API ya Kimi K2 bila udhibiti

Kurasa nyingi za "modeli nafuu" kwa kweli zinahusu modeli ndogo iliyovaa jina la familia la modeli kubwa. Hii siyo. Kimi K2.6 ni msingi kamili wa kiwango cha mstari wa mbele — vigezo trilioni moja vya Mixture-of-Experts nyembamba, ikiwa na kisimbaji cha uoni cha asili na mpango wa mafunzo unaolenga moja kwa moja matumizi ya zana ya kiwakala. Kinachoifanya kuwa daraja la thamani si ubongo mdogo bali maelekezo makali zaidi ya mbano. Hivyo swali si "je, ni nzuri vya kutosha?" bali "ni kazi zipi zinazogundua kweli tofauti kati ya hii na ndugu yake ghali mara 5 zaidi?" Sehemu kubwa ya makala hii inajibu hilo.

01Kimi K2.6 ni nini hasa?

Kimi K2.6 ni modeli ya uzani wazi kutoka Moonshot AI, maabara ya Beijing iliyo nyuma ya mfululizo wa Kimi, iliyotolewa Aprili 20, 2026. Inarithi muundo uliofanya K2 iwe ya kutambulika: transformer ya Mixture-of-Experts nyembamba yenye takriban jumla ya vigezo trilioni 1 na takriban bilioni 32 vinavyowaka kwa kila tokeni, iliyopangwa kama wataalamu 384, 8 wanaoelekezwa pamoja na 1 anayeshirikiwa kwa kila tabaka katika tabaka 61, ikiwa na Multi-head Latent Attention. Ni kipande kidogo tu cha trilioni hiyo kinachowaka kwenye tokeni yoyote iliyotolewa — ndiyo sababu hasa modeli ya ukubwa huu inaweza kupangiwa bei ya senti.

Ukoo unahusu kwa sababu ya kile Moonshot ilichokiboresha. K2 ya awali ilifunzwa awali kwenye takriban tokeni trilioni 15.5 ikitumia kiboreshaji cha Muon / MuonClip, kilichojengwa mahususi kuzuia MoE ya vigezo trilioni moja isipatwe na milipuko ya attention na vilele vya hasara vinavyotikisa mafunzo kwenye kiwango hicho; Moonshot iliripoti kutokuwepo kwa kutotulia kwa mafunzo katika kipindi chote. Hilo lipo juu ya kila kitu kingine — liliwaruhusu kutumia bajeti ya mafunzo kwenye tabia ya kiwakala badala ya kuzima moto.

K2.6 inapanua hilo katika mielekeo miwili. Kwanza, ni ya njia nyingi kwa asili: picha na fremu za video zinapita kwenye MoonViT, kisimbaji cha uoni chenye takriban vigezo milioni 400 kinachogawanya picha katika vipande vya 448x448 na kutupa kila kipande moja kwa moja ndani ya nafasi ya tokeni ya modeli ya lugha — tokeni za kuona zinakaa ndani ya mfuatano uleule kama kila kitu kingine, si ndani ya kiandika-maelezo kilichoambatishwa kikilisha modeli isiyoona. Pili, imejengwa kwa uratibu wa kina: kazi ya Agent Swarm ya Moonshot inaripoti uratibu katika hadi wakala-wadogo 300 waliobobea kwa uwanja na hadi hatua 4,000 zilizoratibiwa ndani ya kipindi kimoja cha kujiendesha.

Wasifu wa vipimo ulioripotiwa na Moonshot

Hizi ni namba zilizoripotiwa na Moonshot kwa msingi wa K2.6 usiobanwa, si vipimo vyetu. Zinafaa kwa umbo, si usahihi:

Soma umbo, si tarakimu. Alama za matumizi ya zana na zinazoendeshwa na utafutaji zinakaa juu; alama za ugumu mtupu zinakaa chini. Hiyo ndiyo saini ya modeli iliyofunzwa kutenda vizuri badala ya kujua kila kitu — badiliko sahihi kama wakala wako ana kivinjari, ganda na mfumo wa faili, badiliko baya kama unauliza swali moja gumu bila zana zilizoambatishwa.

02W4A16-AUTOROUND-REAP inamaanisha nini

Kiambishi kwenye kitambulisho cha modeli si pambo. Ni maelekezo halisi ya mbano, yaliyochapishwa ili uweze kufikiria badiliko unalolifanya.

• W4A16 — uzani kwa biti 4, uwashaji unaokokotolewa kwa 16. Kumbukumbu ya uzani inashuka takriban mara 4 dhidi ya bf16 huku hesabu inayolimbikiza kosa ikibaki kwenye usahihi wa biti 16. Hii ndiyo nukta ya kawaida ya kuhudumia yenye ubora wa juu kwa modeli kubwa sana za MoE.
• AUTOROUND — kibanaji cha AutoRound cha Intel. Mviringisho rahisi wa karibu zaidi unashughulikia kila uzani kivyake na unatupa taarifa ambayo modeli iliitegemea; AutoRound badala yake inajifunza maamuzi ya kuviringisha dhidi ya data ya urekebishaji. Kwenye lengo la biti 4 hiyo ndiyo tofauti kati ya modeli inayoendelea kufuata muundo na ile inayopotea.
• REAP — Router-weighted Expert Activation Pruning, kutoka Cerebras Research (arXiv 2510.13999, ICLR 2026). Wataalamu wengi ndani ya MoE hawaelekezewi mara kwa mara. REAP inampa kila mmoja alama kwa thamani zake za lango la kielekezi na kanuni zake za uwashaji, kisha inaondoa wenye umuhimu mdogo kabisa kwa pigo moja. Matokeo yaliyochapishwa: hadi 50% ya wataalamu wamepogolewa kutoka modeli za vigezo trilioni huku kwa kiasi kikubwa ubora wa msingi ukishikiliwa, na kupogoa kukishinda kuunganisha wataalamu kwenye kazi za kuzalisha — kuunganisha kunachanganya mabingwa pamoja, kupogoa kunaondoa tu wasiotumika.

Ikitumika kwa mpangilio huo — pogoa kwanza, bana kilichobaki — unapata modeli inayotoshea na kuendesha kwa kasi bila kuporomoka kwa ubora ambako mbinu yoyote peke yake ingesababisha kwenye uwiano huu. Kwa kusema wazi kuhusu gharama: modeli iliyobanwa si sawa kwa biti na ile ya asili. Kile maelekezo yanachokinunua ni kwamba upungufu unaangukia mahali usipoweza kuugundua kwa urahisi — njia adimu za uelekezaji, mikia ya tokeni zenye uwezekano mdogo — badala ya kwenye kufuata maelekezo, umbo la miito ya zana, au kushikamana na muundo.

03"Bila udhibiti" kunamaanisha nini kwenye ncha hii

Bila udhibiti hapa ni taarifa kuhusu usanifu, si mtazamo. Hakuna safu ya kukataa mbele ya modeli na hakuna kuchuja maudhui kwenye matokeo yake. Ombi lako linafika kwenye msingi na jibu lake linakufikia; hakuna kinachonasa upande wowote.

Tofauti hiyo inahusu, kwa sababu "bila udhibiti" linatumika kwa uzembe. Vitu vitatu tofauti vimefungwa chini ya neno hilo:

1. Uainishaji wa ingizo — modeli tofauti inasoma kidokezo chako na kuamua kama kukiruhusu kipite. Haipo hapa.
2. Kuchuja matokeo — kichanganuzi kinakagua maandishi yaliyozalishwa na kuyakata au kuyabadilisha. Hakipo hapa.
3. Mielekeo ya msingi wenyewe — chochote modeli ya msingi ilichojifunza kwenye mafunzo. Hicho ni cha modeli, na hatudai kuwa tumekifuta.

Viwili vya kwanza ndivyo vinavyovunja mifumo ya uzalishaji, na ndivyo viwili tunavyoviondoa. Kiainishi kinachowaka kwenye 0.5% ya maombi ni kiwango cha kushindwa cha 0.5% usichoweza kukitatua, kukikata rufaa, wala kukiona kikija — na katika mzunguko wa wakala wa hatua 200, kushindwa kwa 0.5% kwa kila hatua kunalimbikizana kuwa kipindi kinachoshindwa mara nyingi zaidi kuliko kinavyofaulu. Kukataa ndani ya mazungumzo ni usumbufu; kukataa kwenye hatua ya 147 ya kipindi cha kujiendesha kunaharibu hali ya kipindi na kunachoma kila kitu ulichokitumia kufika hapo. Kwa mizigo ya kazi ya wakala, kuondoa uso wa kukataa ni sifa ya kuaminika, si mapendeleo ya kimtindo.

Matokeo yake ni kwamba jukumu linahamia kwako. Hakuna wavu wa usalama kati ya programu yako na watumiaji wako; kama bidhaa yako inahitaji mmoja, ujenge mahali unapoweza kuuona, kuurekebisha, na kuuweka kwenye kumbukumbu. Tafadhali soma sera yetu ya matumizi ya kuwajibika kwanza.

04Kimi K2.6 dhidi ya Kimi K3: lini mara 5 zinastahili?

Huu ndio uamuzi wasomaji wengi walioujia, hivyo huu hapa bila kujiepusha. Kimi-K3 · 3BIT-REAP ndio msingi mkubwa zaidi, mpya zaidi: ulitangazwa Julai 16, 2026 pamoja na uzani wazi tarehe 27 Julai, kwa takriban jumla ya vigezo trilioni 2.8 na takriban bilioni 104 vinavyowaka kwa kila tokeni — zaidi ya mara 3 ya kompyuta inayowaka ya K2.6. Kwenye chanzo cha juu, Moonshot inaorodhesha K3 kwa takriban mara 5 ya bei ya K2.6, na bei ya lango letu inafuata uwiano huo.

	Kimi-K2.6 · W4A16-AUTOROUND-REAP	Kimi-K3 · 3BIT-REAP
Ingizo / tokeni 1M	$0.78	$3.83
Matokeo / tokeni 1M	$3.67	$19.12
Dirisha la muktadha	262,144	262,144
Matokeo ya juu kabisa / ombi	16,384	16,384
Ingizo la picha	Ndiyo	Ndiyo
Kuita zana kwa asili	Ndiyo	Ndiyo
json_schema kali	Ndiyo	Ndiyo
Bila udhibiti	Ndiyo	Ndiyo
Vigezo vinavyowaka / tokeni	~32B	~104B

Angalia kile jedwali lisilokionyesha: hakuna safu ambapo K3 ina kipengele ambacho K2.6 haina. Dirisha lilelile, matokeo yaleyale ya juu kabisa, uoni uleule, kuita zana kulekule, matokeo yaleyale yenye muundo, msimamo uleule wa bila udhibiti, lahaja zilezile tatu. Mara 5 zinanunua kitu kimoja hasa — uwezo mbichi kwa kila pigo la mbele. Hiyo ni kweli, lakini ni mhimili mmoja, na haifanyi chochote kwenye mihimili ambapo si kizuizi chako.

Nukta ya dirisha la muktadha mahususi

Kwenye chanzo cha juu, kipengele kikuu cha K3 ni muktadha wa tokeni 1M dhidi ya 262K ya K2.6. Kwenye lango la Shannon modeli zote mbili zinahudumiwa kwa tokeni 262,144. Kama muktadha mrefu ulikuwa sababu yako ya kulipa mara 5, sababu hiyo haitumiki hapa — ungelipa ziada na kupata dirisha lilelile. Hiki ni kitu ambacho mtoaji anajaribiwa kukiacha bila kusemwa, ndiyo sababu kipo kwa herufi nzito.

Lipa mara 5 pale

• Pigo moja linapaswa kufaulu. Pigo moja gumu ambapo kujaribu tena ni ghali au haiwezekani — kitendo kisichoweza kutenduliwa, uamuzi mwishoni mwa bomba refu. Vigezo vingi zaidi vinavyowaka kwa kila tokeni ndicho hasa kinachoinua dari kwenye pigo moja.
• Kazi imefungwa na maarifa, si na zana. Usanisi wa kina ambapo jibu lazima litoke ndani ya uzani. Wasifu wa K2.6 ni wa kiwakala; ondoa zana na msingi mkubwa zaidi unaonekana.
• Kiasi ni kidogo na hatari ni kubwa. Kwa miito 500 kwa mwezi, mara 5 ni $40 badala ya $8. Nunua tu modeli bora.

Usilipe mara 5 pale

• Unaendesha mzunguko. Vipindi virefu vya kiwakala vinatawaliwa na hatua za kimitambo — soma faili, ita zana, kagua matokeo, chagua inayofuata — ndicho hasa K2.6 ilifunzwa kwa ajili yake. Kwenye hatua 200 mara 5 ni $7.71 dhidi ya $38.29 kwa kila kipindi.
• Unachakata picha kwa kiasi kikubwa. Mizigo ya kazi ya uoni ina tokeni nyingi za ingizo na hoja kwa kila kipengele ni ya juu juu. Ona sehemu ya 05; si karibu hata kidogo.
• Kazi ni uchukuaji, uainishaji, au ugeuzaji. Kutoa uwanja kutoka hati, kuelekeza tiketi, kusawazisha rekodi, kufupisha — kazi zenye mipaka ambapo modeli kubwa zaidi inazalisha JSON ileile.
• Una hatua ya uthibitishaji. Kama matokeo yanakaguliwa — mkusanyiko wa majaribio, kithibitishi cha muundo, pigo la pili, mtu — makosa ya mara kwa mara ni nafuu na uchumi unaunga mkono kiasi kikubwa kwa uthabiti. Hii ndiyo hoja iliyodharauliwa kuliko zote kwa daraja la thamani.

Mchoro unaostahili kutajwa: endesha K2.6 kwa mzunguko na K3 kwa hukumu. Acha modeli nafuu ya kiwakala ifanye hatua mia za kukusanya, kuita na kuandaa rasimu, kisha tumia mwito mmoja ghali kwenye usanisi wa mwisho. Modeli zote mbili zinazungumza API inayofanana kwa dirisha lilelile la muktadha, hivyo kubadili ni badiliko la mstari mmoja kwenye uwanja wa model.

05Uoni kwa bei inayofanya kazi

Uoni ndicho kingo kikali kuliko vyote cha K2.6 ndani ya katalogi hii. Kati ya modeli kumi na mbili zisizodhibitiwa kwenye lango, nne tu ndizo zinazopokea picha kabisa, na K2.6 ndiyo pekee inayounganisha ingizo la picha na ukoo wa kiwakala wa Kimi chini ya dola moja kwa tokeni milioni za ingizo.

Mizigo ya kazi ya uoni ina umbo la gharama lisilo la kawaida. Kwa mujibu wa maelezo yaliyochapishwa ya Moonshot kuhusu MoonViT, picha ya 1024x1024 inasimbwa kuwa takriban tokeni 576 za picha — na hizo ni tokeni za ingizo, upande nafuu wa daftari. Kazi ya kawaida ya uoni inaangukia karibu kabisa kwenye kiwango cha $0.78 badala ya cha $3.67. Chukua picha 10,000, kila moja ikiwa na takriban tokeni 200 za kidokezo (hivyo takriban tokeni 776 za ingizo) na takriban tokeni 150 za matokeo yenye muundo:

Mzigo wa kazi	Kimi-K2.6	Kimi-K3	Kiasi
Hatua moja ya wakala (40K ndani / 2K nje)	$0.0385	$0.1914	5.0x
Kipindi cha kujiendesha cha hatua 200	$7.71	$38.29	5.0x
Picha 10,000, matokeo yenye muundo	$11.56	$58.40	5.1x
Kazi ya kundi (1M ndani / 200K nje)	$1.51	$7.65	5.1x

Zimekokotolewa kutoka bei za orodha za lango la Shannon. Makadirio ya tokeni za picha yanatumia namba iliyochapishwa ya Moonshot ya MoonViT ya takriban tokeni 576 kwa picha ya 1024x1024; ugawaji halisi wa tokeni unatofautiana kulingana na mwonekano na uwiano wa pande.

Bomba la picha la $11.56 ni kitu unachokiendesha kila siku bila kukifikiria. La $58.40 ni kitu unachokipangia ratiba, kukihalalisha, na hatimaye kukikata. Pengo hilo ndiyo hoja nzima ya daraja la thamani.

Tahadhari moja ya kweli. Kwenye mabao huru ya alama ya njia nyingi na kazi zilizotiwa nanga, K2.6 imeripotiwa ikiwa karibu #26 kati ya modeli 115, wastani karibu 68.1 — ya heshima, si inayoongoza daraja. Uoni wake ni imara kwa kweli kwenye uelewa wa hati, kusoma picha za skrini na violesura, na kutafsiri chati au michoro; ni dhaifu zaidi kwenye kutia nanga kwa nafasi kwa usahihi — visanduku sahihi vya mipaka, kuhesabu kwa daraja jembamba ndani ya mandhari yenye msongamano, OCR nzito ya skani zilizoharibika. Kama unahitaji utambuzi wa nafasi wenye usahihi wa pikseli, pima kwenye data yako mwenyewe kwanza. Kama unahitaji modeli itazame picha ya skrini na iamue nini cha kubonyeza baadaye, hii ndiyo chombo sahihi waziwazi.

06Kuita zana bila kukataa na mizunguko ya kiwakala

K2.6 inaunga mkono kuita zana kwa asili: modeli inatoa miito ya zana yenye muundo moja kwa moja kutoka fasili za zana za JSON-schema unazozitoa, badala ya kubembelezwa kuzalisha maandishi yanayoweza kuchanganuliwa. Pamoja na mazungumzo ya zamu nyingi na vidokezo vya mfumo, hiyo ndiyo msingi kamili wa mzunguko wa wakala.

Kile "kuita zana bila kukataa" kunachokiongeza ni cha undani zaidi kuliko kinavyosikika. Kwenye API iliyochujwa, kukataa ndani ya mzunguko wa wakala kunajitokeza katika namna tatu tofauti za kushindwa:

• Kukataa kugumu — hatua inarudisha maandishi badala ya mwito wa zana, kichanganuzi kinashindwa, mzunguko unavunjika. Angalau ni kwa sauti.
• Kukataa laini — mwito unafanywa lakini hoja zimefichwa: swali lililobanwa, kigezo kilichojiepusha, mzigo uliokatwa. Mzunguko unaendelea kwa hali iliyodhoofishwa kimyakimya na unagundua hatua nne baadaye.
• Kuepuka mapema — mpango unajiepusha na tawi halali kabla haujaukaribia. Huoni hili kamwe; unapata tu mpango mbaya zaidi na hakuna maelezo.

Cha pili na cha tatu ndivyo ghali, kwa sababu havionekani: hakuna hitilafu, hakuna chochote kwenye kumbukumbu, hakuna cha kutafuta. Ncha isiyo na safu ya kukataa inaondoa kundi zima — hoja za mwito wa zana za modeli ni hoja za mwito wa zana za modeli.

Hili linahusu zaidi kwenye maeneo yanayohitaji vipindi virefu vya kujiendesha na yanayogusa vifaa nyeti hata hivyo: utafiti wa usalama na timu nyekundu, uchambuzi wa programu hasidi na matukio, uchakataji wa hati za kliniki, ugunduzi wa kisheria, na zana za usimamizi wa maudhui zinazopaswa kufikiria kuhusu maudhui zinayoyasimamia. Kujenga kiainishi cha usimamizi wa maudhui kunahitaji modeli inayokubali kuangalia kile inachokiainisha; hiyo si kitendawili, ni kazi tu.

Madokezo ya vitendo kwa vipindi virefu: reasoning_effort inakuruhusu kutumia kufikiri zaidi kwenye hatua za kupanga na kidogo kwenye za kimitambo. Utiririshaji unapatikana kwenye lahaja zote tatu, hivyo hatua ndefu inaweza kuonyesha maendeleo au kusitishwa mapema. Na tokeni 262,144 za muktadha zinaweka hali halisi ya kufanyia kazi — yaliyomo ya faili, matokeo ya awali ya zana, mpango unaoendelea — ikikaa katika hatua nyingi bila kufupisha upya kila zamu, lenyewe likiwa chanzo cha kawaida cha kupotea kwa wakala.

07Matokeo yenye muundo na lahaja tatu za API

K2.6 inaunga mkono vyote json_schema (uzalishaji uliobanwa na muundo kwa ukali) na response_format iliyolegea zaidi. Kagua hilo dhidi ya katalogi: mbili kati ya modeli kumi na mbili hapa haziungi mkono matokeo makali ya muundo, na kama hatua yako inayofuata ya bomba inachanganua JSON, safu hiyo si ya hiari.

Matokeo makali ya muundo ndiyo yanayofanya modeli isiyodhibitiwa itumike kama miundombinu: kama modeli lazima itoe kitu kinacholingana na muundo wako, unapata dhamana ya kuchanganua bila kutegemea kile ambacho ingesema vinginevyo — hakuna utangulizi, hakuna kuomba radhi, hakuna aya iliyofungwa kuzunguka JSON yako. Ikiunganishwa na kutokuwepo kwa safu ya kukataa, hiyo ni ncha ya uchukuaji inayorudisha kitu chako kwenye kila mwito, kwa kila hati, hati hiyo ihusu chochote.

Uso	Uungwaji mkono wa Kimi-K2.6	Madokezo
/v1/chat/completions	Ndiyo	Lahaja ya OpenAI — inaingia moja kwa moja kwa SDK zilizopo
/v1/messages	Ndiyo	Lahaja ya Anthropic — modeli ileile, uzani uleule
/v1/responses	Ndiyo	Kiolesura cha mtindo wa responses
Utiririshaji	Ndiyo	Kwenye lahaja zote tatu
Kuita zana	Ndiyo	Kwa asili, fasili za zana za JSON-schema
json_schema	Ndiyo	Matokeo makali yenye muundo
response_format	Ndiyo	Hali ya JSON iliyolegea zaidi
reasoning_effort	Ndiyo	Rekebisha bajeti ya kufikiri kwa kila mwito
Ingizo la picha	Ndiyo	Picha pamoja na maandishi

Lahaja zote tatu zinafikia uzani uleule kwenye kundi lilelile. Elekeza mteja wa OpenAI uliopo kwenye URL ya msingi, weka model kuwa Kimi-K2.6-W4A16-AUTOROUND-REAP, na unaendesha. Maumbo ya maombi na majibu, maana za utiririshaji na uwanja hai wa majaribio vipo kwenye nyaraka za API.

08Mahali Kimi K2.6 ni chaguo baya

Mwongozo wa modeli unaoorodhesha nguvu pekee ni tangazo. Hapa ndipo tungekupeleka mahali pengine.

• Unahitaji dari kamili kwenye pigo moja gumu. Nenda kwa Kimi-K3 na ulipe mara 5. Ndicho ilichokusudiwa.
• Unahitaji kutia nanga kwa kuona kwa usahihi wa pikseli. Visanduku vya mipaka, OCR nzito kwenye skani zilizoharibika na kuhesabu kwa usahihi ndani ya mandhari yenye msongamano si uwanja wake imara kuliko yote — jaribu kwenye data yako kwanza.
• Unahitaji nafuu kuliko nafuu, bila uoni. Modeli kadhaa za katalogi zinakaa kwa $0.50 / $2.00. Ziada ya K2.6 inanunua uoni na wasifu wa kiwakala wa Kimi; kama huhitaji hata kimoja, chukua daraja nafuu zaidi.
• Unahitaji zaidi ya tokeni 16,384 za matokeo ndani ya jibu moja. Dari hiyo inatumika katika katalogi nzima — hati ndefu zinahitaji uzalishaji wa vipande modeli yoyote uchague.
• Unataka tabia sahihi kwa biti ya chanzo cha juu. Huu ni ujenzi uliopogolewa na kubanwa: badiliko la makusudi, lililochapishwa. Kwa utafiti wa kuzalisha upya, endesha dhidi ya uzani wa asili wa Moonshot.

Namba za muundo, vipimo, na tarehe za kutolewa za Kimi K2.6 na K3 zimeripotiwa na Moonshot na zinaonyeshwa kwa msingi wa chanzo cha juu, si kwa ujenzi wetu uliobanwa. Namba ya nafasi ya njia nyingi inatoka kwenye ubao huru wa alama wa mtu wa tatu. Bei za lango la Shannon ni bei za orodha kufikia tarehe 5 Septemba 2026.

09Maswali yanayoulizwa mara kwa mara

---

Shannon AI inaendeshwa na Shannon Lab LLC, New Mexico, Marekani. Vyanzo: Moonshot AI — Kimi K2 · REAP the Experts (arXiv 2510.13999) · Cerebras Research — REAP. Namba za vipimo za Kimi za chanzo cha juu zimeripotiwa na Moonshot na ni za muda hadi uthibitisho huru; zinaeleza msingi usiobanwa, si ujenzi uliobanwa wa Shannon.