MoonshotAI: Kimi K2.7 Code contra Relace: Relace Search
Una comparativa lado a lado de MoonshotAI: Kimi K2.7 Code (2,10 US$ / 1M fragmentos (≈ 1,87 €)) y Relace: Relace Search (3,50 US$ / 1M fragmentos (≈ 3,12 €)) con precios actuales en USD y capacidades del catálogo de api14. Ambos funcionan a través de la misma API compatible con OpenAI.
Especificaciones
| MoonshotAI: Kimi K2.7 Code | Relace: Relace Search | |
|---|---|---|
| Proveedor | Moonshot AI | Relace |
| Entrada | 2,10 US$ / 1M fragmentos (≈ 1,87 €) | 3,50 US$ / 1M fragmentos (≈ 3,12 €) |
| Salida | 12,25 US$ / 1M fragmentos (≈ 10,91 €) | 10,50 US$ / 1M fragmentos (≈ 9,35 €) |
| Lectura de caché | 0,56 US$ / 1M fragmentos (≈ 0,50 €) | - |
| Ventana de contexto | 262.144 | 256.000 |
| Salida máxima | 235.929 | 128.000 |
| Entrada | text, image | text |
| Salida | text | text |
| Llamadas a herramientas | ||
| Salida estructurada | ||
| Control del razonamiento | ||
| Añadido | 12 jun 2026 | 8 dic 2025 |
Diferencias clave
- MoonshotAI: Kimi K2.7 Code es 40% más barato en tokens de entrada.
- Relace: Relace Search es 14% más barato en tokens de salida.
- Solo MoonshotAI: Kimi K2.7 Code admite salida JSON estructurada.
- Solo MoonshotAI: Kimi K2.7 Code admite control del esfuerzo de razonamiento.
- Una solicitud con 1.000 tokens de entrada y 500 de salida cuesta 0,00823 US$ con MoonshotAI: Kimi K2.7 Code y 0,00875 US$ con Relace: Relace Search.
En detalle
MoonshotAI: Kimi K2.7 Code es un modelo de texto de Moonshot AI, lanzado el 2026-06-12. Relace: Relace Search es un modelo de texto de Relace, lanzado el 2025-12-08. Ambos se sirven a través de api14 dentro de la categoría de texto, así que ninguno es un endpoint de propósito especial al que tengas que llegar mediante un SDK aparte. Lo principal que hay que tener en cuenta desde el principio es que fueron construidos por equipos diferentes con prioridades diferentes, y eso se nota en las listas de parámetros y en las modalidades que acepta cada uno.
La división más clara está en lo que cada modelo acepta como entrada. Kimi K2.7 Code acepta entrada de texto e imagen y devuelve texto, así que puedes enviar capturas de pantalla, diagramas o páginas escaneadas junto con un prompt. Relace Search acepta solo texto. En cuanto al contexto, los dos están lo bastante cerca como para que la diferencia no merezca planificación: Kimi K2.7 Code indica 262144 tokens y Relace Search indica 256000, y la comparación cualitativa trata las ventanas de contexto como no significativamente diferentes. Donde realmente divergen es en los parámetros soportados. Kimi K2.7 Code expone reasoning e include_reasoning, structured_outputs, logprobs y 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 y tools. Relace Search soporta un conjunto mucho más corto: max_tokens, response_format, seed, stop, temperature, tool_choice, tools y top_p. Así que las salidas estructuradas y el razonamiento están disponibles solo en Kimi K2.7 Code, mientras que el llamamiento a herramientas está disponible en ambos.
Para la selección de tareas, la lista de parámetros es la guía práctica. Si necesitas que el modelo emita un objeto conforme a un esquema, o quieres inspeccionar trazas de razonamiento, o quieres sesgar o muestrear la distribución de salida de formas muy granulares, Kimi K2.7 Code es el que puede hacerlo. Si tu carga de trabajo es texto plano de entrada y texto plano de salida, con llamadas a herramientas y un formato de respuesta, Relace Search cubre eso con menos ajustes que razonar. La entrada de visión es otro factor decisivo: solo Kimi K2.7 Code acepta imágenes, así que cualquier cosa que implique una captura de pantalla o un diagrama tiene que ir allí. En cuanto al precio, Kimi K2.7 Code es el lado más barato para la entrada, mientras que Relace Search es el lado más barato para la salida, así que el panorama de costes depende de tu ratio de entrada a salida en lugar de que un modelo sea uniformemente más barato. Consulta la tabla de precios en vivo en esta página para los números actuales.
Llamar a cualquiera de los dos modelos a través de api14 funciona de la misma manera, porque la API es compatible con OpenAI. Apuntas tu cliente a la URL base de api14, envías una solicitud de chat completions con tus mensajes, y estableces el campo model. El único cambio entre los dos es esa cadena: usa "moonshotai/kimi-k2.7-code" para Kimi K2.7 Code y "relace/relace-search" para Relace Search. Todo lo demás en el cuerpo de la solicitud se queda donde está. Si ya estás enviando tools, temperature, max_tokens o un formato de respuesta, esos campos se trasladan a ambos. Si estás enviando reasoning, structured_outputs, logprobs o contenido de imagen, esos pertenecen a Kimi K2.7 Code y Relace Search no los aceptará, así que mantén una forma de solicitud separada para cada modelo en lugar de asumir que una sola carga útil sirve para ambos.
Cambia con una sola cadena
Ambos modelos usan el mismo endpoint y la misma estructura de solicitud. Cambia el valor de model de "moonshotai/kimi-k2.7-code" a "relace/relace-search": los prompts, el streaming y las herramientas siguen funcionando.
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);
Más comparativas
- LiquidAI: LFM3-1.7B contra Ricursive: Ripple 65B Preview
- LiquidAI: LFM3-1.7B contra Crouton Alpha
- LiquidAI: LFM3-1.7B contra Tencent: Hy4
- LiquidAI: LFM3-1.7B contra Z.ai: GLM 5.3 FlashX Legal
- Ricursive: Ripple 65B Preview contra Crouton Alpha
- Ricursive: Ripple 65B Preview contra Tencent: Hy4
- Ricursive: Ripple 65B Preview contra Z.ai: GLM 5.3 FlashX Legal
- Crouton Alpha contra Tencent: Hy4