MoonshotAI: Kimi K2.7 Code tegen Relace: Relace Search
Een vergelijking naast elkaar van MoonshotAI: Kimi K2.7 Code (US$ 2,10 / 1M tekstdelen (≈ € 1,87)) en Relace: Relace Search (US$ 3,50 / 1M tekstdelen (≈ € 3,12)) met actuele USD-prijzen en mogelijkheden uit de catalogus van api14. Beide werken via dezelfde OpenAI-compatibele API.
Specificaties
| MoonshotAI: Kimi K2.7 Code | Relace: Relace Search | |
|---|---|---|
| Aanbieder | Moonshot AI | Relace |
| Invoer | US$ 2,10 / 1M tekstdelen (≈ € 1,87) | US$ 3,50 / 1M tekstdelen (≈ € 3,12) |
| Uitvoer | US$ 12,25 / 1M tekstdelen (≈ € 10,91) | US$ 10,50 / 1M tekstdelen (≈ € 9,35) |
| Cache lezen | US$ 0,56 / 1M tekstdelen (≈ € 0,50) | - |
| Contextvenster | 262.144 | 256.000 |
| Maximale output | 235.929 | 128.000 |
| Invoer | text, image | text |
| Uitvoer | text | text |
| tool-aanroepen | ||
| Gestructureerde output | ||
| Instelbaar redeneren | ||
| Toegevoegd | 12 jun 2026 | 8 dec 2025 |
Belangrijkste verschillen
- MoonshotAI: Kimi K2.7 Code is 40% goedkoper op inputtokens.
- Relace: Relace Search is 14% goedkoper op outputtokens.
- Alleen MoonshotAI: Kimi K2.7 Code ondersteunt gestructureerde JSON-output.
- Alleen MoonshotAI: Kimi K2.7 Code ondersteunt instelbare redeneerinspanning.
- Een verzoek met 1.000 input- en 500 outputtokens kost US$ 0,00823 met MoonshotAI: Kimi K2.7 Code en US$ 0,00875 met Relace: Relace Search.
In detail
MoonshotAI: Kimi K2.7 Code is een tekstmodel van Moonshot AI, uitgebracht op 2026-06-12. Relace: Relace Search is een tekstmodel van Relace, uitgebracht op 2025-12-08. Beide worden aangeboden via api14 onder de categorie tekst, dus geen van beide is een speciaal endpoint dat je via een aparte SDK moet bereiken. Het belangrijkste om vooraf op te merken is dat ze door verschillende teams zijn gebouwd met verschillende prioriteiten, en dat blijkt uit de parameterlijsten en de modaliteiten die elk accepteert.
De duidelijkste splitsing zit in wat elk model als invoer accepteert. Kimi K2.7 Code accepteert tekst en afbeeldingen als invoer en retourneert tekst, dus je kunt screenshots, diagrammen of gescande pagina's samen met een prompt versturen. Relace Search accepteert alleen tekst. Qua context liggen de twee dicht genoeg bij elkaar dat het verschil niet de moeite waard is om omheen te plannen: Kimi K2.7 Code vermeldt 262144 tokens en Relace Search vermeldt 256000, en de kwalitatieve vergelijking beschouwt de contextvensters als niet wezenlijk verschillend. Waar ze echt uiteenlopen is in de ondersteunde parameters. Kimi K2.7 Code biedt reasoning en include_reasoning, structured_outputs, logprobs en 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 en tools. Relace Search ondersteunt een veel kortere set: max_tokens, response_format, seed, stop, temperature, tool_choice, tools en top_p. Dus structured outputs en reasoning zijn alleen beschikbaar op Kimi K2.7 Code, terwijl tool calling op beide beschikbaar is.
Voor taakselectie is de parameterlijst de praktische gids. Als je wilt dat het model een schema-conform object uitvoert, of je redeneersporen wilt inspecteren, of je de uitvoerdistributie fijnmazig wilt beïnvloeden of bemonsteren, dan is Kimi K2.7 Code degene die dat kan. Als je workload platte tekst in en platte tekst uit is, met tool calls en een response format, dan dekt Relace Search dat met minder knoppen om over na te denken. Vision-invoer is een andere beslissende factor: alleen Kimi K2.7 Code accepteert afbeeldingen, dus alles met een screenshot of een diagram moet daarheen. Qua prijs zit Kimi K2.7 Code aan de goedkopere kant voor invoer, terwijl Relace Search aan de goedkopere kant zit voor uitvoer, dus het kostenplaatje hangt af van je invoer-uitvoerverhouding in plaats van dat één model uniform goedkoper is. Controleer de actuele prijstabel op deze pagina voor de huidige cijfers.
Beide modellen aanroepen via api14 werkt op dezelfde manier, omdat de API OpenAI-compatibel is. Je richt je client op de api14 base URL, stuurt een chat completions-verzoek met je messages, en stelt het model-veld in. De enige verandering tussen de twee is die string: gebruik "moonshotai/kimi-k2.7-code" voor Kimi K2.7 Code en "relace/relace-search" voor Relace Search. Al het andere in de request body blijft waar het is. Als je al tools, temperature, max_tokens of een response format verstuurt, dan gaan die velden over naar beide. Als je reasoning, structured_outputs, logprobs of afbeeldingsinhoud verstuurt, dan horen die bij Kimi K2.7 Code en Relace Search zal ze niet accepteren, dus houd een aparte request-vorm aan voor elk model in plaats van aan te nemen dat één payload voor beide past.
Wissel met één string
Beide modellen gebruiken hetzelfde endpoint en dezelfde verzoekstructuur. Verander de waarde van model van "moonshotai/kimi-k2.7-code" naar "relace/relace-search", prompts, streaming en tools blijven werken.
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);
Meer vergelijkingen
- LiquidAI: LFM3-1.7B tegen Ricursive: Ripple 65B Preview
- LiquidAI: LFM3-1.7B tegen Crouton Alpha
- LiquidAI: LFM3-1.7B tegen Tencent: Hy4
- LiquidAI: LFM3-1.7B tegen Z.ai: GLM 5.3 FlashX Legal
- Ricursive: Ripple 65B Preview tegen Crouton Alpha
- Ricursive: Ripple 65B Preview tegen Tencent: Hy4
- Ricursive: Ripple 65B Preview tegen Z.ai: GLM 5.3 FlashX Legal
- Crouton Alpha tegen Tencent: Hy4