സെൻസർ ചെയ്യാത്ത Kimi K2 API

മിക്ക "വിലകുറഞ്ഞ മോഡൽ" പേജുകളും യഥാർത്ഥത്തിൽ ഒരു വലിയ മോഡലിന്റെ കുടുംബപ്പേര് ധരിച്ച ചെറിയ മോഡലുകളെക്കുറിച്ചാണ്. ഇത് അതല്ല. Kimi K2.6 ഒരു പൂർണ്ണ ഫ്രോണ്ടിയർ-സ്കെയിൽ അടിത്തറയാണ് — ഒരു ട്രില്യൺ പാരാമീറ്റർ സ്പാഴ്സ് Mixture-of-Experts, ഒരു നേറ്റീവ് വിഷൻ എൻകോഡറും ഏജന്റിക് ടൂൾ ഉപയോഗത്തിൽ കൃത്യമായി ലക്ഷ്യമിട്ട ഒരു പരിശീലന പ്രോഗ്രാമും. ഇതിനെ മൂല്യ തട്ടാക്കുന്നത് ഒരു ചെറിയ തലച്ചോറല്ല, കൂടുതൽ ശക്തമായ ഒരു കംപ്രഷൻ രീതിയാണ്. അതിനാൽ ചോദ്യം "ഇത് മതിയോ?" അല്ല, "ഇതും അതിന്റെ 5 മടങ്ങ്-കൂടുതൽ-ചെലവുള്ള സഹോദരനും തമ്മിലുള്ള വ്യത്യാസം ഏത് ജോലികളാണ് യഥാർത്ഥത്തിൽ ശ്രദ്ധിക്കുന്നത്?" എന്നതാണ്. ഈ ലേഖനത്തിന്റെ ഭൂരിഭാഗവും അതിന് ഉത്തരം നൽകുന്നു.

01എന്താണ് Kimi K2.6, യഥാർത്ഥത്തിൽ?

Kimi പരമ്പരയ്ക്ക് പിന്നിലെ ബെയ്ജിംഗ് ലാബായ Moonshot AI-യിൽ നിന്നുള്ള ഓപ്പൺ-വെയ്റ്റ്സ് മോഡലാണ് Kimi K2.6, 2026 ഏപ്രിൽ 20-ന് പുറത്തിറങ്ങി. K2-നെ ശ്രദ്ധേയമാക്കിയ ആർക്കിടെക്ചർ ഇത് പാരമ്പര്യമായി സ്വീകരിക്കുന്നു: ഏകദേശം 1 ട്രില്യൺ ആകെ പാരാമീറ്ററും ടോക്കണിന് ഏകദേശം 32 ബില്യൺ സജീവവുമുള്ള ഒരു സ്പാഴ്സ് Mixture-of-Experts ട്രാൻസ്ഫോർമർ, 61 ലെയറുകളിലുടനീളം ഓരോ ലെയറിലും 384 എക്സ്പെർട്ടുകൾ, 8 റൂട്ട് ചെയ്തതും 1 പങ്കിട്ടതും ആയി സംഘടിപ്പിച്ചത്, Multi-head Latent Attention-ഓടെ. ആ ട്രില്യണിന്റെ ഒരു ചെറിയ ഭാഗം മാത്രമേ ഏതൊരു ടോക്കണിലും വെടിവയ്ക്കുന്നുള്ളൂ — ഇത്ര വലുപ്പമുള്ള ഒരു മോഡലിന് സെന്റുകളിൽ വില നിശ്ചയിക്കാൻ കഴിയുന്നത് കൃത്യമായി അതുകൊണ്ടാണ്.

Moonshot എന്തിനുവേണ്ടിയാണ് ഒപ്റ്റിമൈസ് ചെയ്തത് എന്നതുകൊണ്ടാണ് ഈ പരമ്പര പ്രധാനമാകുന്നത്. യഥാർത്ഥ K2 Muon / MuonClip ഒപ്റ്റിമൈസർ ഉപയോഗിച്ച് ഏകദേശം 15.5 ട്രില്യൺ ടോക്കണുകളിൽ പ്രീ-ട്രെയിൻ ചെയ്തു, ആ സ്കെയിലിൽ പരിശീലനത്തെ അസ്ഥിരപ്പെടുത്തുന്ന അറ്റൻഷൻ പൊട്ടിത്തെറികളും ലോസ് സ്‌പൈക്കുകളും ഒരു ട്രില്യൺ-പാരാമീറ്റർ MoE-യെ ബാധിക്കാതിരിക്കാൻ പ്രത്യേകം നിർമ്മിച്ചത്; ഓട്ടത്തിലുടനീളം പൂജ്യം പരിശീലന അസ്ഥിരത Moonshot റിപ്പോർട്ട് ചെയ്തു. അതാണ് മറ്റെല്ലാറ്റിനും അപ്‌സ്ട്രീം — തീപ്പിടിത്തം കെടുത്തുന്നതിനു പകരം ഏജന്റിക് സ്വഭാവത്തിൽ പരിശീലന ബജറ്റ് ചെലവഴിക്കാൻ അതവരെ അനുവദിച്ചു.

K2.6 അതിനെ രണ്ട് ദിശകളിലേക്ക് വിപുലീകരിക്കുന്നു. ഒന്നാമത്, ഇത് നേറ്റീവായി മൾട്ടിമോഡലാണ്: ഇമേജുകളും വീഡിയോ ഫ്രെയിമുകളും MoonViT-ലൂടെ കടന്നുപോകുന്നു, ~400M-പാരാമീറ്റർ വിഷൻ എൻകോഡർ ഒരു ഇമേജിനെ 448x448 പാച്ചുകളാക്കി ടൈൽ ചെയ്ത് ഓരോ ടൈലും ലാംഗ്വേജ് മോഡലിന്റെ ടോക്കൺ സ്പേസിലേക്ക് നേരിട്ട് പ്രൊജക്റ്റ് ചെയ്യുന്നു — ദൃശ്യ ടോക്കണുകൾ മറ്റെല്ലാറ്റിനും ഒപ്പം അതേ സീക്വൻസിലാണ് ഇരിക്കുന്നത്, ഒരു അന്ധമായ മോഡലിന് ഭക്ഷണം നൽകുന്ന ഒട്ടിച്ചുവച്ച ക്യാപ്ഷനറിലല്ല. രണ്ടാമത്, ഇത് ആഴത്തിലുള്ള ഓർക്കസ്ട്രേഷനുവേണ്ടി നിർമ്മിച്ചതാണ്: 300 വരെ ഡൊമെയ്ൻ-സ്പെഷ്യലൈസ്ഡ് സബ്-ഏജന്റുകളിലുടനീളമുള്ള ഏകോപനവും ഒരൊറ്റ സ്വയംഭരണ ഓട്ടത്തിൽ 4,000 വരെ ഏകോപിത ഘട്ടങ്ങളും Moonshot-ന്റെ Agent Swarm പ്രവർത്തനം റിപ്പോർട്ട് ചെയ്യുന്നു.

Moonshot റിപ്പോർട്ട് ചെയ്ത ബെഞ്ച്മാർക്ക് പ്രൊഫൈൽ

ഇവ ക്വാണ്ടൈസ് ചെയ്യാത്ത K2.6 അടിത്തറയ്ക്കുള്ള Moonshot-റിപ്പോർട്ട് ചെയ്ത കണക്കുകളാണ്, ഞങ്ങളുടെ അളവുകളല്ല. കൃത്യതയ്ക്കല്ല, രൂപത്തിന് ഉപകാരപ്രദം:

അക്കങ്ങളല്ല, രൂപം വായിക്കുക. ടൂൾ-ഉപയോഗവും തിരച്ചിൽ-നയിക്കുന്നതുമായ സ്കോറുകൾ ഉയരത്തിലാണ്; ശുദ്ധ-കടുപ്പ സ്കോറുകൾ താഴ്ന്നാണ്. എല്ലാം അറിയാൻ അല്ല, നന്നായി പ്രവർത്തിക്കാൻ പരിശീലിപ്പിച്ച ഒരു മോഡലിന്റെ ഒപ്പാണ് അത് — നിങ്ങളുടെ ഏജന്റിന് ഒരു ബ്രൗസറും ഷെല്ലും ഫയൽ സിസ്റ്റവുമുണ്ടെങ്കിൽ ശരിയായ വ്യാപാരം, ടൂളുകളൊന്നും ഘടിപ്പിക്കാതെ ഒരൊറ്റ കടുപ്പമുള്ള ചോദ്യം ചോദിക്കുകയാണെങ്കിൽ തെറ്റായത്.

02W4A16-AUTOROUND-REAP എന്നാൽ എന്ത്

മോഡൽ ഐഡിയിലെ ഉപസർഗ്ഗം അലങ്കാരമല്ല. ഇത് കൃത്യമായ കംപ്രഷൻ രീതിയാണ്, നിങ്ങൾ ഏത് വ്യാപാരമാണ് ചെയ്യുന്നതെന്ന് യുക്തിസഹമായി ചിന്തിക്കാൻ പ്രസിദ്ധീകരിച്ചത്.

• W4A16 — 4 ബിറ്റിൽ വെയ്റ്റുകൾ, 16-ൽ കണക്കാക്കിയ ആക്ടിവേഷനുകൾ. bf16-നെതിരെ വെയ്റ്റ് മെമ്മറി ഏകദേശം 4 മടങ്ങ് കുറയുന്നു, പിശക് ശേഖരിക്കുന്ന ഗണിതം 16-ബിറ്റ് കൃത്യതയിൽ തുടരുന്നു. വളരെ വലിയ MoE മോഡലുകൾക്കുള്ള സ്റ്റാൻഡേർഡ് ഉയർന്ന-ഗുണനിലവാര സേവന പോയിന്റാണ് ഇത്.
• AUTOROUND — Intel-ന്റെ AutoRound ക്വാണ്ടൈസർ. നിഷ്കളങ്കമായ round-to-nearest ഓരോ വെയ്റ്റിനെയും സ്വതന്ത്രമായി കാണുകയും മോഡൽ ആശ്രയിച്ചിരുന്ന വിവരം ഉപേക്ഷിക്കുകയും ചെയ്യുന്നു; AutoRound പകരം കാലിബ്രേഷൻ ഡാറ്റയ്ക്കെതിരെ റൗണ്ടിംഗ് തീരുമാനങ്ങൾ പഠിക്കുന്നു. 4-ബിറ്റ് ലക്ഷ്യത്തിൽ, ഇപ്പോഴും ഒരു സ്കീമ പിന്തുടരുന്ന ഒരു മോഡലും വ്യതിചലിക്കുന്ന ഒന്നും തമ്മിലുള്ള വ്യത്യാസമാണ് അത്.
• REAP — Cerebras Research-ൽ നിന്നുള്ള Router-weighted Expert Activation Pruning (arXiv 2510.13999, ICLR 2026). ഒരു MoE-യിലെ മിക്ക എക്സ്പെർട്ടുകളും അപൂർവ്വമായി മാത്രമേ റൂട്ട് ചെയ്യപ്പെടുന്നുള്ളൂ. REAP ഓരോന്നിനെയും അതിന്റെ റൂട്ടർ ഗേറ്റ് മൂല്യങ്ങളിലും ആക്ടിവേഷൻ നോമുകളിലും സ്കോർ ചെയ്ത്, ഒറ്റ ഷോട്ടിൽ ഏറ്റവും കുറഞ്ഞ പ്രാധാന്യമുള്ളവയെ നീക്കം ചെയ്യുന്നു. പ്രസിദ്ധീകരിച്ച ഫലം: ട്രില്യൺ-പാരാമീറ്റർ മോഡലുകളിൽ നിന്ന് 50% വരെ എക്സ്പെർട്ടുകൾ പ്രൂൺ ചെയ്യുമ്പോഴും ബേസ്‌ലൈൻ ഗുണനിലവാരം ഏറെക്കുറെ നിലനിർത്തുന്നു, ജനറേറ്റീവ് ജോലികളിൽ പ്രൂണിംഗ് എക്സ്പെർട്ട് ലയനത്തെ മറികടക്കുന്നു — ലയനം സ്പെഷ്യലിസ്റ്റുകളെ പരസ്പരം മങ്ങിക്കുന്നു, പ്രൂണിംഗ് ഉപയോഗിക്കാത്തവയെ വെറുതെ ഒഴിവാക്കുന്നു.

ആ ക്രമത്തിൽ പ്രയോഗിച്ചാൽ — ആദ്യം പ്രൂൺ ചെയ്യുക, ബാക്കിയുള്ളത് ക്വാണ്ടൈസ് ചെയ്യുക — ഈ അനുപാതങ്ങളിൽ ഒറ്റയ്ക്ക് ഏത് ടെക്നിക്കും ഉണ്ടാക്കുന്ന ഗുണനിലവാര തകർച്ചയില്ലാതെ ഒതുങ്ങുകയും വേഗത്തിൽ പ്രവർത്തിക്കുകയും ചെയ്യുന്ന ഒരു മോഡൽ നിങ്ങൾക്ക് ലഭിക്കുന്നു. ചെലവിനെക്കുറിച്ച് നേരെ പറയാൻ: ഒരു കംപ്രസ് ചെയ്ത മോഡൽ ഒറിജിനലിനോട് ബിറ്റ്-സമാനമല്ല. ഈ രീതി വാങ്ങിത്തരുന്നത് അപചയം നിങ്ങൾ ശ്രദ്ധിക്കാൻ സാധ്യതയില്ലാത്തിടത്ത് വീഴുന്നു എന്നതാണ് — അപൂർവ്വ റൂട്ടിംഗ് പാതകൾ, കുറഞ്ഞ-സാധ്യതയുള്ള ടോക്കൺ വാൽഭാഗങ്ങൾ — നിർദ്ദേശം പിന്തുടരുന്നതിലോ ടൂൾ-കോൾ ഫോർമാറ്റിംഗിലോ സ്കീമ പാലനത്തിലോ അല്ല.

03ഈ എൻഡ്‌പോയിന്റിൽ "സെൻസർ ചെയ്യാത്തത്" എന്നാൽ എന്താണ്

ഇവിടെ സെൻസർ ചെയ്യാത്തത് മനോഭാവത്തെക്കുറിച്ചല്ല, ആർക്കിടെക്ചറിനെക്കുറിച്ചുള്ള ഒരു പ്രസ്താവനയാണ്. മോഡലിന് മുന്നിൽ ഒരു നിരസന പാളിയില്ല, അതിന്റെ ഔട്ട്പുട്ടിന് ഉള്ളടക്ക ഫിൽട്ടറിംഗുമില്ല. നിങ്ങളുടെ അഭ്യർത്ഥന അടിത്തറയിലെത്തുന്നു, അതിന്റെ പ്രതികരണം നിങ്ങളിലേക്ക് എത്തുന്നു; രണ്ട് ദിശയിലും ഒന്നും തടസ്സപ്പെടുത്തുന്നില്ല.

ആ വേർതിരിവ് പ്രധാനമാണ്, കാരണം "സെൻസർ ചെയ്യാത്തത്" അയഞ്ഞ രീതിയിൽ ഉപയോഗിക്കപ്പെടുന്നു. മൂന്ന് വ്യത്യസ്ത കാര്യങ്ങൾ ആ വാക്കിനടിയിൽ കെട്ടിവയ്ക്കപ്പെടുന്നു:

1. ഇൻപുട്ട് ക്ലാസിഫിക്കേഷൻ — ഒരു പ്രത്യേക മോഡൽ നിങ്ങളുടെ പ്രോംപ്റ്റ് വായിച്ച് അതിനെ കടത്തിവിടണോ എന്ന് തീരുമാനിക്കുന്നു. ഇവിടെ ഇല്ല.
2. ഔട്ട്പുട്ട് ഫിൽട്ടറിംഗ് — ജനറേറ്റ് ചെയ്ത ടെക്സ്റ്റ് ഒരു സ്കാനർ പരിശോധിച്ച് അതിനെ ചുരുക്കുകയോ മാറ്റിവയ്ക്കുകയോ ചെയ്യുന്നു. ഇവിടെ ഇല്ല.
3. അടിത്തറയുടെ സ്വന്തം സ്വഭാവങ്ങൾ — ബേസ് മോഡൽ പരിശീലനത്തിൽ എന്ത് പഠിച്ചോ അത്. അത് മോഡലിന്റേതാണ്, ഞങ്ങൾ അത് മായ്ച്ചു എന്ന് അവകാശപ്പെടുന്നില്ല.

പ്രൊഡക്ഷൻ സംവിധാനങ്ങളെ തകർക്കുന്നത് ആദ്യത്തെ രണ്ടാണ്, ഞങ്ങൾ നീക്കുന്നതും ആ രണ്ടെണ്ണമാണ്. 0.5% അഭ്യർത്ഥനകളിൽ വെടിവയ്ക്കുന്ന ഒരു ക്ലാസിഫയർ നിങ്ങൾക്ക് ഡീബഗ് ചെയ്യാനോ അപ്പീൽ ചെയ്യാനോ മുൻകൂട്ടി കാണാനോ കഴിയാത്ത ഒരു 0.5% പരാജയ നിരക്കാണ് — 200-ഘട്ട ഏജന്റ് ലൂപ്പിലുടനീളം, ഘട്ടത്തിന് 0.5% പരാജയം വിജയിക്കുന്നതിനെക്കാൾ കൂടുതൽ പരാജയപ്പെടുന്ന ഒരു ഓട്ടത്തിലേക്ക് കൂടിച്ചേരുന്നു. ഒരു സംഭാഷണത്തിലെ നിരസനം ഒരു ശല്യമാണ്; ഒരു സ്വയംഭരണ ഓട്ടത്തിന്റെ 147-ാം ഘട്ടത്തിലെ നിരസനം ഓട്ടത്തിന്റെ അവസ്ഥ നശിപ്പിക്കുകയും അതിലേക്ക് എത്താൻ നിങ്ങൾ ചെലവഴിച്ചതെല്ലാം കത്തിക്കുകയും ചെയ്യുന്നു. ഏജന്റ് ജോലിഭാരത്തിന്, നിരസന ഉപരിതലം നീക്കുന്നത് ഒരു വിശ്വാസ്യതാ ഗുണമാണ്, ഒരു ശൈലീപരമായ മുൻഗണനയല്ല.

അതിന്റെ അനന്തരഫലം ഉത്തരവാദിത്തം നിങ്ങളിലേക്ക് നീങ്ങുന്നു എന്നതാണ്. നിങ്ങളുടെ ആപ്ലിക്കേഷനും ഉപയോക്താക്കൾക്കും ഇടയിൽ ഒരു സുരക്ഷാ വല ഇല്ല; നിങ്ങളുടെ ഉൽപ്പന്നത്തിന് ഒന്ന് വേണമെങ്കിൽ, നിങ്ങൾക്ക് കാണാനും ട്യൂൺ ചെയ്യാനും ലോഗ് ചെയ്യാനും കഴിയുന്നിടത്ത് അത് നിർമ്മിക്കുക. ദയവായി ആദ്യം ഞങ്ങളുടെ ഉത്തരവാദിത്ത ഉപയോഗ നയം വായിക്കുക.

04Kimi K2.6 vs Kimi K3: 5 മടങ്ങ് എപ്പോൾ അർഹമാണ്?

ഇതിനുവേണ്ടിയാണ് മിക്ക വായനക്കാരും ഇവിടെ വന്നത്, അതിനാൽ ഒളിവുവയ്ക്കാതെ ഇതാ. Kimi-K3 · 3BIT-REAP വലുതും പുതിയതുമായ അടിത്തറയാണ്: 2026 ജൂലൈ 16-ന് പ്രഖ്യാപിച്ച്, ജൂലൈ 27-ന് ഓപ്പൺ വെയ്റ്റുകളോടെ, ഏകദേശം 2.8 ട്രില്യൺ ആകെ പാരാമീറ്ററും ടോക്കണിന് ഏകദേശം 104 ബില്യൺ സജീവവും — K2.6-യുടെ സജീവ കണക്കുകൂട്ടലിന്റെ 3 മടങ്ങിലധികം. അപ്‌സ്ട്രീമിൽ, K2.6-യുടെ വിലയുടെ ഏകദേശം 5 മടങ്ങിലാണ് Moonshot K3-നെ ലിസ്റ്റ് ചെയ്യുന്നത്, ഞങ്ങളുടെ ഗേറ്റ്‌വേ വിലനിർണ്ണയവും ആ അനുപാതം പിന്തുടരുന്നു.

	Kimi-K2.6 · W4A16-AUTOROUND-REAP	Kimi-K3 · 3BIT-REAP
1M ടോക്കണിന് ഇൻപുട്ട്	$0.78	$3.83
1M ടോക്കണിന് ഔട്ട്പുട്ട്	$3.67	$19.12
സന്ദർഭ ജാലകം	262,144	262,144
അഭ്യർത്ഥനയ്ക്ക് പരമാവധി ഔട്ട്പുട്ട്	16,384	16,384
വിഷൻ ഇൻപുട്ട്	ഉവ്വ്	ഉവ്വ്
നേറ്റീവ് ടൂൾ കോളിംഗ്	ഉവ്വ്	ഉവ്വ്
കർശനമായ json_schema	ഉവ്വ്	ഉവ്വ്
സെൻസർ ചെയ്യാത്തത്	ഉവ്വ്	ഉവ്വ്
സജീവ പാരാമീറ്ററുകൾ / ടോക്കൺ	~32B	~104B

പട്ടിക കാണിക്കാത്തത് നോക്കുക: K2.6-ന് ഇല്ലാത്ത ഒരു ഫീച്ചർ K3-ന് ഉള്ള ഒരു വരി പോലുമില്ല. അതേ ജാലക, അതേ പരമാവധി ഔട്ട്പുട്ട്, അതേ വിഷൻ, അതേ ടൂൾ കോളിംഗ്, അതേ ഘടനാപരമായ ഔട്ട്പുട്ട്, അതേ സെൻസർ ചെയ്യാത്ത നിലപാട്, അതേ മൂന്ന് ഭാഷാഭേദങ്ങൾ. 5 മടങ്ങ് കൃത്യമായി ഒരു കാര്യം വാങ്ങിത്തരുന്നു — ഒരു ഫോർവേഡ് പാസിന് അസംസ്കൃത ശേഷി. അത് യഥാർത്ഥമാണ്, പക്ഷേ അതൊരു ഒറ്റ അക്ഷമാണ്, അത് നിങ്ങളുടെ തടസ്സമല്ലാത്ത അക്ഷങ്ങളിൽ ഒന്നും ചെയ്യുന്നില്ല.

സന്ദർഭ-ജാലക പോയിന്റ് പ്രത്യേകമായി

അപ്‌സ്ട്രീമിൽ, K2.6-യുടെ 262K-ക്കെതിരെ K3-യുടെ ഹെഡ്‌ലൈൻ ഫീച്ചർ 1M-ടോക്കൺ സന്ദർഭമാണ്. Shannon ഗേറ്റ്‌വേയിൽ രണ്ട് മോഡലുകളും 262,144 ടോക്കണിലാണ് നൽകുന്നത്. ദീർഘ സന്ദർഭമായിരുന്നു 5 മടങ്ങ് നൽകാനുള്ള നിങ്ങളുടെ കാരണമെങ്കിൽ, ആ കാരണം ഇവിടെ ബാധകമല്ല — നിങ്ങൾ പ്രീമിയം നൽകി അതേ ജാലക നേടും. ഒരു വെണ്ടർ പറയാതെ വിടാൻ പ്രലോഭനമുള്ള കാര്യമാണ് ഇത്, അതുകൊണ്ടാണ് ഇത് ബോൾഡിൽ.

5 മടങ്ങ് നൽകേണ്ടത് ഇവിടെ

• ഒറ്റ ഷോട്ട് ലക്ഷ്യത്തിലെത്തണം. ഒരു വീണ്ടും ശ്രമം ചെലവേറിയതോ അസാധ്യമോ ആയ ഒരൊറ്റ കടുപ്പമുള്ള പാസ് — ഒരു തിരിച്ചെടുക്കാനാവാത്ത നടപടി, ഒരു നീണ്ട പൈപ്പ്‌ലൈനിന്റെ അവസാനത്തെ തീരുമാനം. ടോക്കണിന് കൂടുതൽ സജീവ പാരാമീറ്ററുകൾ കൃത്യമായി ഒരൊറ്റ പാസിന്റെ പരിധി ഉയർത്തുന്ന കാര്യമാണ്.
• ജോലി ടൂൾ-ബന്ധിതമല്ല, അറിവ്-ബന്ധിതമാണ്. ഉത്തരം വെയ്റ്റുകളിൽ നിന്ന് തന്നെ വരേണ്ട ആഴത്തിലുള്ള സംയോജനം. K2.6-യുടെ പ്രൊഫൈൽ ഏജന്റിക് ആണ്; ടൂളുകൾ എടുത്തുമാറ്റിയാൽ വലിയ അടിത്തറ കാണിക്കും.
• അളവ് കുറവാണ്, അപകടസാധ്യത കൂടുതലാണ്. മാസത്തിൽ 500 കോളുകളിൽ, 5 മടങ്ങ് എന്നാൽ $8-ന് പകരം $40. മെച്ചപ്പെട്ട മോഡൽ വാങ്ങുക, അത്ര തന്നെ.

5 മടങ്ങ് നൽകേണ്ടാത്തത് ഇവിടെ

• നിങ്ങൾ ഒരു ലൂപ്പ് പ്രവർത്തിപ്പിക്കുകയാണ്. നീണ്ട ഏജന്റിക് ഓട്ടങ്ങളിൽ ആധിപത്യം സ്ഥാപിക്കുന്നത് യാന്ത്രിക ഘട്ടങ്ങളാണ് — ഒരു ഫയൽ വായിക്കുക, ഒരു ടൂൾ വിളിക്കുക, ഒരു ഫലം പരിശോധിക്കുക, അടുത്തത് തിരഞ്ഞെടുക്കുക — K2.6 പരിശീലിപ്പിക്കപ്പെട്ടത് കൃത്യമായി അതിനാണ്. 200 ഘട്ടങ്ങളിൽ, ഓട്ടത്തിന് 5 മടങ്ങ് $7.71-നെതിരെ $38.29 ആണ്.
• നിങ്ങൾ അളവിൽ ഇമേജുകൾ പ്രോസസ്സ് ചെയ്യുന്നു. വിഷൻ ജോലിഭാരങ്ങൾ ഇൻപുട്ട്-ടോക്കൺ-ഭാരമുള്ളവയാണ്, ഇനത്തിന്റെ യുക്തിചിന്ത ആഴം കുറഞ്ഞതും. 05-ാം വിഭാഗം കാണുക; അടുത്ത മത്സരമല്ല ഇത്.
• ജോലി എക്സ്ട്രാക്ഷൻ, വർഗ്ഗീകരണം, അല്ലെങ്കിൽ പരിവർത്തനമാണ്. ഡോക്യുമെന്റുകളിൽ നിന്ന് ഫീൽഡുകൾ വലിച്ചെടുക്കൽ, ടിക്കറ്റുകൾ റൂട്ട് ചെയ്യൽ, റെക്കോർഡുകൾ നോർമലൈസ് ചെയ്യൽ, സംഗ്രഹിക്കൽ — വലിയ മോഡൽ അതേ JSON ഉണ്ടാക്കുന്ന പരിമിതമായ ജോലികൾ.
• നിങ്ങൾക്ക് ഒരു സ്ഥിരീകരണ ഘട്ടമുണ്ട്. ഔട്ട്പുട്ട് പരിശോധിക്കപ്പെടുന്നുവെങ്കിൽ — ഒരു ടെസ്റ്റ് സ്യൂട്ട്, ഒരു സ്കീമ വാലിഡേറ്റർ, ഒരു രണ്ടാം പാസ്, ഒരു മനുഷ്യൻ — ഇടയ്ക്കിടെയുള്ള പിഴവുകൾ വിലകുറഞ്ഞതാണ്, സാമ്പത്തികശാസ്ത്രം അളവിന് അനുകൂലമായി ഉറപ്പോടെ നിൽക്കുന്നു. മൂല്യ തട്ടിനുള്ള ഏറ്റവും കുറച്ച് വിലയിരുത്തപ്പെടുന്ന വാദമാണ് ഇത്.

പേരിടേണ്ട ഒരു പാറ്റേൺ: ലൂപ്പിന് K2.6-ഉം വിധിക്ക് K3-ഉം പ്രവർത്തിപ്പിക്കുക. നൂറ് ശേഖരണ, കോളിംഗ്, ഡ്രാഫ്റ്റിംഗ് ഘട്ടങ്ങൾ വിലകുറഞ്ഞ ഏജന്റിക് മോഡലിനെ ചെയ്യാൻ അനുവദിക്കുക, പിന്നെ അന്തിമ സംയോജനത്തിൽ ഒരു ചെലവേറിയ കോൾ ചെലവഴിക്കുക. രണ്ട് മോഡലുകളും അതേ സന്ദർഭ ജാലകത്തോടെ സമാനമായ API സംസാരിക്കുന്നു, അതിനാൽ മാറൽ model ഫീൽഡിലേക്കുള്ള ഒരു വരി മാറ്റം മാത്രമാണ്.

05പ്രവർത്തന വിലയിൽ വിഷൻ

ഈ കാറ്റലോഗിൽ K2.6-യുടെ ഏറ്റവും മൂർച്ചയുള്ള അരികാണ് വിഷൻ. ഗേറ്റ്‌വേയിലെ പന്ത്രണ്ട് സെൻസർ ചെയ്യാത്ത മോഡലുകളിൽ നാലെണ്ണം മാത്രമേ ഇമേജുകൾ സ്വീകരിക്കുന്നുള്ളൂ, ദശലക്ഷം ഇൻപുട്ട് ടോക്കണിന് ഒരു ഡോളറിൽ താഴെ ഇമേജ് ഇൻപുട്ടിനെ Kimi ഏജന്റിക് പരമ്പരയോട് ചേർക്കുന്ന ഒരേയൊന്നാണ് K2.6.

വിഷൻ ജോലിഭാരങ്ങൾക്ക് അസാധാരണമായ ഒരു ചെലവ് രൂപമുണ്ട്. MoonViT-യെക്കുറിച്ചുള്ള Moonshot-ന്റെ പ്രസിദ്ധീകരിച്ച വിവരണം അനുസരിച്ച്, 1024x1024 ഇമേജ് ഏകദേശം 576 ഇമേജ് ടോക്കണുകളായി എൻകോഡ് ചെയ്യുന്നു — അവ ഇൻപുട്ട് ടോക്കണുകളാണ്, ലെഡ്ജറിന്റെ വിലകുറഞ്ഞ വശം. ഒരു സാധാരണ വിഷൻ ജോലി മിക്കവാറും പൂർണ്ണമായി $3.67 നിരക്കിലല്ല, $0.78 നിരക്കിലാണ് വീഴുന്നത്. 10,000 ഇമേജുകൾ എടുക്കുക, ഓരോന്നിനും ~200 ടോക്കൺ പ്രോംപ്റ്റ് (അതിനാൽ ~776 ഇൻപുട്ട് ടോക്കൺ), ~150 ടോക്കൺ ഘടനാപരമായ ഔട്ട്പുട്ട്:

ജോലിഭാരം	Kimi-K2.6	Kimi-K3	ഗുണിതം
ഒരു ഏജന്റ് ഘട്ടം (40K ഇൻ / 2K ഔട്ട്)	$0.0385	$0.1914	5.0×
200-ഘട്ട സ്വയംഭരണ ഓട്ടം	$7.71	$38.29	5.0×
10,000 ഇമേജുകൾ, ഘടനാപരമായ ഔട്ട്പുട്ട്	$11.56	$58.40	5.1×
ബാച്ച് ജോലി (1M ഇൻ / 200K ഔട്ട്)	$1.51	$7.65	5.1×

Shannon ഗേറ്റ്‌വേ ലിസ്റ്റ് വിലകളിൽ നിന്ന് കണക്കാക്കിയത്. ഇമേജ്-ടോക്കൺ കണക്ക് 1024x1024 ഇമേജിന് ~576 ടോക്കൺ എന്ന MoonViT-യുടെ പ്രസിദ്ധീകരിച്ച കണക്ക് ഉപയോഗിക്കുന്നു; കൃത്യമായ ടോക്കണൈസേഷൻ റെസലൂഷനും ആസ്പെക്ട് അനുപാതവും അനുസരിച്ച് വ്യത്യാസപ്പെടും.

$11.56 ഒരു ഇമേജ് പൈപ്പ്‌ലൈൻ ചിന്തിക്കാതെ തന്നെ ദിവസവും പ്രവർത്തിപ്പിക്കാവുന്ന ഒന്നാണ്. $58.40 ഒന്ന് നിങ്ങൾ ഷെഡ്യൂൾ ചെയ്യുന്നതും ന്യായീകരിക്കുന്നതും ഒടുവിൽ വെട്ടിക്കുറയ്ക്കുന്നതുമായ ഒന്നാണ്. ആ വിടവാണ് ഒരു മൂല്യ തട്ടിനുള്ള മുഴുവൻ വാദവും.

ഒരു സത്യസന്ധമായ മുന്നറിയിപ്പ്. സ്വതന്ത്ര മൾട്ടിമോഡൽ, ഗ്രൗണ്ടഡ്-ടാസ്ക് ലീഡർബോർഡുകളിൽ K2.6 115 മോഡലുകളിൽ #26-ന് അടുത്ത്, ശരാശരി 68.1-ന് അടുത്ത് റിപ്പോർട്ട് ചെയ്യപ്പെട്ടിട്ടുണ്ട് — മാന്യമാണ്, ക്ലാസ്-നായകനല്ല. ഡോക്യുമെന്റ് ഗ്രഹണം, സ്ക്രീൻഷോട്ട്, UI വായന, ചാർട്ട് അല്ലെങ്കിൽ ഡയഗ്രം വ്യാഖ്യാനം എന്നിവയിൽ അതിന്റെ വിഷൻ യഥാർത്ഥത്തിൽ ശക്തമാണ്; കൃത്യമായ സ്ഥലപരമായ ഗ്രൗണ്ടിംഗിൽ അത് ദുർബലമാണ് — കൃത്യമായ ബൗണ്ടിംഗ് ബോക്സുകൾ, തിരക്കേറിയ രംഗങ്ങളിലെ സൂക്ഷ്മ എണ്ണൽ, അപചയിച്ച സ്കാനുകളുടെ ഇടതൂർന്ന OCR. പിക്സൽ-കൃത്യമായ ലൊക്കലൈസേഷൻ വേണമെങ്കിൽ, ആദ്യം നിങ്ങളുടെ സ്വന്തം ഡാറ്റയിൽ ബെഞ്ച്മാർക്ക് ചെയ്യുക. ഒരു സ്ക്രീൻഷോട്ട് നോക്കി അടുത്തതായി എന്തിൽ ക്ലിക്ക് ചെയ്യണമെന്ന് തീരുമാനിക്കുന്ന ഒരു മോഡൽ വേണമെങ്കിൽ, ഇത് കൃത്യമായി ശരിയായ ഉപകരണമാണ്.

06നിരസനമില്ലാത്ത ടൂൾ കോളിംഗും ഏജന്റിക് ലൂപ്പുകളും

K2.6 നേറ്റീവ് ടൂൾ കോളിംഗ് പിന്തുണയ്ക്കുന്നു: പാഴ്സ് ചെയ്യാവുന്ന ടെക്സ്റ്റ് ഉണ്ടാക്കാൻ പ്രേരിപ്പിക്കപ്പെടുന്നതിനുപകരം, നിങ്ങൾ നൽകുന്ന JSON-സ്കീമ ടൂൾ നിർവചനങ്ങളിൽ നിന്ന് നേരിട്ട് ഘടനാപരമായ ടൂൾ ആഹ്വാനങ്ങൾ മോഡൽ പുറപ്പെടുവിക്കുന്നു. ബഹുഘട്ട സംഭാഷണത്തോടും സിസ്റ്റം പ്രോംപ്റ്റുകളോടും ചേർന്ന്, അതൊരു ഏജന്റ് ലൂപ്പിനുള്ള പൂർണ്ണ അടിസ്ഥാനമാണ്.

"നിരസനമില്ലാത്ത ടൂൾ കോളിംഗ്" ചേർക്കുന്നത് കേൾക്കുന്നതിനെക്കാൾ സൂക്ഷ്മമാണ്. ഒരു ഫിൽട്ടർ ചെയ്ത API-യിൽ, ഒരു ഏജന്റ് ലൂപ്പിനുള്ളിലെ നിരസനങ്ങൾ മൂന്ന് വ്യത്യസ്ത പരാജയ രീതികളിൽ പ്രത്യക്ഷപ്പെടുന്നു:

• കടുപ്പമുള്ള നിരസനം — ഘട്ടം ഒരു ടൂൾ കോളിനുപകരം ഗദ്യം തിരികെ നൽകുന്നു, പാഴ്സർ പരാജയപ്പെടുന്നു, ലൂപ്പ് തകരുന്നു. ഉച്ചത്തിലെങ്കിലും.
• മൃദുവായ നിരസനം — കോൾ നടക്കുന്നു പക്ഷേ ആർഗ്യുമെന്റുകൾ ദുർബലപ്പെടുത്തിയതാണ്: ഒരു ചുരുക്കിയ ക്വറി, ഒരു മൂടിവച്ച പാരാമീറ്റർ, ഒരു ചുരുക്കിയ പേലോഡ്. ലൂപ്പ് നിശ്ശബ്ദമായി അപചയിച്ച അവസ്ഥയോടെ തുടരുന്നു, നാല് ഘട്ടങ്ങൾക്ക് ശേഷം നിങ്ങൾ അത് കണ്ടെത്തുന്നു.
• മുൻകൂർ ഒഴിവാക്കൽ — അടുത്തെത്തുന്നതിന് മുമ്പ് പദ്ധതി ഒരു നിയമാനുസൃത ശാഖയിൽ നിന്ന് അകന്നുപോകുന്നു. ഇത് നിങ്ങൾ ഒരിക്കലും കാണില്ല; നിങ്ങൾക്ക് ഒരു മോശം പദ്ധതി ലഭിക്കുന്നു, ഒരു വിശദീകരണവുമില്ല.

രണ്ടും മൂന്നും ചെലവേറിയവയാണ്, കാരണം അവ അദൃശ്യമാണ്: ഒരു പിശകില്ല, ലോഗുകളിൽ ഒന്നുമില്ല, grep ചെയ്യാൻ ഒന്നുമില്ല. നിരസന പാളിയില്ലാത്ത ഒരു എൻഡ്‌പോയിന്റ് ആ മുഴുവൻ വിഭാഗവും നീക്കുന്നു — മോഡലിന്റെ ടൂൾ-കോൾ ആർഗ്യുമെന്റുകൾ മോഡലിന്റെ ടൂൾ-കോൾ ആർഗ്യുമെന്റുകൾ തന്നെയാണ്.

നീണ്ട സ്വയംഭരണ ഓട്ടങ്ങൾ ആവശ്യമുള്ളതും എന്തായാലും സെൻസിറ്റീവ് വസ്തുക്കളെ സ്പർശിക്കുന്നതുമായ ഡൊമെയ്നുകളിലാണ് ഇത് ഏറ്റവും പ്രധാനം: സുരക്ഷാ ഗവേഷണവും റെഡ്-ടീമിംഗും, മാൽവെയറും സംഭവ വിശകലനവും, ക്ലിനിക്കൽ ഡോക്യുമെന്റ് പ്രോസസ്സിംഗ്, നിയമ ഡിസ്കവറി, അത് മോഡറേറ്റ് ചെയ്യുന്ന ഉള്ളടക്കത്തെക്കുറിച്ച് യുക്തിചിന്ത നടത്തേണ്ട മോഡറേഷൻ ഉപകരണങ്ങൾ. ഒരു മോഡറേഷൻ ക്ലാസിഫയർ നിർമ്മിക്കാൻ, താൻ വർഗ്ഗീകരിക്കുന്നത് നോക്കാൻ തയ്യാറുള്ള ഒരു മോഡൽ വേണം; അതൊരു വൈരുദ്ധ്യമല്ല, വെറും ജോലിയാണ്.

നീണ്ട ഓട്ടങ്ങൾക്കുള്ള പ്രായോഗിക കുറിപ്പുകൾ: ആസൂത്രണ ഘട്ടങ്ങളിൽ കൂടുതൽ ചിന്തയും യാന്ത്രിക ഘട്ടങ്ങളിൽ കുറച്ചും ചെലവഴിക്കാൻ reasoning_effort നിങ്ങളെ അനുവദിക്കുന്നു. മൂന്ന് ഭാഷാഭേദങ്ങളിലും സ്ട്രീമിംഗ് ലഭ്യമാണ്, അതിനാൽ ഒരു നീണ്ട ഘട്ടത്തിന് പുരോഗതി കാണിക്കാനോ നേരത്തെ നിർത്താനോ കഴിയും. 262,144 ടോക്കൺ സന്ദർഭം യഥാർത്ഥ പ്രവർത്തന അവസ്ഥ — ഫയൽ ഉള്ളടക്കങ്ങൾ, മുൻ ടൂൾ ഫലങ്ങൾ, നടക്കുന്ന ഒരു പദ്ധതി — ഓരോ ടേണും വീണ്ടും സംഗ്രഹിക്കാതെ പല ഘട്ടങ്ങളിലുടനീളം നിലനിർത്തുന്നു, ഏജന്റ് വ്യതിയാനത്തിന്റെ ഒരു സാധാരണ ഉറവിടം തന്നെയാണ് അത്.

07ഘടനാപരമായ ഔട്ട്പുട്ടും മൂന്ന് API ഭാഷാഭേദങ്ങളും

K2.6 json_schema-യും (കർശനമായ സ്കീമ-നിയന്ത്രിത ജനറേഷൻ) കൂടുതൽ അയഞ്ഞ response_format-ഉം പിന്തുണയ്ക്കുന്നു. കാറ്റലോഗിനെതിരെ അത് പരിശോധിക്കുക: ഇവിടത്തെ പന്ത്രണ്ട് മോഡലുകളിൽ രണ്ടെണ്ണം കർശനമായ സ്കീമ ഔട്ട്പുട്ട് പിന്തുണയ്ക്കുന്നില്ല, നിങ്ങളുടെ അടുത്ത പൈപ്പ്‌ലൈൻ ഘട്ടം JSON പാഴ്സ് ചെയ്യുന്നുവെങ്കിൽ, ആ കോളം ഓപ്ഷണലല്ല.

ഒരു സെൻസർ ചെയ്യാത്ത മോഡലിനെ ഇൻഫ്രാസ്ട്രക്ചറായി ഉപയോഗിക്ഷമമാക്കുന്നത് കർശനമായ സ്കീമ ഔട്ട്പുട്ടാണ്: നിങ്ങളുടെ സ്കീമയോട് യോജിക്കുന്ന ഒരു ഒബ്ജക്റ്റ് മോഡൽ പുറപ്പെടുവിക്കണമെങ്കിൽ, അത് അല്ലാതെ പറഞ്ഞേനെ എന്നതിൽ നിന്ന് സ്വതന്ത്രമായ ഒരു പാഴ്സ് ഗ്യാരണ്ടി നിങ്ങൾക്ക് ലഭിക്കുന്നു — ആമുഖമില്ല, ക്ഷമാപണമില്ല, നിങ്ങളുടെ JSON-ന് ചുറ്റും പൊതിഞ്ഞ ഖണ്ഡികയില്ല. നിരസന പാളിയില്ലായ്മയോടൊപ്പം, ഓരോ കോളിനും, ഓരോ ഡോക്യുമെന്റിനും, ഡോക്യുമെന്റ് എന്തിനെക്കുറിച്ചായാലും നിങ്ങളുടെ ഒബ്ജക്റ്റ് തിരികെ നൽകുന്ന ഒരു എക്സ്ട്രാക്ഷൻ എൻഡ്‌പോയിന്റാണ് അത്.

ഇന്റർഫേസ്	Kimi-K2.6 പിന്തുണ	കുറിപ്പുകൾ
/v1/chat/completions	ഉവ്വ്	OpenAI ഭാഷാഭേദം — നിലവിലുള്ള SDK-കൾക്ക് നേരിട്ട് മാറ്റിവയ്ക്കാം
/v1/messages	ഉവ്വ്	Anthropic ഭാഷാഭേദം — അതേ മോഡൽ, അതേ വെയ്റ്റുകൾ
/v1/responses	ഉവ്വ്	Responses-ശൈലിയിലുള്ള ഇന്റർഫേസ്
സ്ട്രീമിംഗ്	ഉവ്വ്	മൂന്ന് ഭാഷാഭേദങ്ങളിലും
ടൂൾ കോളിംഗ്	ഉവ്വ്	നേറ്റീവ്, JSON-സ്കീമ ടൂൾ നിർവചനങ്ങൾ
json_schema	ഉവ്വ്	കർശനമായ ഘടനാപരമായ ഔട്ട്പുട്ട്
response_format	ഉവ്വ്	കൂടുതൽ അയഞ്ഞ JSON മോഡ്
reasoning_effort	ഉവ്വ്	കോളിന് ചിന്താ ബജറ്റ് ട്യൂൺ ചെയ്യുക
വിഷൻ ഇൻപുട്ട്	ഉവ്വ്	ടെക്സ്റ്റിനൊപ്പം ഇമേജുകൾ

മൂന്ന് ഭാഷാഭേദങ്ങളും അതേ ക്ലസ്റ്ററിലെ അതേ വെയ്റ്റുകളെ അഭിസംബോധന ചെയ്യുന്നു. നിലവിലുള്ള ഒരു OpenAI ക്ലയന്റ് ബേസ് URL-ലേക്ക് ചൂണ്ടിക്കാണിക്കുക, model Kimi-K2.6-W4A16-AUTOROUND-REAP ആയി സെറ്റ് ചെയ്യുക, നിങ്ങൾ പ്രവർത്തിക്കുകയാണ്. അഭ്യർത്ഥന, പ്രതികരണ രൂപങ്ങൾ, സ്ട്രീമിംഗ് സെമാന്റിക്സ്, ഒരു ലൈവ് പ്ലേഗ്രൗണ്ട് എന്നിവ API ഡോക്യുമെന്റേഷനിൽ ഉണ്ട്.

08Kimi K2.6 തെറ്റായ തിരഞ്ഞെടുപ്പാകുന്നിടം

ശക്തികൾ മാത്രം ലിസ്റ്റ് ചെയ്യുന്ന ഒരു മോഡൽ വഴികാട്ടി ഒരു പരസ്യമാണ്. ഞങ്ങൾ നിങ്ങളെ മറ്റെവിടേക്കെങ്കിലും അയക്കുന്നിടം ഇതാ.

• ഒരൊറ്റ കടുപ്പമുള്ള പാസിൽ പരമാവധി പരിധി വേണം. Kimi-K3-ലേക്ക് പോയി 5 മടങ്ങ് നൽകുക. അതിനാണ് അത്.
• പിക്സൽ-കൃത്യമായ ദൃശ്യ ഗ്രൗണ്ടിംഗ് വേണം. ബൗണ്ടിംഗ് ബോക്സുകൾ, അപചയിച്ച സ്കാനുകളിലെ ഇടതൂർന്ന OCR, തിരക്കേറിയ രംഗങ്ങളിലെ കൃത്യമായ എണ്ണൽ എന്നിവ അതിന്റെ ഏറ്റവും ശക്തമായ മൈതാനമല്ല — ആദ്യം നിങ്ങളുടെ ഡാറ്റയിൽ പരീക്ഷിക്കുക.
• വിഷനില്ലാതെ വിലകുറഞ്ഞതിനെക്കാൾ വിലകുറഞ്ഞത് വേണം. കാറ്റലോഗിലെ പല മോഡലുകളും $0.50 / $2.00-ൽ ഇരിക്കുന്നു. K2.6-യുടെ പ്രീമിയം വാങ്ങിത്തരുന്നത് വിഷനും Kimi ഏജന്റിക് പ്രൊഫൈലുമാണ്; രണ്ടും വേണ്ടെങ്കിൽ, വിലകുറഞ്ഞ തട്ട് എടുക്കുക.
• ഒരൊറ്റ പ്രതികരണത്തിൽ 16,384-ൽ കൂടുതൽ ഔട്ട്പുട്ട് ടോക്കൺ വേണം. ആ പരിധി മുഴുവൻ കാറ്റലോഗിലുടനീളം ബാധകമാണ് — ഏത് മോഡൽ തിരഞ്ഞെടുത്താലും ദീർഘ ഡോക്യുമെന്റുകൾക്ക് ചങ്കുകളാക്കിയ ജനറേഷൻ വേണം.
• ബിറ്റ്-കൃത്യമായ അപ്‌സ്ട്രീം സ്വഭാവം വേണം. ഇതൊരു പ്രൂൺ ചെയ്തതും ക്വാണ്ടൈസ് ചെയ്തതുമായ ബിൽഡാണ്: ബോധപൂർവമായ, പ്രസിദ്ധീകരിച്ച ഒരു വ്യാപാരം. ഒരു പുനരുൽപ്പാദന പഠനത്തിന്, Moonshot-ന്റെ ഒറിജിനൽ വെയ്റ്റുകൾക്കെതിരെ പ്രവർത്തിപ്പിക്കുക.

Kimi K2.6, K3 ആർക്കിടെക്ചർ, ബെഞ്ച്മാർക്ക്, റിലീസ്-തീയതി കണക്കുകൾ Moonshot-റിപ്പോർട്ട് ചെയ്തതും അപ്‌സ്ട്രീം അടിത്തറയ്ക്കുള്ളതുമാണ്, ഞങ്ങളുടെ കംപ്രസ് ചെയ്ത ബിൽഡിനല്ല. മൾട്ടിമോഡൽ റാങ്കിംഗ് കണക്ക് ഒരു സ്വതന്ത്ര മൂന്നാം-കക്ഷി ലീഡർബോർഡിൽ നിന്നാണ്. Shannon ഗേറ്റ്‌വേ വിലകൾ 2026 സെപ്റ്റംബർ 5 വരെയുള്ള ലിസ്റ്റ് വിലകളാണ്.

09പതിവ് ചോദ്യങ്ങൾ

---

Shannon AI പ്രവർത്തിപ്പിക്കുന്നത് Shannon Lab LLC, ന്യൂ മെക്സിക്കോ, യുഎസ്എ ആണ്. സ്രോതസ്സുകൾ: Moonshot AI — Kimi K2 · REAP the Experts (arXiv 2510.13999) · Cerebras Research — REAP. അപ്‌സ്ട്രീം Kimi ബെഞ്ച്മാർക്ക് കണക്കുകൾ Moonshot-റിപ്പോർട്ട് ചെയ്തതും സ്വതന്ത്ര സ്ഥിരീകരണം കാത്തിരിക്കുന്നതുമാണ്; അവ ക്വാണ്ടൈസ് ചെയ്യാത്ത അടിത്തറയെയാണ് വിവരിക്കുന്നത്, Shannon-ന്റെ ക്വാണ്ടൈസ് ചെയ്ത ബിൽഡിനെയല്ല.