Ocensurerat Kimi K2-API

De flesta sidor om ”billiga modeller” handlar egentligen om en liten modell som bär en stor modells familjenamn. Den här gör det inte. Kimi K2.6 är en fullskalig grundmodell i frontlinjen — en biljon parametrar gles Mixture-of-Experts, med en inbyggd visionenkoder och ett träningsprogram riktat rakt mot agentisk verktygsanvändning. Det som gör den till prisvärdsnivån är ingen mindre hjärna utan ett mer aggressivt komprimeringsrecept. Så frågan är inte ”är den bra nog?” utan ”vilka jobb märker faktiskt skillnaden mellan den här och dess fem gånger dyrare syster?” Den frågan besvarar större delen av den här artikeln.

01Vad är Kimi K2.6, egentligen?

Kimi K2.6 är en modell med öppna vikter från Moonshot AI, labbet i Peking bakom Kimi-serien, släppt den 20 april 2026. Den ärver arkitekturen som gjorde K2 uppmärksammad: en gles Mixture-of-Experts-transformer med ungefär 1 biljon totala parametrar och omkring 32 miljarder aktiva per token, organiserad som 384 experter, 8 dirigerade plus 1 delad per lager över 61 lager, med Multi-head Latent Attention. Bara en liten skiva av den biljonen aktiveras för en given token — vilket är precis därför en modell av den här storleken kan prissättas i cent.

Härstamningen spelar roll på grund av vad Moonshot optimerade för. Ursprungliga K2 förtränades på ungefär 15,5 biljoner tokens med optimeraren Muon / MuonClip, byggd specifikt för att hindra en MoE med en biljon parametrar från att drabbas av de attention-explosioner och förlusttoppar som destabiliserar träning i den skalan; Moonshot rapporterade noll träningsinstabilitet över hela körningen. Det ligger uppströms om allt annat — det lät dem lägga träningsbudgeten på agentiskt beteende i stället för på brandsläckning.

K2.6 utvidgar det i två riktningar. För det första är den inbyggt multimodal: bilder och videorutor går genom MoonViT, en visionenkoder på ~400 miljoner parametrar som delar upp en bild i rutor om 448x448 och projicerar varje ruta rakt in i språkmodellens tokenrymd — visuella tokens ligger i samma sekvens som allt annat, inte i en påhängd bildtextare som matar en blind modell. För det andra är den byggd för orkestrering på djupet: Moonshots arbete med Agent Swarm rapporterar samordning över upp till 300 domänspecialiserade underagenter och så många som 4 000 samordnade steg i en enda autonom körning.

Moonshots rapporterade benchmarkprofil

Det här är Moonshot-rapporterade siffror för den okomprimerade K2.6-grundmodellen, inte våra mätningar. Användbara för formen, inte för precisionen:

Läs formen, inte siffrorna. Resultaten för verktygsanvändning och sökdrivet arbete ligger högt; resultaten för ren svårighetsgrad ligger lägre. Det är signaturen hos en modell tränad att handla väl snarare än att veta allt — rätt avvägning om din agent har en webbläsare, ett skal och ett filsystem, fel avvägning om du ställer en enda svår fråga utan verktyg alls.

02Vad W4A16-AUTOROUND-REAP betyder

Suffixet på modell-id:t är ingen dekoration. Det är det exakta komprimeringsreceptet, publicerat så att du kan resonera om avvägningen du gör.

• W4A16 — vikter i 4 bitar, aktiveringar beräknade i 16. Viktminnet faller ungefär 4× jämfört med bf16 medan aritmetiken som ackumulerar fel förblir i 16-bitars precision. Det är standardpunkten med hög kvalitet för servering av mycket stora MoE-modeller.
• AUTOROUND — Intels AutoRound-kvantiserare. Naiv avrundning till närmaste behandlar varje vikt för sig och kastar information modellen förlitade sig på; AutoRound lär sig avrundningsbesluten mot kalibreringsdata i stället. Vid ett 4-bitarsmål är det skillnaden mellan en modell som fortfarande följer ett schema och en som driver iväg.
• REAP — Router-weighted Expert Activation Pruning, från Cerebras Research (arXiv 2510.13999, ICLR 2026). Det dirigeras sällan till de flesta experter i en MoE. REAP poängsätter varje expert både på routerns grindvärden och på dess aktiveringsnormer, och tar sedan bort de minst framträdande i ett enda svep. Det publicerade resultatet: upp till 50 % av experterna beskurna från modeller med en biljon parametrar med i stort sett bibehållen baskvalitet, och beskärning slår sammanslagning av experter på generativa uppgifter — sammanslagning suddar ihop specialister, beskärning tar bara bort de oanvända.

Tillämpat i den ordningen — beskär först, kvantisera det som blir kvar — får du en modell som får plats och kör snabbt utan den kvalitetskollaps någondera tekniken ensam skulle orsaka vid de här förhållandena. För att vara rak om kostnaden: en komprimerad modell är inte bitidentisk med originalet. Det som receptet köper är att försämringen hamnar där du sannolikt inte märker den — sällsynta dirigeringsvägar, svansar av lågsannolika tokens — snarare än i instruktionsföljning, formatering av verktygsanrop eller schemaefterlevnad.

03Vad ”ocensurerad” betyder på den här slutpunkten

Ocensurerad är här ett påstående om arkitektur, inte om attityd. Det finns inget vägranslager framför modellen och ingen innehållsfiltrering av dess utdata. Din förfrågan når grundmodellen och dess svar når dig; ingenting avlyssnar någon av riktningarna.

Den distinktionen spelar roll, eftersom ”ocensurerad” används löst. Tre skilda saker buntas ihop under ordet:

1. Klassificering av indata — en separat modell läser din prompt och avgör om den ska släppas fram. Finns inte här.
2. Filtrering av utdata — en skanner granskar genererad text och kapar eller ersätter den. Finns inte här.
3. Grundmodellens egna böjelser — vad basmodellen än lärde sig under träningen. Det är modellens eget, och vi påstår inte att vi har raderat det.

De två första är det som knäcker produktionssystem, och de två är de vi tar bort. En klassificerare som slår till på 0,5 % av förfrågningarna är en felandel på 0,5 % som du inte kan felsöka, inte kan överklaga och inte kan se komma — och över en agentloop på 200 steg växer ett fel på 0,5 % per steg till en körning som misslyckas oftare än den lyckas. En vägran i ett samtal är ett irritationsmoment; en vägran på steg 147 i en autonom körning förstör körningens tillstånd och bränner allt du lagt på att ta dig dit. För agentarbetslaster är borttagandet av vägransytan en tillförlitlighetsegenskap, inte en stilistisk preferens.

Följdsatsen är att ansvaret flyttar till dig. Det finns inget skyddsnät mellan din applikation och dina användare; behöver din produkt ett, bygg det där du kan se det, justera det och logga det. Läs gärna vår policy för ansvarsfull användning först.

04Kimi K2.6 mot Kimi K3: när är fem gånger priset värt det?

Det här är beslutet de flesta läsare kom för, så här är det utan gardering. Kimi-K3 · 3BIT-REAP är den större, nyare grundmodellen: annonserad den 16 juli 2026 med öppna vikter den 27 juli, på ungefär 2,8 biljoner totala parametrar och omkring 104 miljarder aktiva per token — mer än 3× K2.6:s aktiva beräkning. Uppströms listar Moonshot K3 till ungefär fem gånger K2.6:s pris, och vår gateway-prissättning följer den kvoten.

	Kimi-K2.6 · W4A16-AUTOROUND-REAP	Kimi-K3 · 3BIT-REAP
Indata / 1M tokens	$0.78	$3.83
Utdata / 1M tokens	$3.67	$19.12
Kontextfönster	262 144	262 144
Max utdata / förfrågan	16 384	16 384
Bildindata	Ja	Ja
Inbyggda verktygsanrop	Ja	Ja
Strikt json_schema	Ja	Ja
Ocensurerad	Ja	Ja
Aktiva parametrar / token	~32B	~104B

Titta på vad tabellen inte visar: det finns ingen rad där K3 har en funktion som K2.6 saknar. Samma fönster, samma maximala utdata, samma vision, samma verktygsanrop, samma strukturerade utdata, samma ocensurerade hållning, samma tre dialekter. Femdubblingen köper exakt en sak — rå kapacitet per framåtpassning. Det är verkligt, men det är en enda axel, och den gör ingenting på de axlar där den inte är din flaskhals.

Specifikt om kontextfönstret

Uppströms är K3:s rubrikfunktion en kontext på 1M tokens mot K2.6:s 262K. På Shannons gateway serveras båda modellerna med 262 144 tokens. Om lång kontext var ditt skäl att betala fem gånger så mycket gäller inte det skälet här — du skulle betala överpriset och få samma fönster. Det är den sortens sak en leverantör frestas att lämna osagd, vilket är därför den står i fetstil.

Betala femdubbelt när

• Ett enda försök måste träffa. En enda svår omgång där ett omtag är dyrt eller omöjligt — en oåterkallelig åtgärd, ett beslut i slutet av en lång pipeline. Fler aktiva parametrar per token är precis det som höjer taket på en enskild omgång.
• Uppgiften är kunskapsbunden, inte verktygsbunden. Djup syntes där svaret måste komma ur vikterna. K2.6:s profil är agentisk; ta bort verktygen och den större grundmodellen visar sig.
• Volymen är låg och insatserna höga. Vid 500 anrop i månaden är femdubblingen $40 i stället för $8. Köp bara den bättre modellen.

Betala inte femdubbelt när

• Du kör en loop. Långa agentiska körningar domineras av mekaniska steg — läs en fil, anropa ett verktyg, kontrollera ett resultat, välj nästa — vilket är precis det K2.6 tränades för. Vid 200 steg är femdubblingen $7.71 mot $38.29 per körning.
• Du bearbetar bilder i volym. Vision-arbetslaster är tunga på indatatokens och resonemanget per objekt är grunt. Se avsnitt 05; det är inte ens jämnt.
• Jobbet är extraktion, klassificering eller omvandling. Att dra ut fält ur dokument, dirigera ärenden, normalisera poster, sammanfatta — avgränsade uppgifter där en större modell producerar samma JSON.
• Du har ett verifieringssteg. Om utdatan kontrolleras — en testsvit, en schemavaliderare, en andra omgång, en människa — är enstaka missar billiga och ekonomin gynnar volym med bred marginal. Det är det mest underskattade argumentet för prisvärdsnivån.

Ett mönster värt att namnge: kör K2.6 för loopen och K3 för domen. Låt den billiga agentiska modellen göra de hundra stegen av insamling, anrop och utkast, och lägg sedan ett enda dyrt anrop på den slutliga syntesen. Båda modellerna talar identiskt API med samma kontextfönster, så bytet är en enradsändring i fältet model.

05Vision till ett pris som funkar

Vision är K2.6:s vassaste egg i den här katalogen. Av de tolv ocensurerade modellerna på gatewayen tar bara fyra emot bilder över huvud taget, och K2.6 är den enda som kombinerar bildindata med Kimis agentiska härstamning under en dollar per miljon indatatokens.

Vision-arbetslaster har en ovanlig kostnadsform. Enligt Moonshots publicerade beskrivning av MoonViT kodas en bild på 1024x1024 till ungefär 576 bildtokens — och det är indatatokens, den billiga sidan av kontot. Ett typiskt vision-jobb hamnar nästan helt på taxan $0.78 snarare än på $3.67. Ta 10 000 bilder, var och en med ~200 tokens prompt (alltså ~776 indatatokens) och ~150 tokens strukturerad utdata:

Arbetslast	Kimi-K2.6	Kimi-K3	Faktor
Ett agentsteg (40K in / 2K ut)	$0.0385	$0.1914	5.0x
Autonom körning på 200 steg	$7.71	$38.29	5.0x
10 000 bilder, strukturerad utdata	$11.56	$58.40	5.1x
Batchjobb (1M in / 200K ut)	$1.51	$7.65	5.1x

Beräknat från listpriserna på Shannons gateway. Uppskattningen av bildtokens använder Moonshots publicerade MoonViT-siffra på ~576 tokens för en bild på 1024x1024; den exakta tokeniseringen varierar med upplösning och bildförhållande.

En bildpipeline för $11.56 är något du kör dagligen utan att tänka på det. En för $58.40 är något du schemalägger, motiverar och till slut skär bort. Det gapet är hela argumentet för en prisvärdsnivå.

Ett ärligt förbehåll. På oberoende topplistor för multimodala och förankrade uppgifter har K2.6 rapporterats runt plats 26 av 115 modeller, snitt nära 68,1 — respektabelt, inte klassledande. Dess vision är genuint stark på dokumentförståelse, läsning av skärmbilder och gränssnitt samt tolkning av diagram; den är svagare på exakt rumslig förankring — precisa omslutande rutor, finkornig räkning i röriga scener, tät OCR av nedbrutna skanningar. Behöver du pixelnoggrann lokalisering, benchmarka på dina egna data först. Behöver du en modell som tittar på en skärmbild och avgör vad som ska klickas härnäst, är det här helt klart rätt verktyg.

06Verktygsanrop utan vägran och agentiska loopar

K2.6 stöder inbyggda verktygsanrop: modellen avger strukturerade verktygsanrop direkt utifrån de JSON-schema-verktygsdefinitioner du tillhandahåller, i stället för att lirkas till att producera tolkbar text. Med flerturssamtal och systemprompter är det hela substratet för en agentloop.

Det ”verktygsanrop utan vägran” tillför är subtilare än det låter. På ett filtrerat API dyker vägranden inuti en agentloop upp i tre skilda feltyper:

• Hård vägran — steget returnerar prosa i stället för ett verktygsanrop, tolken misslyckas, loopen bryts. Åtminstone högljutt.
• Mjuk vägran — anropet görs men argumenten är nedtonade: en avsmalnad fråga, en garderad parameter, en avkortad nyttolast. Loopen fortsätter med tyst försämrat tillstånd och du får veta det fyra steg senare.
• Förebyggande undvikande — planen styr bort från en legitim gren innan den ens kommer nära. Den här ser du aldrig; du får bara en sämre plan och ingen förklaring.

Den andra och tredje är de dyra, eftersom de är osynliga: inget fel, ingenting i loggarna, ingenting att söka efter. En slutpunkt utan vägranslager tar bort hela klassen — modellens verktygsanropsargument är modellens verktygsanropsargument.

Det spelar störst roll i de domäner som behöver långa autonoma körningar och ändå berör känsligt material: säkerhetsforskning och red teaming, skadeprograms- och incidentanalys, bearbetning av kliniska dokument, juridisk bevisinsamling och modereringsverktyg som måste resonera om innehållet de modererar. Att bygga en modereringsklassificerare kräver en modell som är villig att titta på det den klassificerar; det är ingen paradox, bara jobbet.

Praktiska noteringar för långa körningar: reasoning_effort låter dig lägga mer tänkande på planeringssteg och mindre på mekaniska. Strömning finns på alla tre dialekterna, så ett långt steg kan visa framsteg eller avbrytas tidigt. Och 262 144 tokens kontext håller verkligt arbetstillstånd — filinnehåll, tidigare verktygsresultat, en löpande plan — kvar över många steg utan att sammanfattas om varje tur, i sig en vanlig källa till agentdrift.

07Strukturerad utdata och de tre API-dialekterna

K2.6 stöder både json_schema (strikt schemabegränsad generering) och det lösare response_format. Kontrollera det mot katalogen: två av de tolv modellerna här stöder inte strikt schemautdata, och om ditt nästa pipelinesteg tolkar JSON är den kolumnen inte valfri.

Strikt schemautdata är det som gör en ocensurerad modell användbar som infrastruktur: om modellen måste avge ett objekt som matchar ditt schema får du en tolkningsgaranti oberoende av vad den annars hade sagt — ingen inledning, ingen ursäkt, inget stycke lindat runt din JSON. Kombinerat med inget vägranslager är det en extraktionsslutpunkt som returnerar ditt objekt vid varje anrop, för varje dokument, oavsett vad dokumentet handlar om.

Yta	Stöd i Kimi-K2.6	Noteringar
/v1/chat/completions	Ja	OpenAI-dialekten — direkt utbytbar för befintliga SDK:er
/v1/messages	Ja	Anthropic-dialekten — samma modell, samma vikter
/v1/responses	Ja	Gränssnitt i Responses-stil
Strömning	Ja	På alla tre dialekterna
Verktygsanrop	Ja	Inbyggda, verktygsdefinitioner med JSON-schema
json_schema	Ja	Strikt strukturerad utdata
response_format	Ja	Lösare JSON-läge
reasoning_effort	Ja	Justera tänkebudgeten per anrop
Bildindata	Ja	Bilder vid sidan av text

Alla tre dialekterna adresserar samma vikter på samma kluster. Peka en befintlig OpenAI-klient mot bas-URL:en, sätt model till Kimi-K2.6-W4A16-AUTOROUND-REAP, och du kör. Formen på förfrågningar och svar, strömningssemantik och en live-lekplats finns i API-dokumentationen.

08Där Kimi K2.6 är fel val

En modellguide som bara listar styrkor är en annons. Här är var vi skulle skicka dig någon annanstans.

• Du behöver det absoluta taket på en enda svår omgång. Gå till Kimi-K3 och betala femdubbelt. Det är vad den finns till för.
• Du behöver pixelnoggrann visuell förankring. Omslutande rutor, tät OCR på nedbrutna skanningar och exakt räkning i röriga scener är inte dess starkaste mark — testa på dina data först.
• Du behöver billigare än billigt, utan vision. Flera modeller i katalogen ligger på $0.50 / $2.00. K2.6:s överpris köper vision och Kimis agentiska profil; behöver du ingetdera, ta den billigare nivån.
• Du behöver mer än 16 384 utdatatokens i ett svar. Det taket gäller hela katalogen — långa dokument kräver styckad generering oavsett vilken modell du väljer.
• Du vill ha bitexakt beteende från uppströms. Det här är en beskuren och kvantiserad build: en medveten, publicerad avvägning. För en reproducerbarhetsstudie, kör mot Moonshots ursprungliga vikter.

Siffror för Kimi K2.6:s och K3:s arkitektur, benchmarks och släppdatum är Moonshot-rapporterade och visas för grundmodellen uppströms, inte för vår komprimerade build. Den multimodala rankningssiffran kommer från en oberoende tredjepartstopplista. Priserna på Shannons gateway är listpriser per den 5 september 2026.

09Vanliga frågor

---

Shannon AI drivs av Shannon Lab LLC, New Mexico, USA. Källor: Moonshot AI — Kimi K2 · REAP the Experts (arXiv 2510.13999) · Cerebras Research — REAP. Kimi-benchmarksiffror uppströms är Moonshot-rapporterade och preliminära i väntan på oberoende verifiering; de beskriver den okomprimerade grundmodellen, inte Shannons kvantiserade build.