Zijn de gewichten open en kan ik Kimi K2.6 lokaal draaien?

Ja, de gewichten zijn open en beschikbaar op Hugging Face bij moonshotai/Kimi-K2.6. Het model heeft 1 biljoen totale parameters met 32 miljard actieve via MoE, dus lokale implementatie vereist aanzienlijke hardware; check de VRAM-gidsen voordat je eraan begint.

Wat kost Kimi K2.6 via API en wat is de contextlimiet?

Moonshot AI rekent $0,65 per miljoen inputtokens en $3,41 per miljoen outputtokens, met een contextvenster van 256K tokens.

Hoe verschilt K2.6 van K2.5?

K2.6 voegt native multimodale input toe via een ingebouwde MoonViT vision encoder, breidt de agentzwerm uit tot 300 subagenten en laat betekenisvolle benchmarkverbeteringen zien ten opzichte van K2.5 op agentisch zoeken, coderen en visietaken.

Kimi K2.6

2103°

#llm #moonshotai #visie #redeneren #coderen #agenten

Voer dit model uit

Aanbiedingen / Advertenties

OpenRouter Terminal / API

Betaal per token

Chat met dit model in de browser of roep het aan vanuit je code met één API-sleutel.

MoonshotAI | 262.144 token context | $0,65/M input, $3,41/M output. Kimi K2.6 is Moonshot AI's next-generation multimodaal model, ontworpen voor langetermijn coderen, codeergestuurde UI/UX generatie en multi-agent orkestratie. Het verwerkt complexe end-to-end codeertaken in Python, Rust en Go, en kan prompts en visuele invoer omzetten in productieklare interfaces. De agent swarm architectuur schaalt tot honderden parallelle subagents voor autonome taakdecompositie - levert documenten, websites en spreadsheets in één run zonder menselijke tussenkomst.

Gidsen voor dit model

Beste lokale LLM per gebruik (oktober 2026): het juiste open model voor elke klus

Hoeveel VRAM heb ik eigenlijk nodig voor lokale AI?

Open weights vs open source vs alleen API: wat je eigenlijk mag doen

Wat is een GGUF-bestand? Uitleg over gekwantiseerde modellen (Q4, Q8, fp8, NF4)

Alle gidsen

Aantekeningen van de kapitein

Geschreven door Captain, de huisredacteur

Aantekeningen van 2026-10-13

Kimi K2.6 is Moonshot AI's open-weight multimodale model, gebouwd rond agentisch codeerwerk: langetermijntaken, UI-generatie vanuit visuele input en zwermgebaseerde orkestratie die tot 300 parallelle subagenten kan aansturen. Met 1 biljoen totale parameters en 32 miljard actieve via een MoE-architectuur levert het meer dan je van het compute-budget zou verwachten. Het is geschikt voor ontwikkelaars en teams die autonome end-to-end pijplijnen nodig hebben in plaats van een chat-assistent.

Bekend om

End-to-end coderen in Python, Rust en Go inclusief front-end en DevOps werk.
Zet prompts en afbeeldingen om in productieklare interfaces met animaties en layouts.
Agentzwerm schaalt tot 300 subagenten en 4.000 gecoördineerde stappen in één run.
Contextvenster van 256K tokens voor grote codebases en lange documenten.
Open gewichten met een ingebouwde vision encoder van 400M parameters (MoonViT).

Let op

1 biljoen totale parameters betekent dat lokale implementatie serieuze hardware vereist; de 32B actieve parameters vertellen niet het hele VRAM-verhaal.
Outputkosten van $3,41 per miljoen lopen snel op bij lange agentische runs die duizenden tokens autonoom genereren.
Licentievoorwaarden zijn niet gedetailleerd op de makerspagina; check de Hugging Face-repository voor commercieel gebruik.

Het beste voor

Coderen

Agenten en toolgebruik

Visie

Lange context

Draait lokaal

Prompts om te proberen

Bouw een full-stack UI

Je hebt een screenshot van een dashboard die ik toevoeg. Maak het na als een zelfstandige React-component met Tailwind CSS. Voeg een dark-mode toggle toe, maak de grafiek interactief met Recharts en lever één bestand op dat ik in een Vite-project kan gebruiken.

Autonome repo-taak

Clone de publieke repo https://github.com/expressjs/express, identificeer de drie functies met de hoogste cyclomatische complexiteit, schrijf een gerefactorde versie van elk met inline commentaar die de wijzigingen uitlegt en maak een markdown-rapport met een samenvatting van wat je hebt veranderd en waarom.

Multi-language port

Hier is een Python-script dat een CSV parseert, rijen aggregeert op een sleutelkolom en een samenvattende JSON schrijft. Zet het getrouw om naar idiomatisch Go en idiomatisch Rust. Noteer voor elke versie eventuele gedragsverschillen veroorzaakt door type- of foutafhandelingsbeperkingen.

Vergelijk met

Kimi Latest
Alleen API-model
1,048,576 token context · $0.29/M invoer, $24.00/M uitvoer
Kimi K3
Model met open gewichten
1,048,576 token context · $0.30/M invoer, $11.94/M uitvoer
Kimi K2 Thinking
Model met open gewichten
262,144 token context · $0.60/M invoer, $2.50/M uitvoer
Kimi K2.7 Code
Model met open gewichten
262,144 token context · $0.67/M invoer, $3.35/M uitvoer

Meer tekstmodellen van moonshotai

Veelgestelde vragen

Zijn de gewichten open en kan ik Kimi K2.6 lokaal draaien?: Ja, de gewichten zijn open en beschikbaar op Hugging Face bij moonshotai/Kimi-K2.6. Het model heeft 1 biljoen totale parameters met 32 miljard actieve via MoE, dus lokale implementatie vereist aanzienlijke hardware; check de VRAM-gidsen voordat je eraan begint.
Wat kost Kimi K2.6 via API en wat is de contextlimiet?: Moonshot AI rekent $0,65 per miljoen inputtokens en $3,41 per miljoen outputtokens, met een contextvenster van 256K tokens.
Hoe verschilt K2.6 van K2.5?: K2.6 voegt native multimodale input toe via een ingebouwde MoonViT vision encoder, breidt de agentzwerm uit tot 300 subagenten en laat betekenisvolle benchmarkverbeteringen zien ten opzichte van K2.5 op agentisch zoeken, coderen en visietaken.

Oordeel van de kapitein
Als jouw werk autonome codeerpijplijnen of visie-naar-UI generatie is, is K2.6 momenteel de meest capabele open-weight optie in die niche.

Modelkaart op Hugging Face

De kapitein schrijft deze aantekeningen op basis van de eigen beschrijving en modelkaart van het model. Prijzen en contextgroottes zijn die van de provider op het moment van schrijven en kunnen veranderen.

Ranking badge

Updated Oct 22, 2026

Made this model? Show this badge on your page.

Paste it into your Hugging Face card or Civitai description.

Change colors / personalize / get code

Not this creator?

Get your own badge

Hoe deze score wordt opgebouwd

Dit model heeft nog geen populariteitsgegevens van welke bron dan ook, dus het krijgt een tijdelijke waarde onder 7,000° om de lijsten compleet te houden. Het staat nooit hoger dan een model met data. De uitsplitsing verschijnt hier zodra een bron het rapporteert.

Woordenlijst: de gebruikte termen

Heat-score: Één getal voor hoe veel een model nu gebruikt en gewenst wordt, van 0° tot 9.999°. Elke lijst op deze site die zegt heetste is gesorteerd op deze score en niets anders.
Vloer: De 7.000° waar elk model met echte data mee begint. De schaal loopt van 0° tot 9.999°; het deel onder de vloer is gereserveerd voor plaatsvervangers (modellen zonder data), zodat een model met data altijd hoger scoort dan een zonder. De vloer is voor iedereen gelijk en beslist niets; de graden erboven zijn de meting.
Download-equivalenten: Alles wat de score als een download telt, bij elkaar opgeteld: downloads zelf, elke torrent seeder als 1.000, elke AI Horde-afbeelding en elke run op een generatie-site als één.
Logaritmische schaal: Tellen per tien, niet per één: van 1.000 naar 10.000 downloads voegt evenveel graden toe als van 10.000 naar 100.000. Zo verdringen grote spelers niet alles.
Likes: Duimen omhoog en likes van elke bron, elk de helft van een download waard op de log-schaal.
Adoptiesnelheid: Hoeveel downloads een model nu per dag krijgt, uit het verschil tussen twee metingen van een bron. Een kwart van het gewicht van de downloadterm.
Gemeten en geschat: Gemeten betekent dat er twee metingen van een bron zijn en het verschil echt is. Geschat betekent dat alleen het totaal van vandaag bekend is en het verleden over de levensduur van het model wordt verdeeld; de site geeft aan welke het toont.
Seeder: Iemand die een kopie van de gewichten online houdt zodat anderen die via een torrent kunnen downloaden, of een gehoste mirror die hetzelfde doet. Elk telt als 1.000 downloads.
AI Horde: Een vrijwilligersnetwerk dat gratis beelden genereert op gedoneerde computers. Het aantal beelden dat het met een model heeft gemaakt is openbaar, en elk telt als één download.
Generatiesites: Sites die hun eigen kopieën van een model hosten en mensen laten genereren, zoals PixAI, SeaArt en Yodayo. Hun downloads tellen net als die van Civitai en elke generatie telt als één download.
OpenRouter tokens: Een tekstmodel dat via een API wordt aangeboden, zoals Claude of GPT, heeft geen gewichten om te downloaden, dus het gebruik wordt gemeten in tokens: de tekststukken die het las en schreef via OpenRouter, een gateway die veel apps gebruiken, in de afgelopen 30 dagen. Elke 10,000,000 tokens telt als één download. Bron: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Volledig model (checkpoint): De gewichten zelf, het bestand dat zelfstandig genereert. Het krijgt een bonus omdat add-ons ervan afhangen.
LoRA en embedding: Kleine add-on bestanden die iemands gewichten sturen naar een stijl, een personage of een concept. Ze kunnen niet zelfstandig draaien.
Familie en gewichten: De basis waarop een model is gebouwd, zoals SD 1.5, SDXL, Flux of Wan. Elk model erft de releasedatum van de gewichten van zijn familie.
Leeftijd: Graden afgetrokken voor hoe lang geleden de gewichten van de familie uitkwamen: 150° per jaar, tot 750°. Het houdt oude downloads die jaren hadden om op te lopen door de top van de lijst te bevriezen.
Familie boost: Een kleine, begrensde duw voor LoRA's van een familie die deze site nu naar voren schuift, altijd vermeld in de uitsplitsing.
Stand-in score: Een stabiel getal onder de vloer gegeven aan een model waar nog geen bron over rapporteert, zodat lijsten compleet blijven. Het staat nooit hoger dan een model met data.
Nieuw! (gratieperiode): Een model dat minder dan 7 dagen oud is, toont Nieuw! in plaats van een score en neemt geen plaats in de ranglijst in. De score wordt vanaf dag één berekend, maar een model van één dag oud groeit sneller dan wat dan ook, dus zonder de wachttijd zou de #1 van de week altijd het model zijn dat gisteren uitkwam in plaats van wat een week standhield.
Trend: Hoe de groei van een model over een periode zich verhoudt tot de typische groei van een model over dezelfde periode. Sneller dan typisch betekent stijging, langzamer betekent daling.
Typisch model: Het midden van de catalogus: de helft van de modellen met een cijfer groeide sneller over de periode, de andere helft langzamer.

Vergelijkbare modellen

Gemini 3.1 Pro Preview Custom Tools

TEXT / LLM

AI-modellen voor het genereren van afbeeldingen, video en tekst

Kimi K2.6 is een tekstmodel voor de Text / LLM-familie, vermeld op ModelTrends.ai, een alleen-lezen catalogus van open source AI-modellen voor afbeeldingen, video en tekst. Vergelijk het met andere Text / LLM-modellen en bekijk de populariteitsscore om de trend te zien.

Meer Text / LLM-modellen Meer Text / LLM Tekst / LLM llm moonshotai visie redeneren coderen agenten lange context lokaal

Bladeren op modelfamilie