MoonshotAI: Kimi K2.6

Kimi K2.6 é um modelo de geração de texto da Moonshot AI, listado em api14 sob o id de modelo moonshotai/kimi-k2.6. Ele pertence à linha Kimi do provedor, e a Moonshot AI o posiciona como um modelo multimodal de próxima geração, criado para codificação de longo horizonte, geração de UI/UX orientada por codificação e orquestração multiagente. A data de lançamento do provedor é 2026-04-20.

O modelo aceita entradas de texto e imagem e retorna texto. Sua janela de contexto é de 262,144 tokens, com saída máxima de 235,929 tokens, o que o torna adequado para cargas de trabalho em que uma grande quantidade de material de origem é fornecida junto com a instrução. A Moonshot AI o descreve como capaz de lidar com tarefas complexas de codificação ponta a ponta em Python, Rust e Go. Como imagens podem fazer parte da entrada, uma requisição pode combinar uma captura de tela, diagrama ou mockup de design com instruções escritas e receber texto de volta.

Essas capacidades apontam para alguns usos práticos. O trabalho de codificação de longo horizonte se encaixa no grande contexto e na margem de saída, já que uma requisição pode carregar um contexto substancial de repositório e produzir resultados extensos. A geração de UI e UX orientada por codificação decorre da combinação de capacidade de código com entrada de imagem: um desenvolvedor pode fornecer uma referência visual e pedir marcação ou código de componente. A orquestração multiagente é outro uso pretendido, em que o modelo coordena outros agentes ou ferramentas em vez de apenas responder a um único prompt. Trabalho misto de texto e imagem, como ler um design ou diagrama e descrevê-lo ou transformá-lo em texto, também é suportado pelas modalidades de entrada.

Para chamar o modelo pela API compatível com OpenAI da api14, use o id de modelo moonshotai/kimi-k2.6. Os parâmetros de requisição suportados são frequency_penalty, include_reasoning, logit_bias, logprobs, max_tokens, min_p, parallel_tool_calls, presence_penalty, reasoning, repetition_penalty, response_format, seed, stop, structured_outputs, temperature, tool_choice, tools, top_k, top_logprobs e top_p. O uso de ferramentas e as saídas estruturadas, portanto, estão disponíveis diretamente pela requisição, junto com controles de amostragem e opções de raciocínio, como include_reasoning e reasoning.

Como é um modelo de saída de texto, qualquer coisa que exija imagens ou áudio gerados está fora do escopo aqui; outro modelo seria necessário para esses tipos de saída. Dentro do trabalho com texto, a principal restrição a ter em mente é a diferença entre entrada e saída. A janela de contexto é de 262,144 tokens, enquanto a saída máxima é de 235,929 tokens, então respostas longas consomem uma grande parte do espaço disponível e deixam menos espaço para a entrada. Se uma tarefa precisar apenas de uma resposta curta sobre um prompt pequeno, o contexto completo não é necessário, mas o modelo ainda o suporta.