Usensurert Kimi K2-API

De fleste sider om «billige modeller» handler egentlig om en liten modell som bærer en stor modells familienavn. Denne gjør ikke det. Kimi K2.6 er en fullverdig grunnmodell i frontlinjeskala — en billion parametere med tynn Mixture-of-Experts, med en innebygd synskoder og et treningsprogram rettet rett mot agentisk verktøybruk. Det som gjør den til verdinivået, er ikke en mindre hjerne, men en mer aggressiv komprimeringsoppskrift. Spørsmålet er derfor ikke «er den god nok?», men «hvilke jobber merker faktisk forskjellen på denne og søstermodellen som koster 5x så mye?» Det meste av denne artikkelen svarer på det.

01Hva er Kimi K2.6, egentlig?

Kimi K2.6 er en modell med åpne vekter fra Moonshot AI, labben i Beijing bak Kimi-serien, sluppet 20. april 2026. Den arver arkitekturen som gjorde K2 bemerkelsesverdig: en tynn Mixture-of-Experts-transformer med rundt 1 billion totale parametere og omtrent 32 milliarder aktive per token, organisert som 384 eksperter, 8 rutede pluss 1 delt per lag over 61 lag, med Multi-head Latent Attention. Bare en liten skive av den billionen fyrer på et gitt token — og det er nettopp derfor en modell av denne størrelsen kan prises i cent.

Avstamningen betyr noe på grunn av hva Moonshot optimerte for. Den opprinnelige K2 ble fortrent på rundt 15.5 billioner tokens med optimereren Muon / MuonClip, bygget spesifikt for å hindre at en MoE med en billion parametere lider av oppmerksomhetseksplosjonene og tapstoppene som destabiliserer trening i den skalaen; Moonshot rapporterte null treningsustabilitet gjennom hele kjøringen. Det ligger oppstrøms for alt annet — det lot dem bruke treningsbudsjettet på agentisk atferd i stedet for på brannslukking.

K2.6 utvider dette i to retninger. For det første er den innebygd multimodal: bilder og videobilder går gjennom MoonViT, en synskoder på rundt 400M parametere som deler et bilde i fliser på 448x448 og projiserer hver flis rett inn i språkmodellens tokenrom — visuelle tokens ligger i den samme sekvensen som alt annet, ikke i en påmontert bildetekster som mater en blind modell. For det andre er den bygget for orkestrering i dybden: Moonshots arbeid med Agent Swarm rapporterer koordinering på tvers av opptil 300 domenespesialiserte underagenter og så mye som 4,000 koordinerte steg i én enkelt autonom kjøring.

Moonshots rapporterte benchmark-profil

Dette er tall rapportert av Moonshot for den ukomprimerte K2.6-grunnmodellen, ikke våre målinger. Nyttige for formen, ikke for presisjonen:

Les formen, ikke sifrene. Skårer for verktøybruk og søkedrevet arbeid ligger høyt; skårer for ren vanskelighetsgrad ligger lavere. Det er signaturen til en modell trent til å handle godt snarere enn å vite alt — riktig avveining hvis agenten din har en nettleser, et skall og et filsystem, feil avveining hvis du stiller ett vanskelig spørsmål uten verktøy i det hele tatt.

02Hva W4A16-AUTOROUND-REAP betyr

Suffikset på modell-ID-en er ikke pynt. Det er den eksakte komprimeringsoppskriften, publisert så du kan resonnere om avveiningen du gjør.

• W4A16 — vekter med 4 bits, aktiveringer regnet med 16. Vektminnet faller rundt 4x mot bf16, mens regnearbeidet som akkumulerer feil holder 16-bits presisjon. Dette er standardpunktet for servering av svært store MoE-modeller med høy kvalitet.
• AUTOROUND — Intels AutoRound-kvantiserer. Naiv avrunding til nærmeste behandler hver vekt uavhengig og kaster informasjon modellen var avhengig av; AutoRound lærer avrundingsvalgene mot kalibreringsdata i stedet. Med 4 bits som mål er det forskjellen på en modell som fortsatt følger et skjema og en som driver av gårde.
• REAP — Router-weighted Expert Activation Pruning, fra Cerebras Research (arXiv 2510.13999, ICLR 2026). De fleste eksperter i en MoE blir sjelden rutet til. REAP scorer hver av dem både på ruterens portverdier og på aktiveringsnormene, og fjerner så de minst fremtredende i ett enkelt skudd. Det publiserte resultatet: opptil 50% av ekspertene beskåret fra modeller med en billion parametere med i stor grad bevart utgangskvalitet, og at beskjæring slår sammenslåing av eksperter på generative oppgaver — sammenslåing visker spesialistene ut i hverandre, beskjæring dropper bare de ubrukte.

Brukt i den rekkefølgen — beskjær først, kvantiser det som blir igjen — får du en modell som får plass og går fort uten kvalitetskollapsen noen av teknikkene alene ville forårsaket ved disse forholdstallene. For å være direkte om kostnaden: en komprimert modell er ikke bit-identisk med originalen. Det oppskriften kjøper, er at forringelsen havner der du neppe legger merke til den — sjeldne rutingveier, haler av tokens med lav sannsynlighet — snarere enn i instruksjonsfølging, formatering av verktøykall eller skjemaetterlevelse.

03Hva «usensurert» betyr på dette endepunktet

Usensurert er her en påstand om arkitektur, ikke om holdning. Det finnes ikke noe avvisningslag foran modellen og ingen innholdsfiltrering av utdataene. Forespørselen din når grunnmodellen og svaret dens når deg; ingenting fanger opp noen av retningene.

Det skillet betyr noe, fordi «usensurert» brukes løst. Tre ulike ting samles under ordet:

1. Klassifisering av inndata — en egen modell leser prompten din og avgjør om den slipper gjennom. Finnes ikke her.
2. Filtrering av utdata — en skanner inspiserer generert tekst og kutter eller erstatter den. Finnes ikke her.
3. Grunnmodellens egne disposisjoner — hva enn basismodellen lærte under trening. Det er modellens eget, og vi hevder ikke å ha visket det ut.

De to første er det som ødelegger produksjonssystemer, og det er de to vi fjerner. En klassifiserer som slår ut på 0.5% av forespørslene, er en feilrate på 0.5% du ikke kan feilsøke, ikke kan anke og ikke kan se komme — og over en agentsløyfe på 200 steg vokser 0.5% feil per steg til en kjøring som feiler oftere enn den lykkes. En avvisning i en samtale er en irritasjon; en avvisning på steg 147 i en autonom kjøring ødelegger kjøringens tilstand og brenner opp alt du brukte på å komme dit. For agentarbeid er det å fjerne avvisningsflaten en pålitelighetsegenskap, ikke en stilpreferanse.

Følgen er at ansvaret flytter til deg. Det finnes ikke noe sikkerhetsnett mellom applikasjonen din og brukerne dine; trenger produktet ditt et, bygg det der du kan se det, justere det og logge det. Les gjerne policyen vår for ansvarlig bruk først.

04Kimi K2.6 mot Kimi K3: når er 5x verdt det?

Dette er valget de fleste leserne kom for, så her er det uten forbehold. Kimi-K3 · 3BIT-REAP er den større, nyere grunnmodellen: annonsert 16. juli 2026 med åpne vekter 27. juli, på rundt 2.8 billioner totale parametere og omtrent 104 milliarder aktive per token — mer enn 3x K2.6s aktive regnekraft. Oppstrøms lister Moonshot K3 til rundt 5x K2.6s pris, og gateway-prisingen vår følger det forholdet.

	Kimi-K2.6 · W4A16-AUTOROUND-REAP	Kimi-K3 · 3BIT-REAP
Inn / 1M tokens	$0.78	$3.83
Ut / 1M tokens	$3.67	$19.12
Kontekstvindu	262,144	262,144
Maks utdata / forespørsel	16,384	16,384
Bilder som inndata	Ja	Ja
Innebygde verktøykall	Ja	Ja
Streng json_schema	Ja	Ja
Usensurert	Ja	Ja
Aktive parametere / token	~32B	~104B

Se på hva tabellen ikke viser: det finnes ingen rad der K3 har en egenskap K2.6 mangler. Samme vindu, samme maks utdata, samme syn, samme verktøykall, samme strukturerte utdata, samme usensurerte holdning, samme tre dialekter. De 5x kjøper nøyaktig én ting — rå kapasitet per foroverkjøring. Det er reelt, men det er én enkelt akse, og den gjør ingenting på aksene der den ikke er flaskehalsen din.

Spesielt om kontekstvinduet

Oppstrøms er K3s hovedargument en kontekst på 1M tokens mot K2.6s 262K. På Shannon-gatewayen serveres begge modellene med 262,144 tokens. Var lang kontekst grunnen din til å betale 5x, gjelder ikke den grunnen her — du ville betalt tillegget og fått det samme vinduet. Dette er den typen ting en leverandør fristes til å la være å si, og det er derfor det står i fet skrift.

Betal de 5x når

• Ett skudd må treffe. Én vanskelig runde der et nytt forsøk er dyrt eller umulig — en irreversibel handling, en avgjørelse på slutten av en lang pipeline. Flere aktive parametere per token er nettopp det som hever taket på én runde.
• Oppgaven er kunnskapsbundet, ikke verktøybundet. Dyp syntese der svaret må komme ut av vektene. K2.6s profil er agentisk; ta bort verktøyene, og den større grunnmodellen viser seg.
• Volumet er lavt og innsatsen høy. Ved 500 kall i måneden er 5x $40 i stedet for $8. Bare kjøp den bedre modellen.

Ikke betal de 5x når

• Du kjører en sløyfe. Lange agentiske kjøringer domineres av mekaniske steg — les en fil, kall et verktøy, sjekk et resultat, velg det neste — som er nøyaktig det K2.6 ble trent for. Ved 200 steg er de 5x $7.71 mot $38.29 per kjøring.
• Du behandler bilder i volum. Synsarbeid er tungt på inn-tokens, og resonneringen per element er grunn. Se avsnitt 05; det er ikke i nærheten av jevnt.
• Jobben er uttrekk, klassifisering eller omforming. Å hente felter ut av dokumenter, rute henvendelser, normalisere poster, oppsummere — avgrensede oppgaver der en større modell produserer den samme JSON-en.
• Du har et verifiseringssteg. Blir utdataene sjekket — en testsuite, en skjemavalidator, en ny runde, et menneske — er sporadiske bommer billige, og økonomien favoriserer volum kontant. Dette er det mest undervurderte argumentet for verdinivået.

Et mønster verdt å navngi: kjør K2.6 for sløyfa og K3 for dommen. La den billige agentiske modellen ta de hundre stegene med innhenting, kalling og utkast, og bruk så ett dyrt kall på den endelige syntesen. Begge modellene snakker det identiske API-et med det samme kontekstvinduet, så å bytte er en endring på én linje i model-feltet.

05Syn til en pris som fungerer

Syn er K2.6s skarpeste egg i denne katalogen. Av de tolv usensurerte modellene på gatewayen tar bare fire imot bilder i det hele tatt, og K2.6 er den eneste som kombinerer bilder som inndata med den agentiske Kimi-avstamningen under én dollar per million inn-tokens.

Synsarbeid har en uvanlig kostnadsform. Ifølge Moonshots publiserte beskrivelse av MoonViT kodes et bilde på 1024x1024 til rundt 576 bilde-tokens — og det er inn-tokens, den billige siden av regnskapet. En typisk synsjobb havner nesten i sin helhet på taksten $0.78 snarere enn $3.67. Ta 10,000 bilder, hvert med ~200 tokens prompt (altså ~776 inn-tokens) og ~150 tokens strukturert utdata:

Arbeidsmengde	Kimi-K2.6	Kimi-K3	Faktor
Ett agentsteg (40K inn / 2K ut)	$0.0385	$0.1914	5.0x
Autonom kjøring på 200 steg	$7.71	$38.29	5.0x
10,000 bilder, strukturert utdata	$11.56	$58.40	5.1x
Bulkjobb (1M inn / 200K ut)	$1.51	$7.65	5.1x

Beregnet fra listeprisene på Shannon-gatewayen. Anslaget for bilde-tokens bruker Moonshots publiserte MoonViT-tall på ~576 tokens for et bilde på 1024x1024; eksakt tokenisering varierer med oppløsning og sideforhold.

En bildepipeline til $11.56 er noe du kjører daglig uten å tenke over det. En til $58.40 er noe du planlegger, forsvarer og til slutt kutter. Det gapet er hele argumentet for et verdinivå.

Ett ærlig forbehold. På uavhengige rangeringer for multimodale og forankrede oppgaver har K2.6 blitt rapportert rundt 26. plass av 115 modeller, snitt nær 68.1 — respektabelt, ikke ledende i klassen. Synet er genuint sterkt på dokumentforståelse, lesing av skjermbilder og brukergrensesnitt, og tolkning av grafer og diagrammer; det er svakere på presis romlig forankring — eksakte avgrensningsbokser, finkornet telling i rotete scener, tett OCR av forringede skanninger. Trenger du pikselnøyaktig lokalisering, test på dine egne data først. Trenger du en modell som ser på et skjermbilde og avgjør hva den skal klikke på neste gang, er dette helt klart riktig verktøy.

06Verktøykall uten avvisninger, og agentsløyfer

K2.6 støtter innebygde verktøykall: modellen sender ut strukturerte verktøyanrop direkte fra JSON-skjema-verktøydefinisjonene du oppgir, i stedet for å bli lokket til å produsere tekst som kan parses. Med flerrundes samtale og systemprompter er det hele underlaget for en agentsløyfe.

Det «verktøykall uten avvisninger» legger til, er mer subtilt enn det høres ut. På et filtrert API dukker avvisninger inne i en agentsløyfe opp i tre distinkte feilmoduser:

• Hard avvisning — steget returnerer prosa i stedet for et verktøykall, parseren feiler, sløyfa brekker. Høylytt, i det minste.
• Myk avvisning — kallet gjøres, men argumentene er halvhjertede: en innsnevret spørring, en forbeholden parameter, en avkortet nyttelast. Sløyfa fortsetter med stille forringet tilstand, og du finner det ut fire steg senere.
• Foregripende unngåelse — planen styrer unna en legitim gren før den kommer i nærheten av den. Denne ser du aldri; du får bare en dårligere plan og ingen forklaring.

Nummer to og tre er de dyre, fordi de er usynlige: ingen feil, ingenting i loggene, ingenting å grep-e etter. Et endepunkt uten avvisningslag fjerner hele klassen — modellens verktøykallargumenter er modellens verktøykallargumenter.

Dette betyr mest i domenene som trenger lange autonome kjøringer og uansett berører sensitivt materiale: sikkerhetsforskning og red teaming, skadevare- og hendelsesanalyse, behandling av kliniske dokumenter, juridisk bevisinnhenting, og modereringsverktøy som må resonnere om innholdet de modererer. Å bygge en modereringsklassifiserer krever en modell som er villig til å se på det den klassifiserer; det er ikke et paradoks, bare jobben.

Praktiske merknader for lange kjøringer: reasoning_effort lar deg bruke mer tenking på planleggingssteg og mindre på mekaniske. Strømming er tilgjengelig på alle tre dialektene, så et langt steg kan vise fremdrift eller avbrytes tidlig. Og 262,144 tokens kontekst holder reell arbeidstilstand — filinnhold, tidligere verktøyresultater, en løpende plan — tilgjengelig over mange steg uten å oppsummere på nytt hver runde, noe som i seg selv er en vanlig kilde til agentdrift.

07Strukturert utdata og de tre API-dialektene

K2.6 støtter både json_schema (streng skjemabegrenset generering) og den løsere response_format. Sjekk det mot katalogen: to av de tolv modellene her støtter ikke streng skjemautdata, og hvis neste trinn i pipelinen din parser JSON, er den kolonnen ikke valgfri.

Streng skjemautdata er det som gjør en usensurert modell brukbar som infrastruktur: må modellen sende ut et objekt som følger skjemaet ditt, får du en parsegaranti uavhengig av hva den ellers ville sagt — ingen innledning, ingen unnskyldning, ingen avsnitt viklet rundt JSON-en din. Kombinert med fraværet av et avvisningslag er det et uttrekksendepunkt som returnerer objektet ditt ved hvert kall, for hvert dokument, uansett hva dokumentet handler om.

Flate	Støtte i Kimi-K2.6	Merknader
/v1/chat/completions	Ja	OpenAI-dialekten — rett inn i eksisterende SDK-er
/v1/messages	Ja	Anthropic-dialekten — samme modell, samme vekter
/v1/responses	Ja	Grensesnitt i Responses-stil
Strømming	Ja	På alle tre dialektene
Verktøykall	Ja	Innebygd, verktøydefinisjoner med JSON-skjema
json_schema	Ja	Streng strukturert utdata
response_format	Ja	Løsere JSON-modus
reasoning_effort	Ja	Juster tenkebudsjettet per kall
Bilder som inndata	Ja	Bilder ved siden av tekst

Alle tre dialektene når de samme vektene på den samme klyngen. Pek en eksisterende OpenAI-klient mot base-URL-en, sett model til Kimi-K2.6-W4A16-AUTOROUND-REAP, og du er i gang. Formen på forespørsler og svar, strømmesemantikken og en interaktiv lekegrind finner du i API-dokumentasjonen.

08Der Kimi K2.6 er feil valg

En modellguide som bare lister opp styrker, er en reklame. Her er tilfellene der vi ville sendt deg et annet sted.

• Du trenger det absolutte taket på én vanskelig runde. Gå til Kimi-K3 og betal de 5x. Det er det den er til for.
• Du trenger pikselnøyaktig visuell forankring. Avgrensningsbokser, tett OCR på forringede skanninger og eksakt telling i rotete scener er ikke dens sterkeste side — test på dine data først.
• Du trenger billigere enn billig, uten syn. Flere modeller i katalogen ligger på $0.50 / $2.00. K2.6s tillegg kjøper syn og den agentiske Kimi-profilen; trenger du ingen av delene, ta det billigere nivået.
• Du trenger mer enn 16,384 utdata-tokens i ett svar. Det taket gjelder hele katalogen — lange dokumenter krever oppstykket generering uansett hvilken modell du velger.
• Du vil ha bit-eksakt atferd som oppstrøms. Dette er en beskåret og kvantisert bygging: en bevisst, publisert avveining. Til en reproduserbarhetsstudie, kjør mot Moonshots originale vekter.

Tall for arkitektur, benchmarker og slippdatoer for Kimi K2.6 og K3 er rapportert av Moonshot og gjelder grunnmodellen oppstrøms, ikke vår komprimerte bygging. Tallet for multimodal rangering kommer fra en uavhengig tredjepartsrangering. Prisene på Shannon-gatewayen er listepriser per 5. september 2026.

09Ofte stilte spørsmål

---

Shannon AI drives av Shannon Lab LLC, New Mexico, USA. Kilder: Moonshot AI — Kimi K2 · REAP the Experts (arXiv 2510.13999) · Cerebras Research — REAP. Benchmark-tallene for Kimi oppstrøms er rapportert av Moonshot og er foreløpige i påvente av uavhengig verifisering; de beskriver den ukomprimerte grunnmodellen, ikke Shannons kvantiserte bygging.