Цензургүй Kimi K2 API
Moonshot-ын триллион параметрийн агентийн суурь загвар дээрх хараа, төрөлх хэрэгсэл дуудалт ба 262K цонх — цензургүй, сая токен тутамд $0.78 оролт / $3.67 гаралт.
Товчхондоо
Kimi-K2.6 · W4A16-AUTOROUND-REAP бол Shannon gateway дээрх Kimi гэр бүлийн үнэ цэнийн түвшин юм. Энэ бол Moonshot AI-н 1 триллион параметрийн агентийн MoE — урт хэрэгсэл ашиглалтын гүйлгээнд зориулж бүтээгдсэн загвар — цензургүй, зургийн оролт, төрөлх хэрэгсэл дуудалт, хатуу JSON-схемийн гаралт, 262,144 токены контексттэйгээр, сая токен тутамд $0.78 / $3.67 үнээр үйлчилдэг. Түүний эгч загвар Kimi-K3 ойролцоогоор 5 дахин үнэтэй. 04-р хэсэг бол тэр 5 дахин зөрүү хэзээ танд ямар нэг зүйл авчирдаг, хэзээ юу ч авчирдаггүйг үнэнчээр өгүүлсэн тайлбар юм.
Ихэнх «хямд загварын» хуудсууд үнэндээ том загварын гэр бүлийн нэрийг зүүсэн жижиг загварын тухай байдаг. Энэ бол тийм биш. Kimi K2.6 бол бүрэн тэргүүн эгнээний хэмжээний суурь загвар — сийрэг Mixture-of-Experts бүтэцтэй триллион параметр, төрөлх хараа кодлогчтой, агентийн хэрэгсэл ашиглалтад шууд чиглэсэн сургалтын хөтөлбөртэй. Үүнийг үнэ цэнийн түвшин болгож байгаа зүйл нь жижиг тархи биш, харин илүү түрэмгий шахалтын жор юм. Тиймээс асуулт нь «энэ хангалттай сайн уу?» биш, харин «ямар ажлууд үүний болон 5 дахин үнэтэй эгч загварынх нь ялгааг үнэхээр мэдэрдэг вэ?» юм. Энэ өгүүллийн ихэнх нь яг үүнд хариулна.
01Kimi K2.6 үнэндээ юу вэ?
Kimi K2.6 бол Kimi цувралын ард зогсох Бээжингийн лаборатори Moonshot AI-н нээлттэй жинтэй загвар бөгөөд 2026 оны 4 сарын 20-нд гарсан. Энэ нь K2-г онцлог болгосон архитектурыг өвлөн авсан: ойролцоогоор нийт 1 триллион параметр, токен тутамд 32 орчим тэрбум идэвхтэй параметртэй сийрэг Mixture-of-Experts трансформер бөгөөд 61 давхарт давхар тутамд 384 мэргэжилтэн, чиглүүлсэн 8 дээр нэмээд 1 хуваалцсан байдлаар зохион байгуулагдсан, Multi-head Latent Attention-тэй. Аль ч токен дээр тэр триллионы багахан хэсэг л асдаг — яг ийм учраас ийм хэмжээний загварыг центээр үнэлэх боломжтой болдог.
Угсаа нь чухал, учир нь Moonshot юуг оновчилсон бэ гэдэг чухал. Анхны K2 нь ойролцоогоор 15.5 триллион токен дээр Muon / MuonClip оновчлогч ашиглан урьдчилан сургагдсан бөгөөд энэ оновчлогч нь триллион параметрийн MoE-г ийм хэмжээнд сургалтыг тогтворгүй болгодог анхаарлын дэлбэрэлт ба алдагдлын огцом үсрэлтээс хамгаалахаар тусгайлан бүтээгдсэн; Moonshot бүх сургалтын явцад тогтворгүй байдал огт гараагүй гэж мэдээлсэн. Энэ нь бусад бүх зүйлийн эх сурвалж юм — үүний ачаар тэд сургалтын төсвөө гал унтраахад биш, агентийн зан төлөвт зарцуулж чадсан.
K2.6 үүнийг хоёр чиглэлд өргөжүүлдэг. Нэгдүгээрт, энэ нь төрөлхөөсөө олон горимт: зураг болон видео кадрууд MoonViT буюу зургийг 448x448 хэсгүүдэд хуваан, хэсэг бүрийг хэлний загварын токены орон зайд шууд төсөөлдөг ~400М параметрийн хараа кодлогчоор дамждаг — харааны токенууд нь сохор загварыг тэжээж буй гаднаас залгасан тайлбарлагчид биш, бусад бүхнийхээ адил нэг дараалалд сууна. Хоёрдугаарт, энэ нь гүнзгий зохион байгуулалтад зориулж бүтээгдсэн: Moonshot-ын Agent Swarm ажил нь 300 хүртэлх салбарын нарийн мэргэшсэн дэд агентуудын хооронд зохицуулалт, нэг бие даасан гүйлгээнд 4,000 хүртэлх зохицуулагдсан алхмыг мэдээлсэн.
Moonshot-ын мэдээлсэн жишиг тестийн зураглал
Эдгээр нь шахагдаагүй K2.6 суурь загварын хувьд Moonshot-ын мэдээлсэн тоо баримт бөгөөд бидний хэмжилт биш. Нарийвчлалд нь биш, зураглалд нь ач холбогдол өгөх хэрэгтэй:
Цифрүүдийг нь биш, зураглалыг нь уншаарай. Хэрэгсэл ашигладаг ба хайлтаар удирддаг оноонууд өндөрт байна; цэвэр хүндрэлийн оноонууд доогуур байна. Энэ бол бүхнийг мэдэхээр биш, сайн үйлдэхээр сургагдсан загварын гарын үсэг — таны агентад хөтөч, shell, файлын систем байгаа бол зөв солилцоо, харин та ямар ч хэрэгсэлгүйгээр ганц хэцүү асуулт асууж байгаа бол буруу солилцоо юм.
02W4A16-AUTOROUND-REAP гэж юу гэсэн үг вэ
Загварын id дээрх дагавар бол чимэглэл биш. Энэ бол та ямар солилцоо хийж байгаагаа бодож үзэх боломжтой байхаар нийтлэгдсэн яг тэр шахалтын жор юм.
- W4A16 — жингүүд 4 битээр, идэвхжүүлэлтүүд 16 битээр тооцоологдоно. Жингийн санах ой bf16-тай харьцуулахад ойролцоогоор 4 дахин буурах хэдий ч алдаа хуримтлуулдаг арифметик нь 16 битийн нарийвчлалтай хэвээр үлддэг. Энэ бол маш том MoE загваруудыг үйлчлүүлэх стандарт өндөр чанарын цэг юм.
- AUTOROUND — Intel-ийн AutoRound квантчлагч. Энгийн ойролцоолол нь жин бүрийг тусад нь авч үзээд загварын түшиглэж байсан мэдээллийг хаядаг; AutoRound харин калибрацийн өгөгдөлд тулгуурлан бүхэлчлэх шийдвэрүүдээ сурдаг. 4 битийн зорилтод энэ бол схемийг дагасаар байгаа загвар, замаасаа хазайдаг загвар хоёрын ялгаа юм.
- REAP — Cerebras Research-ийн Router-weighted Expert Activation Pruning (arXiv 2510.13999, ICLR 2026). MoE дэх ихэнх мэргэжилтэн рүү ховор чиглүүлдэг. REAP нь мэргэжилтэн бүрийг чиглүүлэгчийн хаалганы утга болон идэвхжүүлэлтийн нормоор нь оноож, хамгийн ач холбогдол багатайг нь нэг цохилтоор хасдаг. Нийтлэгдсэн үр дүн: триллион параметрийн загваруудаас мэргэжилтнүүдийн 50 хүртэлх хувийг хассан ч суурь чанараа голчлон хадгалсан бөгөөд үүсгэх даалгаварт хасах нь мэргэжилтэн нэгтгэхээс давсан — нэгтгэх нь мэргэжилтнүүдийг хооронд нь бүдгэрүүлдэг бол хасах нь зүгээр л ашиглагдаагүйг нь хаядаг.
Тэр дарааллаар — эхлээд хасаад, үлдсэнийг нь квантчилах — хийвэл аль нэг арга ганцаараа ийм харьцаанд авчрах байсан чанарын нуралтгүйгээр багтдаг, хурдан ажилладаг загвар гарна. Зардлын талаар шулуухан хэлэхэд: шахагдсан загвар нь эх хувьтайгаа бит хүртэл ижил биш. Энэ жор юу авчирдаг вэ гэвэл доройтол нь зааврыг дагах, хэрэгслийн дуудлагын форматчлал, схем баримтлалд биш, харин таны анзаарах магадлал багатай газарт — ховор чиглүүлэлтийн замууд, магадлал багатай токены сүүлүүдэд буудаг.
03«Цензургүй» гэдэг нь энэ endpoint дээр юу гэсэн үг вэ
Энд цензургүй гэдэг нь хандлагын тухай биш, архитектурын тухай мэдэгдэл юм. Загварын өмнө татгалзах давхарга байхгүй, гаралтад нь агуулгын шүүлт байхгүй. Таны хүсэлт суурь загварт хүрч, түүний хариу танд хүрнэ; аль ч чиглэлд юу ч таслан зогсоохгүй.
Энэ ялгаа чухал, учир нь «цензургүй» гэдэг үгийг сул хэрэглэдэг. Энэ үгэн доор гурван өөр зүйл багцлагдсан байдаг:
- Оролтын ангилал — тусдаа загвар таны промптыг уншиж, түүнийг нэвтрүүлэх эсэхийг шийддэг. Энд байхгүй.
- Гаралтын шүүлт — сканнер үүсгэсэн текстийг шалгаж, тасалдуулах эсвэл орлуулдаг. Энд байхгүй.
- Суурь загварын өөрийнх нь хандлага — суурь загвар сургалтдаа юу сурсан нь. Энэ бол загварынх бөгөөд бид үүнийг устгасан гэж мэдэгдэхгүй.
Эхний хоёр нь үйлдвэрлэлийн системийг эвддэг зүйл бөгөөд бидний хасдаг хоёр нь яг тэдгээр. Хүсэлтийн 0.5% дээр асдаг ангилагч бол та дибаг хийж чадахгүй, давж заалдаж чадахгүй, урьдчилан харж чадахгүй 0.5% алдааны түвшин юм — мөн 200 алхамт агентийн гүйлгээнд алхам тутмын 0.5% алдаа хуримтлагдаж, амжилттай болохоосоо илүү олон удаа бүтэлгүйтдэг гүйлгээ болно. Ярианд гарсан татгалзал бол ядаргаа; бие даасан гүйлгээний 147 дахь алхам дээрх татгалзал гүйлгээний төлөвийг устгаж, тэр болтол зарцуулсан бүх зүйлийг шатаана. Агентийн ажлын ачааллын хувьд татгалзлын гадаргууг хасах нь хэв маягийн сонголт биш, найдвартай байдлын шинж чанар юм.
Үүний үр дагавар нь хариуцлага тан руу шилждэг явдал. Таны програм ба таны хэрэглэгчдийн хооронд ямар ч аюулгүйн тор байхгүй; таны бүтээгдэхүүнд ийм тор хэрэгтэй бол өөрөө харж, тохируулж, бүртгэж чаддаг газраа бүтээ. Эхлээд манай хариуцлагатай хэрэглээний бодлогыг уншина уу.
04Kimi K2.6 уу, Kimi K3 уу: 5 дахин их төлбөр хэзээ зохистой вэ?
Ихэнх уншигчид яг үүний төлөө ирсэн байх тул тойрч хэлэхгүйгээр өгье. Kimi-K3 · 3BIT-REAP бол илүү том, илүү шинэ суурь загвар: 2026 оны 7 сарын 16-нд зарлагдаж, 7 сарын 27-нд нээлттэй жинтэйгээр гарсан бөгөөд ойролцоогоор нийт 2.8 триллион параметр, токен тутамд 104 орчим тэрбум идэвхтэй — K2.6-ын идэвхтэй тооцооллоос 3 дахин их. Дээд урсгал дээр Moonshot K3-г K2.6-аас 5 дахин үнэтэйгээр жагсаадаг бөгөөд манай gateway-ийн үнэ тэр харьцааг дагадаг.
| Kimi-K2.6 · W4A16-AUTOROUND-REAP | Kimi-K3 · 3BIT-REAP | |
|---|---|---|
| 1M токен оролт | $0.78 | $3.83 |
| 1M токен гаралт | $3.67 | $19.12 |
| Контекстын цонх | 262,144 | 262,144 |
| Хүсэлт тутмын дээд гаралт | 16,384 | 16,384 |
| Зургийн оролт | Тийм | Тийм |
| Төрөлх хэрэгсэл дуудалт | Тийм | Тийм |
| Хатуу json_schema | Тийм | Тийм |
| Цензургүй | Тийм | Тийм |
| Токен тутмын идэвхтэй параметр | ~32B | ~104B |
Хүснэгт юуг харуулаагүйг нь хараарай: K3 нь K2.6-д байхгүй боломжтой байх мөр огт байхгүй. Ижил цонх, ижил дээд гаралт, ижил хараа, ижил хэрэгсэл дуудалт, ижил бүтэцтэй гаралт, ижил цензургүй байр суурь, ижил гурван аялгуу. 5 дахин үнэ яг нэг зүйлийг авчирна — дамжлага тутмын түүхий чадвар. Энэ бол бодит, гэхдээ ганц тэнхлэг бөгөөд таны нүсэр цэг биш тэнхлэгүүд дээр энэ юу ч хийхгүй.
Тодруулбал контекстын цонхны тухай
Дээд урсгал дээр K3-ын гол онцлог нь K2.6-ын 262K-тай харьцуулахад 1M токены контекст юм. Shannon gateway дээр хоёр загварыг хоёуланг нь 262,144 токеноор үйлчилдэг. Хэрэв урт контекст нь таны 5 дахин их төлөх шалтгаан байсан бол энд тэр шалтгаан үйлчлэхгүй — та нэмэлт төлбөр төлөөд ижил цонх авах болно. Ийм зүйлийг нийлүүлэгчид хэлэхгүй өнгөрөх сонирхолтой байдаг тул үүнийг тодоор бичлээ.
5 дахин их төлбөрийг хэзээ төлөх вэ
- Ганц оролдлого таарах ёстой үед. Дахин оролдох нь үнэтэй эсвэл боломжгүй ганц хүнд дамжлага — эргэлт буцалтгүй үйлдэл, урт дамжлагын төгсгөл дэх шийдвэр. Токен тутмын идэвхтэй параметр илүү байх нь яг нэг дамжлагын дээд хязгаарыг өсгөдөг зүйл юм.
- Даалгавар нь хэрэгслээр биш, мэдлэгээр хязгаарлагдсан үед. Хариулт нь жингүүдээс гарах ёстой гүнзгий нэгтгэл. K2.6-ын зураглал агентийн шинжтэй; хэрэгслүүдийг нь авбал том суурь загвар илэрнэ.
- Эзлэхүүн бага, эрсдэл өндөр үед. Сард 500 дуудлагад 5 дахин зөрүү нь $8-ын оронд $40 гэсэн үг. Зүгээр л илүү сайн загварыг ав.
5 дахин их төлбөрийг хэзээ төлөхгүй байх вэ
- Та гүйлгээ ажиллуулж байгаа үед. Урт агентийн гүйлгээнд механик алхмууд давамгайлдаг — файл унших, хэрэгсэл дуудах, үр дүн шалгах, дараагийнхыг сонгох — энэ яг K2.6-г сургасан зүйл. 200 алхам дээр 5 дахин зөрүү нь гүйлгээ тутамд $7.71 ба $38.29 болно.
- Та зургийг эзлэхүүнээр боловсруулж байгаа үед. Харааны ажлын ачаалал оролтын токеноор хүнд бөгөөд нэгж тутмын дүгнэлт нь өнгөц. 05-р хэсгийг үзээрэй; энэ ойрын өрсөлдөөн биш.
- Ажил нь задлан авах, ангилах, хувиргах үед. Баримтаас талбар татах, тасалбар чиглүүлэх, бичлэг жигдрүүлэх, товчлох — том загвар ижил JSON гаргадаг хязгаарлагдмал даалгаврууд.
- Танд шалгах алхам байгаа үед. Хэрэв гаралт шалгагддаг бол — тестийн багц, схем шалгагч, хоёр дахь дамжлага, эсвэл хүн — хааяа гарах алдаа хямд бөгөөд эдийн засаг эзлэхүүний талд шийдэмгий хазайна. Энэ бол үнэ цэнийн түвшний хамгийн дутуу үнэлэгдсэн аргумент.
Нэрлэх нь зүйтэй загвар: гүйлгээнд K2.6, дүгнэлтэд K3 ажиллуул. Хямд агентийн загвараар цуглуулах, дуудах, ноорог бичих зуун алхмыг хийлгээд, эцсийн нэгтгэлд ганц үнэтэй дуудлага зарц. Хоёр загвар ижил контекстын цонхтой, яг ижил API дээр ярьдаг тул сэлгэх нь model талбарын нэг мөрийн өөрчлөлт юм.
05Ажилладаг үнээр хараа
Энэ каталогт хараа бол K2.6-ын хамгийн хурц ирмэг. Gateway дээрх арван хоёр цензургүй загвараас ердөө дөрөв нь зураг хүлээж авдаг бөгөөд K2.6 бол 1 сая оролтын токен тутамд нэг доллараас доош үнээр зургийн оролтыг Kimi-ийн агентийн угсаатай хослуулсан цорын ганц загвар юм.
Харааны ажлын ачаалал ер бусын зардлын хэлбэртэй. Moonshot-ын MoonViT-ийн талаар нийтэлсэн тайлбараар 1024x1024 зураг ойролцоогоор 576 зургийн токен болж кодлогддог — мөн эдгээр нь дэвтрийн хямд тал болох оролтын токенууд юм. Ердийн харааны ажил бараг бүхэлдээ $3.67-ын биш $0.78-ын тарифт буудаг. 10,000 зураг ав, тус бүр нь ~200 токен промпттой (тэгэхээр ~776 оролтын токен) ба ~150 токен бүтэцтэй гаралттай:
| Ажлын ачаалал | Kimi-K2.6 | Kimi-K3 | Дахин |
|---|---|---|---|
| Нэг агентийн алхам (40K оролт / 2K гаралт) | $0.0385 | $0.1914 | 5.0x |
| 200 алхамт бие даасан гүйлгээ | $7.71 | $38.29 | 5.0x |
| 10,000 зураг, бүтэцтэй гаралт | $11.56 | $58.40 | 5.1x |
| Багц ажил (1M оролт / 200K гаралт) | $1.51 | $7.65 | 5.1x |
Shannon gateway-ийн жагсаалтын үнээр тооцов. Зургийн токены тооцоо нь 1024x1024 зурагт ~576 токен гэсэн Moonshot-ын нийтэлсэн MoonViT-ийн тоог ашигласан; яг токенчлол нь нягтрал ба харьцаанаас хамаарч өөрчлөгдөнө.
$11.56 үнэтэй зургийн дамжлагыг та өдөр бүр бодолгүй ажиллуулна. $58.40 үнэтэйг нь та төлөвлөж, зөвтгөж, эцэст нь таслана. Тэр зөрүү бол үнэ цэнийн түвшний бүхий л аргумент юм.
Нэг үнэнч тайлбар. Хараат бус олон горимт ба газарчилсан даалгаврын жагсаалтуудад K2.6 ойролцоогоор 115 загвараас #26, дундаж 68.1 орчим гэж мэдээлэгдсэн — хүндлэлтэй, гэхдээ ангиа тэргүүлээгүй. Түүний хараа нь баримт ойлгох, дэлгэцийн зураг ба UI унших, график эсвэл диаграмм тайлбарлахад үнэхээр хүчтэй; яг таг орон зайн газарчлалд — нарийн хүрээ хайрцаг, замбараагүй дүрсэн дэх нарийвчилсан тоолол, доройтсон сканы нягт OCR — сул. Хэрэв танд пикселийн нарийвчлалтай байршуулалт хэрэгтэй бол эхлээд өөрийн өгөгдөл дээрээ жишиг тест хий. Хэрэв танд дэлгэцийн зургийг хараад дараа нь юун дээр дарахыг шийдэх загвар хэрэгтэй бол энэ бол яг зөв хэрэгсэл.
06Татгалзалгүй хэрэгсэл дуудалт ба агентийн гүйлгээ
K2.6 нь төрөлх хэрэгсэл дуудалтыг дэмждэг: загвар нь задлан ойлгогдох текст гаргахаар ятгуулах бус, таны өгсөн JSON-схемийн хэрэгслийн тодорхойлолтуудаас шууд бүтэцтэй хэрэгслийн дуудлага гаргадаг. Олон ээлжийн яриа ба системийн промпттой хамт энэ бол агентийн гүйлгээний бүрэн суурь юм.
«Татгалзалгүй хэрэгсэл дуудалт» юу нэмдэг нь сонсогдохоос илүү нарийн. Шүүлттэй API дээр агентийн гүйлгээн доторх татгалзал гурван ялгаатай алдааны хэлбэрээр гарч ирдэг:
- Хатуу татгалзал — алхам нь хэрэгслийн дуудлагын оронд текст буцаана, задлагч унана, гүйлгээ тасарна. Ядаж чанга.
- Зөөлөн татгалзал — дуудлага хийгдэнэ, гэхдээ аргументууд нь дарагдсан байна: нарийсгасан хайлт, тойруулсан параметр, тасалсан ачаалал. Гүйлгээ чимээгүй доройтсон төлөвтэй үргэлжилж, та дөрвөн алхмын дараа мэдэж авна.
- Урьдчилан зайлсхийх — төлөвлөгөө нь хууль ёсны салаа руу ойртохоосоо өмнө түүнээс холдоно. Та үүнийг хэзээ ч харахгүй; зүгээр л илүү муу төлөвлөгөө авна, тайлбар байхгүй.
Хоёр, гурав дахь нь үнэтэйд тооцогдоно, учир нь тэдгээр нь үл үзэгдэх: алдаа байхгүй, бүртгэлд юу ч байхгүй, grep хийх зүйл байхгүй. Татгалзах давхаргагүй endpoint энэ бүхэл ангийг арилгадаг — загварын хэрэгслийн дуудлагын аргументууд бол загварын хэрэгслийн дуудлагын аргументууд.
Энэ нь урт бие даасан гүйлгээ шаарддаг бөгөөд ямар ч байсан эмзэг материалд хүрдэг салбаруудад хамгийн чухал: аюулгүй байдлын судалгаа ба red-teaming, хортой програм ба ослын шинжилгээ, эмнэлгийн баримт боловсруулалт, эрх зүйн нээлт, мөн модерацлаж буй агуулгынхаа талаар дүгнэлт хийх ёстой модерацийн хэрэгслүүд. Модерацийн ангилагч бүтээхэд юу ангилж байгаагаа харахад бэлэн загвар хэрэгтэй; энэ бол парадокс биш, зүгээр л ажил юм.
Урт гүйлгээнд зориулсан практик тэмдэглэл: reasoning_effort нь төлөвлөлтийн алхмуудад илүү, механик алхмуудад бага бодох боломж олгодог. Стриминг гурван аялгуу дээр бүгд байгаа тул урт алхам явцаа харуулах эсвэл эрт таслагдах боломжтой. Мөн 262,144 токены контекст нь бодит ажлын төлөвийг — файлын агуулга, өмнөх хэрэгслийн үр дүн, явж буй төлөвлөгөө — ээлж бүрт дахин товчлохгүйгээр олон алхмын турш байлгадаг бөгөөд дахин товчлол өөрөө агентийн хазайлтын түгээмэл эх сурвалж юм.
07Бүтэцтэй гаралт ба API-н гурван аялгуу
K2.6 нь json_schema (схемээр хатуу хязгаарлагдсан үүсгэлт) болон илүү сул response_format хоёуланг дэмждэг. Үүнийг каталогтой тулгаж үзээрэй: эндхийн арван хоёр загварын хоёр нь хатуу схемийн гаралтыг дэмждэггүй, мөн таны дараагийн дамжлагын шат JSON задалдаг бол тэр багана сонголтын зүйл биш.
Хатуу схемийн гаралт бол цензургүй загварыг дэд бүтэц болгон ашиглах боломжтой болгодог зүйл: хэрэв загвар таны схемд тохирох объект гаргах ёстой бол та түүний өөр тохиолдолд юу хэлэх байснаас үл хамааран задлан ойлгох баталгаа авна — оршил байхгүй, уучлалт байхгүй, таны JSON-г тойрсон догол мөр байхгүй. Татгалзах давхарга байхгүйтэй хослуулбал энэ бол баримт нь юуны тухай ч бай, баримт бүр дээр, дуудлага бүр дээр таны объектыг буцаадаг задлан авах endpoint юм.
| Гадаргуу | Kimi-K2.6 дэмжлэг | Тэмдэглэл |
|---|---|---|
| /v1/chat/completions | Тийм | OpenAI аялгуу — одоо байгаа SDK-д шууд тохирно |
| /v1/messages | Тийм | Anthropic аялгуу — ижил загвар, ижил жингүүд |
| /v1/responses | Тийм | Responses маягийн интерфейс |
| Стриминг | Тийм | Гурван аялгуу дээр бүгд |
| Хэрэгсэл дуудалт | Тийм | Төрөлх, JSON-схемийн хэрэгслийн тодорхойлолт |
| json_schema | Тийм | Хатуу бүтэцтэй гаралт |
| response_format | Тийм | Илүү сул JSON горим |
| reasoning_effort | Тийм | Дуудлага тутамд бодох төсвөө тохируулна |
| Зургийн оролт | Тийм | Текстийн хажуугаар зураг |
Гурван аялгуу бүгд нэг кластер дээрх ижил жингүүд рүү ханддаг. Одоо байгаа OpenAI клиентээ суурь URL руу чиглүүлж, model-ыг Kimi-K2.6-W4A16-AUTOROUND-REAP болгож тохируулбал та ажиллаж байна. Хүсэлт ба хариултын хэлбэр, стримингийн семантик, шууд туршилтын талбар нь API баримт бичигт байгаа.
08Kimi K2.6 хаана буруу сонголт болох вэ
Зөвхөн давуу талыг жагсаасан загварын гарын авлага бол зар сурталчилгаа. Бид таныг өөр тийш явуулах газрууд энд байна.
- Танд ганц хүнд дамжлагын үнэмлэхүй дээд хязгаар хэрэгтэй бол. Kimi-K3 руу очиж 5 дахин их төл. Тэр яг үүнд зориулагдсан.
- Танд пикселийн нарийвчлалтай харааны газарчлал хэрэгтэй бол. Хүрээ хайрцаг, доройтсон сканы нягт OCR, замбараагүй дүрсэн дэх яг таг тоолол нь түүний хамгийн хүчтэй талбар биш — эхлээд өөрийн өгөгдөл дээрээ турш.
- Танд хараагүй ч гэсэн хямдаас хямд хэрэгтэй бол. Каталогийн хэд хэдэн загвар $0.50 / $2.00 дээр байдаг. K2.6-ын нэмэлт үнэ нь хараа ба Kimi-ийн агентийн зураглалыг авчирдаг; хэрэв танд аль нь ч хэрэггүй бол хямд түвшнийг ав.
- Танд нэг хариултад 16,384-өөс олон гаралтын токен хэрэгтэй бол. Энэ хязгаар бүх каталогт үйлчилнэ — урт баримт аль ч загвар сонгосон хэсэгчилсэн үүсгэлт шаардана.
- Танд дээд урсгалын бит хүртэл яг ижил зан төлөв хэрэгтэй бол. Энэ бол хасагдаж, квантчлагдсан бүтээц: зориудын, нийтлэгдсэн солилцоо. Давтагдах чанарын судалгаанд Moonshot-ын анхны жингүүд дээр ажиллуулаарай.
Энд байгаа дээд урсгалын тоо баримт бүрийг Moonshot AI эсвэл хараат бус судлаачид нийтэлсэн. Бидний өөрсдийн тоонууд — үнэ, контекст, дээд гаралт, боломжийн тэмдэглэгээ — та өөрөө асууж болох шууд /v1/models endpoint-оос шууд ирдэг. Хоёуланг нь шалгаарай.
Kimi K2.6 ба K3-ын архитектур, жишиг тест, гарсан огнооны тоо баримтыг Moonshot мэдээлсэн бөгөөд бидний шахагдсан бүтээцийг биш, дээд урсгалын суурь загварыг харуулж байна. Олон горимт эрэмбийн тоо нь хараат бус гуравдагч талын жагсаалтаас авсан. Shannon gateway-ийн үнэ нь 2026 оны 9 сарын 5-ны байдлаарх жагсаалтын үнэ юм.
09Түгээмэл асуултууд
Цензургүй Kimi K2 API байдаг уу?
Тийм. Shannon AI нь Kimi-K2.6-г бидний өөрсдийн GPU кластер дээр цензургүй endpoint болгон үйлчилдэг: загварын өмнө татгалзах давхарга байхгүй, гаралтад нь ямар ч агуулгын шүүлт хэрэглэдэггүй. Та 262,144 токены контекстын цонх, зургийн оролт, төрөлх хэрэгсэл дуудалттайгаар суурь загварын өөрийнх нь зан төлөвийг авна.
Цензургүй Kimi K2.6 API ямар үнэтэй вэ?
Kimi-K2.6 нь 1 сая оролтын токен тутамд $0.78, 1 сая гаралтын токен тутамд $3.67 байна. 40K оролт, 2K гаралттай ердийн агентийн алхам ойролцоогоор 3.9 цент; 200 алхамт бие даасан гүйлгээ ойролцоогоор $7.71 болно.
Kimi K2.6 нь Shannon AI дээр хараа дэмждэг үү?
Тийм. Kimi-K2.6 нь текстийн хажуугаар зургийн оролт хүлээн авдаг. Энэ бол Shannon-ы каталог дахь хараатай ердөө дөрвөн загварын нэг бөгөөд 1 сая оролтын токен тутамд нэг доллараас доош үнээр хараа болон Kimi-ийн агентийн угсааг хослуулсан цорын ганц загвар юм.
Би Kimi K2.6 эсвэл Kimi K3-ын алийг нь ашиглах ёстой вэ?
Kimi K3 нь илүү том суурь загварын төлөө ойролцоогоор 5 дахин үнэтэй ($3.83/$19.12 харьцангуй $0.78/$3.67). Ганц хүнд дүгнэлтийн дамжлага эхний оролдлогоор таарах ёстой бөгөөд дахин оролдох нь үнэтэй үед K3-г сонго. Урт агентийн гүйлгээ, зургийн дамжлага, задлан авах ажил, мянга дахин ажиллуулдаг бүх зүйл гэх мэт эзлэхүүнд K2.6-г сонго — тэнд 5 дахин зөрүү нь боломжтой, боломжгүйн ялгаа болдог.
Цензургүй Kimi K2 API хэрэгсэл дуудалт ба JSON схем дэмждэг үү?
Хоёуланг нь дэмждэг. Kimi-K2.6 нь /v1/chat/completions, /v1/messages, /v1/responses гэсэн API-н гурван аялгуу дээр төрөлх хэрэгсэл дуудалт, хатуу json_schema бүтэцтэй гаралт, response_format-ыг дэмждэг. Стриминг болон reasoning_effort гурвуулан дээр нь дэмжигддэг.
Kimi-K2.6-г цензургүйгээр ажиллуул
Хараа, хэрэгсэл дуудалт, 262K контекст. Сая токен тутамд $0.78 оролт / $3.67 гаралт.
API Баримт Бичгийг Унших Бүх Загварыг ҮзэхЗагварын id: Kimi-K2.6-W4A16-AUTOROUND-REAP · бидний өөрсдийн GPU кластер дээр үйлчилдэг
Shannon AI-г АНУ-ын Нью-Мексико муж дахь Shannon Lab LLC ажиллуулдаг. Эх сурвалж: Moonshot AI — Kimi K2 · REAP the Experts (arXiv 2510.13999) · Cerebras Research — REAP. Дээд урсгалын Kimi-ийн жишиг тестийн тоо баримтыг Moonshot мэдээлсэн бөгөөд хараат бус баталгаажуулалт хүртэл түр зуурынх; тэдгээр нь Shannon-ы квантчлагдсан бүтээцийг биш, шахагдаагүй суурь загварыг тодорхойлдог.