MoonshotAI: Kimi K2.7 Code contra Relace: Relace Search
Uma comparação lado a lado entre MoonshotAI: Kimi K2.7 Code (US$ 2,10 / 1M fragmentos (≈ R$ 11,48)) e Relace: Relace Search (US$ 3,50 / 1M fragmentos (≈ R$ 19,14)) com preços em USD e recursos atuais do catálogo do api14. Os dois funcionam pela mesma API compatível com OpenAI.
Especificações
| MoonshotAI: Kimi K2.7 Code | Relace: Relace Search | |
|---|---|---|
| Provedor | Moonshot AI | Relace |
| Entrada | US$ 2,10 / 1M fragmentos (≈ R$ 11,48) | US$ 3,50 / 1M fragmentos (≈ R$ 19,14) |
| Saída | US$ 12,25 / 1M fragmentos (≈ R$ 66,99) | US$ 10,50 / 1M fragmentos (≈ R$ 57,42) |
| Leitura de cache | US$ 0,56 / 1M fragmentos (≈ R$ 3,06) | - |
| Janela de contexto | 262.144 | 256.000 |
| Saída máxima | 235.929 | 128.000 |
| Entrada | text, image | text |
| Saída | text | text |
| chamada de ferramentas | ||
| Saída estruturada | ||
| Controle de raciocínio | ||
| Adicionado em | 12 de jun. de 2026 | 8 de dez. de 2025 |
Principais diferenças
- MoonshotAI: Kimi K2.7 Code é 40% mais barato nos tokens de entrada.
- Relace: Relace Search é 14% mais barato nos tokens de saída.
- Só o MoonshotAI: Kimi K2.7 Code suporta saída JSON estruturada.
- Só o MoonshotAI: Kimi K2.7 Code suporta controle do esforço de raciocínio.
- Uma requisição com 1.000 tokens de entrada e 500 de saída custa US$ 0,00823 com MoonshotAI: Kimi K2.7 Code e US$ 0,00875 com Relace: Relace Search.
Em detalhe
MoonshotAI: Kimi K2.7 Code é um modelo de texto da Moonshot AI, lançado em 2026-06-12. Relace: Relace Search é um modelo de texto da Relace, lançado em 2025-12-08. Ambos são servidos através da api14 na categoria de texto, portanto nenhum deles é um endpoint de finalidade especial que você precise acessar por meio de um SDK separado. O principal ponto a observar desde já é que eles foram construídos por equipes diferentes com prioridades diferentes, e isso se reflete nas listas de parâmetros e nas modalidades que cada um aceita.
A divisão mais clara está no que cada modelo aceita como entrada. Kimi K2.7 Code aceita entrada de texto e imagem e retorna texto, então você pode enviar capturas de tela, diagramas ou páginas digitalizadas junto com um prompt. Relace Search aceita apenas texto. Em relação ao contexto, os dois são próximos o suficiente para que a diferença não valha a pena ser considerada no planejamento: Kimi K2.7 Code lista 262144 tokens e Relace Search lista 256000, e a comparação qualitativa trata as janelas de contexto como não significativamente diferentes. Onde eles realmente divergem é nos parâmetros suportados. Kimi K2.7 Code expõe 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 suporta um conjunto muito menor: max_tokens, response_format, seed, stop, temperature, tool_choice, tools e top_p. Portanto, structured outputs e reasoning estão disponíveis apenas no Kimi K2.7 Code, enquanto o tool calling está disponível em ambos.
Para a seleção de tarefas, a lista de parâmetros é o guia prático. Se você precisa que o modelo emita um objeto em conformidade com um schema, ou quer inspecionar traços de reasoning, ou quer enviesar ou amostrar a distribuição de saída de formas refinadas, Kimi K2.7 Code é o que consegue fazer isso. Se sua carga de trabalho é texto simples de entrada e texto simples de saída, com chamadas de ferramentas e um formato de resposta, Relace Search cobre isso com menos parâmetros para raciocinar. A entrada de visão é outro fator decisivo: apenas Kimi K2.7 Code aceita imagens, então qualquer coisa envolvendo uma captura de tela ou um diagrama precisa ir para lá. Em relação ao preço, Kimi K2.7 Code é o lado mais barato para entrada, enquanto Relace Search é o lado mais barato para saída, então o quadro de custos depende da sua proporção de entrada para saída, e não de um modelo ser uniformemente mais barato. Consulte a tabela de preços ao vivo nesta página para os números atuais.
Chamar qualquer um dos modelos através da api14 funciona da mesma forma, porque a API é compatível com OpenAI. Você aponta seu cliente para a URL base da api14, envia uma requisição de chat completions com suas mensagens e define o campo model. A única mudança entre os dois é essa string: use "moonshotai/kimi-k2.7-code" para Kimi K2.7 Code e "relace/relace-search" para Relace Search. Todo o resto no corpo da requisição permanece onde está. Se você já está enviando tools, temperature, max_tokens ou um formato de resposta, esses campos se aplicam a ambos. Se você está enviando reasoning, structured_outputs, logprobs ou conteúdo de imagem, esses pertencem ao Kimi K2.7 Code e Relace Search não os aceitará, então mantenha um formato de requisição separado para cada modelo em vez de assumir que um único payload serve para ambos.
Troque com uma string
Os dois modelos usam o mesmo endpoint e o mesmo formato de requisição. Mude o valor de model de "moonshotai/kimi-k2.7-code" para "relace/relace-search", prompts, streaming e ferramentas continuam funcionando.
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);
Mais comparações
- LiquidAI: LFM3-1.7B contra Ricursive: Ripple 65B Preview
- LiquidAI: LFM3-1.7B contra Crouton Alpha
- LiquidAI: LFM3-1.7B contra Tencent: Hy4
- LiquidAI: LFM3-1.7B contra Z.ai: GLM 5.3 FlashX Legal
- Ricursive: Ripple 65B Preview contra Crouton Alpha
- Ricursive: Ripple 65B Preview contra Tencent: Hy4
- Ricursive: Ripple 65B Preview contra Z.ai: GLM 5.3 FlashX Legal
- Crouton Alpha contra Tencent: Hy4