Kimi K2.6 — новая открытая языковая модель китайской компании Moonshot AI, выпущенная в апреле 2026 года как прямое развитие линейки Kimi K2. Разработчики позиционируют её как специалиста по длинным инженерным задачам: автономному программированию, работе с инструментами и координации агентов. В ряде профильных бенчмарков модель обошла даже проприетарные флагманы — GPT-5.4 и Claude Opus 4.6. Разбираемся, что именно изменилось по сравнению с K2 и K2 Thinking, за счёт чего достигнут прогресс и где у модели остались слабые места.
Что такое Kimi K2.6: базовые характеристики
Модель построена на архитектуре Mixture-of-Experts (MoE): 1 триллион общих параметров, из которых на каждый токен активируются 32 млрд. За экономию памяти отвечает нативная квантизация INT4, встроенная ещё на этапе обучения, — она ускоряет инференс без потери качества. Контекстное окно — 262 144 токена (256K), этого хватает на весь исходный код среднего проекта вместе с документацией и тестами. Веса опубликованы на Hugging Face под лицензией Modified MIT: коммерческое использование разрешено, с одной оговоркой — при обслуживании более 100 млн пользователей или выручке свыше 20 млн долларов в месяц нужно указать бренд Kimi K2 в интерфейсе продукта.
- 384 эксперта, из которых на токен выбираются 8 профильных и 1 общий;
- 61 слой, механизм внимания Multi-head Latent Attention (MLA);
- режимы Thinking (развёрнутая цепочка рассуждений) и Instant (быстрые ответы);
- нативная мультимодальность: текст, изображения и видео на вход;
- совместимость API с форматами OpenAI и Anthropic — переход сводится к смене base URL.
Ключевые нововведения версии K2.6
Agent Swarm: от 100 к 300 субагентам
Главный апгрейд — режим Agent Swarm. Если K2.5 координировала до 100 субагентов и 1500 шагов, то K2.6 масштабируется до 300 параллельных агентов и 4000 скоординированных шагов. Подагенты распределяют роли: широкий поиск, глубокое исследование, анализ данных, генерация текста и кода. За один запуск рой собирает связный результат — сайт, документ, презентацию или таблицу — без потери согласованности между частями. Режим Claw Groups (пока как research preview) идёт дальше: агенты разных пользователей с разных устройств работают над общей задачей под оркестрацией модели.
Preserve Thinking: защита от дрейфа рассуждений
Типовая проблема длинных агентных сессий — эрозия контекста: через десятки шагов модель забывает исходные намерения и начинает «уплывать». Режим Preserve Thinking работает как постоянный слой памяти, удерживая основную логику задачи на протяжении тысяч шагов. На практике это выражается в меньшем числе ненужных правок, самостоятельном исправлении ошибок по ходу работы и стабильном следовании инструкции. Автономные сессии дошли до 12 часов непрерывного выполнения: внутренний DevOps-агент Moonshot, построенный на K2.6, отработал пять суток, занимаясь мониторингом, реагированием на инциденты и операциями над инфраструктурой.
Визуальный энкодер MoonViT
MoonViT — открытый визуальный кодировщик, который не просто распознаёт скриншоты, а анализирует иерархию интерфейса, отступы и интерактивные элементы. Отсюда заявленная «дизайн-студия на промпте»: по одной визуальной ссылке или эскизу модель генерирует полностью рабочий интерфейс с анимацией при прокрутке, а затем достраивает full-stack — аутентификацию, сессии, операции с базой данных. Практичный бонус: MoonViT можно вынести из общей архитектуры и подключить к собственному пайплайну отдельно.
Сравнение с предыдущими версиями Kimi K2
Линейка Kimi за год прошла путь от базовой MoE-модели до специализированного агентного движка. Нагляднее всего эволюцию показывают три точки отсчёта.
| Версия | Дата релиза | Ключевая фишка | Агентные возможности |
|---|---|---|---|
| Kimi K2 (Instruct/Base) | июнь 2025 | MoE 1T/32B, открытые веса, масштабный синтез агентных данных и генеральный RL-этап | до 200–300 вызовов инструментов за цепочку |
| Kimi K2 Thinking | ноябрь 2025 | трассируемое поле reasoning_content, INT4-квантизация, HLE 44,9% и BrowseComp 60,2% — рекорды для открытых моделей | до 300 последовательных вызовов инструментов |
| Kimi K2.5 | начало 2026 | нативная мультимодальность, Kimi Code Bench 57,4 | Agent Swarm: 100 субагентов, 1500 шагов |
| Kimi K2.6 | апрель 2026 | Preserve Thinking, MoonViT, Kimi Code Bench 68,2 | Agent Swarm: 300 субагентов, 4000 шагов |
Примечательно, что прирост от K2.5 к K2.6 достигнут не за счёт архитектуры — база осталась прежней, — а за счёт тренировки агентного поведения и стабильности на длинной дистанции. Позже линейку продолжили специализированная K2.7-Code для сверхдлинных кодинговых сессий (12+ часов и более 4000 вызовов инструментов подряд) и флагман K3 с контекстом в 1 млн токенов, но именно K2.6 Moonshot считает сбалансированной версией «на каждый день».
Бенчмарки: где K2.6 обходит флагманы
Официальные результаты подтверждают специализацию модели на коде и агентных задачах. На SWE-Bench Pro (реальные задачи по ремонту кодовых баз) K2.6 набрала 58,6%, оставив позади GPT-5.4 (57,7%), Gemini 3.1 Pro (54,2%) и Claude Opus 4.6 (53,4%). В агентном поиске модель тоже лидирует: HLE-Full с инструментами — 54,0 против 52,1 у GPT-5.4, DeepSearchQA — 92,5 по f1, BrowseComp — 83,2. Свои цифры публикуют и партнёры по бета-тестам: Vercel сообщает о росте более чем на 50% на внутреннем Next.js-бенчмарке относительно K2.5, Factory.ai — о плюс 15%, CodeBuddy — о плюс 12% к точности генерации кода и 96,6% успешных вызовов инструментов.
| Бенчмарк | Kimi K2.6 | GPT-5.4 | Claude Opus 4.6 | Gemini 3.1 Pro |
|---|---|---|---|---|
| SWE-Bench Pro | 58,6 | 57,7 | 53,4 | 54,2 |
| Terminal-Bench 2.0 | 66,7 | 65,4 | 65,4 | 61,9 |
| HLE-Full с инструментами | 54,0 | 52,1 | 53,0 | — |
| DeepSearchQA (f1) | 92,5 | 78,6 | 91,3 | — |
| AIME 2026 | 96,4 | 99,2 | 96,7 | 94,2 |
| GPQA-Diamond | 90,5 | 92,8 | 93,0 | 94,3 |
Важная оговорка: в «чистом» рассуждении без инструментов модель уступает конкурентам — на AIME 2026 её догоняют и перегоняют, а по GPQA-Diamond лидирует Gemini 3.1 Pro. Зато в сценариях, где нужно автономно вызывать инструменты и вести длинную цепочку действий, K2.6 выходит на первые места. Отдельный кейс от Moonshot: за 12 часов непрерывной работы и 4000+ вызовов инструментов модель оптимизировала восьмилетний open-source движок биржевого матчинга exchange-core, изменив свыше 4000 строк кода, — пропускная способность выросла на 185% (с 0,43 до 1,24 MT/s в медиане). На Mac K2.6 скачала Qwen3.5-0.8B и развернула инференс на нишевом языке Zig, ускорив генерацию с 15 до 193 токенов в секунду — на 20% быстрее LM Studio.
Ограничения и слабые места модели
- Скорость генерации: около 54 токенов в секунду против 121 у K2 Thinking, задержка первого токена — 3,2 секунды. Для чат-сценариев это медленно.
- Слабая мультимодальность в сравнительных рейтингах: по визуально-заземлённым задачам модель занимает лишь 26-е место из 115.
- Техническая шероховатость: встроенный web_search временно несовместим с thinking-режимом, что вынуждает добавлять логику маршрутизации в пайплайн.
- Локальный запуск дорог: открытые веса не означают дешёвое развёртывание — триллион параметров требуют серьёзного железа, поэтому большинство команд работает через API или провайдеров вроде OpenRouter.
- Слабая региональная осведомлённость: на российских нормативных данных (персональные данные, локальное трудовое право) модель допускает критические ошибки — это фиксирует независимое тестирование.
Цена и доступ
Тарификация через API Moonshot: 0,95 доллара за миллион входных токенов при cache miss, 0,16 доллара при cache hit и 4 доллара за миллион выходных. Для сравнения: K2 Thinking стоила 2,50 доллара за миллион выходных токенов, а GPT-5 в своё время — около 10 долларов. Однако в агентных сценариях счёт растёт быстро: модель читает большие контексты, строит планы, пишет код и возвращает длинные ответы, поэтому бюджет пилота стоит закладывать с запасом. Модель доступна на Kimi.com, через Moonshot API, OpenRouter, Cloudflare Workers AI, Vercel AI Gateway и на Hugging Face; есть бесплатный доступ через веб-интерфейс и Kimi Code CLI.
Кому подойдёт модель и ответы на частые вопросы
Модель создана для команд, которые строят автономных агентов: внутренние помощники с браузером и код-интерпретатором, автоматизация DevOps, рефакторинг легаси-кода, генерация фронтенда из макетов. Если же задача — универсальный чат-ассистент для точной математики или визуально насыщенные рабочие процессы, сильнее выглядят конкуренты. Дополнить картину помогут обновляемые обзоры нейросетей, где модели сравнивают на живых сценариях и показывают выбор под конкретную задачу.
Можно ли запускать Kimi K2.6 бесплатно?
Да. Веса и код открыты, веб-интерфейс Kimi.com даёт доступ без оплаты, а коммерческое внедрение разрешено лицензией. Платить придётся только за API-запросы или аренду GPU для собственного развёртывания.
Чем K2.6 отличается от Kimi K3?
K3 — новый флагман Moonshot с контекстом 1 млн токенов и более высокими показателями в корпоративных тестах, но и заметно дороже. K2.6 остаётся более дешёвой и предсказуемой рабочей лошадкой для повседневных задач.
Подходит ли модель для рутинной автоматизации?
Да, это её основная ниша. Документы превращаются в многократно используемые «навыки»: модель фиксирует, как устроена качественная работа, и применяет этот шаблон к будущим задачам, включая генерацию презентаций со ссылками на источники.
Вывод
Kimi K2.6 — не очередное инкрементальное обновление, а зрелый продукт с чёткой специализацией: длинные агентные задачи, кодинг и координация субагентов при открытых весах и умеренной цене. Впервые открытая модель стабильно побеждает закрытые флагманы на бенчмарках, значимых для разработчиков, и при этом остаётся экономичной. Слабые стороны — скорость, мультимодальность и знание локальных регуляторик — Moonshot, судя по релизам K2.7 и K3, закрывает уже следующими итерациями. Как минимум на горизонте 2026 года Kimi остаётся сильнейшей открытой линейкой моделей на рынке.
