MoonshotAI: Kimi K2.7 Code adalah model teks dari Moonshot AI, dirilis pada 2026-06-12. Relace: Relace Search adalah model teks dari Relace, dirilis pada 2025-12-08. Keduanya dilayani melalui api14 di bawah kategori teks, jadi keduanya bukan endpoint tujuan khusus yang harus Anda akses melalui SDK terpisah. Hal utama yang perlu dicatat di awal adalah bahwa keduanya dibangun oleh tim berbeda dengan prioritas berbeda, dan itu terlihat pada daftar parameter serta modalitas yang diterima masing-masing.
Pemisahan paling jelas ada pada input yang diterima setiap model. Kimi K2.7 Code menerima input teks dan gambar serta mengembalikan teks, jadi Anda dapat mengirim tangkapan layar, diagram, atau halaman hasil pemindaian bersama prompt. Relace Search hanya menerima teks. Pada konteks, keduanya cukup dekat sehingga perbedaannya tidak layak dijadikan pertimbangan perencanaan: Kimi K2.7 Code mencantumkan 262144 token dan Relace Search mencantumkan 256000, dan perbandingan kualitatif menganggap jendela konteks keduanya tidak berbeda secara berarti. Perbedaan yang benar-benar signifikan ada pada parameter yang didukung. Kimi K2.7 Code mengekspos reasoning dan include_reasoning, structured_outputs, logprobs dan 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 dan tools. Relace Search mendukung kumpulan yang jauh lebih pendek: max_tokens, response_format, seed, stop, temperature, tool_choice, tools dan top_p. Jadi structured outputs dan reasoning hanya tersedia pada Kimi K2.7 Code, sementara tool calling tersedia pada keduanya.
Untuk pemilihan tugas, daftar parameter adalah panduan praktisnya. Jika Anda perlu model mengeluarkan objek yang sesuai skema, atau ingin memeriksa jejak reasoning, atau ingin memberi bias atau mengambil sampel distribusi output dengan cara yang sangat terperinci, Kimi K2.7 Code adalah model yang dapat melakukannya. Jika beban kerja Anda adalah teks masuk dan teks keluar biasa, dengan tool calls dan format respons, Relace Search mencakupnya dengan lebih sedikit knob yang perlu dipertimbangkan. Input visi adalah faktor penentu lain: hanya Kimi K2.7 Code yang menerima gambar, jadi apa pun yang melibatkan tangkapan layar atau diagram harus diarahkan ke sana. Pada harga, Kimi K2.7 Code lebih murah untuk input, sedangkan Relace Search lebih murah untuk output, jadi gambaran biaya bergantung pada rasio input terhadap output Anda, bukan pada satu model yang secara seragam lebih murah. Periksa tabel harga langsung di halaman ini untuk angka terkini.
Memanggil salah satu model melalui api14 bekerja dengan cara yang sama, karena API-nya kompatibel dengan OpenAI. Anda arahkan klien ke base URL api14, kirim permintaan chat completions dengan pesan Anda, dan setel field model. Satu-satunya perubahan antara keduanya adalah string itu: gunakan "moonshotai/kimi-k2.7-code" untuk Kimi K2.7 Code dan "relace/relace-search" untuk Relace Search. Semua hal lain di body permintaan tetap di tempatnya. Jika Anda sudah mengirim tools, temperature, max_tokens atau format respons, field tersebut berlaku untuk keduanya. Jika Anda mengirim reasoning, structured_outputs, logprobs atau konten gambar, itu milik Kimi K2.7 Code dan Relace Search tidak akan menerimanya, jadi pertahankan bentuk permintaan terpisah untuk setiap model alih-alih mengasumsikan satu payload cocok untuk keduanya.
Masih ada kasus ketika Relace Search menjadi pilihan yang lebih baik meskipun Kimi K2.7 Code memiliki kumpulan fitur yang lebih luas. Jika tugas Anda hanya teks, memerlukan tool calling, dan menghasilkan banyak output relatif terhadap inputnya, sisi output yang lebih murah lebih penting daripada parameter tambahan yang tidak akan Anda gunakan. Hal yang sama berlaku untuk pekerjaan ekstraksi atau pemformatan sederhana di mana format respons dan pengaturan temperature adalah semua yang Anda butuhkan. Dalam situasi tersebut, daftar parameter yang lebih pendek bukanlah keterbatasan, itu hanya berarti lebih sedikit area yang perlu dikonfigurasi, dan Anda menghindari membayar untuk kemampuan yang tidak pernah disentuh tugas tersebut.