Kimi K2.7 Code vs Relace Search: API कीमत, context और फीचर

हम cookies इस्तेमाल करते हैं. Cookies और ब्राउज़र स्टोरेज आपको साइन इन रखते हैं और आपकी प्राथमिकताएं याद रखते हैं। आपकी अनुमति से हम यह भी मापते हैं कि साइट कैसे इस्तेमाल होती है। आप कभी भी । हमारी cookie नीति देखें।

यहां नए हैं? देखें यह कैसे काम करता है प्लेग्राउंड, मॉडल और आपकी API key का 1 मिनट का टूर।

MoonshotAI: Kimi K2.7 Code बनाम Relace: Relace Search

api14 कैटलॉग की मौजूदा USD कीमतों और क्षमताओं के आधार पर MoonshotAI: Kimi K2.7 Code ($2.10 / 1M टोकन (≈ ₹198.53)) और Relace: Relace Search ($3.50 / 1M टोकन (≈ ₹330.88)) की आमने-सामने तुलना। दोनों एक ही OpenAI-compatible API से चलते हैं।

स्पेसिफिकेशन

	MoonshotAI: Kimi K2.7 Code	Relace: Relace Search
प्रोवाइडर	Moonshot AI	Relace
इनपुट	$2.10 / 1M टोकन (≈ ₹198.53)	$3.50 / 1M टोकन (≈ ₹330.88)
आउटपुट	$12.25 / 1M टोकन (≈ ₹1,158.08)	$10.50 / 1M टोकन (≈ ₹992.64)
कैश रीड	$0.56 / 1M टोकन (≈ ₹52.94)	-
संदर्भ विंडो	2,62,144	2,56,000
अधिकतम आउटपुट	2,35,929	1,28,000
इनपुट	text, image	text
आउटपुट	text	text
टूल कॉलिंग
संरचित आउटपुट
Reasoning नियंत्रण
जोड़ा गया	12 जून 2026	8 दिस॰ 2025

मुख्य अंतर

MoonshotAI: Kimi K2.7 Code इनपुट tokens पर 40% सस्ता है।
Relace: Relace Search आउटपुट tokens पर 14% सस्ता है।
सिर्फ MoonshotAI: Kimi K2.7 Code संरचित JSON आउटपुट सपोर्ट करता है।
सिर्फ MoonshotAI: Kimi K2.7 Code reasoning effort नियंत्रण सपोर्ट करता है।
1,000 इनपुट और 500 आउटपुट tokens वाली request की लागत MoonshotAI: Kimi K2.7 Code के साथ $0.00823 और Relace: Relace Search के साथ $0.00875 है।

विस्तार से

MoonshotAI: Kimi K2.7 Code, Moonshot AI का एक टेक्स्ट मॉडल है, जिसे 2026-06-12 को जारी किया गया था। Relace: Relace Search, Relace का एक टेक्स्ट मॉडल है, जिसे 2025-12-08 को जारी किया गया था। दोनों को api14 के माध्यम से text श्रेणी के अंतर्गत परोसा जाता है, इसलिए इनमें से कोई भी ऐसा विशेष-उद्देश्य वाला एंडपॉइंट नहीं है जिसे आपको किसी अलग SDK के जरिए एक्सेस करना पड़े। शुरुआत में ध्यान देने वाली मुख्य बात यह है कि इन्हें अलग-अलग टीमों ने अलग-अलग प्राथमिकताओं के साथ बनाया है, और यह पैरामीटर सूचियों तथा प्रत्येक के स्वीकार किए जाने वाले मोडलिटी में दिखाई देता है।

सबसे स्पष्ट अंतर इस बात में है कि प्रत्येक मॉडल इनपुट के रूप में क्या लेगा। Kimi K2.7 Code टेक्स्ट और इमेज इनपुट स्वीकार करता है और टेक्स्ट लौटाता है, इसलिए आप प्रॉम्प्ट के साथ स्क्रीनशॉट, डायग्राम या स्कैन किए गए पेज भेज सकते हैं। Relace Search केवल टेक्स्ट स्वीकार करता है। कॉन्टेक्स्ट पर, दोनों इतने करीब हैं कि अंतर के बारे में योजना बनाना उपयोगी नहीं है: Kimi K2.7 Code में 262144 टोकन सूचीबद्ध हैं और Relace Search में 256000, तथा गुणात्मक तुलना कॉन्टेक्स्ट विंडो को सार्थक रूप से भिन्न नहीं मानती। वे वास्तव में समर्थित पैरामीटर में अलग होते हैं। Kimi K2.7 Code, reasoning और include_reasoning, structured_outputs, logprobs और 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 और tools को एक्सपोज़ करता है। Relace Search बहुत छोटे सेट का समर्थन करता है: max_tokens, response_format, seed, stop, temperature, tool_choice, tools और top_p। इसलिए structured outputs और reasoning केवल Kimi K2.7 Code पर उपलब्ध हैं, जबकि tool calling दोनों पर उपलब्ध है।

कार्य चयन के लिए, पैरामीटर सूची व्यावहारिक मार्गदर्शिका है। यदि आपको मॉडल से स्कीमा-अनुरूप ऑब्जेक्ट आउटपुट कराना है, या आप reasoning ट्रेस का निरीक्षण करना चाहते हैं, या आप आउटपुट वितरण को बारीक तरीकों से बायस या सैंपल करना चाहते हैं, तो Kimi K2.7 Code ही ऐसा कर सकता है। यदि आपका वर्कलोड सादा टेक्स्ट इन और सादा टेक्स्ट आउट है, जिसमें tool calls और एक response format है, तो Relace Search इसे कम समायोज्य विकल्पों के साथ कवर करता है। विज़न इनपुट एक और निर्णायक कारक है: केवल Kimi K2.7 Code इमेज लेता है, इसलिए स्क्रीनशॉट या डायग्राम से जुड़ी कोई भी चीज़ वहीं जानी चाहिए। कीमत पर, Kimi K2.7 Code इनपुट के लिए सस्ता पक्ष है, जबकि Relace Search आउटपुट के लिए सस्ता पक्ष है, इसलिए लागत की तस्वीर आपके इनपुट-से-आउटपुट अनुपात पर निर्भर करती है, न कि इस पर कि कोई एक मॉडल हर मामले में सस्ता है। वर्तमान संख्याओं के लिए इस पेज पर लाइव मूल्य तालिका देखें।

api14 के माध्यम से किसी भी मॉडल को कॉल करना एक ही तरह से काम करता है, क्योंकि API OpenAI-संगत है। आप अपने क्लाइंट को api14 बेस URL पर पॉइंट करते हैं, अपने messages के साथ chat completions अनुरोध भेजते हैं, और model फ़ील्ड सेट करते हैं। दोनों के बीच एकमात्र बदलाव वह स्ट्रिंग है: Kimi K2.7 Code के लिए "moonshotai/kimi-k2.7-code" और Relace Search के लिए "relace/relace-search" उपयोग करें। अनुरोध बॉडी में बाकी सब कुछ जहां है वहीं रहता है। यदि आप पहले से tools, temperature, max_tokens या response format भेज रहे हैं, तो वे फ़ील्ड दोनों पर लागू होते हैं। यदि आप reasoning, structured_outputs, logprobs या image content भेज रहे हैं, तो वे Kimi K2.7 Code के हैं और Relace Search उन्हें स्वीकार नहीं करेगा, इसलिए प्रत्येक मॉडल के लिए अलग अनुरोध आकार रखें, बजाय यह मानने के कि एक पेलोड दोनों पर फिट बैठता है।

एक string से बदलें

दोनों मॉडल एक ही endpoint और request ढांचा इस्तेमाल करते हैं। model की वैल्यू "moonshotai/kimi-k2.7-code" से "relace/relace-search" करें, prompts, streaming और tools पहले की तरह काम करते रहेंगे।

MoonshotAI: Kimi K2.7 Code विवरण और प्लेग्राउंड →Relace: Relace Search विवरण और प्लेग्राउंड →

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);

MoonshotAI: Kimi K2.7 Code बनाम Relace: Relace Search

स्पेसिफिकेशन

मुख्य अंतर

विस्तार से

एक string से बदलें

और तुलनाएं