moonshot

Kimi k2.6

Kimi k2.6 er Moonshot AI's 1T-parameter MoE-model med 256K context window, native video-input og elite-ydeevne inden for autonom agent-baseret kodning.

ReasoningMultimodalCoding AgentOpen WeightsMoE
moonshot logomoonshotKimi20. april 2026
Kontekst
256Ktokens
Maks output
33Ktokens
Input-pris
$0.95/ 1M
Output-pris
$4.00/ 1M
Modalitet:TextImageVideo
Funktioner:VisionVærktøjerStreamingRæsonnering
Benchmarks
GPQA
90.5%
GPQA: Spørgsmål og svar på kandidatniveau. En streng benchmark med 448 multiple choice-spørgsmål inden for biologi, fysik og kemi skabt af domæneeksperter. PhD-eksperter opnår kun 65-74% nøjagtighed, mens ikke-eksperter scorer kun 34% selv med ubegrænset webadgang (derfor 'Google-proof'). Kimi k2.6 scorede 90.5% på denne benchmark.
HLE
54%
HLE: Ekspertniveau-ræsonnering. Tester en models evne til at demonstrere ekspertniveau-ræsonnering på tværs af specialiserede domæner. Evaluerer dyb forståelse af komplekse emner, der kræver professionel viden. Kimi k2.6 scorede 54% på denne benchmark.
MMLU
86.4%
MMLU: Massiv flerfaglig sprogforståelse. En omfattende benchmark med 16.000 multiple choice-spørgsmål på tværs af 57 akademiske fag, herunder matematik, filosofi, jura og medicin. Tester bred viden og ræsonneringsevner. Kimi k2.6 scorede 86.4% på denne benchmark.
MMLU Pro
84.6%
MMLU Pro: MMLU Professionel udgave. En forbedret version af MMLU med 12.032 spørgsmål i et sværere format med 10 svarmuligheder. Dækker matematik, fysik, kemi, jura, ingeniørvidenskab, økonomi, sundhed, psykologi, business, biologi, filosofi og datalogi. Kimi k2.6 scorede 84.6% på denne benchmark.
SimpleQA
43%
SimpleQA: Faktuel nøjagtighedsbenchmark. Tester en models evne til at give nøjagtige, faktuelle svar på ligetil spørgsmål. Måler pålidelighed og reducerer hallucinationer i vidensindhentningstasks. Kimi k2.6 scorede 43% på denne benchmark.
IFEval
89.8%
IFEval: Instruktionsfølgningsevaluering. Måler, hvor godt en model følger specifikke instruktioner og begrænsninger. Tester evnen til at overholde formateringsregler, længdegrænser og andre eksplicitte krav. Kimi k2.6 scorede 89.8% på denne benchmark.
AIME 2025
97.3%
AIME 2025: American Invitational Math Exam. Konkurrence-niveau matematikopgaver fra den prestigefyldte AIME-eksamen designet til talentfulde gymnasieelever. Tester avanceret matematisk problemløsning, der kræver abstrakt tænkning, ikke kun mønstergenkendelse. Kimi k2.6 scorede 97.3% på denne benchmark.
MATH
98.2%
MATH: Matematisk problemløsning. En omfattende matematikbenchmark, der tester problemløsning inden for algebra, geometri, calculus og andre matematiske domæner. Kræver flertrinssværsonnering og formel matematisk viden. Kimi k2.6 scorede 98.2% på denne benchmark.
GSM8k
97.3%
GSM8k: Folkeskole matematik 8K. 8.500 folkeskole-niveau matematiske tekstopgaver, der kræver flertrinssræsonnering. Tester grundlæggende aritmetik og logisk tænkning gennem virkelige scenarier som shopping eller tidsberegninger. Kimi k2.6 scorede 97.3% på denne benchmark.
MGSM
91.5%
MGSM: Flersproget folkeskolematematik. GSM8k-benchmarken oversat til 10 sprog, herunder spansk, fransk, tysk, russisk, kinesisk og japansk. Tester matematisk ræsonnering på tværs af forskellige sprog. Kimi k2.6 scorede 91.5% på denne benchmark.
MathVista
67.1%
MathVista: Matematisk visuel ræsonnering. Tester evnen til at løse matematikopgaver, der involverer visuelle elementer som diagrammer, grafer, geometriske figurer og videnskabelige illustrationer. Kombinerer visuel forståelse med matematisk ræsonnering. Kimi k2.6 scorede 67.1% på denne benchmark.
SWE-Bench
80.2%
SWE-Bench: Softwareingeniør-benchmark. AI-modeller forsøger at løse rigtige GitHub-issues i open source Python-projekter med menneskelig verifikation. Tester praktiske softwareingeniørfærdigheder på produktionskodebaser. Topmodeller gik fra 4,4% i 2023 til over 70% i 2024. Kimi k2.6 scorede 80.2% på denne benchmark.
HumanEval
92%
HumanEval: Python-programmeringsopgaver. 164 håndskrevne programmeringsopgaver, hvor modeller skal generere korrekte Python-funktionsimplementeringer. Hver løsning verificeres mod unit tests. Topmodeller opnår nu 90%+ nøjagtighed. Kimi k2.6 scorede 92% på denne benchmark.
LiveCodeBench
83.1%
LiveCodeBench: Live kodningsbenchmark. Tester kodningsevner på løbende opdaterede, virkelige programmeringsudfordringer. I modsætning til statiske benchmarks bruger den friske problemer for at forhindre dataforurening og måle ægte kodningsevner. Kimi k2.6 scorede 83.1% på denne benchmark.
MMMU
77.3%
MMMU: Multimodal forståelse. Massiv multi-disciplin multimodal forståelsesbenchmark, der tester vision-sprogmodeller på universitetsniveau-problemer på tværs af 30 fag, der kræver både billedforståelse og ekspertviden. Kimi k2.6 scorede 77.3% på denne benchmark.
MMMU Pro
75.6%
MMMU Pro: MMMU Professionel udgave. Forbedret version af MMMU med mere udfordrende spørgsmål og strengere evaluering. Tester avanceret multimodal ræsonnering på professionelt og ekspertniveau. Kimi k2.6 scorede 75.6% på denne benchmark.
ChartQA
87.4%
ChartQA: Diagram-spørgsmål og svar. Tester evnen til at forstå og ræsonnere om information præsenteret i diagrammer og grafer. Kræver udtrækning af data, sammenligning af værdier og udførelse af beregninger fra visuelle datarepræsentationer. Kimi k2.6 scorede 87.4% på denne benchmark.
DocVQA
94.9%
DocVQA: Dokument visuel Q&A. Document Visual Question Answering benchmark, der tester evnen til at udtrække og ræsonnere om information fra dokumentbilleder, herunder formularer, rapporter og scannet tekst. Kimi k2.6 scorede 94.9% på denne benchmark.
Terminal-Bench
60.2%
Terminal-Bench: Terminal/CLI-opgaver. Tester evnen til at udføre kommandolinjeopgaver, skrive shell-scripts og navigere i terminalmiljøer. Måler praktiske systemadministrations- og udviklingsworkflow-færdigheder. Kimi k2.6 scorede 60.2% på denne benchmark.
ARC-AGI
68.8%
ARC-AGI: Abstraktion og ræsonnering. Abstraction and Reasoning Corpus for AGI - tester flydende intelligens gennem nye mønstergenkendelsespuslespil. Hver opgave kræver opdagelse af den underliggende regel fra eksempler, der måler generel ræsonneringsevne snarere end memorering. Kimi k2.6 scorede 68.8% på denne benchmark.

Om Kimi k2.6

Lær om Kimi k2.6s muligheder, funktioner og hvordan den kan hjælpe dig med at opnå bedre resultater.

Arkitektonisk design og skala

Kimi k2.6 er en frontier multimodal Mixture-of-Experts (MoE) model med en skala på en billion parametre. Den bruger 32 milliarder aktive parametre pr. token, hvilket balancerer beregningsmæssig effektivitet med kognitiv ydeevne på højt niveau. Arkitekturen understøtter intern chain-of-thought-ræsonnering, hvor modellen genererer skjulte ræsonneringstrin, før den udsender et endeligt svar. Dette design gør det muligt at tackle komplekse opgaver i flere trin, som typisk får standard LLM'er til at gå i stå.

Agent-intelligens og koordinering

Modellen er specifikt optimeret til autonom softwareudvikling og langsigtede opgaver. Den kan styre Agent Swarms på op til 300 parallelle sub-agents, der koordinerer for at refactorere store kodebaser eller styre komplekse DevOps-pipelines. Ved at bruge native værktøjskald og visuel forståelse opererer Kimi k2.6 som en autonom agent, der er i stand til at løse multi-fil GitHub-issues og skabe motion-rich web-interfaces fra visuelle referencer.

Multimodale funktioner

Native understøttelse af video- og billed-input adskiller Kimi k2.6 fra mange open-weight-modeller. Den behandler videofiler direkte for at udføre sceneanalyse, bug-reproduktion og struktureret dataudtrækning. Modellen fungerer som en visuel arkitekt, der genererer 3D-shadere og komplekse animationer ved hjælp af biblioteker som Three.js og GSAP baseret på visuelle beskrivelser eller uploadede mockups.

Kimi k2.6

Anvendelser for Kimi k2.6

Opdag de forskellige måder, du kan bruge Kimi k2.6 til at opnå gode resultater.

Autonom softwareudvikling

Løsning af komplekse GitHub-issues ved at koordinere op til 300 parallelle sub-agents over 12-timers sessioner.

Generering af motion-rich frontend

Skabelse af moderne web-interfaces med WebGL- og GSAP-shadere fra simple tekst- eller billed-prompts.

Dybdegående videoanalyse

Analyse af optagelser til visuel bug-reproduktion, scenedeskrivelse eller struktureret dataudtrækning.

Agent-baseret markedsundersøgelse

Udførelse af søgninger i flere trin og værktøjskald for at syntetisere konkurrenceanalyser fra hundredvis af kilder.

Optimering af legacy-kode

Identificering af performance-flaskehalse i ældre kodebaser ved at analysere CPU flame graphs og allocations-data.

Videnskabelig problemløsning

Besvarelse af videnskabelige og matematiske spørgsmål på kandidatniveau ved hjælp af Python-understøttet ræsonnering og værktøjsverificering.

Styrker

Begrænsninger

Overlegen agent-baseret kodning: Opnår en score på 80,2% på SWE-Bench Verified, hvilket placerer den blandt de mest kapable modeller til autonom engineering.
Høje lokale VRAM-krav: At køre hele modellen lokalt kræver 600GB VRAM, hvilket begrænser self-hosting til specialiserede high-end arbejdsstationer.
Massiv koordineringsskala: Styrer 300 parallelle sub-agents, hvilket gør den i stand til at håndtere refactoring-opgaver på enterprise-niveau i én arbejdsgang.
Regional API-latency: Infrastrukturen er optimeret til Asien, hvilket kan føre til højere svartider for brugere i vestlige regioner.
Native multimodal alsidighed: Understøtter native video- og billed-input, hvilket muliggør avancerede agent-workflows for UI/UX-opgaver.
Recall-huller i lang kontekst: Modellen kan have svært ved perfekt recall i de yderste kanter af sin 256.000-token buffer.
Aggressiv prisfordel: Med $0,95 pr. million input tokens er den væsentligt billigere end proprietære konkurrenter som Claude 3.7 eller GPT-4o.
Begrænset kommerciel licens: Udgivelsen med open-weights benytter en modificeret licens, der kræver specifik overholdelse ved enterprise-implementeringer i stor skala.

API hurtig start

moonshotai/kimi-k2.6

Se dokumentation
moonshot SDK
import OpenAI from "openai";

const client = new OpenAI({
  apiKey: process.env.MOONSHOT_API_KEY,
  baseURL: "https://api.moonshot.ai/v1",
});

async function main() {
  const completion = await client.chat.completions.create({
    model: "kimi-k2.6",
    messages: [
      { role: "system", content: "You are a coding expert." },
      { role: "user", content: "Optimize this Rust function for throughput." }
    ],
    extra_body: { thinking: { type: "enabled" } }
  });

  console.log(completion.choices[0].message.content);
}

main();

Installér SDK'et og begynd at foretage API-kald på få minutter.

Hvad folk siger om Kimi k2.6

Se hvad fællesskabet mener om Kimi k2.6

Mød Kimi K2.6: Fremme af open-source kodning. Én prompt, 100+ filer. 4.000+ værktøjskald over 12 timers kontinuerlig eksekvering.
@Kimi_Moonshot
twitter
Kimi 2.6 SLÅR Opus 4.7 og er den BEDSTE open-source model i verden. Det er en rigtig god model til 10x lavere pris.
@bindureddy
twitter
Pris-deltaet er den del, ingen tager højde for. Kimi K2.6 er 5x billigere end Sonnet 4.6. Benchmark-kløften er officielt vendt.
@aakashgupta
twitter
Jeg prøvede den mod en bug, jeg havde. Den løste den succesfuldt for lidt over $1. Det var en svær bug, som Sonnet kæmpede med.
@uworldhits1391
youtube
Kimi K2.6 er transformativ, selvom der er plads til forbedringer i recall ved ultra-lange opgaver. Men 300 parallelle agenter er vanvittigt.
@Radiant-Act4707
reddit
Kimi K2-serien markerer øjeblikket, hvor open-source frontier-laboratorier endelig udfordrer og overgår de lukkede giganter.
@zxytim
twitter

Videoer om Kimi k2.6

Se vejledninger, anmeldelser og diskussioner om Kimi k2.6

Kimi K2.6 kommer ikke til at ødelægge Claude, men den VIL ødelægge premium-prissætningen hos lukkede laboratorier.

Agent swarm-kapaciteten, 300 agenter parallelt, er noget, vi ikke har set i open-source endnu.

HLE-scoren på 54,0 er den højeste, vi har set for en open-weights model.

Én prompt kan føre til 12 timers kontinuerlig eksekvering, hvilket er en ny grænse for agenter.

Den håndterer værktøjskald i flere trin med en stabilitet, der matcher de bedste proprietære modeller.

Vision-modellen understøtter native video-input, hvilket er en sjælden funktion selv i 2026.

Den håndterer værktøjskald i flere trin med en stabil thinking mode, der udfordrer OpenAIs o-serie.

Til frontend-udvikling er de bevægelsesrige genereringer væsentligt bedre end i K2.5.

Det 256K context window gør det muligt at analysere hele dokumentationssæt på én gang.

Det er en af de første modeller, der viser ægte autonomi i terminalmiljøer.

At parre K2.6 med Kimi Code CLI muliggør 12+ timers autonome kodningssessioner.

Den refactorerede en 8 år gammel finansiel motor og opnåede en 185% throughput-stigning autonomt.

Dette er en model med en billion parametre, men aktive parametre er kun 32B, hvilket holder den hurtig.

Besparelserne for udviklere, der skifter fra Claude til Kimi, er astronomiske.

Den løste en bug i et komplekst Rust-bibliotek, som havde været åben i tre måneder.

Mere end bare prompts

Supercharg din arbejdsgang med AI-automatisering

Automatio kombinerer kraften fra AI-agenter, webautomatisering og smarte integrationer for at hjælpe dig med at udrette mere på kortere tid.

AI-agenter
Webautomatisering
Smarte arbejdsgange

Pro-tips til Kimi k2.6

Eksperttips til at hjælpe dig med at få mest muligt ud af Kimi k2.6 og opnå bedre resultater.

Aktivér værktøjsbrug for Reasoning

Benchmarks viser, at HLE-scoren stiger fra 23,9 til 54,0, når modellen får adgang til ekstern søgning og beregningsværktøjer.

Overvåg kanterne af din context buffer

Recall er mest præcis i de første 200.000 tokens af 256.000-token bufferen.

Brug Thinking Mode med omhu

Deaktivér thinking-parameteren til simple chat-opgaver for at reducere latency og det samlede token-forbrug.

Standardisér med XML-tags

Modellen følger instruktioner mere præcist, når kontekst og opgaver er pakket ind i XML-tags.

Udnyt native video-uploads

Brug fil-upload-metoder i stedet for base64-kodning til videoer over 100MB for at undgå begrænsninger i request-størrelsen.

Anmeldelser

Hvad vores brugere siger

Slut dig til tusindvis af tilfredse brugere, der har transformeret deres arbejdsgang

Jonathan Kogan

Jonathan Kogan

Co-Founder/CEO, rpatools.io

Automatio is one of the most used for RPA Tools both internally and externally. It saves us countless hours of work and we realized this could do the same for other startups and so we choose Automatio for most of our automation needs.

Mohammed Ibrahim

Mohammed Ibrahim

CEO, qannas.pro

I have used many tools over the past 5 years, Automatio is the Jack of All trades.. !! it could be your scraping bot in the morning and then it becomes your VA by the noon and in the evening it does your automations.. its amazing!

Ben Bressington

Ben Bressington

CTO, AiChatSolutions

Automatio is fantastic and simple to use to extract data from any website. This allowed me to replace a developer and do tasks myself as they only take a few minutes to setup and forget about it. Automatio is a game changer!

Sarah Chen

Sarah Chen

Head of Growth, ScaleUp Labs

We've tried dozens of automation tools, but Automatio stands out for its flexibility and ease of use. Our team productivity increased by 40% within the first month of adoption.

David Park

David Park

Founder, DataDriven.io

The AI-powered features in Automatio are incredible. It understands context and adapts to changes in websites automatically. No more broken scrapers!

Emily Rodriguez

Emily Rodriguez

Marketing Director, GrowthMetrics

Automatio transformed our lead generation process. What used to take our team days now happens automatically in minutes. The ROI is incredible.

Jonathan Kogan

Jonathan Kogan

Co-Founder/CEO, rpatools.io

Automatio is one of the most used for RPA Tools both internally and externally. It saves us countless hours of work and we realized this could do the same for other startups and so we choose Automatio for most of our automation needs.

Mohammed Ibrahim

Mohammed Ibrahim

CEO, qannas.pro

I have used many tools over the past 5 years, Automatio is the Jack of All trades.. !! it could be your scraping bot in the morning and then it becomes your VA by the noon and in the evening it does your automations.. its amazing!

Ben Bressington

Ben Bressington

CTO, AiChatSolutions

Automatio is fantastic and simple to use to extract data from any website. This allowed me to replace a developer and do tasks myself as they only take a few minutes to setup and forget about it. Automatio is a game changer!

Sarah Chen

Sarah Chen

Head of Growth, ScaleUp Labs

We've tried dozens of automation tools, but Automatio stands out for its flexibility and ease of use. Our team productivity increased by 40% within the first month of adoption.

David Park

David Park

Founder, DataDriven.io

The AI-powered features in Automatio are incredible. It understands context and adapts to changes in websites automatically. No more broken scrapers!

Emily Rodriguez

Emily Rodriguez

Marketing Director, GrowthMetrics

Automatio transformed our lead generation process. What used to take our team days now happens automatically in minutes. The ROI is incredible.

Relateret AI Models

google

Gemini 3 Flash

Google

Gemini 3 Flash is Google's high-speed multimodal model featuring a 1M token context window, elite 90.4% GPQA reasoning, and autonomous browser automation tools.

1M context
$0.50/$3.00/1M
anthropic

Claude Sonnet 4.6

Anthropic

Claude Sonnet 4.6 offers frontier performance for coding and computer use with a massive 1M token context window for only $3/1M tokens.

1M context
$3.00/$15.00/1M
anthropic

Claude Opus 4.6

Anthropic

Claude Opus 4.6 is Anthropic's flagship model featuring a 1M token context window, Adaptive Thinking, and world-class coding and reasoning performance.

1M context
$5.00/$25.00/1M
google

Gemini 3 Pro

Google

Google's Gemini 3 Pro is a multimodal powerhouse featuring a 1M token context window, native video processing, and industry-leading reasoning performance.

1M context
$2.00/$12.00/1M
alibaba

Qwen3.5-397B-A17B

alibaba

Qwen3.5-397B-A17B is Alibaba's flagship open-weight MoE model. It features native multimodal reasoning, a 1M context window, and a 19x decoding throughput...

1M context
$0.40/$2.40/1M
openai

GPT-5.1

OpenAI

GPT-5.1 is OpenAI’s advanced reasoning flagship featuring adaptive thinking, native multimodality, and state-of-the-art performance in math and technical...

400K context
$1.25/$10.00/1M
openai

GPT-5.2 Pro

OpenAI

GPT-5.2 Pro is OpenAI's 2025 flagship reasoning model featuring Extended Thinking for SOTA performance in mathematics, coding, and expert knowledge work.

400K context
$21.00/$168.00/1M
moonshot

Kimi K2.5

Moonshot

Discover Moonshot AI's Kimi K2.5, a 1T-parameter open-source agentic model featuring native multimodal capabilities, a 262K context window, and SOTA reasoning.

256K context
$0.60/$3.00/1M

Ofte stillede spørgsmål om Kimi k2.6

Find svar på almindelige spørgsmål om Kimi k2.6