К результатам поиска

moonshot

Kimi K2.6

Открытая нативная мультимодальная агентная модель Kimi K2.6 для длительного программирования, дизайна на основе кода и оркестрации крупномасштабных задач.

  • РассужденияРассужденияВ данных модели подтверждён режим рассуждений. Его параметры зависят от подключённой операции.
  • Понимание изображенийПонимание изображенийМодель умеет разбирать содержимое изображений.
  • Вызов инструментовВызов инструментовМодель может запросить вызов функции. Приложение проверяет права и выполняет действие.
  • Структурированный ответСтруктурированный ответМодель поддерживает заданную структуру ответа. Доступный формат проверяйте в параметрах API.
  • 256 000 токенов256 000 токеновКонтекстное окно по данным каталога. Лимит ответа и допустимый объём запроса проверяйте отдельно.
  • Видео на входеВидео на входеНаправление работы с видео подтверждено данными модели. Длительность, размер и формат определяются операцией.
  • Потоковый ответПотоковый ответОтвет можно получать по частям. Поддержка потока проверяется отдельно для каждой операции API.
  • Пакетные запросыПакетные запросыПакетный режим указан в данных модели. Это не означает, что отдельный batch API уже подключён в Kvantora.
Вход
120,27 ₽
Выход
506,34 ₽
Кэш
20,36 ₽
за 1 млн токенов
Интеллект
27
Код
61,8
Доступность
100%
API ID
moonshot/kimi-k2.6

Данные каталога получены .

Цена

Текстовый диалог · вход
120,27 ₽ / 1 млн токенов
Текстовый диалог · выход
506,34 ₽ / 1 млн токенов
Текстовый диалог · вход из кэша
20,36 ₽ / 1 млн токенов

Цена указана в рублях для выбранной операции и её параметров.

Перед оплачиваемым запросом создаётся резерв. Итоговый расход привязан к сохранённым параметрам и тарифу запроса. При неизвестном результате резерв удерживается до проверки; такой запрос не следует повторять с новым идентификатором.

О модели

Kimi K2.6, открытая нативная мультимодальная агентная модель, созданная для длительного программирования, дизайна на основе кода и оркестрации крупномасштабных задач. Она преобразует простые запросы и визуальные данные в готовые к использованию интерфейсы и полнофункциональные рабочие процессы, а также предназначена для координации сложных многоагентных планов с тысячами шагов при работе с кодом, документами и электронными таблицами.

Релиз

Характеристики

Доступность100%
  1. 7 октября: 100%
  2. 8 октября: 100%
  3. 9 октября: 100%
Доля успешных запросов к модели за последние 72 часа. Обновляется каждые два часа.
Тип модели
Текст
Вход модели
Текст, Изображения

Данные, которые модель принимает вместе с запросом.

Выход модели
Текст

Форматы результата, которые создаёт модель.

Контекстное окно
256 000 токенов

Контекстное окно по данным каталога. Лимит ответа и допустимый объём запроса проверяйте отдельно.

Максимальный ответ
65 536 токенов

Максимальный размер ответа по данным каталога. Фактический предел запроса зависит от подключённой операции.

Операции
Текстовый диалог, Понимание изображений
Возможности модели
Потоковый ответ, Понимание изображений, Рассуждения, Вызов инструментов, Вызов функций, Структурированный ответ, Ответ в JSON, Пакетные запросы, Входные изображения, Входное видео

Контрольные показатели

Artificial Analysis

21 показателей · проверено

Источник ↗
Индекс интеллекта
27 индексСводная оценка Artificial Analysis по всем её тестам
Индекс программирования
61,8 индексСводная оценка Artificial Analysis по программированию
Индекс агентных задач
20,5 индексСводная оценка Artificial Analysis по агентным задачам

Агентная работа

  • AA-Briefcase819 Elo

    Агентная работа со знаниями (Elo)

  • AutomationBench-AA13 %

    Автоматизация рабочего процесса со штрафами за нарушение ограничений

  • GDPval-AA v21 040 Elo

    Экономически значимые задачи (Elo)

  • Harvey LAB-AA84,1 %

    Доля пройденных критериев юридической агентной работы

Рассуждение по документу

  • AA-LCR v1.181 %

    Рассуждение на длинном контексте с обновлённой оценкой

  • GDP.pdf13 %

    Профессиональное рассуждение по PDF: доля прохождения всех проверок

Устаревшие тесты

  • AA-LCR (версия не указана, архивный)81 %

    Оценка рассуждений на длинном контексте

  • GDPval-AA (версия не указана, архивный)27 %

    Задачи с экономической ценностью

  • GPQA Diamond (архивный)91,1 %

    Научные рассуждения уровня выпускника

  • T²-Bench Telecom (архивный)95,9 %

    Разговорные ИИ-агенты в сценариях с двойным управлением

  • Terminal-Bench Hard (архивный)43,9 %

    Агентное программирование и работа в терминале

Знания

  • AA-Omniscience · точность32,6 %

    Доля вопросов с правильным ответом

Знание

  • AA-Omniscience · доля выдуманных ответов (меньше лучше)40,5 %

    Доля неверных ответов среди некорректных ответов

Рассуждение

  • CritPt8 %

    Рассуждения по физике исследовательского уровня

  • IFBench76 %

    Тест на следование инструкциям

Рассуждения

  • HLE37,5 %

    Humanity’s Last Exam — вопросы экспертного уровня

Программирование

  • SciCode51,5 %

    Программирование на Python для научных вычислений

  • Terminal-Bench v4.00,5 %

    Практические задачи по программированию и работе в терминале

Design Arena

22 показателей · проверено

Рейтинг Elo и доля побед в попарных сравнениях, оценённых людьми

Источник ↗

Агентные системы

  • Разработка игр агентами · Elo1 141 Elo
  • Разработка игр агентами · доля побед47,5 %
  • Полный цикл разработки · Elo1 155 Elo
  • Полный цикл разработки · доля побед49,5 %
  • Мобильные приложения · Elo1 183 Elo
  • Мобильные приложения · доля побед48,1 %
  • Нативные приложения · Elo1 174 Elo
  • Нативные приложения · доля побед49,1 %

Модели

  • 3D · Elo1 286 Elo
  • 3D · доля побед57,6 %
  • ASCII-графика · Elo1 178 Elo
  • ASCII-графика · доля побед47,5 %
  • Визуализация данных · Elo1 261 Elo
  • Визуализация данных · доля побед52 %
  • Разработка игр · Elo1 264 Elo
  • Разработка игр · доля побед54,9 %
  • SVG · Elo1 191 Elo
  • SVG · доля побед51,2 %
  • UI-компоненты · Elo1 275 Elo
  • UI-компоненты · доля побед55,6 %
  • Сайты · Elo1 277 Elo
  • Сайты · доля побед54,2 %

Оценки относятся к этой версии модели и методике источника. Качество и скорость конкретного запроса они не гарантируют.

API-запрос

Операция доступна через API. Ключ храните в переменной окружения на своём сервере. REQUEST_ID: уникальный идентификатор запроса. При повторе сохраняйте его и тело запроса.

import json
import os
from urllib.request import Request, HTTPRedirectHandler, build_opener

class NoRedirect(HTTPRedirectHandler):
    def redirect_request(self, req, fp, code, msg, headers, newurl):
        return None

opener = build_opener(NoRedirect)

def post(url, payload):
    request = Request(url, data=json.dumps(payload).encode("utf-8"), headers={
        "Authorization": "Bearer " + os.environ["KVANTORA_API_KEY"],
        "Content-Type": "application/json",
        "Idempotency-Key": os.environ["REQUEST_ID"],
    }, method="POST")
    with opener.open(request, timeout=120) as response:
        return json.load(response)

payload = {
  "model": "moonshot/kimi-k2.6",
  "messages": [
    {
      "role": "user",
      "content": "Объясни задачу кратко."
    }
  ]
}
print(post("https://api.kvantora.ai/v1/chat/completions", payload))
Документация APIСоздать API-ключ