தணிக்கையற்ற Kimi K2 API

பெரும்பாலான “மலிவான மாதிரி” பக்கங்கள் உண்மையில் ஒரு பெரிய மாதிரியின் குடும்பப் பெயரை அணிந்த ஒரு சிறிய மாதிரியைப் பற்றியவை. இது அப்படி அல்ல. Kimi K2.6 ஒரு முழு எல்லை-அளவு அடித்தளம் — ஒரு டிரில்லியன் அளபுரு சிதறிய Mixture-of-Experts, ஒரு இயல்பான பார்வைக் குறியாக்கியுடனும், முகவர் கருவிப் பயன்பாட்டை நேரடியாக இலக்காகக் கொண்ட ஒரு பயிற்சித் திட்டத்துடனும். இதை மதிப்பு அடுக்காக ஆக்குவது ஒரு சிறிய மூளை அல்ல, மிக ஆக்ரோஷமான ஒரு சுருக்கச் செய்முறையே. எனவே கேள்வி “இது போதுமான அளவு நல்லதா?” அல்ல, “இதற்கும் 5 மடங்கு விலையுள்ள அதன் உடன்பிறப்புக்கும் இடையிலான வித்தியாசத்தை உண்மையில் எந்த வேலைகள் கவனிக்கின்றன?” என்பதே. இந்தக் கட்டுரையின் பெரும்பகுதி அதற்கே பதிலளிக்கிறது.

01Kimi K2.6 உண்மையில் என்ன?

Kimi K2.6 என்பது Kimi தொடருக்குப் பின்னால் உள்ள பெய்ஜிங் ஆய்வகமான Moonshot AI இன் ஒரு திறந்த-எடை மாதிரி, ஏப்ரல் 20, 2026 அன்று வெளியிடப்பட்டது. K2 ஐக் குறிப்பிடத்தக்கதாக ஆக்கிய கட்டமைப்பையே இது மரபுரிமையாகப் பெறுகிறது: ஒரு சிதறிய Mixture-of-Experts டிரான்ஸ்ஃபார்மர், தோராயமாக மொத்தம் 1 டிரில்லியன் அளபுருக்கள், ஒரு டோக்கனுக்குச் சுமார் 32 பில்லியன் செயல்பாட்டில், 61 அடுக்குகள் முழுவதும் ஒவ்வொரு அடுக்கிலும் 384 நிபுணர்கள், 8 திசைதிருப்பப்பட்டவை மற்றும் 1 பகிரப்பட்டவர் என ஒழுங்கமைக்கப்பட்டு, Multi-head Latent Attention உடன். கொடுக்கப்பட்ட எந்த ஒரு டோக்கனிலும் அந்த டிரில்லியனின் ஒரு சிறு துண்டே இயங்குகிறது — இந்த அளவுள்ள ஒரு மாதிரிக்கு சென்ட்டுகளில் விலை வைக்க முடிவதற்கான காரணம் சரியாக அதுவே.

Moonshot எதை உகந்ததாக்கியது என்பதால் வம்சாவளி முக்கியம். அசல் K2 தோராயமாக 15.5 டிரில்லியன் டோக்கன்களில் Muon / MuonClip உகப்பாக்கியைப் பயன்படுத்தி முன்பயிற்சி பெற்றது, அந்த அளவில் பயிற்சியை நிலைகுலைக்கும் கவன வெடிப்புகளையும் இழப்பு உச்சங்களையும் ஒரு டிரில்லியன் அளபுரு MoE அனுபவிக்காமல் தடுக்கவே அது குறிப்பாகக் கட்டப்பட்டது; அந்த இயக்கம் முழுவதும் பயிற்சி நிலைக்குலைவு பூஜ்யம் என்று Moonshot அறிவித்தது. அது மற்ற அனைத்துக்கும் மேல்நிலையானது — தீயணைப்பில் அல்லாமல், முகவர் நடத்தையில் பயிற்சி வரவுசெலவைச் செலவிட அது அவர்களை அனுமதித்தது.

K2.6 அதை இரண்டு திசைகளில் விரிவுபடுத்துகிறது. முதலாவதாக, இது இயல்பாகவே பலவகை ஊடகம்: படங்களும் காணொளிச் சட்டகங்களும் MoonViT வழியாகச் செல்கின்றன, ஒரு ~400M அளபுரு பார்வைக் குறியாக்கி, அது ஒரு படத்தை 448x448 திட்டுகளாக ஓடுவேய்ந்து, ஒவ்வொரு ஓட்டையும் நேரடியாக மொழி மாதிரியின் டோக்கன் வெளிக்குள் திட்டமிடுகிறது — காட்சி டோக்கன்கள் ஒரு குருட்டு மாதிரிக்கு ஊட்டும் ஒட்டப்பட்ட தலைப்பிடுநரில் அல்ல, மற்ற எல்லாவற்றுடனும் அதே வரிசையிலேயே அமர்கின்றன. இரண்டாவதாக, இது ஆழத்தில் ஒருங்கிணைப்புக்காகக் கட்டப்பட்டது: Moonshot இன் Agent Swarm வேலை, 300 களம் சார்ந்த துணை-முகவர்கள் வரை ஒருங்கிணைப்பையும், ஒரே தன்னாட்சி இயக்கத்தில் 4,000 ஒருங்கிணைந்த படிகள் வரையையும் அறிவிக்கிறது.

Moonshot அறிவித்த அளவீட்டுச் சுயவிவரம்

இவை சுருக்கப்படாத K2.6 அடித்தளத்துக்காக Moonshot அறிவித்த எண்கள், எங்கள் அளவீடுகள் அல்ல. வடிவத்துக்குப் பயனுள்ளவை, துல்லியத்துக்கு அல்ல:

இலக்கங்களை அல்ல, வடிவத்தைப் படியுங்கள். கருவி பயன்படுத்தும், தேடல் சார்ந்த மதிப்பெண்கள் உயரத்தில் அமர்கின்றன; தூய கடினத்தன்மை மதிப்பெண்கள் தாழ்வாக அமர்கின்றன. அனைத்தையும் தெரிந்திருக்க அல்ல, நன்றாகச் செயல்படப் பயிற்றுவிக்கப்பட்ட ஒரு மாதிரியின் கையொப்பம் அதுவே — உங்கள் முகவரிடம் ஒரு உலாவி, ஒரு ஷெல், ஒரு கோப்பு அமைப்பு இருந்தால் அது சரியான பரிமாற்றம்; எந்தக் கருவியும் இணைக்கப்படாமல் ஒரு கடினமான கேள்வியைக் கேட்கிறீர்கள் என்றால் தவறான பரிமாற்றம்.

02W4A16-AUTOROUND-REAP என்றால் என்ன

மாதிரி அடையாளத்தின் மேல் உள்ள பின்னொட்டு அலங்காரம் அல்ல. அது துல்லியமான சுருக்கச் செய்முறை, நீங்கள் செய்யும் பரிமாற்றத்தைப் பற்றி ஆராயக்கூடிய வகையில் வெளியிடப்பட்டது.

• W4A16 — எடைகள் 4 பிட்டுகளில், செயல்படுத்தல்கள் 16 இல் கணக்கிடப்படுகின்றன. bf16 உடன் ஒப்பிடும்போது எடை நினைவகம் தோராயமாக 4 மடங்கு குறைகிறது, அதே நேரம் பிழையைக் குவிக்கும் கணிதம் 16-பிட் துல்லியத்திலேயே இருக்கிறது. மிகப் பெரிய MoE மாதிரிகளுக்கான நிலையான உயர்தர வழங்கல் புள்ளி இதுவே.
• AUTOROUND — Intel இன் AutoRound குவாண்டைசர். அப்பாவியான அருகில்-வட்டமிடல் ஒவ்வொரு எடையையும் தனித்தனியாக நடத்தி, மாதிரி சார்ந்திருந்த தகவலைத் தூக்கியெறிகிறது; அதற்குப் பதிலாக AutoRound அளவீட்டுத் தரவுக்கு எதிராக வட்டமிடல் முடிவுகளைக் கற்றுக்கொள்கிறது. ஒரு 4-பிட் இலக்கில், ஒரு schema ஐ இன்னும் பின்பற்றும் மாதிரிக்கும், விலகிச் செல்லும் ஒன்றுக்கும் இடையிலான வித்தியாசம் அதுவே.
• REAP — Router-weighted Expert Activation Pruning, Cerebras Research இலிருந்து (arXiv 2510.13999, ICLR 2026). ஒரு MoE இல் உள்ள பெரும்பாலான நிபுணர்களை அரிதாகவே திசைதிருப்பப்படுகிறார்கள். REAP ஒவ்வொருவருக்கும் அவரது ரவுட்டர் கேட் மதிப்புகளாலும் செயல்பாட்டு நெறிகளாலும் மதிப்பெண் அளித்து, மிகக் குறைந்த முக்கியத்துவம் உள்ளவர்களை ஒரே தாக்குதலில் நீக்குகிறது. வெளியிடப்பட்ட முடிவு: அடிப்படைத் தரத்தைப் பெருமளவு தக்கவைத்தபடி டிரில்லியன் அளபுரு மாதிரிகளிலிருந்து 50% வரை நிபுணர்கள் கத்தரிக்கப்பட்டனர், மேலும் உருவாக்கப் பணிகளில் கத்தரிப்பு நிபுணர் இணைப்பை வென்றது — இணைப்பு சிறப்பாளர்களை ஒன்றாக மங்கச் செய்கிறது, கத்தரிப்பு பயன்படாதவற்றை வெறுமனே நீக்குகிறது.

அந்த வரிசையில் பயன்படுத்தினால் — முதலில் கத்தரிப்பு, எஞ்சியதைக் குவாண்டைசேஷன் — இந்த விகிதங்களில் இரண்டு நுட்பங்களில் ஏதேனும் ஒன்று தனியாக ஏற்படுத்தும் தரச் சரிவு இல்லாமல், பொருந்தி வேகமாக இயங்கும் ஒரு மாதிரியைப் பெறுகிறீர்கள். செலவைப் பற்றி நேரடியாகச் சொல்வதென்றால்: ஒரு சுருக்கப்பட்ட மாதிரி அசலுக்குப் பிட் அளவில் ஒரே மாதிரி அல்ல. அந்தச் செய்முறை வாங்கித் தருவது இதுவே: அறிவுறுத்தல் பின்பற்றல், கருவி அழைப்பு வடிவமைப்பு, அல்லது schema கடைப்பிடிப்பில் அல்லாமல் — நீங்கள் கவனிக்க வாய்ப்பில்லாத இடங்களில், அரிய திசைதிருப்பல் பாதைகள், குறைந்த நிகழ்தகவு டோக்கன் வால்கள் — தேய்மானம் விழுகிறது.

03இந்த இறுதிப்புள்ளியில் “தணிக்கையற்றது” என்றால் என்ன

இங்கே தணிக்கையற்றது என்பது மனப்போக்கு பற்றியது அல்ல, கட்டமைப்பு பற்றிய ஒரு கூற்று. மாதிரியின் முன்னால் மறுப்புப் படை இல்லை, அதன் வெளியீட்டில் உள்ளடக்க வடிகட்டல் இல்லை. உங்கள் கோரிக்கை அடித்தளத்தை அடைகிறது, அதன் பதில் உங்களை அடைகிறது; எந்தத் திசையிலும் எதுவும் இடைமறிப்பதில்லை.

அந்த வேறுபாடு முக்கியம், ஏனெனில் “தணிக்கையற்றது” தளர்வாகப் பயன்படுத்தப்படுகிறது. அந்தச் சொல்லுக்குள் மூன்று தனித்தனி விஷயங்கள் கட்டப்பட்டுள்ளன:

1. உள்ளீட்டு வகைப்படுத்தல் — ஒரு தனி மாதிரி உங்கள் தூண்டுதலைப் படித்து அதை அனுமதிப்பதா என்று முடிவு செய்கிறது. இங்கே இல்லை.
2. வெளியீட்டு வடிகட்டல் — ஒரு ஸ்கேனர் உருவாக்கப்பட்ட உரையை ஆய்வு செய்து அதைத் துண்டிக்கிறது அல்லது மாற்றுகிறது. இங்கே இல்லை.
3. அடித்தளத்தின் சொந்த மனப்போக்குகள் — அடிப்படை மாதிரி பயிற்சியில் என்ன கற்றுக்கொண்டதோ அது. அது மாதிரியுடையது, அதை நாங்கள் அழித்துவிட்டதாகக் கூறவில்லை.

உற்பத்தி அமைப்புகளை உடைப்பவை முதல் இரண்டு, நாங்கள் நீக்குவதும் அந்த இரண்டையே. 0.5% கோரிக்கைகளில் இயங்கும் ஒரு வகைப்படுத்தி என்பது நீங்கள் பிழைத்திருத்த முடியாத, மேல்முறையீடு செய்ய முடியாத, முன்கூட்டியே பார்க்க முடியாத ஒரு 0.5% தோல்வி விகிதம் — மேலும் ஒரு 200-படி முகவர் சுழற்சி முழுவதும், ஒரு படிக்கான 0.5% தோல்வி, வெற்றியை விட அடிக்கடி தோல்வியடையும் ஒரு இயக்கமாகக் கூடுகிறது. ஒரு உரையாடலில் ஒரு மறுப்பு ஒரு எரிச்சல்; ஒரு தன்னாட்சி இயக்கத்தின் 147 ஆவது படியில் ஒரு மறுப்பு அந்த இயக்கத்தின் நிலையை அழித்து, அங்கே வர நீங்கள் செலவிட்ட அனைத்தையும் எரிக்கிறது. முகவர் வேலைச்சுமைகளுக்கு, மறுப்பு மேற்பரப்பை நீக்குவது ஒரு நடைமுறை விருப்பம் அல்ல, ஒரு நம்பகத்தன்மைப் பண்பு.

அதன் விளைவாகப் பொறுப்பு உங்களுக்கு நகர்கிறது. உங்கள் பயன்பாட்டுக்கும் உங்கள் பயனர்களுக்கும் இடையே பாதுகாப்பு வலை எதுவும் இல்லை; உங்கள் தயாரிப்புக்கு ஒன்று தேவைப்பட்டால், நீங்கள் பார்க்கக்கூடிய, சரிசெய்யக்கூடிய, பதிவு செய்யக்கூடிய இடத்தில் அதைக் கட்டுங்கள். முதலில் எங்கள் பொறுப்பான பயன்பாட்டுக் கொள்கையைப் படியுங்கள்.

04Kimi K2.6 எதிராக Kimi K3: 5 மடங்கு எப்போது மதிப்புடையது?

பெரும்பாலான வாசகர்கள் இதற்காகவே வந்தார்கள், எனவே தயங்காமல் இதோ. Kimi-K3 · 3BIT-REAP பெரிய, புதிய அடித்தளம்: ஜூலை 16, 2026 இல் அறிவிக்கப்பட்டு, ஜூலை 27 இல் திறந்த எடைகளுடன், தோராயமாக மொத்தம் 2.8 டிரில்லியன் அளபுருக்கள், ஒரு டோக்கனுக்குச் சுமார் 104 பில்லியன் செயல்பாட்டில் — K2.6 இன் செயல்பாட்டுக் கணக்கீட்டை விட 3 மடங்குக்கும் மேல். மேல்நிலையில், K2.6 இன் விலையை விட தோராயமாக 5 மடங்காக K3 ஐ Moonshot பட்டியலிடுகிறது, எங்கள் நுழைவாயில் விலை அந்த விகிதத்தையே பின்பற்றுகிறது.

	Kimi-K2.6 · W4A16-AUTOROUND-REAP	Kimi-K3 · 3BIT-REAP
1M டோக்கனுக்கு உள்ளீடு	$0.78	$3.83
1M டோக்கனுக்கு வெளியீடு	$3.67	$19.12
சூழல் சாளரம்	262,144	262,144
கோரிக்கைக்கு அதிகபட்ச வெளியீடு	16,384	16,384
பட உள்ளீடு	ஆம்	ஆம்
இயல்பான கருவி அழைப்பு	ஆம்	ஆம்
கடுமையான json_schema	ஆம்	ஆம்
தணிக்கையற்றது	ஆம்	ஆம்
டோக்கனுக்குச் செயல்பாட்டு அளபுருக்கள்	~32B	~104B

அந்த அட்டவணை எதைக் காட்டவில்லை என்பதைப் பாருங்கள்: K2.6 இல் இல்லாத ஒரு அம்சம் K3 இல் இருக்கும் வரிசை ஒன்றுமே இல்லை. அதே சாளரம், அதே அதிகபட்ச வெளியீடு, அதே பார்வை, அதே கருவி அழைப்பு, அதே கட்டமைக்கப்பட்ட வெளியீடு, அதே தணிக்கையற்ற நிலைப்பாடு, அதே மூன்று வகைகள். அந்த 5 மடங்கு சரியாக ஒன்றையே வாங்குகிறது — ஒரு முன்னோக்கு நகர்வுக்கான மூலத் திறன். அது உண்மையானது, ஆனால் அது ஒரே ஒரு அச்சு, மேலும் அது உங்கள் தடையாக இல்லாத அச்சுகளில் அது எதையும் செய்வதில்லை.

குறிப்பாகச் சூழல் சாளரக் கருத்து

மேல்நிலையில், K2.6 இன் 262K க்கு எதிராக K3 இன் தலைப்பு அம்சம் ஒரு 1M டோக்கன் சூழல். Shannon நுழைவாயிலில் இரண்டு மாதிரிகளும் 262,144 டோக்கன்களிலேயே வழங்கப்படுகின்றன. 5 மடங்கு செலுத்துவதற்கு நீண்ட சூழலே உங்கள் காரணமாக இருந்தால், அந்தக் காரணம் இங்கே பொருந்தாது — நீங்கள் கூடுதல் விலையைச் செலுத்தி அதே சாளரத்தையே பெறுவீர்கள். ஒரு விற்பனையாளர் சொல்லாமல் விட்டுவிடத் தூண்டப்படும் வகையான விஷயம் இது, அதனால்தான் இது தடிமனான எழுத்தில் உள்ளது.

5 மடங்கைச் செலுத்துங்கள், எப்போது

• ஒரே ஒரு முயற்சி வெற்றியடைய வேண்டும். ஒரு மறுமுயற்சி விலையுயர்ந்ததாகவோ சாத்தியமற்றதாகவோ இருக்கும் ஒரு கடினமான ஒற்றை நகர்வு — ஒரு மீளமுடியாத செயல், ஒரு நீண்ட குழாயின் முடிவில் ஒரு முடிவு. ஒரு டோக்கனுக்கு அதிக செயல்பாட்டு அளபுருக்கள்தான் ஒரு நகர்வில் உச்சவரம்பை உயர்த்துவது.
• பணி கருவி சார்ந்தது அல்ல, அறிவு சார்ந்தது. பதில் எடைகளிலிருந்தே வர வேண்டிய ஆழமான தொகுப்பு. K2.6 இன் சுயவிவரம் முகவர் சார்ந்தது; கருவிகளை எடுத்துவிட்டால் பெரிய அடித்தளம் தன்னைக் காட்டுகிறது.
• அளவு குறைவு, பங்கு அதிகம். மாதத்துக்கு 500 அழைப்புகளில், 5 மடங்கு என்பது $8 க்குப் பதிலாக $40. சிறந்த மாதிரியை வெறுமனே வாங்கிவிடுங்கள்.

5 மடங்கைச் செலுத்தாதீர்கள், எப்போது

• நீங்கள் ஒரு சுழற்சியை இயக்குகிறீர்கள். நீண்ட முகவர் இயக்கங்களில் இயந்திரப் படிகளே ஆதிக்கம் செலுத்துகின்றன — ஒரு கோப்பைப் படி, ஒரு கருவியை அழை, ஒரு முடிவைச் சரிபார், அடுத்ததைத் தேர்ந்தெடு — சரியாக அதற்காகவே K2.6 பயிற்றுவிக்கப்பட்டது. 200 படிகளில் அந்த 5 மடங்கு என்பது ஒரு இயக்கத்துக்கு $38.29 க்கு எதிராக $7.71.
• நீங்கள் அளவில் படங்களைச் செயலாக்குகிறீர்கள். பார்வை வேலைச்சுமைகள் உள்ளீட்டு டோக்கன் மிகுந்தவை, ஒரு உருப்படிக்கான சிந்தனை ஆழமற்றது. பிரிவு 05 ஐப் பாருங்கள்; அது நெருக்கமான போட்டியே அல்ல.
• வேலை பிரித்தெடுத்தல், வகைப்படுத்தல், அல்லது மாற்றம். ஆவணங்களிலிருந்து புலங்களை எடுத்தல், டிக்கெட்டுகளைத் திசைதிருப்புதல், பதிவுகளை இயல்பாக்குதல், சுருக்குதல் — ஒரு பெரிய மாதிரி அதே JSON ஐயே உருவாக்கும் வரையறுக்கப்பட்ட பணிகள்.
• உங்களிடம் ஒரு சரிபார்ப்புப் படி உள்ளது. வெளியீடு சரிபார்க்கப்படுகிறது என்றால் — ஒரு சோதனைத் தொகுப்பு, ஒரு schema சரிபார்ப்பான், ஒரு இரண்டாவது நகர்வு, ஒரு மனிதர் — எப்போதாவது ஏற்படும் தவறுகள் மலிவானவை, பொருளாதாரம் தீர்க்கமாக அளவுக்கே சாதகமானது. மதிப்பு அடுக்குக்கான மிகக் குறைவாக மதிப்பிடப்பட்ட வாதம் இதுவே.

பெயரிடத் தகுந்த ஒரு முறை: சுழற்சிக்கு K2.6 ஐயும், தீர்ப்புக்கு K3 ஐயும் இயக்குங்கள். சேகரிப்பு, அழைப்பு, வரைவு எழுதுதல் ஆகிய நூறு படிகளை மலிவான முகவர் மாதிரி செய்யட்டும், பின்னர் இறுதித் தொகுப்புக்கு ஒரு விலையுயர்ந்த அழைப்பைச் செலவழியுங்கள். இரண்டு மாதிரிகளும் அதே சூழல் சாளரத்துடன் ஒரே மாதிரியான API ஐப் பேசுகின்றன, எனவே மாறுவது என்பது model புலத்தில் ஒரு வரி மாற்றமே.

05ஒரு செயல்படும் விலையில் பார்வை

இந்தப் பட்டியலில் K2.6 இன் மிகக் கூர்மையான விளிம்பு பார்வையே. நுழைவாயிலில் உள்ள பன்னிரண்டு தணிக்கையற்ற மாதிரிகளில் நான்கு மட்டுமே படங்களை ஏற்கின்றன, மேலும் ஒரு மில்லியன் உள்ளீட்டு டோக்கனுக்கு ஒரு டாலருக்குக் கீழே பட உள்ளீட்டை Kimi முகவர் வம்சாவளியுடன் இணைக்கும் ஒரே மாதிரி K2.6 தான்.

பார்வை வேலைச்சுமைகளுக்கு ஒரு அசாதாரண செலவு வடிவம் உண்டு. MoonViT பற்றிய Moonshot இன் வெளியிடப்பட்ட விவரிப்பின்படி, ஒரு 1024x1024 படம் தோராயமாக 576 பட டோக்கன்களாகக் குறியாக்கப்படுகிறது — அவை உள்ளீட்டு டோக்கன்கள், கணக்கின் மலிவான பக்கம். ஒரு வழக்கமான பார்வை வேலை கிட்டத்தட்ட முழுவதுமாக $3.67 விகிதத்தில் அல்ல, $0.78 விகிதத்திலேயே விழுகிறது. 10,000 படங்களை எடுங்கள், ஒவ்வொன்றுக்கும் ~200 டோக்கன் தூண்டுதல் (எனவே ~776 உள்ளீட்டு டோக்கன்கள்) ம் ~150 டோக்கன் கட்டமைக்கப்பட்ட வெளியீடும்:

வேலைச்சுமை	Kimi-K2.6	Kimi-K3	மடங்கு
ஒரு முகவர் படி (40K உள்ளே / 2K வெளியே)	$0.0385	$0.1914	5.0x
200-படி தன்னாட்சி இயக்கம்	$7.71	$38.29	5.0x
10,000 படங்கள், கட்டமைக்கப்பட்ட வெளியீடு	$11.56	$58.40	5.1x
தொகுதிப் பணி (1M உள்ளே / 200K வெளியே)	$1.51	$7.65	5.1x

Shannon நுழைவாயில் பட்டியல் விலைகளிலிருந்து கணக்கிடப்பட்டது. ஒரு 1024x1024 படத்துக்கு ~576 டோக்கன்கள் என்ற Moonshot வெளியிட்ட MoonViT எண்ணையே பட-டோக்கன் மதிப்பீடு பயன்படுத்துகிறது; சரியான டோக்கனாக்கம் தெளிவுத்திறனுடனும் விகிதத்துடனும் மாறுபடும்.

ஒரு $11.56 பட குழாய் என்பது யோசிக்காமலேயே நீங்கள் தினமும் இயக்கும் ஒன்று. ஒரு $58.40 குழாய் என்பது நீங்கள் திட்டமிட்டு, நியாயப்படுத்தி, இறுதியில் வெட்டும் ஒன்று. அந்த இடைவெளியே ஒரு மதிப்பு அடுக்குக்கான முழு வாதம்.

ஒரு நேர்மையான எச்சரிக்கை. சுயாதீன பலவகை ஊடக மற்றும் நிலைப்படுத்தப்பட்ட பணி தரவரிசைகளில் K2.6 115 மாதிரிகளில் #26 வாக, சராசரி 68.1 க்கு அருகில் அறிவிக்கப்பட்டுள்ளது — மரியாதைக்குரியது, வகுப்பில் முதன்மையானது அல்ல. ஆவணப் புரிதல், திரைப்பிடிப்பு மற்றும் UI வாசிப்பு, விளக்கப்படம் அல்லது வரைபட விளக்கம் ஆகியவற்றில் அதன் பார்வை உண்மையிலேயே வலிமையானது; துல்லியமான இட நிலைப்படுத்தலில் அது பலவீனமானது — சரியான எல்லைப் பெட்டிகள், நெரிசலான காட்சிகளில் நுண்ணிய எண்ணிக்கை, தேய்ந்த ஸ்கேன்களின் அடர்த்தியான OCR. உங்களுக்குப் பிக்சல் அளவில் துல்லியமான இடம் காணல் தேவை என்றால், முதலில் உங்கள் சொந்தத் தரவில் அளவிடுங்கள். ஒரு திரைப்பிடிப்பைப் பார்த்து அடுத்து எதைச் சொடுக்குவது என்று ஒரு மாதிரி முடிவு செய்ய வேண்டும் என்றால், இதுவே சரியான கருவி.

06மறுப்பில்லாத கருவி அழைப்பும் முகவர் சுழற்சிகளும்

K2.6 இயல்பான கருவி அழைப்பை ஆதரிக்கிறது: பாகுபடுத்தக்கூடிய உரையை உருவாக்கத் தூண்டப்படுவதற்குப் பதிலாக, நீங்கள் வழங்கும் JSON-schema கருவி வரையறைகளிலிருந்து மாதிரி நேரடியாகக் கட்டமைக்கப்பட்ட கருவி அழைப்புகளை வெளியிடுகிறது. பல-முறை உரையாடலுடனும் அமைப்புத் தூண்டுதல்களுடனும் சேர்ந்து, ஒரு முகவர் சுழற்சிக்கான முழு அடித்தளம் அதுவே.

“மறுப்பில்லாத கருவி அழைப்பு” சேர்ப்பது கேட்பதை விட நுட்பமானது. வடிகட்டப்பட்ட ஒரு API இல், ஒரு முகவர் சுழற்சிக்குள் மறுப்புகள் மூன்று தனித்தனி தோல்வி வடிவங்களில் தோன்றுகின்றன:

• கடின மறுப்பு — அந்தப் படி ஒரு கருவி அழைப்புக்குப் பதிலாக உரைநடையைத் திருப்பித் தருகிறது, பாகுபடுத்தி தோல்வியடைகிறது, சுழற்சி உடைகிறது. குறைந்தபட்சம் சத்தமாக இருக்கிறது.
• மென் மறுப்பு — அழைப்பு செய்யப்படுகிறது, ஆனால் அதன் வாதங்கள் மட்டுப்படுத்தப்படுகின்றன: சுருக்கப்பட்ட ஒரு வினவல், தயங்கிய ஒரு அளபுரு, துண்டிக்கப்பட்ட ஒரு சுமை. அமைதியாகத் தேய்ந்த நிலையுடன் சுழற்சி தொடர்கிறது, நான்கு படிகளுக்குப் பிறகே நீங்கள் அதைக் கண்டறிகிறீர்கள்.
• முன்கூட்டிய தவிர்ப்பு — திட்டம் ஒரு முறையான கிளையை அணுகுவதற்கு முன்பே அதிலிருந்து விலகிச் செல்கிறது. இதை நீங்கள் ஒருபோதும் பார்ப்பதில்லை; ஒரு மோசமான திட்டமும் எந்த விளக்கமும் இல்லாமலும் மட்டுமே பெறுகிறீர்கள்.

இரண்டாவதும் மூன்றாவதுமே விலையுயர்ந்தவை, ஏனெனில் அவை கண்ணுக்குத் தெரியாதவை: பிழை இல்லை, பதிவுகளில் ஒன்றுமில்லை, grep செய்ய எதுவும் இல்லை. மறுப்புப் படை இல்லாத ஒரு இறுதிப்புள்ளி அந்த வகை முழுவதையும் நீக்குகிறது — மாதிரியின் கருவி அழைப்பு வாதங்கள் மாதிரியின் கருவி அழைப்பு வாதங்களே.

நீண்ட தன்னாட்சி இயக்கங்கள் தேவைப்படும், எப்படியும் உணர்திறன் மிக்க பொருளைத் தொடும் களங்களிலேயே இது மிக முக்கியம்: பாதுகாப்பு ஆய்வும் red-teaming உம், தீம்பொருள் மற்றும் சம்பவப் பகுப்பாய்வு, மருத்துவ ஆவணச் செயலாக்கம், சட்ட ஆவணச் சேகரிப்பு, மேலும் தான் மட்டுறுத்தும் உள்ளடக்கத்தைப் பற்றியே சிந்திக்க வேண்டிய மட்டுறுத்தல் கருவிகள். ஒரு மட்டுறுத்தல் வகைப்படுத்தியைக் கட்டுவதற்கு, தான் வகைப்படுத்துவதைப் பார்க்கத் தயாராக உள்ள ஒரு மாதிரி தேவை; அது ஒரு முரண் அல்ல, வேலையின் ஒரு பகுதியே.

நீண்ட இயக்கங்களுக்கான நடைமுறைக் குறிப்புகள்: reasoning_effort, திட்டமிடல் படிகளில் அதிக சிந்தனையையும், இயந்திரப் படிகளில் குறைவாகவும் செலவிட உங்களை அனுமதிக்கிறது. மூன்று வகைகளிலும் ஸ்ட்ரீமிங் கிடைக்கிறது, எனவே ஒரு நீண்ட படி முன்னேற்றத்தை வெளிப்படுத்தலாம் அல்லது முன்கூட்டியே கைவிடப்படலாம். மேலும் 262,144 டோக்கன் சூழல், உண்மையான வேலை நிலையை — கோப்பு உள்ளடக்கங்கள், முந்தைய கருவி முடிவுகள், ஒரு இயங்கும் திட்டம் — ஒவ்வொரு முறையும் மீண்டும் சுருக்காமல் பல படிகள் முழுவதும் தங்கவைக்கிறது, அந்த மீள்சுருக்கமே முகவர் விலகலுக்கான ஒரு பொதுவான மூலமாகும்.

07கட்டமைக்கப்பட்ட வெளியீடும் மூன்று API வகைகளும்

K2.6 json_schema (கடுமையான schema கட்டுப்படுத்தப்பட்ட உருவாக்கம்) ம் தளர்வான response_format ம் இரண்டையும் ஆதரிக்கிறது. அதைப் பட்டியலுக்கு எதிராகச் சரிபாருங்கள்: இங்குள்ள பன்னிரண்டு மாதிரிகளில் இரண்டு கடுமையான schema வெளியீட்டை ஆதரிக்கவில்லை, மேலும் உங்கள் அடுத்த குழாய்க் கட்டம் JSON ஐப் பாகுபடுத்துகிறது என்றால், அந்தப் பத்தி விருப்பத்துக்குரியது அல்ல.

ஒரு தணிக்கையற்ற மாதிரியை உள்கட்டமைப்பாகப் பயன்படுத்தக்கூடியதாக ஆக்குவது கடுமையான schema வெளியீடே: மாதிரி உங்கள் schema உடன் பொருந்தும் ஒரு பொருளை வெளியிட வேண்டும் என்றால், அது வேறுவிதமாக என்ன சொல்லியிருக்குமோ அதிலிருந்து சுயேச்சையாக ஒரு பாகுபடுத்தல் உத்தரவாதத்தைப் பெறுகிறீர்கள் — முன்னுரை இல்லை, மன்னிப்பு இல்லை, உங்கள் JSON ஐச் சுற்றி ஒரு பத்தி இல்லை. மறுப்புப் படை இல்லாததுடன் சேர்ந்தால், அது ஒவ்வொரு அழைப்பிலும், ஒவ்வொரு ஆவணத்துக்கும், அந்த ஆவணம் எதைப் பற்றியதாக இருந்தாலும் உங்கள் பொருளைத் திருப்பித் தரும் ஒரு பிரித்தெடுப்பு இறுதிப்புள்ளி.

மேற்பரப்பு	Kimi-K2.6 ஆதரவு	குறிப்புகள்
/v1/chat/completions	ஆம்	OpenAI வகை — ஏற்கெனவே உள்ள SDK களுக்கு நேரடிப் பொருத்தம்
/v1/messages	ஆம்	Anthropic வகை — அதே மாதிரி, அதே எடைகள்
/v1/responses	ஆம்	Responses பாணி இடைமுகம்
ஸ்ட்ரீமிங்	ஆம்	மூன்று வகைகளிலும்
கருவி அழைப்பு	ஆம்	இயல்பானது, JSON-schema கருவி வரையறைகள்
json_schema	ஆம்	கடுமையான கட்டமைக்கப்பட்ட வெளியீடு
response_format	ஆம்	தளர்வான JSON நிலை
reasoning_effort	ஆம்	ஒரு அழைப்புக்குச் சிந்தனை வரவுசெலவைச் சரிசெய்யுங்கள்
பட உள்ளீடு	ஆம்	உரையுடன் சேர்ந்து படங்கள்

மூன்று வகைகளும் ஒரே கிளஸ்டரில் உள்ள அதே எடைகளையே அணுகுகின்றன. ஏற்கெனவே உள்ள ஒரு OpenAI கிளையண்டை அடிப்படை URL ஐ நோக்கித் திருப்பி, model ஐ Kimi-K2.6-W4A16-AUTOROUND-REAP என அமைத்தால், நீங்கள் இயங்குகிறீர்கள். கோரிக்கை மற்றும் பதில் வடிவங்கள், ஸ்ட்ரீமிங் சொற்பொருள், ஒரு நேரடி விளையாட்டுத் திடல் ஆகியவை API ஆவணங்களில் உள்ளன.

08Kimi K2.6 எங்கே தவறான தேர்வு

வலிமைகளை மட்டுமே பட்டியலிடும் ஒரு மாதிரி வழிகாட்டி ஒரு விளம்பரம். வேறு எங்கே உங்களை நாங்கள் அனுப்புவோம் என்பது இதோ.

• ஒரு கடினமான ஒற்றை நகர்வில் உங்களுக்கு முழுமையான உச்சவரம்பு தேவை. Kimi-K3 க்குச் சென்று 5 மடங்கைச் செலுத்துங்கள். அதற்காகவே அது இருக்கிறது.
• உங்களுக்குப் பிக்சல் அளவில் துல்லியமான காட்சி நிலைப்படுத்தல் தேவை. எல்லைப் பெட்டிகள், தேய்ந்த ஸ்கேன்களில் அடர்த்தியான OCR, நெரிசலான காட்சிகளில் சரியான எண்ணிக்கை ஆகியவை அதன் வலிமையான தளம் அல்ல — முதலில் உங்கள் தரவில் சோதியுங்கள்.
• பார்வை இல்லாமல், மலிவானதை விட மலிவானது உங்களுக்குத் தேவை. பல பட்டியல் மாதிரிகள் $0.50 / $2.00 இல் அமர்கின்றன. K2.6 இன் கூடுதல் விலை பார்வையையும் Kimi முகவர் சுயவிவரத்தையும் வாங்குகிறது; இரண்டும் உங்களுக்குத் தேவையில்லை என்றால், மலிவான அடுக்கை எடுங்கள்.
• ஒரே பதிலில் 16,384 வெளியீட்டு டோக்கன்களுக்கு மேல் உங்களுக்குத் தேவை. அந்த உச்சவரம்பு முழுப் பட்டியலுக்கும் பொருந்தும் — நீங்கள் எந்த மாதிரியைத் தேர்ந்தெடுத்தாலும் நீண்ட ஆவணங்களுக்குத் துண்டாக்கப்பட்ட உருவாக்கம் தேவை.
• உங்களுக்குப் பிட் அளவில் துல்லியமான மேல்நிலை நடத்தை வேண்டும். இது ஒரு கத்தரிக்கப்பட்ட, குவாண்டைஸ் செய்யப்பட்ட கட்டமைப்பு: ஒரு வேண்டுமென்றே செய்யப்பட்ட, வெளியிடப்பட்ட பரிமாற்றம். ஒரு மீளுருவாக்க ஆய்வுக்கு, Moonshot இன் அசல் எடைகளுக்கு எதிராக இயக்குங்கள்.

Kimi K2.6 மற்றும் K3 இன் கட்டமைப்பு, அளவீடு, வெளியீட்டுத் தேதி எண்கள் Moonshot அறிவித்தவை, மேலும் எங்கள் சுருக்கப்பட்ட கட்டமைப்புக்கு அல்ல, மேல்நிலை அடித்தளத்துக்காகவே காட்டப்படுகின்றன. பலவகை ஊடகத் தரவரிசை எண் ஒரு சுயாதீன மூன்றாம் தரப்புத் தரவரிசைப் பட்டியலிலிருந்து. Shannon நுழைவாயில் விலைகள் செப்டம்பர் 5, 2026 நிலவரப்படி பட்டியல் விலைகள்.

09அடிக்கடி கேட்கப்படும் கேள்விகள்

---

Shannon AI ஐ இயக்குவது Shannon Lab LLC, நியூ மெக்சிகோ, அமெரிக்கா. மூலங்கள்: Moonshot AI — Kimi K2 · REAP the Experts (arXiv 2510.13999) · Cerebras Research — REAP. மேல்நிலை Kimi அளவீட்டு எண்கள் Moonshot அறிவித்தவை, சுயாதீன சரிபார்ப்புக்கு உட்பட்ட தற்காலிகமானவை; அவை Shannon இன் குவாண்டைஸ் செய்யப்பட்ட கட்டமைப்பை அல்ல, சுருக்கப்படாத அடித்தளத்தையே விவரிக்கின்றன.