API Kimi K2 fără cenzură

Majoritatea paginilor despre „modelul ieftin” sunt de fapt despre un model mic care poartă numele de familie al unuia mare. Aceasta nu este așa. Kimi K2.6 este o fundație completă, la scară de frontieră — un trilion de parametri de Mixture-of-Experts rar, cu un encoder de viziune nativ și un program de antrenare țintit direct spre folosirea agentică a uneltelor. Ce îl face treapta accesibilă nu este un creier mai mic, ci o rețetă de compresie mai agresivă. Așa că întrebarea nu este „este destul de bun?”, ci „ce sarcini observă efectiv diferența dintre el și fratele lui de 5 ori mai scump?”. Cea mai mare parte a articolului răspunde la asta.

01Ce este, de fapt, Kimi K2.6?

Kimi K2.6 este un model cu greutăți deschise de la Moonshot AI, laboratorul din Beijing din spatele seriei Kimi, lansat pe 20 aprilie 2026. Moștenește arhitectura care a făcut K2 remarcabil: un transformator Mixture-of-Experts rar, cu circa 1 trilion de parametri totali și aproximativ 32 de miliarde activi per token, organizat ca 384 de experți, 8 rutați plus 1 partajat per strat, pe 61 de straturi, cu Multi-head Latent Attention. Doar o felie mică din acel trilion se activează la un token dat — și tocmai de aceea un model de dimensiunea asta poate fi tarifat în cenți.

Descendența contează din cauza a ceea ce a optimizat Moonshot. K2-ul original a fost preantrenat pe circa 15,5 trilioane de tokenuri, folosind optimizatorul Muon / MuonClip, construit special ca să ferească un MoE de un trilion de parametri de exploziile de atenție și de vârfurile de pierdere care destabilizează antrenarea la scara asta; Moonshot a raportat zero instabilitate de antrenare pe toată rularea. Asta stă în amonte de tot restul — le-a permis să cheltuie bugetul de antrenare pe comportament agentic, nu pe stins incendii.

K2.6 extinde asta în două direcții. Întâi, este nativ multimodal: imaginile și cadrele video trec prin MoonViT, un encoder de viziune de circa 400 M de parametri, care împarte imaginea în plăci de 448x448 și proiectează fiecare placă direct în spațiul de tokenuri al modelului de limbaj — tokenurile vizuale stau în aceeași secvență cu tot restul, nu într-un descriptor lipit pe deasupra, care hrănește un model orb. Al doilea, este construit pentru orchestrare în adâncime: lucrarea Agent Swarm a Moonshot raportează coordonarea a până la 300 de subagenți specializați pe domenii și până la 4.000 de pași coordonați într-o singură rulare autonomă.

Profilul de benchmark raportat de Moonshot

Acestea sunt cifre raportate de Moonshot pentru fundația K2.6 necomprimată, nu măsurătorile noastre. Utile pentru formă, nu pentru precizie:

Citește forma, nu cifrele. Scorurile pe folosirea uneltelor și pe căutare stau sus; scorurile de dificultate pură stau mai jos. Aceasta este semnătura unui model antrenat să acționeze bine, nu să știe totul — compromisul potrivit dacă agentul tău are un browser, un shell și un sistem de fișiere, cel greșit dacă pui o singură întrebare grea, fără nicio unealtă atașată.

02Ce înseamnă W4A16-AUTOROUND-REAP

Sufixul din identificatorul de model nu este decorativ. Este rețeta exactă de compresie, publicată ca să poți raționa despre schimbul pe care îl faci.

• W4A16 — greutăți pe 4 biți, activări calculate pe 16. Memoria pentru greutăți scade de circa 4 ori față de bf16, în timp ce aritmetica în care se acumulează eroarea rămâne la precizie de 16 biți. Acesta este punctul standard de servire de calitate ridicată pentru modele MoE foarte mari.
• AUTOROUND — cuantizatorul AutoRound de la Intel. Rotunjirea naivă la cel mai apropiat tratează fiecare greutate independent și aruncă informație de care modelul depindea; AutoRound învață în schimb deciziile de rotunjire pe baza unor date de calibrare. La o țintă de 4 biți, asta este diferența dintre un model care încă respectă o schemă și unul care derivează.
• REAP — Router-weighted Expert Activation Pruning, de la Cerebras Research (arXiv 2510.13999, ICLR 2026). Majoritatea experților dintr-un MoE primesc rareori rutare. REAP îi punctează pe fiecare atât după valorile porții routerului, cât și după normele de activare, apoi îi elimină pe cei mai puțin relevanți într-un singur pas. Rezultatul publicat: până la 50% dintre experți tăiați din modele de un trilion de parametri, păstrând în mare parte calitatea de referință, iar tăierea bătând contopirea experților la sarcini generative — contopirea amestecă specialiștii, tăierea doar îi elimină pe cei nefolosiți.

Aplicate în ordinea asta — întâi tai, apoi cuantizezi ce a rămas — obții un model care încape și rulează repede, fără prăbușirea de calitate pe care oricare dintre tehnici singură ar provoca-o la aceste rate. Ca să fim direcți despre cost: un model comprimat nu este identic bit cu bit cu originalul. Ce cumperi cu rețeta este că degradarea cade acolo unde e puțin probabil să o observi — căi rare de rutare, cozi de tokenuri cu probabilitate mică — și nu în urmarea instrucțiunilor, în formatarea apelurilor de unelte sau în respectarea schemei.

03Ce înseamnă „fără cenzură” pe acest endpoint

„Fără cenzură” este aici o afirmație despre arhitectură, nu despre atitudine. Nu există niciun strat de refuz în fața modelului și nicio filtrare de conținut la ieșirea lui. Cererea ta ajunge la fundație, iar răspunsul ei ajunge la tine; nimic nu interceptează nici într-o direcție, nici în cealaltă.

Distincția contează, pentru că „fără cenzură” este folosit lejer. Sub același cuvânt sunt împachetate trei lucruri diferite:

1. Clasificarea intrării — un model separat îți citește promptul și decide dacă îl lasă să treacă. Nu există aici.
2. Filtrarea ieșirii — un scaner inspectează textul generat și îl trunchiază sau îl înlocuiește. Nu există aici.
3. Dispozițiile proprii ale fundației — orice a învățat modelul de bază în antrenare. Acelea îi aparțin modelului și nu pretindem că le-am șters.

Primele două sunt cele care strică sistemele de producție și sunt cele două pe care le eliminăm. Un clasificator care se declanșează la 0,5% dintre cereri înseamnă o rată de eșec de 0,5% pe care nu o poți depana, nu o poți contesta și nu o poți anticipa — iar pe o buclă de agent de 200 de pași, un eșec de 0,5% per pas se compune într-o rulare care eșuează mai des decât reușește. Un refuz într-o conversație este o pacoste; un refuz la pasul 147 al unei rulări autonome distruge starea rulării și arde tot ce ai cheltuit ca să ajungi acolo. Pentru sarcinile de agent, eliminarea suprafeței de refuz este o proprietate de fiabilitate, nu o preferință de stil.

Corolarul este că responsabilitatea trece la tine. Nu există nicio plasă de siguranță între aplicația ta și utilizatorii tăi; dacă produsul tău are nevoie de una, construiește-o acolo unde o poți vedea, regla și înregistra. Te rugăm să citești mai întâi politica noastră de utilizare responsabilă.

04Kimi K2.6 față de Kimi K3: când merită factorul de 5?

Aceasta este decizia pentru care au venit majoritatea cititorilor, așa că iat-o fără ocolișuri. Kimi-K3 · 3BIT-REAP este fundația mai mare și mai nouă: anunțată pe 16 iulie 2026, cu greutăți deschise pe 27 iulie, la circa 2,8 trilioane de parametri totali și aproximativ 104 miliarde activi per token — de peste 3 ori calculul activ al lui K2.6. În amonte, Moonshot listează K3 la circa 5 ori prețul lui K2.6, iar prețul de pe gateway-ul nostru urmează acel raport.

	Kimi-K2.6 · W4A16-AUTOROUND-REAP	Kimi-K3 · 3BIT-REAP
Intrare / 1M de tokenuri	$0.78	$3.83
Ieșire / 1M de tokenuri	$3.67	$19.12
Fereastră de context	262.144	262.144
Ieșire maximă / cerere	16.384	16.384
Intrare de tip imagine	Da	Da
Apeluri native de unelte	Da	Da
json_schema strict	Da	Da
Fără cenzură	Da	Da
Parametri activi / token	~32B	~104B

Uită-te la ce nu arată tabelul: nu există niciun rând în care K3 să aibă o funcție pe care K2.6 nu o are. Aceeași fereastră, aceeași ieșire maximă, aceeași viziune, aceleași apeluri de unelte, aceeași ieșire structurată, aceeași postură fără cenzură, aceleași trei dialecte. Factorul de 5 cumpără exact un singur lucru — capabilitate brută per trecere înainte. Este real, dar este o singură axă și nu face nimic pe axele unde nu ai acolo gâtul de sticlă.

Chestiunea ferestrei de context, în mod specific

În amonte, funcția de titlu a lui K3 este un context de 1M de tokenuri, față de 262K la K2.6. Pe gateway-ul Shannon, ambele modele sunt servite la 262.144 de tokenuri. Dacă motivul tău pentru a plăti de 5 ori mai mult era contextul lung, motivul acela nu se aplică aici — ai plăti suplimentul și ai primi aceeași fereastră. Este genul de lucru pe care un furnizor e tentat să îl treacă sub tăcere, motiv pentru care apare aici îngroșat.

Plătește factorul de 5 când

• O singură încercare trebuie să reușească. O trecere grea, unică, în care o reîncercare este scumpă sau imposibilă — o acțiune ireversibilă, o decizie la capătul unui flux lung. Mai mulți parametri activi per token este exact ce ridică plafonul unei singure treceri.
• Sarcina este legată de cunoștințe, nu de unelte. Sinteză adâncă, în care răspunsul trebuie să iasă din greutăți. Profilul lui K2.6 este agentic; ia uneltele la o parte și fundația mai mare se vede.
• Volumul este mic, iar miza mare. La 500 de apeluri pe lună, factorul de 5 înseamnă 40 $ în loc de 8 $. Cumpără pur și simplu modelul mai bun.

Nu plăti factorul de 5 când

• Rulezi o buclă. Rulările agentice lungi sunt dominate de pași mecanici — citește un fișier, apelează o unealtă, verifică un rezultat, alege-l pe următorul — adică exact ce a fost antrenat K2.6 să facă. La 200 de pași, factorul de 5 înseamnă 7,71 $ față de 38,29 $ per rulare.
• Procesezi imagini în volum. Sarcinile de viziune sunt încărcate pe tokenurile de intrare, iar raționamentul per element este superficial. Vezi secțiunea 05; nici nu se compară.
• Munca este extragere, clasificare sau transformare. Scoaterea de câmpuri din documente, rutarea tichetelor, normalizarea înregistrărilor, rezumarea — sarcini delimitate, în care un model mai mare produce același JSON.
• Ai un pas de verificare. Dacă ieșirea este verificată — o suită de teste, un validator de schemă, o a doua trecere, un om — ratările ocazionale sunt ieftine, iar economia favorizează decisiv volumul. Acesta este cel mai subapreciat argument pentru treapta accesibilă.

Un tipar care merită numit: rulează K2.6 pentru buclă și K3 pentru verdict. Lasă modelul agentic ieftin să facă cei o sută de pași de adunare, apelare și schițare, apoi cheltuiește un singur apel scump pe sinteza finală. Ambele modele vorbesc același API, cu aceeași fereastră de context, așa că schimbarea înseamnă o modificare de o linie la câmpul model.

05Viziune la un preț practicabil

Viziunea este cel mai ascuțit avantaj al lui K2.6 în acest catalog. Dintre cele douăsprezece modele fără cenzură de pe gateway, doar patru acceptă imagini, iar K2.6 este singurul care combină intrarea de tip imagine cu descendența agentică Kimi sub un dolar per milion de tokenuri de intrare.

Sarcinile de viziune au o formă de cost neobișnuită. Conform descrierii publicate de Moonshot pentru MoonViT, o imagine de 1024x1024 se codifică în aproximativ 576 de tokenuri de imagine — iar aceia sunt tokenuri de intrare, partea ieftină a registrului. O sarcină tipică de viziune cade aproape în întregime pe tariful de 0,78 $, nu pe cel de 3,67 $. Ia 10.000 de imagini, fiecare cu ~200 de tokenuri de prompt (deci ~776 de tokenuri de intrare) și ~150 de tokenuri de ieșire structurată:

Sarcină	Kimi-K2.6	Kimi-K3	Multiplu
Un pas de agent (40K intrare / 2K ieșire)	$0.0385	$0.1914	5.0x
Rulare autonomă de 200 de pași	$7.71	$38.29	5.0x
10.000 de imagini, ieșire structurată	$11.56	$58.40	5.1x
Sarcină în lot (1M intrare / 200K ieșire)	$1.51	$7.65	5.1x

Calculat din prețurile de listă ale gateway-ului Shannon. Estimarea tokenurilor de imagine folosește cifra publicată de Moonshot pentru MoonViT, de ~576 de tokenuri pentru o imagine de 1024x1024; tokenizarea exactă variază cu rezoluția și cu raportul de aspect.

Un flux de imagini de 11,56 $ este ceva ce rulezi zilnic fără să te gândești. Unul de 58,40 $ este ceva ce programezi, justifici și, în cele din urmă, tai. Diferența aceea este tot argumentul pentru o treaptă accesibilă.

Un avertisment onest. Pe clasamente independente pentru sarcini multimodale și de ancorare, K2.6 a fost raportat în jurul locului 26 din 115 modele, cu o medie apropiată de 68,1 — respectabil, dar nu în fruntea clasei. Viziunea lui este cu adevărat puternică la înțelegerea documentelor, la citirea capturilor de ecran și a interfețelor și la interpretarea graficelor sau a diagramelor; este mai slabă la ancorarea spațială precisă — casete de încadrare exacte, numărare fină în scene aglomerate, OCR dens pe scanări degradate. Dacă ai nevoie de localizare cu precizie de pixel, fă întâi un benchmark pe propriile date. Dacă ai nevoie de un model care se uită la o captură de ecran și decide unde să dea clic în continuare, aceasta este exact unealta potrivită.

06Apeluri de unelte fără refuzuri și bucle agentice

K2.6 suportă apeluri native de unelte: modelul emite invocări structurate de unelte direct din definițiile de unelte cu schemă JSON pe care i le dai, în loc să fie convins să producă text parsabil. Cu conversație pe mai multe ture și prompturi de sistem, acesta este substratul complet pentru o buclă de agent.

Ce adaugă „apelurile de unelte fără refuzuri” este mai subtil decât sună. Pe un API filtrat, refuzurile dintr-o buclă de agent apar în trei moduri distincte de eșec:

• Refuz pe față — pasul returnează proză în loc de un apel de unealtă, parserul cade, bucla se rupe. Măcar e zgomotos.
• Refuz moale — apelul se face, dar argumentele sunt trase la mână: o interogare îngustată, un parametru cu jumătate de gură, o încărcătură trunchiată. Bucla continuă cu o stare degradată pe tăcute, iar tu afli patru pași mai târziu.
• Evitare preventivă — planul ocolește o ramură legitimă înainte să se apropie de ea. Pe asta nu o vezi niciodată; pur și simplu primești un plan mai prost și nicio explicație.

Al doilea și al treilea sunt cele scumpe, pentru că sunt invizibile: nicio eroare, nimic în jurnale, nimic după care să dai grep. Un endpoint fără strat de refuz elimină întreaga clasă — argumentele de apel de unealtă ale modelului sunt argumentele de apel de unealtă ale modelului.

Asta contează cel mai mult în domeniile care au oricum nevoie de rulări autonome lungi și care ating material sensibil: cercetare de securitate și red teaming, analiză de malware și de incidente, procesare de documente clinice, descoperire juridică și unelte de moderare care trebuie să raționeze despre conținutul pe care îl moderează. Construirea unui clasificator de moderare cere un model dispus să se uite la ce clasifică; nu este un paradox, ci pur și simplu meseria.

Note practice pentru rulările lungi: reasoning_effort îți permite să cheltui mai multă gândire pe pașii de planificare și mai puțină pe cei mecanici. Streamingul este disponibil pe toate cele trei dialecte, așa că un pas lung poate arăta progresul sau poate fi întrerupt devreme. Iar 262.144 de tokenuri de context țin starea de lucru reală — conținuturi de fișiere, rezultate anterioare de unelte, un plan în derulare — rezidentă peste mulți pași, fără rezumare la fiecare tură, care este ea însăși o sursă frecventă de derivă a agentului.

07Ieșirea structurată și cele trei dialecte de API

K2.6 suportă atât json_schema (generare constrânsă strict de schemă), cât și response_format, mai lax. Verifică asta în catalog: două dintre cele douăsprezece modele de aici nu suportă ieșire strictă cu schemă, iar dacă etapa următoare a fluxului tău parsează JSON, coloana aceea nu este opțională.

Ieșirea strictă cu schemă este ce face ca un model fără cenzură să fie utilizabil ca infrastructură: dacă modelul trebuie să emită un obiect care se potrivește cu schema ta, primești o garanție de parsare independentă de ce ar fi spus altfel — fără preambul, fără scuze, fără un paragraf înfășurat în jurul JSON-ului tău. Combinat cu absența unui strat de refuz, asta înseamnă un endpoint de extragere care îți returnează obiectul la fiecare apel, pentru fiecare document, indiferent despre ce este documentul.

Suprafață	Suport Kimi-K2.6	Note
/v1/chat/completions	Da	Dialectul OpenAI — se pune direct în SDK-urile existente
/v1/messages	Da	Dialectul Anthropic — același model, aceleași greutăți
/v1/responses	Da	Interfață în stil Responses
Streaming	Da	Pe toate cele trei dialecte
Apeluri de unelte	Da	Native, cu definiții de unelte cu schemă JSON
json_schema	Da	Ieșire structurată strictă
response_format	Da	Mod JSON mai lax
reasoning_effort	Da	Reglează bugetul de gândire per apel
Intrare de tip imagine	Da	Imagini alături de text

Toate cele trei dialecte se adresează acelorași greutăți, pe același cluster. Îndreaptă un client OpenAI existent spre adresa de bază, setează model la Kimi-K2.6-W4A16-AUTOROUND-REAP și ai pornit. Formele cererilor și ale răspunsurilor, semantica streamingului și un playground live sunt în documentația API.

08Unde Kimi K2.6 este alegerea greșită

Un ghid de model care listează doar puncte forte este o reclamă. Iată unde te-am trimite în altă parte.

• Ai nevoie de plafonul absolut la o singură trecere grea. Du-te la Kimi-K3 și plătește factorul de 5. Exact pentru asta există.
• Ai nevoie de ancorare vizuală cu precizie de pixel. Casetele de încadrare, OCR-ul dens pe scanări degradate și numărarea exactă în scene aglomerate nu sunt terenul lui cel mai tare — testează întâi pe datele tale.
• Ai nevoie de mai ieftin decât ieftin, fără viziune. Mai multe modele din catalog stau la 0,50 $ / 2,00 $. Suplimentul lui K2.6 cumpără viziune și profilul agentic Kimi; dacă nu ai nevoie de niciunul, ia treapta mai ieftină.
• Ai nevoie de mai mult de 16.384 de tokenuri de ieșire într-un singur răspuns. Plafonul acela se aplică în tot catalogul — documentele lungi cer generare pe bucăți, indiferent ce model alegi.
• Vrei comportament identic bit cu bit cu cel din amonte. Acesta este un build tăiat și cuantizat: un compromis deliberat și publicat. Pentru un studiu de reproductibilitate, rulează pe greutățile originale ale Moonshot.

Cifrele de arhitectură, de benchmark și de dată de lansare pentru Kimi K2.6 și K3 sunt raportate de Moonshot și sunt afișate pentru fundația din amonte, nu pentru build-ul nostru comprimat. Cifra de clasament multimodal provine dintr-un clasament independent, al unei terțe părți. Prețurile gateway-ului Shannon sunt prețuri de listă valabile la 5 septembrie 2026.

09Întrebări frecvente

---

Shannon AI este operat de Shannon Lab LLC, New Mexico, SUA. Surse: Moonshot AI — Kimi K2 · REAP the Experts (arXiv 2510.13999) · Cerebras Research — REAP. Cifrele de benchmark Kimi din amonte sunt raportate de Moonshot și sunt provizorii, până la o verificare independentă; ele descriu fundația necomprimată, nu build-ul cuantizat al Shannon.