MoonshotAI: Kimi K2.7 Code contro Relace: Relace Search
Un confronto fianco a fianco tra MoonshotAI: Kimi K2.7 Code (2,10 USD / 1M token (≈ 1,87 €)) e Relace: Relace Search (3,50 USD / 1M token (≈ 3,12 €)) con i prezzi in USD e le funzionalità aggiornati dal catalogo di api14. Entrambi funzionano con la stessa API compatibile OpenAI.
Specifiche
| MoonshotAI: Kimi K2.7 Code | Relace: Relace Search | |
|---|---|---|
| Fornitore | Moonshot AI | Relace |
| Ingresso | 2,10 USD / 1M token (≈ 1,87 €) | 3,50 USD / 1M token (≈ 3,12 €) |
| Uscita | 12,25 USD / 1M token (≈ 10,91 €) | 10,50 USD / 1M token (≈ 9,35 €) |
| Lettura cache | 0,56 USD / 1M token (≈ 0,50 €) | - |
| Finestra di contesto | 262.144 | 256.000 |
| Output massimo | 235.929 | 128.000 |
| Ingresso | text, image | text |
| Uscita | text | text |
| chiamata di strumenti | ||
| Output strutturato | ||
| Controllo del ragionamento | ||
| Aggiunto | 12 giu 2026 | 8 dic 2025 |
Differenze principali
- MoonshotAI: Kimi K2.7 Code costa il 40% in meno sui token di input.
- Relace: Relace Search costa il 14% in meno sui token di output.
- Solo MoonshotAI: Kimi K2.7 Code supporta output JSON strutturato.
- Solo MoonshotAI: Kimi K2.7 Code supporta controllo del livello di ragionamento.
- Una richiesta con 1.000 token di input e 500 di output costa 0,00823 USD con MoonshotAI: Kimi K2.7 Code e 0,00875 USD con Relace: Relace Search.
Nel dettaglio
MoonshotAI: Kimi K2.7 Code è un modello testuale di Moonshot AI, rilasciato il 2026-06-12. Relace: Relace Search è un modello testuale di Relace, rilasciato il 2025-12-08. Entrambi sono serviti tramite api14 nella categoria text, quindi nessuno dei due è un endpoint special-purpose che devi raggiungere tramite un SDK separato. La cosa principale da notare subito è che sono stati costruiti da team diversi con priorità diverse, e questo si vede nelle liste dei parametri e nelle modalità che ciascuno accetta.
La divisione più chiara è in ciò che ciascun modello accetta come input. Kimi K2.7 Code accetta input testuale e immagini e restituisce testo, quindi puoi inviare screenshot, diagrammi o pagine scansionate insieme a un prompt. Relace Search accetta solo testo. Sul contesto, i due sono abbastanza vicini che la differenza non vale la pena di essere pianificata: Kimi K2.7 Code elenca 262144 token e Relace Search elenca 256000, e il confronto qualitativo tratta le finestre di contesto come non significativamente diverse. Dove divergono davvero è nei parametri supportati. Kimi K2.7 Code espone reasoning e include_reasoning, structured_outputs, logprobs e 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 e tools. Relace Search supporta un insieme molto più breve: max_tokens, response_format, seed, stop, temperature, tool_choice, tools e top_p. Quindi structured outputs e reasoning sono disponibili solo su Kimi K2.7 Code, mentre il tool calling è disponibile su entrambi.
Per la selezione del task, la lista dei parametri è la guida pratica. Se hai bisogno che il modello emetta un oggetto conforme a uno schema, o vuoi ispezionare le tracce di reasoning, o vuoi influenzare o campionare la distribuzione dell'output in modi granulari, Kimi K2.7 Code è quello che può farlo. Se il tuo workload è testo semplice in input e testo semplice in output, con tool calls e un response format, Relace Search copre questo con meno parametri da considerare. L'input vision è un altro fattore decisivo: solo Kimi K2.7 Code accetta immagini, quindi qualsiasi cosa che coinvolga uno screenshot o un diagramma deve passare da lì. Sul prezzo, Kimi K2.7 Code è il lato più economico per l'input, mentre Relace Search è il lato più economico per l'output, quindi il quadro dei costi dipende dal tuo rapporto input-output piuttosto che da un modello uniformemente più economico. Controlla la tabella dei prezzi live su questa pagina per i numeri attuali.
Chiamare uno dei due modelli tramite api14 funziona allo stesso modo, perché l'API è compatibile con OpenAI. Punti il tuo client all'URL base di api14, invii una richiesta di chat completions con i tuoi messaggi e imposti il campo model. L'unico cambiamento tra i due è quella stringa: usa "moonshotai/kimi-k2.7-code" per Kimi K2.7 Code e "relace/relace-search" per Relace Search. Tutto il resto nel corpo della richiesta resta dov'è. Se stai già inviando tools, temperature, max_tokens o un response format, quei campi valgono per entrambi. Se stai inviando reasoning, structured_outputs, logprobs o contenuto immagine, quelli appartengono a Kimi K2.7 Code e Relace Search non li accetterà, quindi mantieni una forma di richiesta separata per ciascun modello invece di assumere che un unico payload vada bene per entrambi.
Cambia modello con una stringa
Entrambi i modelli usano lo stesso endpoint e la stessa struttura di richiesta. Cambia il valore di model da "moonshotai/kimi-k2.7-code" a "relace/relace-search", prompt, streaming e tool continuano a funzionare.
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);
Altri confronti
- LiquidAI: LFM3-1.7B contro Ricursive: Ripple 65B Preview
- LiquidAI: LFM3-1.7B contro Crouton Alpha
- LiquidAI: LFM3-1.7B contro Tencent: Hy4
- LiquidAI: LFM3-1.7B contro Z.ai: GLM 5.3 FlashX Legal
- Ricursive: Ripple 65B Preview contro Crouton Alpha
- Ricursive: Ripple 65B Preview contro Tencent: Hy4
- Ricursive: Ripple 65B Preview contro Z.ai: GLM 5.3 FlashX Legal
- Crouton Alpha contro Tencent: Hy4