API Kimi K2 sem censura

A maioria das páginas de "modelo barato" fala, na verdade, de um modelo pequeno vestindo o nome de família de um modelo grande. Esta não. O Kimi K2.6 é uma fundação completa em escala de fronteira — um trilhão de parâmetros de Mixture-of-Experts esparso, com um codificador de visão nativo e um programa de treinamento apontado diretamente para o uso agêntico de ferramentas. O que o torna o nível de custo-benefício não é um cérebro menor, mas uma receita de compressão mais agressiva. Então a pergunta não é "ele é bom o bastante?", e sim "quais trabalhos de fato percebem a diferença entre ele e o irmão 5x mais caro?". A maior parte deste artigo responde a isso.

01O que é o Kimi K2.6, de verdade?

O Kimi K2.6 é um modelo de pesos abertos da Moonshot AI, o laboratório de Pequim por trás da série Kimi, lançado em 20 de abril de 2026. Ele herda a arquitetura que tornou o K2 notável: um transformer Mixture-of-Experts esparso com aproximadamente 1 trilhão de parâmetros totais e cerca de 32 bilhões ativos por token, organizado em 384 especialistas, 8 roteados mais 1 compartilhado por camada, ao longo de 61 camadas, com Multi-head Latent Attention. Apenas uma fatia pequena desse trilhão dispara em qualquer token dado — que é exatamente por que um modelo desse tamanho pode ser precificado em centavos.

A linhagem importa por causa do que a Moonshot otimizou. O K2 original foi pré-treinado em cerca de 15.5 trilhões de tokens usando o otimizador Muon / MuonClip, construído especificamente para impedir que um MoE de um trilhão de parâmetros sofra as explosões de atenção e os picos de perda que desestabilizam o treinamento nessa escala; a Moonshot relatou zero instabilidade de treinamento ao longo da execução. Isso está a montante de todo o resto — permitiu gastar o orçamento de treinamento em comportamento agêntico, em vez de em apagar incêndios.

O K2.6 estende isso em duas direções. Primeiro, ele é nativamente multimodal: imagens e quadros de vídeo passam pelo MoonViT, um codificador de visão de ~400M de parâmetros que ladrilha uma imagem em blocos de 448x448 e projeta cada ladrilho diretamente no espaço de tokens do modelo de linguagem — os tokens visuais ficam na mesma sequência que todo o resto, e não num legendador parafusado alimentando um modelo cego. Segundo, ele é construído para orquestração em profundidade: o trabalho de Agent Swarm da Moonshot relata coordenação de até 300 subagentes especializados por domínio e até 4,000 passos coordenados numa única execução autônoma.

O perfil de benchmark relatado pela Moonshot

Estes são números relatados pela Moonshot para a fundação K2.6 não comprimida, e não medições nossas. Úteis pelo formato, não pela precisão:

Leia o formato, não os dígitos. As pontuações de uso de ferramentas e de busca ficam altas; as de dificuldade pura ficam mais baixas. Essa é a assinatura de um modelo treinado para agir bem, e não para saber tudo — a troca certa se o seu agente tem um navegador, um shell e um sistema de arquivos, e a errada se você está fazendo uma única pergunta difícil sem ferramenta nenhuma anexada.

02O que significa W4A16-AUTOROUND-REAP

O sufixo no id do modelo não é decoração. É a receita exata de compressão, publicada para que você possa raciocinar sobre a troca que está fazendo.

• W4A16 — pesos em 4 bits, ativações computadas em 16. A memória de pesos cai cerca de 4x em relação ao bf16, enquanto a aritmética que acumula erro permanece em precisão de 16 bits. Este é o ponto padrão de serving de alta qualidade para modelos MoE muito grandes.
• AUTOROUND — o quantizador AutoRound da Intel. O arredondamento ingênuo ao mais próximo trata cada peso de forma independente e descarta informação da qual o modelo dependia; o AutoRound, em vez disso, aprende as decisões de arredondamento contra dados de calibração. Num alvo de 4 bits, essa é a diferença entre um modelo que ainda segue um schema e um que deriva.
• REAP — Router-weighted Expert Activation Pruning, da Cerebras Research (arXiv 2510.13999, ICLR 2026). A maioria dos especialistas num MoE é raramente roteada. O REAP pontua cada um pelos valores de gate do roteador e pelas normas de ativação, e então remove os menos salientes de uma só vez. O resultado publicado: até 50% dos especialistas podados de modelos de um trilhão de parâmetros preservando em boa medida a qualidade de base, e a poda vencendo a fusão de especialistas em tarefas generativas — fundir borra os especialistas uns nos outros, podar apenas descarta os que não são usados.

Aplicados nessa ordem — podar primeiro, quantizar o que sobra — você obtém um modelo que cabe e roda rápido sem o colapso de qualidade que qualquer uma das técnicas sozinha causaria nessas razões. Para ser direto sobre o custo: um modelo comprimido não é bit a bit idêntico ao original. O que a receita compra é que a degradação caia onde é improvável que você a note — caminhos raros de roteamento, caudas de tokens de baixa probabilidade — e não no seguimento de instruções, na formatação de chamadas de ferramenta ou na aderência ao schema.

03O que "sem censura" significa neste endpoint

Sem censura, aqui, é uma afirmação sobre arquitetura, não sobre atitude. Não há camada de recusa à frente do modelo nem filtragem de conteúdo na saída dele. A sua requisição chega à fundação e a resposta dela chega a você; nada intercepta nenhuma das direções.

Essa distinção importa, porque "sem censura" é usado com frouxidão. Três coisas separadas são embrulhadas na mesma palavra:

1. Classificação da entrada — um modelo separado lê o seu prompt e decide se o deixa passar. Não existe aqui.
2. Filtragem da saída — um scanner inspeciona o texto gerado e o trunca ou substitui. Não existe aqui.
3. As disposições da própria fundação — o que quer que o modelo base tenha aprendido no treinamento. Isso é do modelo, e não afirmamos tê-lo apagado.

As duas primeiras são o que quebra sistemas em produção, e são as duas que removemos. Um classificador que dispara em 0.5% das requisições é uma taxa de falha de 0.5% que você não consegue depurar, contestar nem prever — e ao longo de um laço de agente de 200 passos, uma falha de 0.5% por passo se acumula numa execução que falha mais vezes do que dá certo. Uma recusa numa conversa é um aborrecimento; uma recusa no passo 147 de uma execução autônoma destrói o estado da execução e queima tudo o que você gastou para chegar até ali. Para cargas de trabalho de agente, remover a superfície de recusa é uma propriedade de confiabilidade, não uma preferência de estilo.

O corolário é que a responsabilidade passa para você. Não há rede de segurança entre a sua aplicação e os seus usuários; se o seu produto precisa de uma, construa-a onde você possa vê-la, ajustá-la e registrá-la. Leia antes a nossa política de uso responsável.

04Kimi K2.6 contra Kimi K3: quando 5x vale a pena?

Esta é a decisão pela qual a maioria dos leitores veio, então aqui está ela sem rodeios. O Kimi-K3 · 3BIT-REAP é a fundação maior e mais nova: anunciada em 16 de julho de 2026, com pesos abertos em 27 de julho, com aproximadamente 2.8 trilhões de parâmetros totais e cerca de 104 bilhões ativos por token — mais de 3x a computação ativa do K2.6. A montante, a Moonshot lista o K3 a cerca de 5x o preço do K2.6, e o preço do nosso gateway acompanha essa razão.

	Kimi-K2.6 · W4A16-AUTOROUND-REAP	Kimi-K3 · 3BIT-REAP
Entrada / 1M de tokens	$0.78	$3.83
Saída / 1M de tokens	$3.67	$19.12
Janela de contexto	262,144	262,144
Saída máxima / requisição	16,384	16,384
Entrada de imagem	Sim	Sim
Chamada de ferramentas nativa	Sim	Sim
json_schema estrito	Sim	Sim
Sem censura	Sim	Sim
Parâmetros ativos / token	~32B	~104B

Veja o que a tabela não mostra: não há uma linha em que o K3 tenha um recurso que falte ao K2.6. Mesma janela, mesma saída máxima, mesma visão, mesma chamada de ferramentas, mesma saída estruturada, mesma postura sem censura, mesmos três dialetos. Os 5x compram exatamente uma coisa — capacidade bruta por passada direta. Isso é real, mas é um único eixo, e não faz nada nos eixos em que ele não é o seu gargalo.

O ponto específico da janela de contexto

A montante, o recurso de manchete do K3 é um contexto de 1M de tokens contra os 262K do K2.6. No gateway da Shannon, os dois modelos são servidos com 262,144 tokens. Se contexto longo era a sua razão para pagar 5x, essa razão não se aplica aqui — você pagaria o prêmio e receberia a mesma janela. Este é o tipo de coisa que um fornecedor se sente tentado a deixar sem dizer, e é por isso que está em negrito.

Pague os 5x quando

• Uma única tacada tem de acertar. Uma passada difícil isolada em que uma nova tentativa é cara ou impossível — uma ação irreversível, uma decisão no fim de um pipeline longo. Mais parâmetros ativos por token é exatamente o que eleva o teto de uma única passada.
• A tarefa é limitada por conhecimento, não por ferramentas. Síntese profunda em que a resposta tem de sair dos pesos. O perfil do K2.6 é agêntico; tire as ferramentas e a fundação maior aparece.
• O volume é baixo e o risco é alto. Com 500 chamadas por mês, 5x é $40 em vez de $8. Simplesmente compre o modelo melhor.

Não pague os 5x quando

• Você está rodando um laço. Execuções agênticas longas são dominadas por passos mecânicos — ler um arquivo, chamar uma ferramenta, verificar um resultado, escolher o próximo — que é exatamente aquilo para o que o K2.6 foi treinado. Em 200 passos, os 5x são $7.71 contra $38.29 por execução.
• Você está processando imagens em volume. Cargas de visão são pesadas em tokens de entrada e o raciocínio por item é raso. Veja a seção 05; não é nem perto.
• O trabalho é extração, classificação ou transformação. Tirar campos de documentos, encaminhar tíquetes, normalizar registros, resumir — tarefas delimitadas em que um modelo maior produz o mesmo JSON.
• Você tem uma etapa de verificação. Se a saída é conferida — uma suíte de testes, um validador de schema, uma segunda passada, uma pessoa — as falhas ocasionais são baratas e a economia favorece o volume de forma decisiva. Este é o argumento mais subestimado a favor do nível de custo-benefício.

Um padrão que vale nomear: rode o K2.6 para o laço e o K3 para o veredito. Deixe o modelo agêntico barato fazer os cem passos de coleta, chamada e rascunho, e depois gaste uma única chamada cara na síntese final. Os dois modelos falam a API idêntica com a mesma janela de contexto, então trocar é uma mudança de uma linha no campo model.

05Visão por um preço de trabalho

Visão é a aresta mais afiada do K2.6 neste catálogo. Dos doze modelos sem censura do gateway, apenas quatro aceitam imagens, e o K2.6 é o único que combina entrada de imagem com a linhagem agêntica Kimi abaixo de um dólar por milhão de tokens de entrada.

Cargas de visão têm um formato de custo incomum. Segundo a descrição publicada pela Moonshot do MoonViT, uma imagem de 1024x1024 codifica para aproximadamente 576 tokens de imagem — e esses são tokens de entrada, o lado barato do balanço. Um trabalho típico de visão cai quase inteiramente na tarifa de $0.78, e não na de $3.67. Pegue 10,000 imagens, cada uma com ~200 tokens de prompt (ou seja, ~776 tokens de entrada) e ~150 tokens de saída estruturada:

Carga de trabalho	Kimi-K2.6	Kimi-K3	Múltiplo
Um passo de agente (40K de entrada / 2K de saída)	$0.0385	$0.1914	5.0x
Execução autônoma de 200 passos	$7.71	$38.29	5.0x
10,000 imagens, saída estruturada	$11.56	$58.40	5.1x
Trabalho em lote (1M de entrada / 200K de saída)	$1.51	$7.65	5.1x

Calculado a partir dos preços de tabela do gateway da Shannon. A estimativa de tokens de imagem usa o número publicado pela Moonshot para o MoonViT, de ~576 tokens para uma imagem de 1024x1024; a tokenização exata varia com a resolução e a proporção.

Um pipeline de imagens de $11.56 é algo que você roda diariamente sem pensar duas vezes. Um de $58.40 é algo que você agenda, justifica e acaba cortando. Essa diferença é o argumento inteiro a favor de um nível de custo-benefício.

Uma ressalva honesta. Em rankings independentes de tarefas multimodais e de aterramento visual, o K2.6 foi relatado por volta da 26ª posição entre 115 modelos, com média perto de 68.1 — respeitável, não líder de classe. A visão dele é genuinamente forte em compreensão de documentos, leitura de capturas de tela e interfaces e interpretação de gráficos ou diagramas; é mais fraca em aterramento espacial preciso — caixas delimitadoras exatas, contagem de granularidade fina em cenas cheias, OCR denso de digitalizações degradadas. Se você precisa de localização com precisão de pixel, faça benchmark nos seus próprios dados primeiro. Se você precisa de um modelo que olhe uma captura de tela e decida o que clicar em seguida, esta é claramente a ferramenta certa.

06Chamada de ferramentas sem recusa e laços agênticos

O K2.6 suporta chamada de ferramentas nativa: o modelo emite invocações estruturadas de ferramenta diretamente a partir das definições em JSON schema que você fornece, em vez de ser convencido a produzir texto parseável. Com conversa de vários turnos e prompts de sistema, esse é o substrato completo para um laço de agente.

O que a "chamada de ferramentas sem recusa" acrescenta é mais sutil do que parece. Numa API filtrada, as recusas dentro de um laço de agente aparecem em três modos de falha distintos:

• Recusa dura — o passo devolve prosa em vez de uma chamada de ferramenta, o parser falha, o laço quebra. Pelo menos é barulhento.
• Recusa branda — a chamada é feita, mas os argumentos vêm capados: uma consulta estreitada, um parâmetro cheio de ressalvas, um payload truncado. O laço continua com estado silenciosamente degradado e você descobre quatro passos depois.
• Evitação preventiva — o plano se desvia de um ramo legítimo antes mesmo de chegar perto dele. Esta você nunca vê; você só recebe um plano pior e nenhuma explicação.

A segunda e a terceira são as caras, porque são invisíveis: nenhum erro, nada nos logs, nada para procurar com grep. Um endpoint sem camada de recusa remove a classe inteira — os argumentos de chamada de ferramenta do modelo são os argumentos de chamada de ferramenta do modelo.

Isso importa mais nos domínios que precisam de execuções autônomas longas e que já tocam material sensível de qualquer forma: pesquisa em segurança e red teaming, análise de malware e de incidentes, processamento de documentos clínicos, descoberta jurídica e ferramental de moderação que precisa raciocinar sobre o conteúdo que modera. Construir um classificador de moderação exige um modelo disposto a olhar para o que ele classifica; isso não é um paradoxo, é apenas o trabalho.

Notas práticas para execuções longas: o reasoning_effort permite gastar mais pensamento nos passos de planejamento e menos nos mecânicos. O streaming está disponível nos três dialetos, então um passo longo pode mostrar progresso ou ser abortado cedo. E 262,144 tokens de contexto mantêm o estado de trabalho real — conteúdos de arquivos, resultados anteriores de ferramentas, um plano em andamento — residentes ao longo de muitos passos sem ressumir a cada turno, o que por si só é uma fonte comum de deriva do agente.

07Saída estruturada e os três dialetos de API

O K2.6 suporta tanto json_schema (geração restrita por schema estrito) quanto o mais frouxo response_format. Confira isso contra o catálogo: dois dos doze modelos daqui não suportam saída com schema estrito e, se a próxima etapa do seu pipeline faz parse de JSON, essa coluna não é opcional.

Saída com schema estrito é o que torna um modelo sem censura utilizável como infraestrutura: se o modelo tem de emitir um objeto que corresponda ao seu schema, você ganha uma garantia de parse independente do que ele diria de outra forma — sem preâmbulo, sem desculpas, sem parágrafo embrulhado em volta do seu JSON. Combinado com a ausência de camada de recusa, isso é um endpoint de extração que devolve o seu objeto em toda chamada, para todo documento, seja qual for o assunto do documento.

Superfície	Suporte no Kimi-K2.6	Observações
/v1/chat/completions	Sim	Dialeto OpenAI — substituição direta para SDKs existentes
/v1/messages	Sim	Dialeto Anthropic — mesmo modelo, mesmos pesos
/v1/responses	Sim	Interface no estilo Responses
Streaming	Sim	Nos três dialetos
Chamada de ferramentas	Sim	Nativa, definições de ferramenta em JSON schema
json_schema	Sim	Saída estruturada estrita
response_format	Sim	Modo JSON mais frouxo
reasoning_effort	Sim	Ajuste o orçamento de pensamento por chamada
Entrada de imagem	Sim	Imagens junto com texto

Os três dialetos endereçam os mesmos pesos no mesmo cluster. Aponte um cliente OpenAI existente para a URL base, defina model como Kimi-K2.6-W4A16-AUTOROUND-REAP e pronto. Formatos de requisição e resposta, semântica de streaming e um playground ao vivo estão na documentação da API.

08Onde o Kimi K2.6 é a escolha errada

Um guia de modelo que só lista pontos fortes é um anúncio. Aqui está onde mandaríamos você para outro lugar.

• Você precisa do teto absoluto numa única passada difícil. Vá para o Kimi-K3 e pague os 5x. É para isso que ele serve.
• Você precisa de aterramento visual com precisão de pixel. Caixas delimitadoras, OCR denso de digitalizações degradadas e contagem exata em cenas cheias não são o terreno mais forte dele — teste nos seus dados primeiro.
• Você precisa de algo mais barato que barato, sem visão. Vários modelos do catálogo ficam em $0.50 / $2.00. O prêmio do K2.6 compra visão e o perfil agêntico Kimi; se você não precisa de nenhum dos dois, fique com o nível mais barato.
• Você precisa de mais de 16,384 tokens de saída numa resposta. Esse teto vale para todo o catálogo — documentos longos exigem geração fatiada, qualquer que seja o modelo escolhido.
• Você quer comportamento bit a bit idêntico ao original. Esta é uma build podada e quantizada: uma troca deliberada e publicada. Para um estudo de reprodutibilidade, rode contra os pesos originais da Moonshot.

Os números de arquitetura, benchmark e data de lançamento do Kimi K2.6 e do K3 são relatados pela Moonshot e mostrados para a fundação original, não para a nossa build comprimida. O número de posição multimodal vem de um ranking independente de terceiros. Os preços do gateway da Shannon são os de tabela em 5 de setembro de 2026.

09Perguntas frequentes

---

A Shannon AI é operada pela Shannon Lab LLC, Novo México, EUA. Fontes: Moonshot AI — Kimi K2 · REAP the Experts (arXiv 2510.13999) · Cerebras Research — REAP. Os números de benchmark do Kimi originais são relatados pela Moonshot e são provisórios enquanto se aguarda verificação independente; eles descrevem a fundação não comprimida, e não a build quantizada da Shannon.