MoonshotAI: Kimi K2.6

Kimi K2.6 est un modèle de génération de texte de Moonshot AI, listé sur api14 sous l'identifiant de modèle moonshotai/kimi-k2.6. Il appartient à la gamme Kimi du fournisseur, et Moonshot AI le présente comme un modèle multimodal de nouvelle génération conçu pour le codage sur long horizon, la génération d'UI/UX pilotée par le code et l'orchestration multi-agents. La date de publication par le fournisseur est le 2026-04-20.

Le modèle accepte des entrées texte et image et renvoie du texte. Sa fenêtre de contexte est de 262 144 tokens, avec une sortie maximale de 235 929 tokens, ce qui le rend adapté aux charges de travail où une grande quantité de matériel source est fournie avec l'instruction. Moonshot AI le décrit comme capable de traiter des tâches de codage complexes de bout en bout en Python, Rust et Go. Comme les images peuvent faire partie de l'entrée, une requête peut combiner une capture d'écran, un diagramme ou une maquette de conception avec des instructions écrites et recevoir du texte en retour.

Ces capacités indiquent quelques usages pratiques. Le travail de codage sur long horizon correspond à la grande fenêtre de contexte et à l'allocation de sortie, puisqu'une requête peut transporter un contexte de dépôt substantiel et produire des résultats étendus. La génération d'UI et d'UX pilotée par le code découle de la combinaison de la capacité de codage et de l'entrée d'images : un développeur peut fournir une référence visuelle et demander du balisage ou du code de composant. L'orchestration multi-agents est un autre usage prévu, où le modèle coordonne d'autres agents ou outils plutôt que de répondre uniquement à une seule invite. Le travail mixte texte et image, comme lire une conception ou un diagramme et le décrire ou le transformer en texte, est également pris en charge par les modalités d'entrée.

Pour appeler le modèle via l'API compatible OpenAI d'api14, utilisez l'identifiant de modèle moonshotai/kimi-k2.6. Les paramètres de requête pris en charge sont 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 et top_p. L'utilisation d'outils et les sorties structurées sont donc disponibles directement via la requête, ainsi que les contrôles d'échantillonnage et les options de raisonnement telles que include_reasoning et reasoning.

Comme il s'agit d'un modèle à sortie texte, tout ce qui nécessite des images ou de l'audio générés est hors périmètre ici ; un autre modèle serait nécessaire pour ces types de sortie. Dans le travail sur le texte, la principale contrainte à garder à l'esprit est l'écart entre l'entrée et la sortie. La fenêtre de contexte est de 262 144 tokens tandis que la sortie maximale est de 235 929 tokens, donc les réponses longues consomment une grande part de l'espace disponible et laissent moins de place pour l'entrée. Si une tâche ne nécessite qu'une réponse courte sur une petite invite, le contexte complet n'est pas nécessaire, mais le modèle le prend toujours en charge.