MoonshotAI: Kimi K2.6

Kimi K2.6 es un modelo de generación de texto de Moonshot AI, listado en api14 bajo el id de modelo moonshotai/kimi-k2.6. Se sitúa en la línea Kimi del proveedor, y Moonshot AI lo posiciona como un modelo multimodal de nueva generación construido para codificación de horizonte largo, generación de UI/UX impulsada por codificación y orquestación multiagente. La fecha de lanzamiento del proveedor es 2026-04-20.

El modelo acepta entradas de texto e imagen y devuelve texto. Su ventana de contexto es de 262,144 tokens, con una salida máxima de 235,929 tokens, lo que lo hace adecuado para cargas de trabajo donde se proporciona una gran cantidad de material de origen junto con la instrucción. Moonshot AI lo describe como capaz de manejar tareas de codificación complejas de extremo a extremo en Python, Rust y Go. Dado que las imágenes pueden formar parte de la entrada, una solicitud puede combinar una captura de pantalla, un diagrama o un mockup de diseño con instrucciones escritas y recibir texto de vuelta.

Esas capacidades apuntan a algunos usos prácticos. El trabajo de codificación de horizonte largo encaja con el gran contexto y el margen de salida, ya que una solicitud puede llevar un contexto de repositorio sustancial y producir resultados extensos. La generación de UI y UX impulsada por codificación se deriva de la combinación de capacidad de código y entrada de imagen: un desarrollador puede proporcionar una referencia visual y pedir marcado o código de componente. La orquestación multiagente es otro uso previsto, donde el modelo coordina otros agentes o herramientas en lugar de responder solo a un único prompt. El trabajo mixto de texto e imagen, como leer un diseño o diagrama y describirlo o transformarlo en texto, también está respaldado por las modalidades de entrada.

Para llamar al modelo a través de la API compatible con OpenAI de api14, use el id de modelo moonshotai/kimi-k2.6. Los parámetros de solicitud admitidos son frequency_penalty, include_reasoning, logit_bias, logprobs, max_tokens, min_p, parallel_tool_calls, presence_penalty, reasoning, repetition_penalty, response_format, seed, stop, structured_outputs, temperature, tool_choice, tools, top_k, top_logprobs y top_p. Por lo tanto, el uso de herramientas y las salidas estructuradas están disponibles directamente a través de la solicitud, junto con controles de muestreo y opciones de razonamiento como include_reasoning y reasoning.

Como es un modelo de salida de texto, todo lo que requiera imágenes o audio generados queda fuera del alcance aquí; se necesitaría otro modelo para esos tipos de salida. Dentro del trabajo de texto, la principal restricción a tener en cuenta es la diferencia entre entrada y salida. La ventana de contexto es de 262,144 tokens mientras que la salida máxima es de 235,929 tokens, por lo que las respuestas largas consumen una gran parte del espacio disponible y dejan menos margen para la entrada. Si una tarea necesita solo una respuesta corta sobre un prompt pequeño, el contexto completo no es necesario, pero el modelo aún lo admite.