MoonshotAI: Kimi K2.7 Code mot Relace: Relace Search
En jämförelse sida vid sida av MoonshotAI: Kimi K2.7 Code (2,10 US$ / 1M textdelar (≈ 20,57 kr)) och Relace: Relace Search (3,50 US$ / 1M textdelar (≈ 34,29 kr)) med aktuella USD-priser och funktioner från api14-katalogen. Båda körs via samma OpenAI-kompatibla API.
Specifikationer
| MoonshotAI: Kimi K2.7 Code | Relace: Relace Search | |
|---|---|---|
| Leverantör | Moonshot AI | Relace |
| Indata | 2,10 US$ / 1M textdelar (≈ 20,57 kr) | 3,50 US$ / 1M textdelar (≈ 34,29 kr) |
| Utdata | 12,25 US$ / 1M textdelar (≈ 120,01 kr) | 10,50 US$ / 1M textdelar (≈ 102,86 kr) |
| Cacheläsning | 0,56 US$ / 1M textdelar (≈ 5,49 kr) | - |
| Kontextfönster | 262 144 | 256 000 |
| Max utdata | 235 929 | 128 000 |
| Indata | text, image | text |
| Utdata | text | text |
| Verktygsanrop | ||
| Strukturerad utdata | ||
| Styrning av resonemang | ||
| Tillagd | 12 juni 2026 | 8 dec. 2025 |
Viktiga skillnader
- MoonshotAI: Kimi K2.7 Code är 40% billigare på indata-tokens.
- Relace: Relace Search är 14% billigare på utdata-tokens.
- Endast MoonshotAI: Kimi K2.7 Code stöder strukturerad JSON-utdata.
- Endast MoonshotAI: Kimi K2.7 Code stöder styrning av resonemangsnivå.
- Ett anrop med 1 000 indata- och 500 utdata-tokens kostar 0,00823 US$ med MoonshotAI: Kimi K2.7 Code och 0,00875 US$ med Relace: Relace Search.
Mer i detalj
MoonshotAI: Kimi K2.7 Code är en textmodell från Moonshot AI, släppt 2026-06-12. Relace: Relace Search är en textmodell från Relace, släppt 2025-12-08. Båda serveras via api14 under kategorin text, så ingen av dem är en specialändpunkt du måste nå via en separat SDK. Det viktigaste att notera direkt är att de byggdes av olika team med olika prioriteringar, och det syns i parameterlistorna och vilka modaliteter var och en accepterar.
Den tydligaste uppdelningen är i vad varje modell tar som indata. Kimi K2.7 Code accepterar text och bild som indata och returnerar text, så du kan skicka skärmbilder, diagram eller skannade sidor tillsammans med en prompt. Relace Search accepterar endast text. När det gäller kontext är de två tillräckligt nära att skillnaden inte är värd att planera kring: Kimi K2.7 Code listar 262144 tokens och Relace Search listar 256000, och den kvalitativa jämförelsen behandlar kontextfönstren som inte meningsfullt olika. Där de verkligen skiljer sig är i de parametrar som stöds. Kimi K2.7 Code exponerar reasoning och include_reasoning, structured_outputs, logprobs och 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 och tools. Relace Search stöder en mycket kortare uppsättning: max_tokens, response_format, seed, stop, temperature, tool_choice, tools och top_p. Så strukturerade utdata och reasoning är endast tillgängliga på Kimi K2.7 Code, medan verktygsanrop är tillgängligt på båda.
För uppgiftsval är parameterlistan den praktiska vägledningen. Om du behöver att modellen skickar ett schemaöverensstämmande objekt, eller om du vill inspektera reasoning-spår, eller om du vill snedvrida eller sampla utdatafördelningen på finkorniga sätt, är Kimi K2.7 Code den som kan göra det. Om din arbetsbelastning är vanlig text in och vanlig text ut, med verktygsanrop och ett svarsformat, täcker Relace Search det med färre rattar att förhålla sig till. Bildindata är en annan avgörande faktor: endast Kimi K2.7 Code tar bilder, så allt som involverar en skärmbild eller ett diagram måste gå dit. När det gäller pris är Kimi K2.7 Code den billigare sidan för indata, medan Relace Search är den billigare sidan för utdata, så kostnadsbilden beror på ditt förhållande mellan indata och utdata snarare än på att en modell är genomgående billigare. Kontrollera den aktuella pristabellen på denna sida för de aktuella siffrorna.
Att anropa endera modellen via api14 fungerar på samma sätt, eftersom API:et är OpenAI-kompatibelt. Du pekar din klient mot api14:s bas-URL, skickar en chat completions-begäran med dina meddelanden och anger fältet model. Den enda ändringen mellan de två är den strängen: använd "moonshotai/kimi-k2.7-code" för Kimi K2.7 Code och "relace/relace-search" för Relace Search. Allt annat i begärans brödtext stannar där det är. Om du redan skickar tools, temperature, max_tokens eller ett response format, överförs dessa fält till båda. Om du skickar reasoning, structured_outputs, logprobs eller bildinnehåll, tillhör dessa Kimi K2.7 Code och Relace Search kommer inte att acceptera dem, så håll en separat begäransform för varje modell i stället för att anta att en nyttolast passar båda.
Byt med en sträng
Båda modellerna använder samma endpoint och anropsformat. Ändra model-värdet från "moonshotai/kimi-k2.7-code" till "relace/relace-search", promptar, streaming och verktyg fortsätter att fungera.
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);
Fler jämförelser
- LiquidAI: LFM3-1.7B mot Ricursive: Ripple 65B Preview
- LiquidAI: LFM3-1.7B mot Crouton Alpha
- LiquidAI: LFM3-1.7B mot Tencent: Hy4
- LiquidAI: LFM3-1.7B mot Z.ai: GLM 5.3 FlashX Legal
- Ricursive: Ripple 65B Preview mot Crouton Alpha
- Ricursive: Ripple 65B Preview mot Tencent: Hy4
- Ricursive: Ripple 65B Preview mot Z.ai: GLM 5.3 FlashX Legal
- Crouton Alpha mot Tencent: Hy4