API Kimi K2 không kiểm duyệt
Thị giác, gọi tool nguyên bản và cửa sổ 262K trên nền tảng agent nghìn tỷ tham số của Moonshot — không kiểm duyệt, với giá $0.78 vào / $3.67 ra mỗi triệu token.
Tóm tắt
Kimi-K2.6 · W4A16-AUTOROUND-REAP là bậc đáng tiền của dòng Kimi trên Shannon gateway. Đây là MoE thiên agent 1 nghìn tỷ tham số của Moonshot AI — mô hình được dựng cho các vòng lặp dùng tool dài — phục vụ không kiểm duyệt với đầu vào thị giác, gọi tool nguyên bản, đầu ra JSON schema nghiêm ngặt và ngữ cảnh 262.144 token, ở mức $0.78 / $3.67 mỗi triệu token. Người anh em Kimi-K3 đắt hơn khoảng 5 lần. Mục 04 là một bản tường trình trung thực về khi nào khoản 5 lần đó mua được điều gì đó và khi nào nó chẳng mua được gì.
Phần lớn các trang về “mô hình giá rẻ” thực chất nói về một mô hình nhỏ khoác tên dòng họ của một mô hình lớn. Trang này thì không. Kimi K2.6 là một nền tảng đầy đủ ở quy mô biên giới công nghệ — một nghìn tỷ tham số Mixture-of-Experts thưa, với bộ mã hóa thị giác nguyên bản và một chương trình huấn luyện nhắm thẳng vào việc dùng tool kiểu agent. Thứ khiến nó thành bậc đáng tiền không phải một bộ não nhỏ hơn mà là một công thức nén quyết liệt hơn. Vậy nên câu hỏi không phải “nó có đủ tốt không?” mà là “những việc nào thực sự nhận ra khác biệt giữa nó và người anh em đắt gấp 5 lần?”. Phần lớn bài này trả lời câu đó.
01Kimi K2.6 thực chất là gì?
Kimi K2.6 là một mô hình trọng số mở từ Moonshot AI, phòng lab ở Bắc Kinh đứng sau loạt Kimi, phát hành ngày 20 tháng 4, 2026. Nó kế thừa kiến trúc đã làm nên tên tuổi K2: một transformer Mixture-of-Experts thưa với khoảng 1 nghìn tỷ tham số tổng và khoảng 32 tỷ tham số kích hoạt mỗi token, tổ chức thành 384 expert, 8 expert định tuyến cộng 1 expert dùng chung mỗi lớp trên 61 lớp, cùng Multi-head Latent Attention. Chỉ một lát cắt nhỏ của nghìn tỷ đó kích hoạt trên mỗi token — và đó chính là lý do một mô hình cỡ này có thể tính giá bằng xu.
Phả hệ quan trọng vì thứ Moonshot tối ưu. K2 nguyên bản được tiền huấn luyện trên khoảng 15,5 nghìn tỷ token bằng bộ tối ưu Muon / MuonClip, dựng riêng để giữ cho một MoE nghìn tỷ tham số khỏi những cú bùng nổ attention và đột biến hàm mất mát vốn làm mất ổn định huấn luyện ở quy mô đó; Moonshot báo cáo không có bất ổn huấn luyện nào trong suốt lượt chạy. Đó là gốc rễ của mọi thứ còn lại — nó cho phép họ tiêu ngân sách huấn luyện vào hành vi agent thay vì vào chữa cháy.
K2.6 mở rộng điều đó theo hai hướng. Thứ nhất, nó đa phương thức nguyên bản: ảnh và khung hình video đi qua MoonViT, một bộ mã hóa thị giác khoảng 400 triệu tham số chia ảnh thành các mảnh 448x448 rồi chiếu từng mảnh thẳng vào không gian token của mô hình ngôn ngữ — token thị giác nằm trong cùng chuỗi với mọi thứ khác, chứ không phải trong một bộ chú thích gắn ngoài rót chữ cho một mô hình mù. Thứ hai, nó được dựng cho điều phối ở chiều sâu: công trình Agent Swarm của Moonshot báo cáo việc phối hợp tới 300 agent con chuyên biệt theo lĩnh vực và tới 4.000 bước phối hợp trong một lượt chạy tự động duy nhất.
Hồ sơ benchmark do Moonshot báo cáo
Đây là các con số do Moonshot báo cáo cho nền tảng K2.6 chưa nén, không phải phép đo của chúng tôi. Hữu ích để thấy hình dạng, không phải để thấy độ chính xác:
Hãy đọc hình dạng, đừng đọc chữ số. Các điểm liên quan tới dùng tool và tìm kiếm nằm cao; các điểm thuần độ khó nằm thấp hơn. Đó là dấu hiệu của một mô hình được huấn luyện để hành động giỏi chứ không phải để biết mọi thứ — đánh đổi đúng nếu agent của bạn có trình duyệt, một shell và một hệ tệp, và đánh đổi sai nếu bạn hỏi một câu khó duy nhất mà không đính kèm tool nào.
02W4A16-AUTOROUND-REAP nghĩa là gì
Hậu tố trên model id không phải trang trí. Đó là công thức nén chính xác, được công bố để bạn có thể lập luận về cuộc đánh đổi mình đang chấp nhận.
- W4A16 — trọng số ở 4 bit, kích hoạt tính ở 16 bit. Bộ nhớ trọng số giảm khoảng 4 lần so với bf16 trong khi phần số học tích lũy sai số vẫn giữ độ chính xác 16-bit. Đây là điểm phục vụ chất lượng cao tiêu chuẩn cho các mô hình MoE rất lớn.
- AUTOROUND — bộ lượng tử hóa AutoRound của Intel. Làm tròn gần nhất một cách ngây thơ xử lý mọi trọng số một cách độc lập và vứt bỏ thông tin mà mô hình từng dựa vào; AutoRound thay vào đó học các quyết định làm tròn dựa trên dữ liệu hiệu chuẩn. Ở mục tiêu 4-bit, đó là khác biệt giữa một mô hình vẫn tuân theo schema và một mô hình trôi dạt.
- REAP — Router-weighted Expert Activation Pruning, từ Cerebras Research (arXiv 2510.13999, ICLR 2026). Phần lớn expert trong một MoE hiếm khi được định tuyến tới. REAP chấm điểm từng expert theo cả giá trị cổng router lẫn chuẩn kích hoạt, rồi loại bỏ những expert ít quan trọng nhất trong một lần duy nhất. Kết quả đã công bố: cắt tỉa tới 50% số expert khỏi các mô hình nghìn tỷ tham số mà phần lớn vẫn giữ được chất lượng gốc, và cắt tỉa thắng việc gộp expert trên các tác vụ sinh — gộp làm nhòe các chuyên gia vào nhau, còn cắt tỉa chỉ bỏ đi những cái không dùng.
Áp dụng theo thứ tự đó — cắt tỉa trước, lượng tử hóa phần còn lại — bạn có một mô hình vừa vặn và chạy nhanh mà không gặp cú sụp chất lượng mà mỗi kỹ thuật đứng riêng sẽ gây ra ở những tỷ lệ này. Nói thẳng về cái giá: một mô hình đã nén không giống hệt bản gốc tới từng bit. Thứ công thức này mua được là việc phần suy giảm rơi vào những chỗ bạn khó nhận ra — các đường định tuyến hiếm, những cái đuôi token xác suất thấp — chứ không rơi vào việc tuân theo chỉ dẫn, định dạng lệnh gọi tool, hay bám sát schema.
03“Không kiểm duyệt” nghĩa là gì trên endpoint này
Không kiểm duyệt ở đây là một phát biểu về kiến trúc, không phải về thái độ. Không có lớp từ chối nào đứng trước mô hình và không có lọc nội dung nào trên đầu ra của nó. Yêu cầu của bạn tới thẳng nền tảng và phản hồi của nó tới thẳng bạn; không có gì chặn ở cả hai chiều.
Sự phân biệt đó quan trọng, vì “không kiểm duyệt” bị dùng lỏng lẻo. Có ba thứ khác nhau bị gói chung dưới từ này:
- Phân loại đầu vào — một mô hình riêng đọc prompt của bạn và quyết định có cho qua hay không. Ở đây không có.
- Lọc đầu ra — một bộ quét soi văn bản đã sinh rồi cắt cụt hoặc thay thế. Ở đây không có.
- Thiên hướng của chính nền tảng — bất cứ điều gì mô hình nền đã học trong huấn luyện. Đó là của mô hình, và chúng tôi không tuyên bố đã xóa nó đi.
Hai thứ đầu là những thứ làm hỏng hệ thống production, và đó là hai thứ chúng tôi gỡ bỏ. Một bộ phân loại kích hoạt trên 0.5% số yêu cầu là một tỷ lệ hỏng 0.5% mà bạn không gỡ lỗi được, không khiếu nại được, và không thấy nó tới — và trải qua một vòng lặp agent 200 bước, tỷ lệ hỏng 0.5% mỗi bước cộng dồn thành một lượt chạy thất bại nhiều hơn thành công. Một lời từ chối trong hội thoại là chuyện khó chịu; một lời từ chối ở bước 147 của một lượt chạy tự động phá nát trạng thái của cả lượt và đốt sạch mọi thứ bạn đã bỏ ra để đi tới đó. Với khối lượng công việc kiểu agent, gỡ bỏ bề mặt từ chối là một thuộc tính về độ tin cậy, không phải một sở thích văn phong.
Hệ quả kèm theo là trách nhiệm chuyển sang bạn. Không có lưới an toàn nào giữa ứng dụng của bạn và người dùng của bạn; nếu sản phẩm của bạn cần một cái, hãy dựng nó ở nơi bạn nhìn thấy, tinh chỉnh và ghi log được. Vui lòng đọc chính sách sử dụng có trách nhiệm của chúng tôi trước.
04Kimi K2.6 so với Kimi K3: khi nào 5 lần là xứng đáng?
Đây là quyết định mà phần lớn bạn đọc tìm đến, nên đây là câu trả lời không vòng vo. Kimi-K3 · 3BIT-REAP là nền tảng lớn hơn, mới hơn: công bố ngày 16 tháng 7, 2026 với trọng số mở vào ngày 27 tháng 7, ở mức khoảng 2,8 nghìn tỷ tham số tổng và khoảng 104 tỷ tham số kích hoạt mỗi token — hơn 3 lần lượng tính toán kích hoạt của K2.6. Ở phía thượng nguồn, Moonshot niêm yết K3 đắt khoảng 5 lần K2.6, và giá trên gateway của chúng tôi bám theo tỷ lệ đó.
| Kimi-K2.6 · W4A16-AUTOROUND-REAP | Kimi-K3 · 3BIT-REAP | |
|---|---|---|
| Đầu vào / 1M token | $0.78 | $3.83 |
| Đầu ra / 1M token | $3.67 | $19.12 |
| Cửa sổ ngữ cảnh | 262.144 | 262.144 |
| Đầu ra tối đa / yêu cầu | 16.384 | 16.384 |
| Đầu vào thị giác | Có | Có |
| Gọi tool nguyên bản | Có | Có |
| json_schema nghiêm ngặt | Có | Có |
| Không kiểm duyệt | Có | Có |
| Tham số kích hoạt / token | ~32B | ~104B |
Hãy nhìn thứ mà bảng không cho thấy: không có dòng nào K3 có tính năng mà K2.6 thiếu. Cùng cửa sổ, cùng đầu ra tối đa, cùng thị giác, cùng gọi tool, cùng đầu ra có cấu trúc, cùng tư thế không kiểm duyệt, cùng ba phương ngữ. Khoản 5 lần mua đúng một thứ — năng lực thô trên mỗi lượt truyền xuôi. Điều đó là thật, nhưng nó chỉ là một trục duy nhất, và nó chẳng làm được gì trên những trục không phải nút thắt của bạn.
Nói riêng về chuyện cửa sổ ngữ cảnh
Ở phía thượng nguồn, tính năng nổi bật của K3 là ngữ cảnh 1M token so với 262K của K2.6. Trên Shannon gateway, cả hai mô hình đều được phục vụ ở 262.144 token. Nếu ngữ cảnh dài là lý do bạn định trả gấp 5 lần, thì lý do đó không áp dụng ở đây — bạn sẽ trả khoản chênh mà vẫn nhận cùng một cửa sổ. Đây là kiểu điều mà một nhà cung cấp rất dễ bị cám dỗ để im lặng bỏ qua, và đó là lý do nó được in đậm.
Hãy trả gấp 5 lần khi
- Một lượt duy nhất phải trúng. Một lượt khó duy nhất mà việc thử lại rất đắt hoặc bất khả — một hành động không thể đảo ngược, một quyết định ở cuối một pipeline dài. Nhiều tham số kích hoạt hơn trên mỗi token chính là thứ nâng trần cho một lượt duy nhất.
- Tác vụ bị ràng buộc bởi tri thức, không phải bởi tool. Tổng hợp sâu, nơi câu trả lời phải chui ra từ trọng số. Hồ sơ của K2.6 là thiên agent; bỏ tool đi thì nền tảng lớn hơn lộ thế mạnh.
- Khối lượng thấp và mức rủi ro cao. Ở mức 500 lệnh gọi mỗi tháng, 5 lần nghĩa là $40 thay vì $8. Cứ mua mô hình tốt hơn.
Đừng trả gấp 5 lần khi
- Bạn đang chạy một vòng lặp. Các lượt chạy agent dài bị chi phối bởi những bước máy móc — đọc một tệp, gọi một tool, kiểm tra kết quả, chọn bước kế tiếp — và đó đúng là thứ K2.6 được huấn luyện cho. Ở 200 bước, khoản 5 lần là $7.71 so với $38.29 mỗi lượt chạy.
- Bạn xử lý ảnh với khối lượng lớn. Khối lượng công việc thị giác nặng về token đầu vào và phần suy luận trên mỗi mục thì nông. Xem mục 05; khoảng cách không hề sít sao.
- Công việc là trích xuất, phân loại hay biến đổi. Rút trường dữ liệu ra khỏi tài liệu, định tuyến ticket, chuẩn hóa bản ghi, tóm tắt — những tác vụ có giới hạn mà một mô hình lớn hơn cũng cho ra đúng cái JSON ấy.
- Bạn có một bước kiểm chứng. Nếu đầu ra được kiểm tra — một bộ test, một trình kiểm chứng schema, một lượt thứ hai, một con người — thì những cú trượt lẻ tẻ rất rẻ và bài toán kinh tế nghiêng hẳn về khối lượng. Đây là lập luận bị đánh giá thấp nhất cho bậc đáng tiền.
Một mẫu hình đáng gọi tên: chạy K2.6 cho vòng lặp và K3 cho phán quyết. Hãy để mô hình agent rẻ tiền làm một trăm bước thu thập, gọi tool và soạn nháp, rồi tiêu một lệnh gọi đắt tiền cho phần tổng hợp cuối cùng. Cả hai mô hình nói cùng một API với cùng cửa sổ ngữ cảnh, nên chuyển đổi chỉ là thay đổi một dòng ở trường model.
05Thị giác ở mức giá dùng được
Thị giác là thế mạnh sắc nhất của K2.6 trong danh mục này. Trong mười hai mô hình không kiểm duyệt trên gateway, chỉ có bốn mô hình nhận ảnh, và K2.6 là mô hình duy nhất ghép đầu vào ảnh với phả hệ agent của Kimi ở mức dưới một đô la mỗi triệu token đầu vào.
Khối lượng công việc thị giác có hình dạng chi phí khác thường. Theo mô tả Moonshot công bố về MoonViT, một ảnh 1024x1024 mã hóa thành khoảng 576 token ảnh — và đó là token đầu vào, phía rẻ của sổ cái. Một công việc thị giác điển hình rơi gần như trọn vẹn vào mức giá $0.78 chứ không phải $3.67. Lấy 10.000 tấm ảnh, mỗi tấm kèm khoảng 200 token prompt (tức khoảng 776 token đầu vào) và khoảng 150 token đầu ra có cấu trúc:
| Khối lượng công việc | Kimi-K2.6 | Kimi-K3 | Hệ số |
|---|---|---|---|
| Một bước agent (40K vào / 2K ra) | $0.0385 | $0.1914 | 5.0x |
| Lượt chạy tự động 200 bước | $7.71 | $38.29 | 5.0x |
| 10.000 ảnh, đầu ra có cấu trúc | $11.56 | $58.40 | 5.1x |
| Công việc theo lô (1M vào / 200K ra) | $1.51 | $7.65 | 5.1x |
Tính từ giá niêm yết của Shannon gateway. Ước lượng token ảnh dùng con số MoonViT mà Moonshot công bố, khoảng 576 token cho một ảnh 1024x1024; việc token hóa chính xác thay đổi theo độ phân giải và tỷ lệ khung hình.
Một pipeline ảnh $11.56 là thứ bạn chạy hằng ngày mà không phải suy nghĩ. Một pipeline $58.40 là thứ bạn phải xếp lịch, biện minh, rồi rốt cuộc cắt bỏ. Khoảng cách đó là toàn bộ lý lẽ cho một bậc đáng tiền.
Một lưu ý trung thực. Trên các bảng xếp hạng đa phương thức và tác vụ định vị độc lập, K2.6 được ghi nhận ở khoảng hạng 26 trên 115 mô hình, điểm trung bình gần 68.1 — khá, chứ không dẫn đầu hạng. Thị giác của nó thực sự mạnh ở hiểu tài liệu, đọc ảnh chụp màn hình và giao diện, và diễn giải biểu đồ hay sơ đồ; nó yếu hơn ở định vị không gian chính xác — hộp bao chính xác, đếm chi tiết trong cảnh lộn xộn, OCR dày đặc trên bản quét chất lượng kém. Nếu bạn cần định vị chuẩn tới từng pixel, hãy tự đo trên dữ liệu của mình trước. Nếu bạn cần một mô hình nhìn vào ảnh chụp màn hình và quyết định bấm vào đâu tiếp theo, đây đúng là công cụ cần dùng.
06Gọi tool không từ chối và các vòng lặp agent
K2.6 hỗ trợ gọi tool nguyên bản: mô hình phát ra các lời gọi tool có cấu trúc trực tiếp từ những định nghĩa tool theo JSON schema mà bạn cung cấp, thay vì bị dụ dỗ để sinh ra văn bản phân tích cú pháp được. Cùng với hội thoại nhiều lượt và system prompt, đó là nền đầy đủ cho một vòng lặp agent.
Thứ mà “gọi tool không từ chối” thêm vào tinh tế hơn vẻ ngoài của nó. Trên một API có lọc, các lời từ chối bên trong một vòng lặp agent hiện ra ở ba kiểu hỏng riêng biệt:
- Từ chối cứng — bước đó trả về văn xuôi thay vì một lời gọi tool, bộ phân tích cú pháp hỏng, vòng lặp đứt. Ít nhất thì nó ồn ào.
- Từ chối mềm — lời gọi vẫn được thực hiện nhưng tham số bị ghìm lại: một truy vấn bị thu hẹp, một tham số né tránh, một payload bị cắt cụt. Vòng lặp tiếp tục với trạng thái âm thầm suy giảm và bạn chỉ phát hiện ra bốn bước sau đó.
- Né tránh phòng ngừa — kế hoạch lái ra khỏi một nhánh hợp pháp trước cả khi tới gần nó. Bạn không bao giờ thấy kiểu này; bạn chỉ nhận một kế hoạch tệ hơn mà không có lời giải thích nào.
Kiểu thứ hai và thứ ba mới đắt, vì chúng vô hình: không lỗi, không gì trong log, không gì để grep. Một endpoint không có lớp từ chối gỡ bỏ cả lớp vấn đề này — tham số lời gọi tool của mô hình đúng là tham số lời gọi tool của mô hình.
Điều này quan trọng nhất trong những lĩnh vực vốn cần các lượt chạy tự động dài và dù sao cũng chạm tới tư liệu nhạy cảm: nghiên cứu bảo mật và red-team, phân tích mã độc và sự cố, xử lý tài liệu lâm sàng, tố tụng khám phá chứng cứ, và các công cụ kiểm duyệt phải lập luận về chính nội dung chúng kiểm duyệt. Xây một bộ phân loại kiểm duyệt đòi hỏi một mô hình sẵn lòng nhìn vào thứ nó phân loại; đó không phải nghịch lý, chỉ là công việc.
Vài ghi chú thực hành cho các lượt chạy dài: reasoning_effort cho phép bạn tiêu nhiều suy nghĩ hơn cho các bước lập kế hoạch và ít hơn cho các bước máy móc. Streaming có sẵn trên cả ba phương ngữ, nên một bước dài có thể hiện tiến độ hoặc bị hủy sớm. Và 262.144 token ngữ cảnh giữ được trạng thái làm việc thật — nội dung tệp, kết quả tool trước đó, một kế hoạch đang chạy — thường trú qua nhiều bước mà không phải tóm tắt lại mỗi lượt, vốn tự nó là một nguồn phổ biến gây trôi dạt cho agent.
07Đầu ra có cấu trúc và ba phương ngữ API
K2.6 hỗ trợ cả json_schema (sinh bị ràng buộc theo schema nghiêm ngặt) lẫn response_format lỏng hơn. Hãy đối chiếu với danh mục: hai trong mười hai mô hình ở đây không hỗ trợ đầu ra schema nghiêm ngặt, và nếu bước tiếp theo trong pipeline của bạn phân tích JSON thì cột đó không phải tùy chọn.
Đầu ra schema nghiêm ngặt là thứ khiến một mô hình không kiểm duyệt dùng được như hạ tầng: nếu mô hình buộc phải phát ra một đối tượng khớp schema của bạn, bạn có bảo đảm về việc phân tích cú pháp bất kể lẽ ra nó định nói gì — không lời dẫn, không lời xin lỗi, không đoạn văn nào bọc quanh JSON của bạn. Kết hợp với việc không có lớp từ chối, đó là một endpoint trích xuất trả về đối tượng của bạn ở mọi lệnh gọi, với mọi tài liệu, dù tài liệu nói về cái gì.
| Bề mặt | Kimi-K2.6 hỗ trợ | Ghi chú |
|---|---|---|
| /v1/chat/completions | Có | Phương ngữ OpenAI — cắm thẳng vào SDK sẵn có |
| /v1/messages | Có | Phương ngữ Anthropic — cùng mô hình, cùng trọng số |
| /v1/responses | Có | Giao diện kiểu Responses |
| Streaming | Có | Trên cả ba phương ngữ |
| Gọi tool | Có | Nguyên bản, định nghĩa tool theo JSON schema |
| json_schema | Có | Đầu ra có cấu trúc nghiêm ngặt |
| response_format | Có | Chế độ JSON lỏng hơn |
| reasoning_effort | Có | Chỉnh ngân sách suy nghĩ theo từng lệnh gọi |
| Đầu vào thị giác | Có | Ảnh đi kèm văn bản |
Cả ba phương ngữ đều chạm tới cùng bộ trọng số trên cùng một cụm máy. Trỏ một client OpenAI sẵn có vào base URL, đặt model thành Kimi-K2.6-W4A16-AUTOROUND-REAP, và bạn đã chạy được. Hình dạng yêu cầu và phản hồi, ngữ nghĩa streaming và một playground trực tiếp nằm trong tài liệu API.
08Khi nào Kimi K2.6 là lựa chọn sai
Một hướng dẫn mô hình chỉ liệt kê điểm mạnh là một mẩu quảng cáo. Đây là những chỗ chúng tôi sẽ chỉ bạn đi nơi khác.
- Bạn cần trần tuyệt đối cho một lượt khó duy nhất. Hãy sang Kimi-K3 và trả gấp 5 lần. Nó sinh ra để làm việc đó.
- Bạn cần định vị thị giác chuẩn tới từng pixel. Hộp bao, OCR dày đặc trên bản quét chất lượng kém và đếm chính xác trong cảnh lộn xộn không phải sân nhà mạnh nhất của nó — hãy thử trên dữ liệu của bạn trước.
- Bạn cần rẻ hơn cả rẻ, và không cần thị giác. Vài mô hình trong danh mục nằm ở mức $0.50 / $2.00. Khoản chênh của K2.6 mua thị giác và hồ sơ agent của Kimi; nếu bạn không cần cả hai, hãy lấy bậc rẻ hơn.
- Bạn cần hơn 16.384 token đầu ra trong một phản hồi. Mức trần đó áp dụng cho toàn bộ danh mục — tài liệu dài cần sinh theo từng khúc dù bạn chọn mô hình nào.
- Bạn muốn hành vi đúng từng bit như bản gốc. Đây là một bản dựng đã cắt tỉa và lượng tử hóa: một đánh đổi có chủ ý, đã công bố. Với một nghiên cứu về khả năng tái lập, hãy chạy trên trọng số gốc của Moonshot.
Mọi con số từ bên ngoài ở đây đều do Moonshot AI hoặc các nhà nghiên cứu độc lập công bố. Những con số của chính chúng tôi — giá, ngữ cảnh, đầu ra tối đa, các cờ năng lực — đến thẳng từ endpoint /v1/models đang chạy mà bạn có thể tự truy vấn. Hãy kiểm tra cả hai.
Các con số về kiến trúc, benchmark và ngày phát hành của Kimi K2.6 và K3 do Moonshot báo cáo và được nêu cho nền tảng gốc, không phải cho bản dựng đã nén của chúng tôi. Con số xếp hạng đa phương thức lấy từ một bảng xếp hạng độc lập của bên thứ ba. Giá trên Shannon gateway là giá niêm yết tính đến ngày 5 tháng 9, 2026.
09Câu hỏi thường gặp
Có API Kimi K2 không kiểm duyệt không?
Có. Shannon AI phục vụ Kimi-K2.6 như một endpoint không kiểm duyệt trên cụm GPU của riêng mình: không có lớp từ chối nào đứng trước mô hình và không có bộ lọc nội dung nào áp lên đầu ra của nó. Bạn nhận được hành vi của chính nền tảng, với cửa sổ ngữ cảnh 262.144 token, đầu vào thị giác, và gọi tool nguyên bản.
API Kimi K2.6 không kiểm duyệt có giá bao nhiêu?
Kimi-K2.6 có giá $0.78 mỗi triệu token đầu vào và $3.67 mỗi triệu token đầu ra. Một bước agent điển hình với 40K đầu vào và 2K đầu ra tốn khoảng 3.9 xu; một lượt chạy tự động 200 bước tốn khoảng $7.71.
Kimi K2.6 trên Shannon AI có hỗ trợ thị giác không?
Có. Kimi-K2.6 nhận đầu vào ảnh bên cạnh văn bản. Nó là một trong chỉ bốn mô hình có thị giác trong danh mục Shannon, và là mô hình duy nhất kết hợp thị giác với phả hệ agent của Kimi ở mức dưới một đô la mỗi triệu token đầu vào.
Tôi nên dùng Kimi K2.6 hay Kimi K3?
Kimi K3 đắt hơn khoảng 5 lần ($3.83/$19.12 so với $0.78/$3.67) để đổi lấy một nền tảng lớn hơn. Hãy chọn K3 khi một lượt suy luận khó phải đúng ngay lần đầu và việc thử lại rất đắt. Hãy chọn K2.6 cho khối lượng lớn: vòng lặp agent dài, pipeline ảnh, trích xuất, và bất cứ thứ gì bạn chạy hàng nghìn lần, nơi 5 lần là khác biệt giữa khả thi và không.
API Kimi K2 không kiểm duyệt có hỗ trợ gọi tool và JSON schema không?
Có cả hai. Kimi-K2.6 hỗ trợ gọi tool nguyên bản, đầu ra có cấu trúc json_schema nghiêm ngặt, và response_format, trên cả ba phương ngữ API: /v1/chat/completions, /v1/messages, và /v1/responses. Streaming và reasoning_effort đều được hỗ trợ trên cả ba.
Chạy Kimi-K2.6 không kiểm duyệt
Thị giác, gọi tool, ngữ cảnh 262K. $0.78 vào / $3.67 ra mỗi triệu token.
Đọc tài liệu API Duyệt tất cả mô hìnhModel id: Kimi-K2.6-W4A16-AUTOROUND-REAP · phục vụ trên cụm GPU của riêng chúng tôi
Shannon AI được vận hành bởi Shannon Lab LLC, New Mexico, Hoa Kỳ. Nguồn: Moonshot AI — Kimi K2 · REAP the Experts (arXiv 2510.13999) · Cerebras Research — REAP. Các con số benchmark Kimi từ phía thượng nguồn do Moonshot báo cáo và còn tạm thời, chờ kiểm chứng độc lập; chúng mô tả nền tảng chưa nén, không phải bản dựng đã lượng tử hóa của Shannon.