MoonshotAI: Kimi K2.7 Code vs. Relace: Relace Search
Ein direkter Vergleich von MoonshotAI: Kimi K2.7 Code (2,10 $ / 1 Mio. Tokens (≈ 1,87 €)) und Relace: Relace Search (3,50 $ / 1 Mio. Tokens (≈ 3,12 €)) mit aktuellen USD-Preisen und Funktionen aus dem api14-Katalog. Beide laufen über dieselbe OpenAI-kompatible API.
Technische Daten
| MoonshotAI: Kimi K2.7 Code | Relace: Relace Search | |
|---|---|---|
| Anbieter | Moonshot AI | Relace |
| Eingabe | 2,10 $ / 1 Mio. Tokens (≈ 1,87 €) | 3,50 $ / 1 Mio. Tokens (≈ 3,12 €) |
| Ausgabe | 12,25 $ / 1 Mio. Tokens (≈ 10,91 €) | 10,50 $ / 1 Mio. Tokens (≈ 9,35 €) |
| Cache-Lesen | 0,56 $ / 1 Mio. Tokens (≈ 0,50 €) | - |
| Kontextfenster | 262.144 | 256.000 |
| Max. Ausgabe | 235.929 | 128.000 |
| Eingabe | text, image | text |
| Ausgabe | text | text |
| Tool Calling | ||
| Strukturierte Ausgabe | ||
| Reasoning-Steuerung | ||
| Hinzugefügt | 12.06.2026 | 08.12.2025 |
Die wichtigsten Unterschiede
- MoonshotAI: Kimi K2.7 Code ist bei Eingabe-Tokens 40% günstiger.
- Relace: Relace Search ist bei Ausgabe-Tokens 14% günstiger.
- Nur MoonshotAI: Kimi K2.7 Code unterstützt strukturierte JSON-Ausgabe.
- Nur MoonshotAI: Kimi K2.7 Code unterstützt Steuerung des Reasoning-Aufwands.
- Eine Anfrage mit 1.000 Eingabe- und 500 Ausgabe-Tokens kostet mit MoonshotAI: Kimi K2.7 Code 0,00823 $ und mit Relace: Relace Search 0,00875 $.
Im Detail
MoonshotAI: Kimi K2.7 Code ist ein Textmodell von Moonshot AI, veröffentlicht am 2026-06-12. Relace: Relace Search ist ein Textmodell von Relace, veröffentlicht am 2025-12-08. Beide werden über api14 in der Kategorie Text bereitgestellt, sodass keines von beiden ein spezialisierter Endpunkt ist, den man über ein separates SDK erreichen muss. Wichtig vorab: Sie wurden von unterschiedlichen Teams mit unterschiedlichen Prioritäten entwickelt, und das zeigt sich in den Parameterlisten und den Modalitäten, die jedes Modell akzeptiert.
Die deutlichste Trennung liegt darin, was jedes Modell als Eingabe annimmt. Kimi K2.7 Code akzeptiert Text- und Bildeingabe und gibt Text zurück, sodass man Screenshots, Diagramme oder gescannte Seiten zusammen mit einem Prompt senden kann. Relace Search akzeptiert nur Text. Beim Kontext liegen die beiden so nah beieinander, dass der Unterschied keine Planung rechtfertigt: Kimi K2.7 Code listet 262144 Token und Relace Search listet 256000, und der qualitative Vergleich behandelt die Kontextfenster als nicht bedeutsam unterschiedlich. Wo sie wirklich auseinandergehen, sind die unterstützten Parameter. Kimi K2.7 Code bietet reasoning und include_reasoning, structured_outputs, logprobs und top_logprobs, logit_bias, min_p, repetition_penalty, frequency_penalty, presence_penalty, parallel_tool_calls, top_k, seed, stop, temperature, top_p, max_tokens, response_format, tool_choice und tools. Relace Search unterstützt eine viel kürzere Menge: max_tokens, response_format, seed, stop, temperature, tool_choice, tools und top_p. Strukturierte Ausgaben und Reasoning sind also nur bei Kimi K2.7 Code verfügbar, während Tool-Aufrufe bei beiden verfügbar sind.
Für die Aufgabenauswahl ist die Parameterliste der praktische Leitfaden. Wenn das Modell ein schema-konformes Objekt ausgeben soll, oder wenn man Reasoning-Spuren untersuchen möchte, oder wenn man die Ausgabeverteilung feinkörnig beeinflussen oder sampeln möchte, ist Kimi K2.7 Code das Modell, das das kann. Wenn die Arbeitslast aus reinem Text hinein und reinem Text hinaus besteht, mit Tool-Aufrufen und einem Antwortformat, deckt Relace Search das mit weniger Stellschrauben ab, über die man nachdenken muss. Vision-Eingabe ist ein weiterer Entscheidungsfaktor: Nur Kimi K2.7 Code nimmt Bilder entgegen, also muss alles, was einen Screenshot oder ein Diagramm betrifft, dorthin gehen. Beim Preis ist Kimi K2.7 Code bei der Eingabe die günstigere Seite, während Relace Search bei der Ausgabe die günstigere Seite ist, sodass das Kostenbild vom Verhältnis von Eingabe zu Ausgabe abhängt und nicht davon, dass ein Modell durchgängig günstiger ist. Die aktuelle Preistabelle auf dieser Seite enthält die derzeitigen Zahlen.
Beide Modelle über api14 aufzurufen funktioniert auf dieselbe Weise, weil die API OpenAI-kompatibel ist. Man richtet seinen Client auf die api14-Basis-URL, sendet eine Chat-Completions-Anfrage mit seinen Nachrichten und setzt das Feld model. Die einzige Änderung zwischen den beiden ist dieser String: Verwenden Sie "moonshotai/kimi-k2.7-code" für Kimi K2.7 Code und "relace/relace-search" für Relace Search. Alles andere im Request-Body bleibt, wo es ist. Wenn Sie bereits tools, temperature, max_tokens oder ein response format senden, werden diese Felder auf beide übertragen. Wenn Sie reasoning, structured_outputs, logprobs oder Bildinhalte senden, gehören diese zu Kimi K2.7 Code, und Relace Search wird sie nicht akzeptieren, also behalten Sie eine separate Request-Form für jedes Modell, statt anzunehmen, dass eine Payload für beide passt.
Wechseln mit einem String
Beide Modelle nutzen denselben Endpunkt und dieselbe Anfragestruktur. Ändern Sie den model-Wert von "moonshotai/kimi-k2.7-code" auf "relace/relace-search", Prompts, Streaming und Tools funktionieren weiter.
import OpenAI from "openai";
const client = new OpenAI({
baseURL: "https://api14.com/api/v1",
apiKey: process.env.API14_API_KEY,
});
const result = await client.chat.completions.create({
"model": "relace/relace-search",
"messages": [
{
"role": "user",
"content": "Explain vector databases in two sentences."
}
]
});
console.log(result.choices[0].message.content);
Weitere Vergleiche
- LiquidAI: LFM3-1.7B vs. Ricursive: Ripple 65B Preview
- LiquidAI: LFM3-1.7B vs. Crouton Alpha
- LiquidAI: LFM3-1.7B vs. Tencent: Hy4
- LiquidAI: LFM3-1.7B vs. Z.ai: GLM 5.3 FlashX Legal
- Ricursive: Ripple 65B Preview vs. Crouton Alpha
- Ricursive: Ripple 65B Preview vs. Tencent: Hy4
- Ricursive: Ripple 65B Preview vs. Z.ai: GLM 5.3 FlashX Legal
- Crouton Alpha vs. Tencent: Hy4