Sansürsüz Kimi K2 API

"Ucuz model" sayfalarının çoğu aslında büyük bir modelin aile adını taşıyan küçük bir modeli anlatır. Bu öyle değil. Kimi K2.6 tam ölçekli bir sınır temeli — bir trilyon parametrelik seyrek Uzmanlar Karışımı, yerel bir görü kodlayıcısı ve doğrudan ajan araç kullanımını hedefleyen bir eğitim programıyla. Onu değer katmanı yapan şey daha küçük bir beyin değil, daha agresif bir sıkıştırma tarifi. Yani soru "yeterince iyi mi?" değil, "hangi işler bununla 5 kat pahalı kardeşi arasındaki farkı gerçekten fark ediyor?" Bu yazının çoğu buna yanıt veriyor.

01Kimi K2.6 gerçekte nedir?

Kimi K2.6, Kimi serisinin arkasındaki Pekin laboratuvarı Moonshot AI'ın açık ağırlıklı bir modeli; 20 Nisan 2026'da yayımlandı. K2'yi dikkate değer kılan mimariyi devralıyor: kabaca 1 trilyon toplam parametre ve token başına yaklaşık 32 milyar etkin parametreye sahip seyrek bir Uzmanlar Karışımı dönüştürücüsü; 61 katman boyunca katman başına 384 uzman, 8 yönlendirilen artı 1 paylaşılan olarak düzenlenmiş ve Çok Başlı Gizil Dikkat ile. Herhangi bir tokenda o trilyonun yalnızca küçük bir dilimi ateşleniyor — bu boyutta bir modelin sent cinsinden fiyatlanabilmesinin nedeni tam olarak bu.

Soyağacı, Moonshot'ın neyi optimize ettiği yüzünden önemli. Özgün K2, kabaca 15,5 trilyon token üzerinde Muon / MuonClip iyileştiricisiyle ön eğitildi; bu iyileştirici özellikle trilyon parametreli bir MoE'yi, o ölçekte eğitimi istikrarsızlaştıran dikkat patlamalarından ve kayıp sıçramalarından korumak için kuruldu. Moonshot koşu boyunca sıfır eğitim istikrarsızlığı bildirdi. Bu, diğer her şeyin membaında yer alıyor — eğitim bütçesini yangın söndürmeye değil, ajan davranışına harcamalarını sağladı.

K2.6 bunu iki yönde genişletiyor. Birincisi, yerel olarak çok kipli: görseller ve video kareleri, bir görseli 448x448 yamalara bölen ve her yamayı doğrudan dil modelinin token uzayına yansıtan ~400M parametreli görü kodlayıcısı MoonViT'ten geçiyor — görsel tokenlar, kör bir modeli besleyen sonradan takma bir altyazılayıcıda değil, diğer her şeyle aynı dizide duruyor. İkincisi, derinlemesine orkestrasyon için kurulmuş: Moonshot'ın Agent Swarm çalışması, 300'e kadar alan uzmanı alt ajan arasında eşgüdüm ve tek bir özerk koşuda 4.000 kadar eşgüdümlü adım bildiriyor.

Moonshot'ın bildirdiği kıyaslama profili

Bunlar sıkıştırılmamış K2.6 temeli için Moonshot beyanı rakamlar, bizim ölçümlerimiz değil. Kesinlik için değil, şekil için faydalı:

Rakamları değil şekli okuyun. Araç kullanan ve aramaya dayalı skorlar yüksekte; saf zorluk skorları daha aşağıda. Bu, her şeyi bilmek yerine iyi eylemek üzere eğitilmiş bir modelin imzasıdır — ajanınızın bir tarayıcısı, bir kabuğu ve bir dosya sistemi varsa doğru takas; hiçbir araç bağlı değilken tek bir zor soru soruyorsanız yanlış takas.

02W4A16-AUTOROUND-REAP ne demek

Model kimliğindeki son ek süs değil. Yaptığınız takas hakkında akıl yürütebilesiniz diye yayımlanmış, tam sıkıştırma tarifidir.

• W4A16 — ağırlıklar 4 bitte, aktivasyonlar 16 bitte hesaplanır. Ağırlık belleği bf16'ya karşı kabaca 4 kat düşerken, hatayı biriktiren aritmetik 16 bit hassasiyette kalır. Bu, çok büyük MoE modelleri için standart yüksek kaliteli sunum noktasıdır.
• AUTOROUND — Intel'in AutoRound niceleyicisi. Naif en-yakına-yuvarlama her ağırlığı bağımsız ele alır ve modelin dayandığı bilgiyi atar; AutoRound ise yuvarlama kararlarını kalibrasyon verisine karşı öğrenir. 4 bitlik bir hedefte bu, hâlâ bir şemayı izleyen model ile savrulan model arasındaki farktır.
• REAP — Cerebras Research'ten Router-weighted Expert Activation Pruning (arXiv 2510.13999, ICLR 2026). Bir MoE'deki uzmanların çoğuna nadiren yönlendirme yapılır. REAP her birini hem yönlendirici geçit değerleri hem de aktivasyon normları üzerinden puanlar, ardından en az belirgin olanları tek atışta kaldırır. Yayımlanan sonuç: trilyon parametreli modellerden uzmanların %50'ye kadarı budanırken temel kalite büyük ölçüde korunuyor ve üretken görevlerde budama, uzman birleştirmeyi yeniyor — birleştirme uzmanları birbirine bulaştırır, budama ise yalnızca kullanılmayanları atar.

Bu sırayla uygulandığında — önce buda, kalanı nicele — bu oranlarda tek başına her iki tekniğin yol açacağı kalite çöküşü olmadan sığan ve hızlı koşan bir model elde edersiniz. Maliyet konusunda açık olalım: sıkıştırılmış bir model orijinalle bit düzeyinde özdeş değildir. Tarifin satın aldığı şey, bozulmanın fark etmeyeceğiniz yerlere düşmesidir — nadir yönlendirme yolları, düşük olasılıklı token kuyrukları — talimat izleme, araç çağrısı biçimlendirme ya da şema uyumu yerine.

03Bu uç noktada "sansürsüz" ne demek

Buradaki sansürsüzlük bir tavır değil, bir mimari beyanıdır. Modelin önünde reddetme katmanı yok ve çıktısında içerik filtresi yok. İsteğiniz temele ulaşır ve yanıtı size ulaşır; iki yönde de hiçbir şey araya girmez.

Bu ayrım önemli, çünkü "sansürsüz" gevşek kullanılıyor. Sözcüğün altında üç ayrı şey paketleniyor:

1. Girdi sınıflandırma — ayrı bir model isteminizi okur ve geçirip geçirmeyeceğine karar verir. Burada yok.
2. Çıktı filtreleme — bir tarayıcı üretilen metni inceler, kırpar veya değiştirir. Burada yok.
3. Temelin kendi eğilimleri — temel modelin eğitimde öğrendiği her ne ise. O modelin kendisine aittir ve onu sildiğimizi iddia etmiyoruz.

Üretim sistemlerini bozan ilk ikisidir ve kaldırdığımız da o ikisidir. İsteklerin %0,5'inde ateşlenen bir sınıflandırıcı, hata ayıklayamayacağınız, itiraz edemeyeceğiniz ve gelişini göremeyeceğiniz %0,5'lik bir başarısızlık oranıdır — ve 200 adımlık bir ajan döngüsünde adım başına %0,5 başarısızlık, başarılı olmaktan daha sık başarısız olan bir koşuya bileşiklenir. Bir sohbetteki ret can sıkıcıdır; özerk bir koşunun 147. adımındaki ret, koşunun durumunu yok eder ve oraya gelene kadar harcadığınız her şeyi yakar. Ajan iş yükleri için reddetme yüzeyini kaldırmak stilistik bir tercih değil, bir güvenilirlik özelliğidir.

Bunun sonucu, sorumluluğun size geçmesidir. Uygulamanızla kullanıcılarınız arasında hiçbir emniyet ağı yok; ürününüzün bir tanesine ihtiyacı varsa, onu görebildiğiniz, ayarlayabildiğiniz ve günlükleyebildiğiniz yerde kurun. Lütfen önce sorumlu kullanım politikamızı okuyun.

04Kimi K2.6'ya karşı Kimi K3: 5 kat ne zaman değer?

Okurların çoğunun geldiği karar bu, o yüzden lafı dolandırmadan söyleyelim. Kimi-K3 · 3BIT-REAP daha büyük ve daha yeni temel: 16 Temmuz 2026'da duyuruldu, açık ağırlıkları 27 Temmuz'da yayımlandı; kabaca 2,8 trilyon toplam parametre ve token başına yaklaşık 104 milyar etkin parametre — K2.6'nın etkin hesabının 3 katından fazlası. Membada Moonshot, K3'ü K2.6'nın kabaca 5 katı fiyatla listeliyor ve ağ geçidi fiyatlandırmamız bu oranı izliyor.

	Kimi-K2.6 · W4A16-AUTOROUND-REAP	Kimi-K3 · 3BIT-REAP
1M token başına giriş	$0.78	$3.83
1M token başına çıkış	$3.67	$19.12
Bağlam penceresi	262,144	262,144
İstek başına azami çıktı	16,384	16,384
Görsel girdi	Evet	Evet
Yerel araç çağırma	Evet	Evet
Katı json_schema	Evet	Evet
Sansürsüz	Evet	Evet
Token başına etkin parametre	~32B	~104B

Tablonun göstermediğine bakın: K3'ün sahip olup K2.6'nın olmadığı tek bir satır yok. Aynı pencere, aynı azami çıktı, aynı görü, aynı araç çağırma, aynı yapılandırılmış çıktı, aynı sansürsüz duruş, aynı üç lehçe. 5 kat tam olarak tek bir şey satın alıyor — ileri geçiş başına ham yetenek. Bu gerçek, ama tek bir eksen ve darboğazınız olmadığı eksenlerde hiçbir işe yaramıyor.

Özellikle bağlam penceresi konusu

Membada K3'ün manşet özelliği, K2.6'nın 262K'sına karşı 1M tokenlık bağlam. Shannon ağ geçidinde iki model de 262.144 token ile sunuluyor. 5 katı ödeme nedeniniz uzun bağlamsa, o neden burada geçerli değil — primi öder ve aynı pencereyi alırdınız. Bu, bir satıcının söylememeye meyilli olduğu türden bir şeydir; kalın yazılmasının nedeni de budur.

5 katı şu durumlarda ödeyin

• Tek atışın tutması gerekiyor. Yeniden denemenin pahalı veya imkânsız olduğu tek bir zor geçiş — geri alınamaz bir eylem, uzun bir hattın sonundaki bir karar. Token başına daha fazla etkin parametre, tek geçişte tavanı yükselten şeyin tam olarak kendisidir.
• Görev araç bağımlı değil, bilgi bağımlı. Cevabın ağırlıklardan çıkması gereken derin sentez. K2.6'nın profili ajan odaklı; araçları alın, daha büyük temel kendini gösterir.
• Hacim düşük, riskler yüksek. Ayda 500 çağrıda 5 kat, 8 $ yerine 40 $ demek. Daha iyi modeli alın gitsin.

5 katı şu durumlarda ödemeyin

• Bir döngü koşturuyorsanız. Uzun ajan koşularına mekanik adımlar hükmeder — bir dosya oku, bir araç çağır, sonucu kontrol et, sonrakini seç — ki K2.6 tam da bunun için eğitildi. 200 adımda 5 kat, koşu başına 38,29 $ yerine 7,71 $ demek.
• Hacimli görsel işliyorsanız. Görü iş yükleri giriş tokeni ağırlıklıdır ve öğe başına akıl yürütme sığdır. 05. bölüme bakın; arada yarış bile yok.
• İş veri çıkarma, sınıflandırma veya dönüştürmeyse. Belgelerden alan çekmek, talepleri yönlendirmek, kayıtları normalleştirmek, özetlemek — daha büyük bir modelin aynı JSON'u ürettiği sınırlı görevler.
• Bir doğrulama adımınız varsa. Çıktı denetleniyorsa — bir test paketi, bir şema doğrulayıcı, ikinci bir geçiş, bir insan — ara sıra kaçırmalar ucuzdur ve ekonomi kesin biçimde hacimden yana döner. Bu, değer katmanı için en hafife alınan argümandır.

Adlandırmaya değer bir örüntü: döngü için K2.6, hüküm için K3 koşturun. Toplama, çağırma ve taslak yazmanın yüz adımını ucuz ajan modeline yaptırın, sonra nihai sentez için tek bir pahalı çağrı harcayın. İki model de aynı bağlam penceresiyle birebir aynı API'yi konuşuyor, dolayısıyla geçiş model alanında tek satırlık bir değişiklik.

05Çalışır bir fiyata görü

Bu katalogda K2.6'nın en keskin kenarı görü. Ağ geçidindeki on iki sansürsüz modelden yalnızca dördü görsel kabul ediyor ve görsel girdiyi Kimi ajan soyağacıyla milyon giriş tokeni başına bir doların altında birleştiren tek model K2.6.

Görü iş yüklerinin alışılmadık bir maliyet şekli var. Moonshot'ın MoonViT için yayımladığı açıklamaya göre 1024x1024'lük bir görsel kabaca 576 görsel tokena kodlanıyor — ve bunlar defterin ucuz tarafındaki giriş tokenları. Tipik bir görü işi neredeyse tamamen 3,67 $ değil, 0,78 $ tarifesine düşüyor. Her biri ~200 tokenlık istemle (yani ~776 giriş tokeni) ve ~150 tokenlık yapılandırılmış çıktıyla 10.000 görsel alın:

İş yükü	Kimi-K2.6	Kimi-K3	Kat
Tek ajan adımı (40K giriş / 2K çıkış)	$0.0385	$0.1914	5.0x
200 adımlık özerk koşu	$7.71	$38.29	5.0x
10.000 görsel, yapılandırılmış çıktı	$11.56	$58.40	5.1x
Toplu iş (1M giriş / 200K çıkış)	$1.51	$7.65	5.1x

Shannon ağ geçidi liste fiyatlarından hesaplanmıştır. Görsel token tahmini, Moonshot'ın 1024x1024 bir görsel için yayımladığı ~576 tokenlık MoonViT rakamını kullanır; kesin tokenleştirme çözünürlüğe ve en-boy oranına göre değişir.

11,56 $'lık bir görsel hattı, hiç düşünmeden her gün koşturduğunuz bir şeydir. 58,40 $'lık olan ise zamanladığınız, gerekçelendirdiğiniz ve sonunda kestiğiniz bir şeydir. O uçurum, bir değer katmanı için tüm argümandır.

Dürüst bir çekince. Bağımsız çok kipli ve temellendirilmiş görev liderlik tablolarında K2.6, 115 model içinde 26. sıra, ortalama 68,1 civarı olarak bildirildi — saygın, ama sınıf lideri değil. Görüsü belge anlama, ekran görüntüsü ve arayüz okuma ile grafik veya şema yorumlamada gerçekten güçlü; hassas uzamsal temellendirmede daha zayıf — tam sınırlayıcı kutular, kalabalık sahnelerde ince taneli sayım, bozulmuş taramaların yoğun OCR'ı. Piksel doğruluğunda konumlandırmaya ihtiyacınız varsa önce kendi verinizde kıyaslayın. Bir ekran görüntüsüne bakıp sonra neye tıklanacağına karar verecek bir modele ihtiyacınız varsa, doğru araç tam olarak budur.

06Reddetmesiz araç çağırma ve ajan döngüleri

K2.6 yerel araç çağırmayı destekliyor: model, ayrıştırılabilir metin üretmeye ikna edilmek yerine, sağladığınız JSON şema araç tanımlarından doğrudan yapılandırılmış araç çağrıları üretiyor. Çok turlu konuşma ve sistem istemleriyle birlikte bu, bir ajan döngüsünün tam alt yapısıdır.

"Reddetmesiz araç çağırma"nın kattığı şey kulağa geldiğinden daha incelikli. Filtreli bir API'de ajan döngüsü içindeki retler üç ayrı başarısızlık kipinde görünür:

• Sert ret — adım araç çağrısı yerine düzyazı döndürür, ayrıştırıcı çuvallar, döngü kırılır. En azından gürültülü.
• Yumuşak ret — çağrı yapılır ama argümanlar kasıtlı olarak kısılır: daraltılmış bir sorgu, çekingen bir parametre, kırpılmış bir yük. Döngü sessizce bozulmuş bir durumla devam eder ve siz bunu dört adım sonra fark edersiniz.
• Önleyici kaçınma — plan, meşru bir dala yaklaşmadan önce ondan uzaklaşır. Bunu hiç görmezsiniz; yalnızca daha kötü bir plan alırsınız ve hiçbir açıklama almazsınız.

Pahalı olanlar ikincisi ve üçüncüsü, çünkü görünmezler: hata yok, günlüklerde bir şey yok, grep'leyecek bir şey yok. Reddetme katmanı olmayan bir uç nokta bu sınıfın tamamını kaldırır — modelin araç çağrısı argümanları, modelin araç çağrısı argümanlarıdır.

Bu en çok, uzun özerk koşulara ihtiyaç duyan ve zaten hassas materyale dokunan alanlarda önemli: güvenlik araştırması ve kırmızı takım çalışması, zararlı yazılım ve olay analizi, klinik belge işleme, hukuki delil incelemesi ve modere ettiği içerik hakkında akıl yürütmek zorunda olan moderasyon araçları. Bir moderasyon sınıflandırıcısı kurmak, sınıflandırdığı şeye bakmaya istekli bir model gerektirir; bu bir paradoks değil, sadece işin kendisi.

Uzun koşular için pratik notlar: reasoning_effort, planlama adımlarına daha çok, mekanik adımlara daha az düşünme harcamanızı sağlar. Akış üç lehçede de mevcut, dolayısıyla uzun bir adım ilerlemeyi yüzeye çıkarabilir ya da erken durdurulabilir. Ve 262.144 tokenlık bağlam, gerçek çalışma durumunu — dosya içerikleri, önceki araç sonuçları, işleyen bir plan — her turda yeniden özetlemeden birçok adım boyunca yerinde tutar; ki bu yeniden özetleme ajan savrulmasının yaygın bir kaynağıdır.

07Yapılandırılmış çıktı ve üç API lehçesi

K2.6 hem json_schema'yı (katı şema kısıtlı üretim) hem de daha gevşek response_format'ı destekliyor. Bunu katalogla karşılaştırın: buradaki on iki modelin ikisi katı şema çıktısını desteklemiyor ve bir sonraki hat aşamanız JSON ayrıştırıyorsa o sütun isteğe bağlı değil.

Katı şema çıktısı, sansürsüz bir modeli altyapı olarak kullanılabilir kılan şeydir: model şemanıza uyan bir nesne üretmek zorundaysa, aksi hâlde söyleyecek olduğundan bağımsız bir ayrıştırma garantisi elde edersiniz — ön söz yok, özür yok, JSON'unuzun etrafına sarılmış paragraf yok. Reddetme katmanının yokluğuyla birleşince, bu her çağrıda, her belge için, belge ne hakkında olursa olsun nesnenizi döndüren bir veri çıkarma uç noktasıdır.

Yüzey	Kimi-K2.6 desteği	Notlar
/v1/chat/completions	Evet	OpenAI lehçesi — mevcut SDK'lara doğrudan takılır
/v1/messages	Evet	Anthropic lehçesi — aynı model, aynı ağırlıklar
/v1/responses	Evet	Responses tarzı arayüz
Akış	Evet	Üç lehçenin hepsinde
Araç çağırma	Evet	Yerel, JSON şema araç tanımları
json_schema	Evet	Katı yapılandırılmış çıktı
response_format	Evet	Daha gevşek JSON kipi
reasoning_effort	Evet	Çağrı başına düşünme bütçesini ayarlayın
Görsel girdi	Evet	Metnin yanında görseller

Üç lehçe de aynı kümedeki aynı ağırlıklara ulaşır. Mevcut bir OpenAI istemcisini temel URL'ye yöneltin, model'i Kimi-K2.6-W4A16-AUTOROUND-REAP olarak ayarlayın ve koşmaya başlayın. İstek ve yanıt biçimleri, akış semantiği ve canlı bir deneme alanı API dokümantasyonunda.

08Kimi K2.6'nın yanlış seçim olduğu yerler

Yalnızca güçlü yanları sıralayan bir model rehberi bir reklamdır. Sizi başka yere göndereceğimiz yerler şunlar.

• Tek bir zor geçişte mutlak tavana ihtiyacınız var. Kimi-K3'e gidin ve 5 katı ödeyin. O bunun içindir.
• Piksel doğruluğunda görsel temellendirmeye ihtiyacınız var. Sınırlayıcı kutular, bozulmuş taramalarda yoğun OCR ve kalabalık sahnelerde tam sayım en güçlü olduğu zemin değil — önce kendi verinizde test edin.
• Görü olmadan ucuzdan da ucuza ihtiyacınız var. Katalogdaki birkaç model 0,50 $ / 2,00 $ seviyesinde. K2.6'nın primi görüyü ve Kimi ajan profilini satın alıyor; ikisine de ihtiyacınız yoksa daha ucuz katmanı alın.
• Tek bir yanıtta 16.384 çıkış tokeninden fazlasına ihtiyacınız var. Bu tavan katalogun tamamında geçerli — hangi modeli seçerseniz seçin uzun belgeler parçalı üretim gerektirir.
• Bit düzeyinde memba davranışı istiyorsunuz. Bu budanmış ve nicelenmiş bir derlemedir: kasıtlı, yayımlanmış bir takas. Bir yinelenebilirlik çalışması için Moonshot'ın özgün ağırlıklarına karşı koşturun.

Kimi K2.6 ve K3 mimari, kıyaslama ve yayım tarihi rakamları Moonshot beyanıdır ve bizim sıkıştırılmış derlememiz için değil, memba temeli için gösterilmiştir. Çok kipli sıralama rakamı bağımsız bir üçüncü taraf liderlik tablosundandır. Shannon ağ geçidi fiyatları 5 Eylül 2026 itibarıyla liste fiyatlarıdır.

09Sıkça sorulan sorular

---

Shannon AI, Shannon Lab LLC (New Mexico, ABD) tarafından işletilmektedir. Kaynaklar: Moonshot AI — Kimi K2 · REAP the Experts (arXiv 2510.13999) · Cerebras Research — REAP. Memba Kimi kıyaslama rakamları Moonshot beyanıdır ve bağımsız doğrulama beklemektedir; sıkıştırılmamış temeli tarif ederler, Shannon'ın nicelenmiş derlemesini değil.