moonshotai
MoonshotAI: Kimi K2.6
moonshotai/kimi-k2.6
Nuestro análisis
Análisis asistido por IA basado en las fuentes siguientes. La idoneidad es una valoración editorial; compruébala con tus propias tareas.
Kimi K2.6 es el modelo agéntico multimodal nativo y de código abierto de Moonshot AI: acepta texto e imagen como entrada y genera texto. La ficha del proveedor describe una arquitectura mixture-of-experts de 1T parámetros con 32B activados, un codificador de visión MoonViT y un contexto de unos 256K tokens, coherente con los 262.144 tokens que figura en el catálogo de OpenRouter. Moonshot AI lo orienta a codificación de largo alcance, generación de interfaces mediante código y orquestación multiagente. Su tabla de evaluación es reportada por el proveedor y el catálogo solo lista mediciones limitadas de índices de terceros, por lo que se recomienda validación independiente con cargas propias.[1][2]
Puntos fuertes
- Multimodal de forma nativa: acepta entradas de texto e imagen y devuelve texto, con una ventana de contexto de unos 256K tokens.[1][2]
- El proveedor reporta capacidades sólidas en codificación extrema a extremo de largo alcance en Python, Rust y Go, además de generación de UI y full-stack mediante código.[2]
- El catálogo lista llamadas a herramientas, llamadas paralelas a herramientas, salidas estructuradas y un modo de razonamiento opcional.[1]
Limitaciones
- La mayoría de la evidencia de capacidades y benchmarks es reportada por el proveedor; los datos de índices de terceros del catálogo son escasos y no confirman de forma independiente las afirmaciones agénticas.[1][2]
- No se indica la fecha de corte de conocimiento y la licencia es una variante MIT modificada que conviene revisar antes de desplegar.[1][2]
- La evidencia se limita a la ficha del catálogo y a la tarjeta del proveedor; los equipos deben validar calidad, costo y latencia con sus propias cargas de trabajo.[1][2]
Dónde utilizarlo
- Vale la pena evaluarlo para tareas de codificación y terminal de larga duración y extremo a extremo en varios lenguajes.[2]
- Un candidato para prototipos que conviertan prompts o entradas visuales en interfaces o flujos full-stack ligeros.[2]
- Potencialmente adecuado para pipelines multiagente orquestados que produzcan documentos, diapositivas, hojas de cálculo o sitios web.[1][2]
Fuentes
- [1] OpenRouter catalog · MoonshotAI: Kimi K2.6Fuentes consultadas: 13 nov 2026
- [2] Model documentation · MoonshotAI: Kimi K2.6Fuentes consultadas: 13 nov 2026
Sobre este modelo
La descripción siguiente es el texto original aportado por OpenRouter, en el idioma de la fuente.
Kimi K2.6 is Moonshot AI's next-generation multimodal model, designed for long-horizon coding, coding-driven UI/UX generation, and multi-agent orchestration. It handles complex end-to-end coding tasks across Python, Rust, and Go, and...
Especificaciones
- ID del modelo
- moonshotai/kimi-k2.6
- ID canónico
- moonshotai/kimi-k2.6-20260420
- Creador
- moonshotai
- Añadido a OpenRouter
- 20.04.2026
- Longitud de contexto
- 262,144
- Modalidad
- text+image->text
- Modalidades de entrada
- text, image
- Modalidades de salida
- text
- Precio por token
- USD por 1M de tokens: entrada $0.650 / salida $3.41
- Corte de conocimiento
- —
- Fecha de expiración
- —
Tareas y capacidades
Una nota aparece solo cuando la fuente aporta una medición correspondiente para esa tarea, el modelo está activo y la cohorte tiene al menos 10 modelos comparables. La columna de capacidad muestra hechos declarados por la fuente — formatos compatibles, razonamiento y parámetros de herramientas — que no son calidad medida.
| Tarea | Nota | Capacidad declarada por la fuente |
|---|---|---|
| Calidad general | Sin medición | razonamiento: opcional · parámetros: include_reasoning, reasoning |
| Programación | AA — siguiente 20% de la cohorte | — |
| Agentes | BB — siguiente 30% de la cohorte | parámetros: structured_outputs, tool_choice, tools |
| Escritura | Sin medición | salida: text |
| Razonamiento | Sin medición | razonamiento: opcional · parámetros: include_reasoning, reasoning |
| Análisis de documentos | Sin medición | — |
| Visión | Sin medición | entrada: image |
| Generación de imágenes | Sin medición | — |
| Audio | Sin medición | — |
| Vídeo | Sin medición | — |
| Embeddings | Sin medición | — |
Evaluaciones
| Fuente | Benchmark | Valor | Nota | Datos obtenidos |
|---|---|---|---|---|
| Artificial Analysis | Coding index | 61.8 | AA — siguiente 20% de la cohorte | 13.11.2026 |
| Artificial Analysis | Agentic index | 20.5 | BB — siguiente 30% de la cohorte | 13.11.2026 |
| Design Arena | agents · agenticgamedevtasa de victoria 47.5% · posición 21 | 1,088Elo | CC — por debajo de la franja B | 13.11.2026 |
| Design Arena | agents · agentichtmlslidestasa de victoria 59% · posición 2 | 1,248Elo | —Sin nota | 13.11.2026 |
| Design Arena | agents · agenticslidestasa de victoria 45.8% · posición 4 | 1,187Elo | —Sin nota | 13.11.2026 |
| Design Arena | agents · agenticslides(html)tasa de victoria 59.2% · posición 2 | 1,252Elo | —Sin nota | 13.11.2026 |
| Design Arena | agents · agenticslides(python-pptx)tasa de victoria 45.5% · posición 4 | 1,186Elo | —Sin nota | 13.11.2026 |
| Design Arena | agents · androidnativetasa de victoria 49.2% · posición 27 | 1,151Elo | CC — por debajo de la franja B | 13.11.2026 |
| Design Arena | agents · fullstacktasa de victoria 49.4% · posición 27 | 1,134Elo | BB — siguiente 30% de la cohorte | 13.11.2026 |
| Design Arena | agents · godotgamedevtasa de victoria 46.8% · posición 28 | 1,103Elo | CC — por debajo de la franja B | 13.11.2026 |
| Design Arena | agents · htmlslidestasa de victoria 52.3% · posición 13 | 1,081Elo | BB — siguiente 30% de la cohorte | 13.11.2026 |
| Design Arena | agents · mobileappstasa de victoria 47.6% · posición 32 | 1,149Elo | CC — por debajo de la franja B | 13.11.2026 |
| Design Arena | agents · pptxslidestasa de victoria 44.3% · posición 4 | 1,181Elo | —Sin nota | 13.11.2026 |
| Design Arena | agents · python-pptxslidestasa de victoria 42.1% · posición 14 | 1,180Elo | BB — siguiente 30% de la cohorte | 13.11.2026 |
| Design Arena | agents · spreadsheettasa de victoria 54.8% · posición 8 | 1,276Elo | AA — siguiente 20% de la cohorte | 13.11.2026 |
| Design Arena | agents · webappstasa de victoria 59.3% · posición 11 | 1,268Elo | AA — siguiente 20% de la cohorte | 13.11.2026 |
| Design Arena | models · 3dtasa de victoria 57.6% · posición 31 | 1,250Elo | AA — siguiente 20% de la cohorte | 13.11.2026 |
| Design Arena | models · asciiarttasa de victoria 46.1% · posición 41 | 1,152Elo | BB — siguiente 30% de la cohorte | 13.11.2026 |
| Design Arena | models · codecategoriestasa de victoria 55% · posición 34 | 1,263Elo | AA — siguiente 20% de la cohorte | 13.11.2026 |
| Design Arena | models · dataviztasa de victoria 52.1% · posición 37 | 1,247Elo | BB — siguiente 30% de la cohorte | 13.11.2026 |
| Design Arena | models · gamedevtasa de victoria 54.8% · posición 42 | 1,240Elo | BB — siguiente 30% de la cohorte | 13.11.2026 |
| Design Arena | models · svgtasa de victoria 51.2% · posición 40 | 1,172Elo | BB — siguiente 30% de la cohorte | 13.11.2026 |
| Design Arena | models · uicomponenttasa de victoria 55.8% · posición 39 | 1,258Elo | BB — siguiente 30% de la cohorte | 13.11.2026 |
| Design Arena | models · websitetasa de victoria 54.6% · posición 32 | 1,264Elo | AA — siguiente 20% de la cohorte | 13.11.2026 |
Cómo funcionan las notas
Cada nota compara un modelo solo con otros modelos evaluados por la misma fuente y métrica en la instantánea actual. S es el 10% superior, A el siguiente 20%, B el siguiente 30% y C el resto. Los modelos sin medición publicada aparecen como no evaluados: un formato compatible nunca implica calidad medida.
- S — S — 10% superior de la cohorte
- A — A — siguiente 20% de la cohorte
- B — B — siguiente 30% de la cohorte
- C — C — por debajo de la franja B
Proveedores
Estadísticas opcionales de proveedores en vivo desde OpenRouter. Los valores ausentes son desconocidos, no cero.
| Proveedor | Longitud de contexto | Precio entrada /1M | Precio salida /1M | Latencia p50 (30m, s) | Rendimiento p50 (30m, tok/s) | Disponibilidad (30m) |
|---|---|---|---|---|---|---|
| Baidufp4 | 262,144 | $0.390 | $1.64 | — | — | 100% |
| Chutesint4 | 262,144 | $0.390 | $1.8 | — | — | 100% |
| DigitalOcean | 262,144 | $0.570 | $2.4 | — | — | 100% |
| StreamLakefp8 | 256,000 | $0.598 | $2.52 | — | — | — |
| CoreWeavefp4 | 262,144 | $0.650 | $3.41 | — | — | 100% |
| Crusoebf16 | 262,144 | $0.700 | $3.5 | — | — | 100% |
| DeepInfrafp4 | 262,144 | $0.750 | $3.5 | — | — | 100% |
| Veniceint4 | 256,000 | $0.750 | $3.5 | — | — | — |
| Parasailint4 | 262,144 | $0.750 | $3.5 | — | — | 100% |
| SiliconFlowfp8 | 262,144 | $0.770 | $3.4 | — | — | — |
| Inceptronint4 | 262,144 | $0.798 | $3.75 | — | — | 100% |
| Novita | 262,144 | $0.800 | $3.4 | — | — | 100% |
| AtlasCloudint4 | 262,144 | $0.950 | $4 | — | — | — |
| Cloudflare | 262,144 | $0.950 | $4 | — | — | — |
| Moonshot AI | 262,144 | $0.950 | $4 | — | — | 100% |
Datos de proveedores obtenidos: 13.11.2026
Artículos relacionados
Ningún artículo publicado identifica aún este modelo.