ubierstgrenz gëllt iwwer de ganze Katalog — laang Dokumenter brauchen ofgedeelte Generatioun, egal wéi ee Modell s du wiels.
- Du wëlls bitgenaut Verhalen vun uewestrooms. Dat ass e geprunten a quantiséierte Build: e gewollten, publizéierten Tosch. Fir eng Reproduzéierbarkeetsstudie looss et géint dem Moonshot seng originell Gewiichter lafen.
All Zuel vun uewestrooms hei ass vu Moonshot AI oder vun onofhängege Fuerscher publizéiert. Eis eege Zuelen — Präis, Kontext, maximalen Output, Fäegkeetsfändelen — kommen direkt vum liewegen Endpunkt /v1/models deen s du selwer ofruffe kanns. Kontrolléier béid.
D'Architektur-, Benchmark- an Erscheinungsdatumszuele fir Kimi K2.6 a K3 si vum Moonshot bericht a fir d'Basis uewestrooms gewisen, an net fir eise kompriméierte Build. D'Zuel zum multimodale Rang kënnt vun enger onofhängeger Ranglëscht vun engem Drëtten. D'Shannon-Gateway-Präisser si Lëschtepräisser mam Stand vum 5. September 2026.
09Dacks gestallte Froen
Gëtt et eng onzenséiert Kimi-K2-API?
Jo. Shannon AI servéiert Kimi-K2.6 als onzenséierten Endpunkt op sengem eegene GPU-Cluster: et gëtt keng Refus-Schicht virum Modell a keng Inhaltsfilterung op sengem Output. Du kriss d'Basis hiert eegent Verhalen, mat engem Kontextfenster vun 262,144 Token, Billerinput an natiivem Tool-Calling.
Wat kascht déi onzenséiert Kimi-K2.6-API?
Kimi-K2.6 kascht $0.78 pro Millioun Input-Token an $3.67 pro Millioun Output-Token. En typeschen Agenteschrëtt mat 40K Input an 2K Output kascht ronn 3.9 Cent; en autonome Laf mat 200 Schrëtt kascht ronn $7.71.
Ënnerstëtzt Kimi K2.6 Vision op Shannon AI?
Jo. Kimi-K2.6 hëlt Billerinput nieft dem Text un. Et ass ee vun nëmme véier vision-fäege Modeller am Shannon-Katalog, an deen eenzegen deen d'Vision mat der agentescher Kimi-Ofstamung fir manner wéi en Dollar pro Millioun Input-Token verbënnt.
Soll ech Kimi K2.6 oder Kimi K3 benotzen?
Kimi K3 kascht ronn 5× méi ($3.83/$19.12 géint $0.78/$3.67) fir eng méi grouss Basis. Wiel K3, wann e eenzege schwéiere Raisonnéierungspass beim éischte Mol sëtze muss an en Neiversuch deier ass. Wiel K2.6 fir de Volumen: laang Agenteschleefen, Billerpipelinen, Extraktioun, an alles wat s du dausende Mol leefs, wou dat 5-facht den Ënnerscheed tëscht gaangbar an net gaangbar ass.
Ënnerstëtzt déi onzenséiert Kimi-K2-API Tool-Calling a JSON-Schema?
Jo bei béid. Kimi-K2.6 ënnerstëtzt natiivt Tool-Calling, strenge strukturéierten Output no json_schema, a response_format, op allen dräi API-Dialekter: /v1/chat/completions, /v1/messages an /v1/responses. Streaming a reasoning_effort ginn op allen dräi ënnerstëtzt.
Looss Kimi-K2.6 onzenséiert lafen
Vision, Tool-Calling, 262K Kontext. $0.78 eran / $3.67 eraus pro Millioun Token.
D'API-Dokumentatioun liesen All Modeller duerchkuckenModell-Id: Kimi-K2.6-W4A16-AUTOROUND-REAP · op eisem eegene GPU-Cluster servéiert
Shannon AI gëtt vun Shannon Lab LLC, New Mexico, USA, bedriwwen. Quellen: Moonshot AI — Kimi K2 · REAP the Experts (arXiv 2510.13999) · Cerebras Research — REAP. D'Kimi-Benchmarkzuele vun uewestrooms si vum Moonshot bericht a virleefeg, bis eng onofhängeg Iwwerpréifung virläit; si beschreiwen déi onkompriméiert Basis an net dem Shannon säi quantiséierte Build.