Indlæser kataloget…
Indlæser kataloget…
Moonshot AIs agentiske flagskib med åbne vægte, 1 billion parametre, et kontekstvindue på 262k tokens og multimodale inddata, bygget til værktøjsdrevne inferens-arbejdsflow med stor kontekst.
Oversigt. Kimi K2.6 er Moonshot AIs flagskib med åbne vægte i Kimi K2-familien: en Mixture-of-Experts-model med 1 billion parametre og 32 milliarder aktive parametre per token. Den er bygget på en DeepSeek-V3-lignende transformer-løsning med en tilføjet MoonViT-billedencoder, modtager tekst, billeder og video som inddata og returnerer tekst, med en ræsonneringstilstand (Thinking mode), der kan slås til for at få trinvis ræsonnering. Den er udgivet under en Modified-MIT-licens med åbne vægte og et kontekstvindue på 262.144 tokens og er rettet mod udviklere, der ønsker en agentisk model med stort kontekstvindue, som de selv kan køre eller sende forespørgsler til via Smart Router.
Vigtigste styrker. modellens tydeligste kendetegn er dens agentiske design: Moonshot har bygget K2.6 til arbejdsflow med værktøjskald i mange trin, og dens Mixture-of-Experts-arkitektur (384 eksperter, hvoraf 8 rutes plus én delt ekspert er aktive per token) holder beregningen per token på et overkommeligt niveau trods de 1 billion parametre. Indbygget INT4-kvantisering i compressed-tensors-format reducerer hukommelsesforbruget ved inferens, du selv kører. Billed- og videoinddata kombineret med valgfri ræsonnering i ræsonneringstilstand udvider dens anvendelse fra ren tekst til multimodale opgaver med mange trin.
Anvendelsesområder. Brug Kimi K2.6, når en opgave kræver et langt kontekstvindue — op til 262.144 tokens — kombineret med agentisk adfærd med værktøjskald i mange trin, såsom research på tværs af kodebaser eller analyse af lange dokumenter, der kræver flere værktøjskald i træk. Slå ræsonneringstilstand til, når et synligt ræsonneringsspor i en tankekæde er vigtigere end et øjeblikkeligt svar i én arbejdsgang. Dens understøttelse af billed- og videoinddata gør den også velegnet til agentiske arbejdsflow, der blander visuel og tekstlig kontekst.
Begrænsninger. Uafhængige rapporter peger på, at træningsdataene slutter omkring april 2025, men Moonshot har ikke udgivet et officielt systemkort, der bekræfter dette, så betragt det som vejledende. Uddata er kun tekst, uden generering af lyd eller billeder. Med 1 billion parametre og valgfri ræsonneringstilstand må du forvente længere svartid end hos mindre interaktive modeller, og der er ikke udgivet en leverandørbekræftet grænse for uddata, der er adskilt fra kontekstvinduet.
Bemærkning om suverænitet. Kimi K2.6 er skabt af Moonshot AI, som er baseret i Kina. Den leveres med åbne vægte under en Modified-MIT-licens, så den kan køres selv for at få fuld kontrol over dataplacering; det aktuelt listede endepunkt drives af en tredjepartsleverandør, så virksomheder med strenge krav til dataplacering bør selv verificere det pågældende endepunkts jurisdiktion.
| Inferensleverandør | Suverænitet | Kører i | Ind / ud per 1 mio. | Status | Fastgør |
|---|---|---|---|---|---|
| L1 | 1,25 / 5,00€ | Online |
12 anvendelsesområder klassificeret af redaktøren. Noten forklarer hvorfor.
Eksplicit egenskab til verktøjskald er kernekravet for applikationer med funktionskald; Kimi K2.6 dokumenterer dette som en indbygget funktion.
Et kontekstvindue på 262k gør det muligt at indlæse dokumenter i fuld længde til spørgsmål og svar uden opdeling, hvilket er en direkte arkitektonisk fordel til analyse af lange dokumenter.
Indbygget understøttelse af verktøjskald kombineret med et kontekstvindue på 262k er velegnet til arbejdsflow med orkestrering af flere verktøjer, der kræver stor arbejdshukommelse på tværs af verktøjernes uddata.
Understøttelse af verktøjskald muliggør agentiske kodegenereringsløkker, men der er ikke offentliggjort SWE-Bench eller andre kodespecifikke benchmarks til at vurdere egnetheden ud over den grundlæggende egenskab.
Verktøjskald er en forudsætning for agenter til browserautomatisering; uden kuraterede benchmarks er dette en egenskabsbaseret vurdering snarere end en evidensbaseret egnethed.
Et kontekstvindue på 262k understøtter sammenhæng i lange dokumenter, hvilket er en grundlæggende arkitektonisk fordel til opgaver med lange uddata.
Verktøjskald kombineret med et kontekstvindue på 262k understøtter planer med mange trin, der kræver sporing af lange historikker, selvom der ikke er offentliggjort ræsonnerings- eller agentiske benchmarkresultater, der bekræfter planlægningsdybden.
Et stort kontekstvindue (262k) gør det muligt at opsummere lange inddata i ét kald uden afkortning, selvom der ikke er offentliggjort opsummeringsspecifikke benchmarks.
Ingen eksponering for CLOUD Act og et stort kontekstvindue på 262k gør dette til en fornuftig suverænitetsbevidst mulighed for spørgsmål og svar i policydokumenter, selvom der ikke er offentliggjort compliance-specifikke benchmarks.
Der er ikke dokumenteret specifikke egenskaber for embedding, hentning eller reranking; generelle LLM'er til verktøjskald er ikke optimeret til infrastruktur til semantisk søgning.
Tal fra eksterne kilder, ikke vores egne vurderinger. Percentiler er målt mod hele Stav-kataloget.
Beregnet ud fra aa-intelligence-index, gpqa-diamond, aa-engineering-index, aa-coding-index, livecodebench, terminal-bench-v4, ifbench, aa-lcr.
curl https://api.stav.ai/v1/chat/completions \
-H "Authorization: Bearer $STAV_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "moonshotai/kimi-k2-6",
"reasoning_effort": "high",
"messages": [{"role": "user", "content": "Hello!"}]
}'→ X-Stav-Request-Id · X-Stav-Model · X-Stav-Provider → X-Stav-Sovereignty-Level — det niveau, forespørgslen blev betjent på