Laster katalogen …
Laster katalogen …
Moonshot AIs agentiske flaggskipmodell med åpne vekter, 1 billion parametere og et kontekstvindu på 262K token, med støtte for multimodal inndata – bygget for inferensarbeidsflyter med langt kontekstvindu og verktøydrevet behandling.
Oversikt. Kimi K2.6 er flaggskipmodellen til Moonshot AI med åpne vekter i Kimi K2-familien: en mixture-of-experts-modell med 1 billion parametere totalt og 32 milliarder aktive parametere per token. Bygget på en transformer-arkitektur i DeepSeek-V3-stil med en ekstra MoonViT-visjonskoder, tar den imot tekst, bilder og video som inndata og returnerer tekst, med en valgfri Thinking-modus for trinnvis resonnering. Utgitt under en Modified-MIT-lisens med åpne vekter og et kontekstvindu på 262 144 token, er den rettet mot utviklere som ønsker en agentisk modell med stort kontekstvindu som de kan drifte selv eller rute gjennom Smart Router.
Viktigste styrker. Modellens tydeligste styrke er den agentiske utformingen: Moonshot bygde K2.6 rundt arbeidsflyter med verktøyløkker i flere steg, og MoE-arkitekturen (384 eksperter, med 8 rutede pluss én delt ekspert aktiv per token) holder beregningene per token håndterbare til tross for 1 billion parametere totalt. Innebygd INT4-kvantisering i compressed-tensors-format reduserer minnebehovet ved selvdriftet inferens. Støtte for bilder og video, kombinert med valgfri resonnering i Thinking-modus, gjør at den strekker seg utover ren tekst til multimodale oppgaver med mange steg.
Når du bør bruke den. Velg Kimi K2.6 når en oppgave krever et langt kontekstvindu – opptil 262 144 token – kombinert med agentisk atferd med verktøykall i flere steg, for eksempel forskning på tvers av en hel kodebase eller analyse av lange dokumenter som krever flere verktøykall i rekkefølge. Slå på Thinking-modus når synlig resonnering i tankekjede er mer verdifullt enn et umiddelbart svar i ett pass. Støtten for bilder og video gjør den også aktuell for agentiske arbeidsflyter som kombinerer visuell og tekstlig kontekst.
Begrensninger. Uavhengige rapporter peker på at treningsdataene slutter rundt april 2025, men Moonshot har ikke publisert et offisielt systemkort som bekrefter dette, så det bør behandles som omtrentlig. Utdata er bare tekst – ingen lyd- eller bildegenerering. Med 1 billion parametere totalt og valgfri Thinking-modus bør du forvente lengre svartid enn med mindre interaktive modeller, og ingen leverandørbekreftet maksimal utdatalengde atskilt fra kontekstvinduet er publisert.
Suverenitetsnotat. Kimi K2.6 er laget av Moonshot AI, som holder til i Kina. Den leveres med åpne vekter under en Modified-MIT-lisens, slik at den kan driftes selv for full kontroll over datalokasjon. Det nåværende listede endepunktet kjører hos en separat tredjeparts inferensleverandør, så selskaper med strenge krav til datalokasjon bør verifisere jurisdiksjonen til det endepunktet på egen hånd.
| Inferensleverandør | Suverenitet | Kjører i | Inn / ut per 1M | Status | Lås |
|---|---|---|---|---|---|
| L1 | 1,25 / 5,00€ | Tilkoblet |
12 bruksområder klassifisert av kuratoren. Notatet forklarer hvorfor.
Eksplisitt støtte for verktøykall er kjernekravet for applikasjoner med funksjonskall; Kimi K2.6 dokumenterer dette som en innebygd egenskap.
Et kontekstvindu på 262k gjør det mulig å lese inn dokumenter i full lengde for spørsmål og svar uten oppdeling – en direkte arkitektonisk fordel for analyse av lange dokumenter.
Innebygd støtte for verktøykall kombinert med et kontekstvindu på 262k er godt egnet for arbeidsflyter med orkestrering av flere verktøy som krever stor arbeidsminnekapasitet på tvers av verktøyutdata.
Støtte for verktøykall muliggjør agentiske kodekjøringssløyfer, men det er ikke publisert noen SWE-Bench- eller kodespesifikke referansemålinger for å vurdere egnethet utover grunnleggende egenskaper.
Et kontekstvindu på 262k støtter opprettholdelse av sammenheng på tvers av lange dokumenter – en grunnleggende arkitektonisk fordel for oppgaver med langformet utdata.
Verktøykall er en forutsetning for nettleserautomatiseringsagenter; uten kuraterte referansemålinger er dette en egenskapsbasert snarere enn evidensbasert vurdering av egnethet.
Et stort kontekstvindu på 262k gjør det mulig å oppsummere lange inndata i ett kall uten avkorting, men det er ikke publisert noen oppsummeringsspesifikke referansemålinger.
Verktøykall kombinert med et kontekstvindu på 262k støtter planer med mange steg som krever sporing av lange historikker, men det er ikke publisert noen referansemålinger for resonnering eller agentiske oppgaver som bekrefter planleggingsdybden.
Et stort kontekstvindu på 262k støtter syntese av mange kildedokumenter i én enkelt gjennomgang, men det finnes ingen forskningsrelaterte referansemålinger som bekrefter resonneringskvaliteten.
Det er ikke dokumentert noen egenskaper spesifikt for innbygging, henting eller rangering; generelle LLM-er med verktøykall er ikke optimalisert for infrastruktur for semantisk søk.
Innhentede tall, ikke våre egne evalueringer. Persentilene er mot hele Stav-katalogen.
Beregnet 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 – nivået forespørselen ble betjent på