无审查 Kimi K2 API

大多数"便宜模型"页面讲的其实是一个套着大模型家族名的小模型。这一篇不是。Kimi K2.6 是一个完整的前沿规模基座 —— 一万亿参数的稀疏混合专家，带原生视觉编码器，训练计划直指智能体工具使用。让它成为性价比档位的不是更小的脑子，而是更激进的压缩配方。所以问题不是"它够不够好"，而是"哪些活儿真的能察觉到它和那个贵 5 倍的兄弟之间的差别"。本文大部分内容都在回答这个问题。

01Kimi K2.6 究竟是什么？

Kimi K2.6 是北京实验室、Kimi 系列背后的 Moonshot AI 发布的开源权重模型，发布日期为 2026 年 4 月 20 日。它继承了让 K2 引人注目的那套架构：一个稀疏混合专家 transformer，总参数约 1 万亿，每 token 激活约 320 亿，在 61 层中每层组织为 384 个专家、8 个路由专家加 1 个共享专家，并采用多头潜在注意力。任一 token 上只有那万亿参数中的一小片被激活 —— 这正是这么大的模型能按分计价的原因。

谱系之所以重要，在于 Moonshot 优化的目标。最初的 K2 用 Muon / MuonClip 优化器在约 15.5 万亿 token 上预训练，这个优化器就是为了让一个万亿参数的 MoE 不至于遭遇在那种规模上会摧毁训练稳定性的注意力爆炸和损失尖峰而造的；Moonshot 报告整个训练过程零不稳定。这一点位于其他一切的上游 —— 它让他们把训练预算花在智能体行为上，而不是花在救火上。

K2.6 在两个方向上做了延伸。第一，它是原生多模态的：图像与视频帧经过 MoonViT，一个约 4 亿参数的视觉编码器，它把图像切成 448x448 的图块，并把每个图块直接投影进语言模型的 token 空间 —— 视觉 token 与其他一切位于同一条序列里，而不是一个外挂的字幕生成器去喂一个瞎子模型。第二，它是为深度编排而造的：Moonshot 的 Agent Swarm 工作报告称，可在多达 300 个领域专精子智能体之间协调，一次自主运行中可达 4,000 个协同步骤。

Moonshot 自报的基准画像

以下是Moonshot 自报的、针对未压缩 K2.6 基座的数字，不是我们的测量。用来看形状，不要抠精度：

读形状，不要读数位。用工具和靠搜索驱动的分数很高；纯难度的分数偏低。这是一个被训练成擅长行动而不是擅长知道一切的模型的特征 —— 如果你的智能体有浏览器、shell 和文件系统，这是对的取舍；如果你是在没有任何工具的情况下问一个困难问题，那就是错的。

02W4A16-AUTOROUND-REAP 是什么意思

模型 id 上的后缀不是装饰。它就是精确的压缩配方，公开出来是为了让你能对自己做的取舍做出判断。

• W4A16 —— 权重 4 比特，激活按 16 比特计算。相对 bf16，权重内存降到约四分之一，而累积误差的那部分算术仍保持 16 比特精度。这是超大 MoE 模型的标准高质量服务点。
• AUTOROUND —— Intel 的 AutoRound 量化器。朴素的就近舍入把每个权重独立对待，丢掉模型原本依赖的信息；AutoRound 则针对校准数据把舍入决策学出来。在 4 比特这个目标上，这就是"仍然遵守 schema 的模型"和"开始跑偏的模型"之间的差别。
• REAP —— Router-weighted Expert Activation Pruning，来自 Cerebras Research（arXiv 2510.13999，ICLR 2026）。MoE 里大多数专家很少被路由到。REAP 同时按路由器门控值和激活范数给每个专家打分，然后一次性移除最不显著的那些。已发表的结果是：从万亿参数模型中剪掉最多 50% 的专家，同时基本保住基线质量；并且在生成式任务上，剪枝优于专家合并 —— 合并会把各有专长的专家糊成一团，而剪枝只是丢掉没被用的那些。

按这个顺序施加 —— 先剪枝，再量化剩下的 —— 你得到的模型既装得下又跑得快，而不会出现任一技术在这种压缩比下单独使用时的质量崩塌。把代价说白：压缩过的模型不会与原版逐比特相同。这套配方买到的是：退化落在你不太可能注意到的地方 —— 罕见的路由路径、低概率的 token 尾巴 —— 而不是落在指令遵循、工具调用格式或 schema 遵守上。

03这个接口上的"无审查"是什么意思

这里的无审查是一句关于架构的陈述，不是一种态度。模型前面没有拒答层，输出上没有内容过滤。你的请求抵达基座模型，它的回复抵达你；两个方向都没有东西拦截。

这个区分很重要，因为"无审查"经常被用得很松。有三件不同的事被打包进了这个词：

1. 输入分类 —— 另一个模型读你的提示词并决定放不放行。这里没有。
2. 输出过滤 —— 一个扫描器检查生成的文本，把它截断或替换。这里没有。
3. 基座模型自身的倾向 —— 基础模型在训练中学到的一切。那是模型自己的，我们并不声称把它抹掉了。

前两件才是把生产系统搞坏的东西，而它们正是我们移除的两件。一个在 0.5% 的请求上触发的分类器，就是 0.5% 的失败率，你没法调试、没法申诉、也无法预见 —— 而在一个 200 步的智能体循环里，每步 0.5% 的失败率复合起来，会让整个运行失败的次数多于成功。对话里的一次拒答只是烦人；自主运行第 147 步上的一次拒答会摧毁整个运行的状态，把你为走到那里所花的一切统统烧掉。对智能体类任务而言，移除拒答面是一项可靠性属性，而不是风格偏好。

随之而来的推论是：责任转移到了你身上。你的应用和你的用户之间没有安全网；如果你的产品需要一张，就把它建在你看得见、调得动、记得下日志的地方。请先阅读我们的负责任使用政策。

04Kimi K2.6 对比 Kimi K3：5 倍价钱什么时候值？

这是大多数读者来这里想要的那个决定，所以不绕弯子。Kimi-K3 · 3BIT-REAP 是更大、更新的基座：2026 年 7 月 16 日发布，7 月 27 日放出开源权重，总参数约 2.8 万亿，每 token 激活约 1040 亿 —— 是 K2.6 激活算力的三倍多。在上游，Moonshot 把 K3 的价格标为 K2.6 的约 5 倍，我们网关的定价也跟着这个比例。

	Kimi-K2.6 · W4A16-AUTOROUND-REAP	Kimi-K3 · 3BIT-REAP
每 100 万输入 token	$0.78	$3.83
每 100 万输出 token	$3.67	$19.12
上下文窗口	262,144	262,144
每次请求最大输出	16,384	16,384
图像输入	支持	支持
原生工具调用	支持	支持
严格 json_schema	支持	支持
无审查	是	是
每 token 激活参数	~32B	~104B

看看这张表没有显示的东西：没有任何一行是 K3 有而 K2.6 缺的功能。同样的窗口、同样的最大输出、同样的视觉、同样的工具调用、同样的结构化输出、同样的无审查姿态、同样的三种方言。那 5 倍只买到一样东西 —— 每次前向传播的原始能力。这是真的，但它只是一个轴；在它不是你瓶颈的那些轴上，它什么也不做。

特别说一下上下文窗口这一点

在上游，K3 的招牌特性是 100 万 token 上下文，对比 K2.6 的 262K。而在 Shannon 网关上，两个模型都以 262,144 token 提供。如果长上下文是你打算付 5 倍价钱的理由，那这个理由在这里不成立 —— 你会付了溢价，拿到同样的窗口。这类事情供应商很容易忍着不说，所以我们把它加粗。

在这些情况下付那 5 倍

• 一次就必须成。一次困难的推理，重试昂贵甚至不可能 —— 一个不可逆的动作，一条长流水线末端的决定。每 token 更多的激活参数，恰恰就是抬高单次上限的东西。
• 任务受限于知识，而不是受限于工具。答案必须从权重里出来的深度综合。K2.6 的画像是智能体型的；把工具拿走，更大的基座就显出来了。
• 量小而赌注大。一个月 500 次调用，5 倍就是 $40 而不是 $8。直接买更好的模型就是了。

在这些情况下别付那 5 倍

• 你在跑一个循环。长时间的智能体运行由机械步骤主导 —— 读一个文件、调一个工具、检查一个结果、挑下一个 —— 而这正是 K2.6 被训练来干的事。在 200 步上，5 倍意味着每次运行 $7.71 对 $38.29。
• 你在批量处理图像。视觉任务偏重输入 token，而单项的推理很浅。见第 05 节；差距一点也不接近。
• 活儿是抽取、分类或转换。从文档里拉字段、给工单分流、把记录标准化、做摘要 —— 这些有边界的任务，更大的模型产出的是同一份 JSON。
• 你有一个校验环节。如果输出会被检查 —— 一套测试、一个 schema 校验器、第二遍处理、一个人 —— 偶尔漏掉的代价很低，而经济账会压倒性地偏向跑量。这是性价比档位最被低估的论据。

有一个值得起名的模式：循环用 K2.6，判决用 K3。让便宜的智能体模型去做那一百步的收集、调用与起草，然后在最终综合上花一次昂贵的调用。两个模型说的是完全相同的 API，上下文窗口也一样，所以切换只是改 model 字段的一行。

05价格能落地的视觉

视觉是 K2.6 在这份目录里最锋利的一面。网关上十二个无审查模型中只有四个接受图像，而 K2.6 是唯一一个在每 100 万输入 token 不到一美元的价位上，把图像输入和 Kimi 智能体谱系结合起来的。

视觉任务的成本形状很特别。按 Moonshot 公布的 MoonViT 描述，一张 1024x1024 的图像编码成大约 576 个图像 token —— 而那些是输入 token，账本上便宜的那一侧。一个典型的视觉任务几乎全部落在 $0.78 的费率上，而不是 $3.67 那一侧。拿 10,000 张图像来算，每张配约 200 token 的提示词（即约 776 个输入 token）和约 150 token 的结构化输出：

任务	Kimi-K2.6	Kimi-K3	倍数
单个智能体步骤（输入 40K / 输出 2K）	$0.0385	$0.1914	5.0x
200 步自主运行	$7.71	$38.29	5.0x
10,000 张图像，结构化输出	$11.56	$58.40	5.1x
批处理作业（输入 1M / 输出 200K）	$1.51	$7.65	5.1x

按 Shannon 网关标价计算。图像 token 估算采用 Moonshot 公布的 MoonViT 数字，即 1024x1024 图像约 576 token；精确的 token 化随分辨率和长宽比而变。

一条 $11.56 的图像流水线，你可以天天跑，想都不用想。一条 $58.40 的，你得排期、得申请理由，最后往往被砍掉。这个差距就是性价比档位存在的全部理由。

一点诚实的说明。在独立的多模态与接地任务排行榜上，K2.6 被报告为大约115 个模型中的第 26 名，平均分接近 68.1 —— 体面，但不是同级第一。它的视觉在文档理解、截图与 UI 阅读、图表或示意图解读上确实很强；在精确的空间接地上偏弱 —— 精确边界框、杂乱场景中的细粒度计数、劣化扫描件的密集 OCR。如果你需要像素级准确的定位，请先在你自己的数据上做基准测试。如果你需要一个模型看着截图决定下一步点哪儿，那它正是对的工具。

06不拒答的工具调用与智能体循环

K2.6 支持原生工具调用：模型直接从你提供的 JSON Schema 工具定义中发出结构化的工具调用，而不是被哄着去产出可解析的文本。加上多轮对话与系统提示词，这就是一个智能体循环的完整底座。

"不拒答的工具调用"所增加的东西，比它听上去更微妙。在带过滤的 API 上，智能体循环内部的拒答表现为三种不同的失败模式：

• 硬拒答 —— 这一步返回的是散文而不是工具调用，解析器失败，循环中断。至少它是响的。
• 软拒答 —— 调用发出去了，但参数被放了水：查询被收窄、参数被含糊、载荷被截断。循环带着悄悄劣化的状态继续，而你四步之后才发现。
• 先发制人的回避 —— 计划在靠近某条合法分支之前就绕开了它。这一种你永远看不见；你只是拿到一个更差的计划，还没有任何解释。

第二和第三种才是昂贵的，因为它们是隐形的：没有错误，日志里什么都没有，也没有可 grep 的东西。一个没有拒答层的接口把这一整类问题都去掉了 —— 模型的工具调用参数，就是模型的工具调用参数。

这在那些既需要长时间自主运行、又本来就要接触敏感材料的领域里最要紧：安全研究与红队、恶意软件与事件分析、临床文档处理、法律证据开示，以及那些必须对自己所审内容进行推理的审核工具。构建一个内容审核分类器，需要一个愿意看它所分类之物的模型；这不是悖论，这只是这份工作本身。

长时间运行的实用提示：reasoning_effort 让你在规划步骤上多花思考、在机械步骤上少花。三种方言都支持流式，所以一个漫长的步骤可以持续暴露进度，或者被提前中止。而 262,144 token 的上下文能让真正的工作状态 —— 文件内容、先前的工具结果、一份进行中的计划 —— 跨很多步驻留，不必每轮重新摘要，而重新摘要本身就是智能体跑偏的常见来源。

07结构化输出与三种 API 方言

K2.6 同时支持 json_schema（严格的受 schema 约束的生成）和较宽松的 response_format。拿这个去对照目录：这里十二个模型中有两个不支持严格 schema 输出，而如果你流水线的下一环要解析 JSON，那一列就不是可选项。

严格 schema 输出正是让一个无审查模型可以当基础设施用的东西：如果模型必须发出一个符合你 schema 的对象，你就得到了与它本来会说什么无关的解析保证 —— 没有开场白，没有道歉，没有裹在你 JSON 外面的一段文字。再配上没有拒答层，你得到的就是一个抽取接口：每一次调用、每一份文档，无论文档讲的是什么，它都把你的对象还回来。

接口面	Kimi-K2.6 支持	说明
/v1/chat/completions	支持	OpenAI 方言 —— 现有 SDK 可直接替换
/v1/messages	支持	Anthropic 方言 —— 同一个模型，同一份权重
/v1/responses	支持	Responses 风格接口
流式输出	支持	三种方言均可
工具调用	支持	原生，JSON Schema 工具定义
json_schema	支持	严格结构化输出
response_format	支持	较宽松的 JSON 模式
reasoning_effort	支持	按调用调节思考预算
图像输入	支持	图像与文本并存

三种方言指向同一集群上的同一份权重。把现有的 OpenAI 客户端指向这个 base URL，把 model 设为 Kimi-K2.6-W4A16-AUTOROUND-REAP，你就跑起来了。请求与响应形态、流式语义以及一个在线试验场，都在 API 文档里。

08Kimi K2.6 什么时候是错误的选择

只列优点的模型指南是广告。下面是我们会把你送去别处的地方。

• 你需要单次困难推理的绝对上限。去用 Kimi-K3，付那 5 倍。它就是干这个的。
• 你需要像素级准确的视觉接地。边界框、劣化扫描件上的密集 OCR、杂乱场景中的精确计数不是它最强的地盘 —— 先在你的数据上测。
• 你要比便宜更便宜，而且不需要视觉。目录里有几个模型位于 $0.50 / $2.00。K2.6 的溢价买的是视觉和 Kimi 的智能体画像；两样都不需要，就选更便宜的档位。
• 你需要单次响应超过 16,384 输出 token。这个上限适用于整个目录 —— 长文档无论选哪个模型都需要分块生成。
• 你想要与上游逐比特一致的行为。这是一个经过剪枝和量化的构建：一个刻意的、公开的取舍。做可复现性研究，请拿 Moonshot 的原始权重去跑。

Kimi K2.6 与 K3 的架构、基准和发布日期数字均由 Moonshot 自报，且描述的是上游基座，而非我们的压缩构建。多模态排名数字来自独立的第三方排行榜。Shannon 网关价格为截至 2026 年 9 月 5 日的标价。

09常见问题

---

Shannon AI 由美国新墨西哥州的 Shannon Lab LLC 运营。来源：Moonshot AI —— Kimi K2 · REAP the Experts（arXiv 2510.13999） · Cerebras Research —— REAP。上游 Kimi 基准数字由 Moonshot 自报，在独立验证之前均属暂定；它们描述的是未压缩的基座，而不是 Shannon 的量化构建。