Uncensored na Kimi K2 API

Karamihan sa mga pahina ng "murang model" ay talagang tungkol sa maliit na modelong nakasuot ng apelyido ng malaking modelo. Hindi ganito ito. Ang Kimi K2.6 ay buong pundasyon sa sukat ng frontier — isang trilyong parameter ng sparse na Mixture-of-Experts, na may native na vision encoder at programa ng pagsasanay na tuwirang nakatutok sa agentikong paggamit ng kasangkapan. Ang gumagawa ritong antas na sulit sa presyo ay hindi mas maliit na utak kundi mas matinding resipe ng pagsisiksik. Kaya hindi "sapat na ba ito?" ang tanong kundi "aling mga trabaho ang tunay na nakakapansin ng pagkakaiba nito sa kapatid nitong 5x na mas mahal?" Sinasagot iyan ng halos buong artikulong ito.

01Ano talaga ang Kimi K2.6?

Ang Kimi K2.6 ay open-weights na modelo mula sa Moonshot AI, ang laboratoryo sa Beijing na nasa likod ng serye ng Kimi, inilabas noong Abril 20, 2026. Minana nito ang arkitekturang nagpatanyag sa K2: isang sparse na Mixture-of-Experts na transformer na may humigit-kumulang 1 trilyong kabuuang parameter at mga 32 bilyong aktibo kada token, na nakaayos bilang 384 na expert, 8 na niruruta kasama ang 1 na ibinabahagi kada layer sa 61 na layer, kasama ang Multi-head Latent Attention. Maliit na hiwa lamang ng trilyong iyon ang pumuputok sa anumang token — at iyon mismo ang dahilan kung bakit kayang presyuhan sa sentimo ang modelong ganito kalaki.

Mahalaga ang angkan dahil sa inoptimisa ng Moonshot. Ang orihinal na K2 ay pre-trained sa humigit-kumulang 15.5 trilyong token gamit ang Muon / MuonClip na optimizer, na itinayo talaga para hindi maranasan ng trilyong-parameter na MoE ang pagsabog ng attention at ang biglaang taas ng loss na nagpapabagsak sa pagsasanay sa ganoong laki; iniulat ng Moonshot na walang kahit anong kawalang-tatag sa buong takbo ng pagsasanay. Nauuna iyon sa lahat ng iba pa — pinahintulutan silang gastusin ang badyet ng pagsasanay sa agentikong pag-uugali sa halip na sa pag-apula ng sunog.

Pinalawig ito ng K2.6 sa dalawang direksiyon. Una, native itong multimodal: dumadaan ang mga larawan at frame ng bidyo sa MoonViT, isang ~400M-parameter na vision encoder na hinahati ang larawan sa 448x448 na patch at ipinuprodyekto ang bawat tile nang tuwiran sa espasyo ng token ng modelong pangwika — nakaupo ang mga biswal na token sa parehong sunuran ng lahat ng iba pa, hindi sa idinikit na tagakapsiyon na nagpapakain sa bulag na modelo. Ikalawa, itinayo ito para sa orkestrasyon nang malalim: iniuulat ng gawaing Agent Swarm ng Moonshot ang koordinasyon sa umaabot hanggang 300 na dalubhasang sub-agent at hanggang 4,000 na magkakaugnay na hakbang sa iisang awtonomong takbo.

Ang profile ng benchmark na iniulat ng Moonshot

Ang mga ito ay iniulat ng Moonshot para sa hindi sinisiksik na pundasyong K2.6, hindi ang aming mga sukat. Kapaki-pakinabang para sa hugis, hindi para sa tumpakan:

Basahin ang hugis, hindi ang mga digit. Mataas ang mga puntos na gumagamit ng kasangkapan at hinihimok ng paghahanap; mas mababa ang mga puntos ng dalisay na hirap. Iyan ang lagda ng modelong sinanay na kumilos nang mahusay sa halip na malaman ang lahat — tamang pinagpalit kung may browser, shell at file system ang agent mo, maling pinagpalit kung nagtatanong ka ng isang mahirap na tanong na walang kasamang kasangkapan.

02Ano ang ibig sabihin ng W4A16-AUTOROUND-REAP

Hindi palamuti ang suffix sa model id. Ito ang eksaktong resipe ng pagsisiksik, inilathala para makapangatwiran ka tungkol sa pinagpapalit mo.

• W4A16 — weights sa 4 na bit, mga activation na kinakalkula sa 16. Bumababa nang humigit-kumulang 4x ang memorya ng weights laban sa bf16 habang nananatili sa 16-bit na presisyon ang aritmetikang nag-iipon ng error. Ito ang karaniwang puntong may mataas na kalidad sa paghahain ng napakalaking MoE na model.
• AUTOROUND — ang AutoRound na kuwantisador ng Intel. Ang payak na round-to-nearest ay itinuturing na hiwalay ang bawat weight at itinatapon ang impormasyong pinagkakatiwalaan ng model; sa halip, natututo ang AutoRound ng mga desisyon sa pagbibilog laban sa datos ng kalibrasyon. Sa 4-bit na target, iyon ang pagkakaiba ng modelong sumusunod pa rin sa schema at ng isang naliligaw.
• REAP — Router-weighted Expert Activation Pruning, mula sa Cerebras Research (arXiv 2510.13999, ICLR 2026). Bihirang niruruta ang karamihan sa mga expert sa isang MoE. Iniiskor ng REAP ang bawat isa batay sa halaga ng gate ng router at sa norm ng activation nito, saka tinatanggal ang pinakawalang-saysay sa isang hakbang lamang. Ang nailathalang resulta: hanggang 50% ng mga expert ang naipupungos mula sa trilyong-parameter na model habang halos napapanatili ang saligang kalidad, at natatalo ng pagpupungos ang paghahalo ng expert sa mga gawaing generatibo — nilalabo ng paghahalo ang mga espesyalista, samantalang inaalis lamang ng pagpupungos ang hindi ginagamit.

Kapag inilapat sa ganoong pagkakasunod — pungusin muna, saka kuwantisahin ang natira — makukuha mo ang modelong kasya at mabilis nang wala ang pagbagsak ng kalidad na idudulot ng alinman sa dalawang teknik nang mag-isa sa ganitong ratio. Para maging tuwiran tungkol sa gastos: hindi bit-identical sa orihinal ang sinisiksik na model. Ang binibili ng resipe ay ang paglapag ng pagsama sa mga lugar na malabo mong mapansin — bihirang daan ng pagruruta, buntot ng token na mababa ang probabilidad — sa halip na sa pagsunod sa tagubilin, sa pagpormat ng tool call, o sa pagsunod sa schema.

03Ano ang ibig sabihin ng "uncensored" sa endpoint na ito

Pahayag tungkol sa arkitektura ang uncensored dito, hindi tungkol sa saloobin. Walang refusal layer sa harap ng model at walang pagsala ng nilalaman sa output nito. Nakakarating sa pundasyon ang hiling mo at nakakarating sa iyo ang tugon nito; walang humaharang sa alinmang direksiyon.

Mahalaga ang distinksiyong iyon, dahil maluwag ang paggamit sa salitang "uncensored." Tatlong magkahiwalay na bagay ang ibinabalot sa ilalim ng salita:

1. Pag-uuri ng input — binabasa ng hiwalay na model ang prompt mo at ipinapasya kung papayagan itong dumaan. Wala ito rito.
2. Pagsala ng output — sinusuri ng scanner ang nabuong teksto at pinuputol o pinapalitan ito. Wala ito rito.
3. Ang sariling hilig ng pundasyon — anuman ang natutuhan ng saligang model sa pagsasanay. Sa model iyon, at hindi namin inaangking binura namin iyon.

Ang unang dalawa ang sumisira sa mga sistemang produksiyon, at iyon ang dalawang inaalis namin. Ang classifier na pumuputok sa 0.5% ng mga hiling ay 0.5% na antas ng pagbagsak na hindi mo ma-debug, hindi maapela, at hindi makita nang paparating — at sa loob ng 200-hakbang na siklo ng agent, ang 0.5% na pagbagsak kada hakbang ay nagiging takbong mas madalas pang bumagsak kaysa magtagumpay. Ang pagtanggi sa loob ng usapan ay abala lamang; ang pagtanggi sa hakbang 147 ng awtonomong takbo ay sumisira sa estado ng takbo at sinusunog ang lahat ng ginastos mo para makarating doon. Para sa trabaho ng agent, ang pagtanggal ng ibabaw ng pagtanggi ay katangian ng pagiging maaasahan, hindi kagustuhan sa istilo.

Ang kasunod nito ay lumilipat sa iyo ang pananagutan. Walang lambat ng kaligtasan sa pagitan ng aplikasyon mo at ng mga gumagamit mo; kung kailangan ito ng produkto mo, itayo ito kung saan mo ito nakikita, natutunog, at nalalagay sa log. Pakibasa muna ang aming patakaran sa responsableng paggamit.

04Kimi K2.6 laban sa Kimi K3: kailan sulit ang 5x?

Ito ang desisyong pinunta rito ng karamihan sa mga mambabasa, kaya narito ito nang walang pag-iwas. Ang Kimi-K3 · 3BIT-REAP ang mas malaki at mas bagong pundasyon: inanunsiyo noong Hulyo 16, 2026 na may open weights noong Hulyo 27, sa humigit-kumulang 2.8 trilyong kabuuang parameter at mga 104 bilyong aktibo kada token — mahigit 3x ng aktibong kompyutasyon ng K2.6. Sa upstream, inililista ng Moonshot ang K3 sa mga 5x ng presyo ng K2.6, at sinusundan ng presyo sa aming gateway ang rationg iyon.

	Kimi-K2.6 · W4A16-AUTOROUND-REAP	Kimi-K3 · 3BIT-REAP
Input / 1M token	$0.78	$3.83
Output / 1M token	$3.67	$19.12
Context window	262,144	262,144
Pinakamataas na output / hiling	16,384	16,384
Input na larawan	Oo	Oo
Native na tool calling	Oo	Oo
Mahigpit na json_schema	Oo	Oo
Uncensored	Oo	Oo
Aktibong parameter / token	~32B	~104B

Tingnan ang hindi ipinapakita ng talahanayan: walang hanay kung saan may tampok ang K3 na wala ang K2.6. Parehong window, parehong pinakamataas na output, parehong vision, parehong tool calling, parehong structured na output, parehong uncensored na tindig, parehong tatlong dayalekto. Iisang bagay lamang ang binibili ng 5x — hilaw na kakayahan kada pasada. Totoo iyon, pero iisang aksis lamang iyon, at wala itong ginagawa sa mga aksis kung saan hindi ito ang balakid mo.

Ang tungkol sa context window, tiyakan

Sa upstream, ang pangunahing tampok ng K3 ay 1M-token na context laban sa 262K ng K2.6. Sa Shannon gateway parehong inihahain sa 262,144 na token ang dalawang model. Kung mahabang context ang dahilan mo para magbayad ng 5x, hindi umaangkop ang dahilang iyon dito — babayaran mo ang dagdag at parehong window ang makukuha mo. Ito ang uri ng bagay na natutuksong huwag banggitin ng nagtitinda, kaya naka-bold ito.

Bayaran ang 5x kapag

• Kailangang tumama ang isang tira. Isang mahirap na pasada kung saan magastos o imposible ang pag-ulit — isang kilos na hindi na maibabalik, isang desisyon sa dulo ng mahabang pipeline. Ang mas maraming aktibong parameter kada token ang mismong nagtataas ng kisame sa isang pasada.
• Nakatali sa kaalaman ang gawain, hindi sa kasangkapan. Malalim na sintesis kung saan kailangang manggaling sa weights ang sagot. Agentiko ang profile ng K2.6; alisin ang mga kasangkapan at lilitaw ang mas malaking pundasyon.
• Mababa ang dami at mataas ang taya. Sa 500 na tawag kada buwan, ang 5x ay $40 sa halip na $8. Bilhin mo na lang ang mas mahusay na model.

Huwag bayaran ang 5x kapag

• Nagpapatakbo ka ng siklo. Pinangingibabawan ang mahahabang agentikong takbo ng mekanikal na hakbang — magbasa ng file, tumawag ng kasangkapan, tingnan ang resulta, piliin ang susunod — at iyon mismo ang pinagsanayan ng K2.6. Sa 200 na hakbang, ang 5x ay $7.71 laban sa $38.29 kada takbo.
• Nagpoproseso ka ng maraming larawan. Mabigat sa input token ang trabaho sa vision at mababaw ang pangangatwiran kada aytem. Tingnan ang seksiyon 05; hindi ito malapitan.
• Paghango, pag-uuri, o pagbabago ang trabaho. Paghugot ng field mula sa dokumento, pagruruta ng tiket, pagpapantay ng talaan, pagbubuod — mga gawaing may hangganan kung saan parehong JSON ang ibubuga ng mas malaking model.
• May hakbang ka ng pagpapatunay. Kung nasusuri ang output — isang test suite, isang schema validator, isang ikalawang pasada, isang tao — mura ang paminsan-minsang pagkakamali at malinaw na pumapabor sa dami ang ekonomiya. Ito ang pinakakulang-pinapansing argumento para sa antas na sulit sa presyo.

Isang paraang sulit pangalanan: patakbuhin ang K2.6 para sa siklo at ang K3 para sa hatol. Hayaang gawin ng murang agentikong model ang isang daang hakbang ng pangangalap, pagtawag at pagbabalangkas, saka gumastos ng isang mahal na tawag sa panghuling sintesis. Parehong API ang sinasalita ng dalawang model na may parehong context window, kaya ang paglipat ay isang-linyang pagbabago sa field na model.

05Vision sa presyong kayang bayaran

Ang vision ang pinakamatalas na gilid ng K2.6 sa katalogong ito. Sa labindalawang uncensored na model sa gateway, apat lamang ang tumatanggap ng larawan, at ang K2.6 lamang ang nagtatambal ng input na larawan sa agentikong angkan ng Kimi sa halagang wala pang isang dolyar kada milyong input token.

May hindi pangkaraniwang hugis ng gastos ang trabaho sa vision. Ayon sa nailathalang paglalarawan ng Moonshot sa MoonViT, ang 1024x1024 na larawan ay naiko-encode sa humigit-kumulang 576 na token ng larawan — at mga token ng input iyon, ang murang panig ng talaan. Halos buo ang isang karaniwang trabaho sa vision ay lumalapag sa halagang $0.78 sa halip na sa $3.67. Kunin ang 10,000 na larawan, bawat isa ay may ~200 na token ng prompt (kaya ~776 na input token) at ~150 na token ng structured na output:

Trabaho	Kimi-K2.6	Kimi-K3	Multiplo
Isang hakbang ng agent (40K in / 2K out)	$0.0385	$0.1914	5.0x
200-hakbang na awtonomong takbo	$7.71	$38.29	5.0x
10,000 na larawan, structured na output	$11.56	$58.40	5.1x
Batch na trabaho (1M in / 200K out)	$1.51	$7.65	5.1x

Kinalkula mula sa nakalistang presyo ng Shannon gateway. Ang tantiya ng token ng larawan ay gumagamit ng nailathalang bilang ng Moonshot para sa MoonViT na ~576 na token sa 1024x1024 na larawan; nagkakaiba-iba ang eksaktong tokenisasyon ayon sa resolusyon at aspect ratio.

Ang $11.56 na pipeline ng larawan ay isang bagay na pinapatakbo mo araw-araw nang hindi iniisip. Ang $58.40 na isa ay bagay na iskinedyul mo, bibigyang-katwiran, at sa kalaunan ay puputulin. Ang agwat na iyon ang buong argumento para sa antas na sulit sa presyo.

Isang tapat na paalala. Sa mga malayang leaderboard ng multimodal at nakaugat na gawain, iniulat ang K2.6 sa humigit-kumulang ika-26 sa 115 na model, katamtamang malapit sa 68.1 — kagalang-galang, hindi nangunguna sa klase. Tunay na malakas ang vision nito sa pag-unawa ng dokumento, pagbasa ng screenshot at UI, at pag-unawa sa tsart o diagram; mas mahina ito sa tumpak na pag-uugat sa espasyo — eksaktong bounding box, pinong pagbibilang sa magulong eksena, siksik na OCR ng sirang scan. Kung kailangan mo ang pagtutukoy na eksakto sa piksel, mag-benchmark muna sa sarili mong datos. Kung kailangan mo ng modelong titingin sa screenshot at magpapasya kung ano ang susunod na iki-click, ito ang tamang kasangkapan.

06Tool calling na walang pagtanggi at mga agentikong siklo

Sinusuportahan ng K2.6 ang native na tool calling: naglalabas ang model ng structured na pagtawag ng kasangkapan nang tuwiran mula sa mga depinisyon ng kasangkapan na nasa JSON schema na ibibigay mo, sa halip na himukin itong bumuo ng teksto na kayang basahin ng parser. Kasama ang maramihang-turn na usapan at system prompt, iyon ang buong pundasyon ng siklo ng agent.

Ang idinaragdag ng "tool calling na walang pagtanggi" ay mas banayad kaysa sa tunog nito. Sa sinasalang API, tatlong magkaibang anyo ng pagbagsak ang lumilitaw sa pagtanggi sa loob ng siklo ng agent:

• Matigas na pagtanggi — nagbabalik ang hakbang ng prosa sa halip na tool call, bumabagsak ang parser, nasisira ang siklo. Maingay man lang.
• Malambot na pagtanggi — naisagawa ang tawag pero pinahina ang mga argumento: pinaliit na query, pinag-iingatang parameter, pinutol na payload. Nagpapatuloy ang siklo nang tahimik na nasira ang estado at malalaman mo ito apat na hakbang ang layo.
• Maagang pag-iwas — lumilihis ang plano mula sa lehitimong sanga bago pa man ito lapitan. Hindi mo ito nakikita kailanman; mas masamang plano lang ang nakukuha mo nang walang paliwanag.

Ang ikalawa at ikatlo ang mga magastos, dahil hindi sila nakikita: walang error, walang nasa log, walang maha-grep. Ang endpoint na walang refusal layer ay tinatanggal ang buong uring iyon — ang mga argumento ng tool call ng model ay mga argumento ng tool call ng model.

Pinakamahalaga ito sa mga larangang nangangailangan ng mahabang awtonomong takbo at humahawak na rin sa sensitibong materyal: pananaliksik sa seguridad at red-teaming, pagsusuri ng malware at insidente, pagproseso ng klinikal na dokumento, legal na discovery, at kasangkapan sa moderasyon na kailangang mangatwiran tungkol sa nilalamang minomoderate nito. Ang pagtatayo ng classifier para sa moderasyon ay nangangailangan ng modelong handang tumingin sa inuuri nito; hindi iyon kabalintunaan, trabaho lang.

Praktikal na paalala para sa mahahabang takbo: pinapayagan ka ng reasoning_effort na gumastos ng mas maraming pag-iisip sa hakbang ng pagpaplano at mas kaunti sa mekanikal. Available ang streaming sa lahat ng tatlong dayalekto, kaya kayang ipakita ng mahabang hakbang ang pag-usad o maputol nang maaga. At pinapanatili ng 262,144 na token ng context ang tunay na estado ng trabaho — nilalaman ng file, naunang resulta ng kasangkapan, isang tumatakbong plano — na nakaupo sa maraming hakbang nang hindi nagbubuod muli kada turn, na mismong karaniwang pinagmumulan ng paglihis ng agent.

07Structured na output at ang tatlong dayalekto ng API

Sinusuportahan ng K2.6 ang parehong json_schema (mahigpit na pagbuong pinipigil ng schema) at ang mas maluwag na response_format. Ihambing iyon sa katalogo: dalawa sa labindalawang model dito ang hindi sumusuporta sa mahigpit na output ng schema, at kung ang susunod na yugto ng pipeline mo ay nagbabasa ng JSON, hindi opsiyonal ang hanay na iyon.

Ang mahigpit na output ng schema ang nagpapagamit sa uncensored na model bilang imprastraktura: kung kailangang maglabas ang model ng bagay na tumutugma sa schema mo, may garantiya ka ng pagbabasa nang malaya sa kung ano sana ang sinabi nito — walang paunang salita, walang paumanhin, walang talatang nakabalot sa JSON mo. Kasama ang kawalan ng refusal layer, iyon ay endpoint ng paghango na nagbabalik ng bagay mo sa bawat tawag, para sa bawat dokumento, tungkol man saan ang dokumento.

Ibabaw	Suporta ng Kimi-K2.6	Paalala
/v1/chat/completions	Oo	Dayalekto ng OpenAI — deretsong kapalit sa mga umiiral na SDK
/v1/messages	Oo	Dayalekto ng Anthropic — parehong model, parehong weights
/v1/responses	Oo	Interface na tulad ng Responses
Streaming	Oo	Sa lahat ng tatlong dayalekto
Tool calling	Oo	Native, mga depinisyon ng kasangkapan sa JSON schema
json_schema	Oo	Mahigpit na structured na output
response_format	Oo	Mas maluwag na moda ng JSON
reasoning_effort	Oo	Iayos ang badyet ng pag-iisip kada tawag
Input na larawan	Oo	Mga larawan kasabay ng teksto

Ang tatlong dayalekto ay tumutukoy sa parehong weights sa parehong cluster. Ituro ang umiiral na OpenAI client sa base URL, itakda ang model sa Kimi-K2.6-W4A16-AUTOROUND-REAP, at tumatakbo ka na. Ang hugis ng hiling at tugon, ang semantika ng streaming at ang buhay na playground ay nasa dokumentasyon ng API.

08Kung saan maling pili ang Kimi K2.6

Ang gabay sa model na naglilista lamang ng lakas ay patalastas. Narito kung saan ka namin ituturo sa iba.

• Kailangan mo ang ganap na kisame sa isang mahirap na pasada. Pumunta sa Kimi-K3 at bayaran ang 5x. Para diyan ito.
• Kailangan mo ng biswal na pag-uugat na eksakto sa piksel. Ang bounding box, siksik na OCR sa sirang scan at eksaktong pagbibilang sa magulong eksena ay hindi ang pinakamatibay nitong lupa — subukan muna sa datos mo.
• Kailangan mo ng mas mura pa sa mura, nang walang vision. Ilang model sa katalogo ang nasa $0.50 / $2.00. Ang dagdag na presyo ng K2.6 ay bumibili ng vision at ng agentikong profile ng Kimi; kung hindi mo kailangan ang alinman, kunin ang mas murang antas.
• Kailangan mo ng higit sa 16,384 na output token sa isang tugon. Umiiral ang kisameng iyon sa buong katalogo — nangangailangan ang mahahabang dokumento ng hinati-hating pagbuo anumang model ang piliin mo.
• Gusto mo ng eksaktong-bit na pag-uugali ng upstream. Pinungusan at kinuwantisang build ito: sinadya at nailathalang pinagpalit. Para sa pag-aaral ng pagpaparami, patakbuhin laban sa orihinal na weights ng Moonshot.

Ang arkitektura, benchmark at petsa ng paglabas ng Kimi K2.6 at K3 ay iniulat ng Moonshot at ipinapakita para sa upstream na pundasyon, hindi para sa aming sinisiksik na build. Ang bilang sa ranggo ng multimodal ay mula sa malayang leaderboard ng ikatlong panig. Ang mga presyo sa Shannon gateway ay nakalistang presyo noong Setyembre 5, 2026.

09Mga madalas itanong

---

Ang Shannon AI ay pinapatakbo ng Shannon Lab LLC, New Mexico, USA. Mga sanggunian: Moonshot AI — Kimi K2 · REAP the Experts (arXiv 2510.13999) · Cerebras Research — REAP. Ang upstream na benchmark ng Kimi ay iniulat ng Moonshot at pansamantala habang hinihintay ang malayang pagpapatunay; inilalarawan nila ang hindi sinisiksik na pundasyon, hindi ang kinuwantisang build ng Shannon.