Kimi K2 API-priser 2026: K2.7-, Batch- og WebSearch-omkostninger

TLDR Moonshot AI prissætter i øjeblikket Kimi K2.7 Code til $0.19 per 1M cache-hit inputtokens, $0.95 per 1M cache-miss inputtokens og $4.00 per 1M outputtokens. Kimi K2.7 Code HighSpeed fordobler disse satser til $0.38 / $1.90 / $8.00.

De vigtigste omkostningshensyn er:

• Caching: Moonshots K2.7 cache-hit input er 80% billigere end cache-miss input.
• HighSpeed: Den hurtigere rute koster det dobbelte pr. token.
• Batch API: Understøttede modeller koster 60% af realtidspriserne, svarende til 40% besparelse.
• WebSearch: Moonshot opkræver $0.005 pr. vellykket indbygget søgekald plus de tokens, der bruges til at behandle søgeresultater.
• Kompatibilitet: K2.7 Code kræver Thinking-tilstand, mens Moonshots indbyggede WebSearch kræver, at Thinking er slået fra.

For kodeagenter er den mest nyttige metrik ikke prisen pr. million tokens. Det er omkostning pr. fuldført opgave, inklusive tænkning, caching, retries, værktøjskald, latens og menneskelige rettelser.

Kimi K2 API-priser i et overblik

kilde: Kimi K2.7 Code-priser

Moonshots K2.7-priser er i øjeblikket promotionelle. Moonshot og CometAPI bruger også forskellige inputafregningsstrukturer, så deres listede satser bør ikke betragtes som direkte udskiftelige.

Moonshot Kimi K2-priser forklaret

K2.7 Code og K2.6 deler de samme cache-miss input- og outputpriser. De vigtigste forskelle på token-niveau er, at K2.7 Code opkræver en smule mere for cachet input, mens HighSpeed fordobler alle K2.7-satser.

Moonshot beskriver HighSpeed som den samme underliggende K2.7 Code-model leveret via en hurtigere rute. Den dokumenterede outputhastighed er cirka 180 tokens pr. sekund og op til 260 tokens pr. sekund i scenarier med kortere kontekst. Kapaciteten kan svinge, mens Moonshot udvider ressourcerne.

HighSpeed er derfor primært et latensvalg frem for et separat kvalitetsniveau for modellen.

Et Moonshot Direct API-alternativ: CometAPI

Udviklere kan få adgang til Kimi K2.7 Code direkte gennem Moonshot AI eller via CometAPIs OpenAI-kompatible API.

CometAPIs listede standard input- og outputpriser er cirka 20% lavere, mens Moonshot kan være mere omkostningseffektiv for arbejdsbelastninger med høj cache-hit-andel.

Vælg CometAPI, hvis du ønsker én API til Kimi og andre modeludbydere. Vælg direkte adgang til Moonshot, hvis dit workflow ofte genbruger de samme prompts eller repository-kontekst.


kilde: Kimi K2.7 Code-pris på CometAPI

Til de aktuelt listede satser er CometAPI cirka 20% billigere end Moonshots cache-miss input- og outputpriser.

CometAPI viser dog ikke en separat cache-hit-pris på sin K2.7-modelside. Dets $0.76 standard inputpris bør ikke sammenlignes direkte med Moonshots $0.19 for cachet input.

Teams, der gentagne gange genbruger lange systemprompts, værktøjsdefinitioner eller repository-kontekst, bør teste begge ruter med deres faktiske trafik. En arbejdsbelastning med meget høj cache-hit-andel kan give et andet resultat end en, der sender mest nyt indhold.

Gennemgå den seneste Kimi K2.7 Code-pris på CometAPI eller sammenlign tilgængelige modeller på CometAPI-prissiden.

Hvordan kontekstcaching ændrer Kimi API-omkostninger

Kimi afregner inputtokens som cache hits eller cache misses.

Cache misses omfatter generelt nyt eller ændret indhold, såsom:

• nye repository-filer
• opdaterede instruktioner
• nye værktøjsresultater
• skiftende samtalehistorik

Cache hits kan omfatte gentaget indhold, såsom stabile systemprompts, værktøjsskemaer, kodningskonventioner og uændret repository-kontekst.

For K2.7 Code koster cachet input $0.19 pr. 1M tokens sammenlignet med $0.95 for ikke-cachet input. Det gør et cache-hit token 80% billigere.

Beregn de to kategorier separat:

Input cost =
(cache-hit tokens ÷ 1,000,000 × cache-hit price)
+
(cache-miss tokens ÷ 1,000,000 × cache-miss price)

Eksempel på caching-omkostning

Antag én workflow-proces:

• 800,000 cache-hit tokens
• 200,000 cache-miss tokens

At beregne de samme 1M tokens udelukkende til cache-miss-satsen ville koste $0.95. I dette eksempel reducerer den blandede cacheprofil inputomkostningen med $0.608.

Derfor bør produktionsdashboards registrere cache-hit- og cache-miss-tokens separat i stedet for kun at rapportere samlet inputforbrug.

Kimi Batch API-priser

Moonshots Batch API opkræver 60% af den tilsvarende realtidsmodelpris, hvilket giver teams en 40% besparelse på understøttede asynkrone arbejdsbelastninger. Den nuværende dokumentation viser K2.7 Code, K2.6 og K2.5 som understøttede Batch-modeller.

Batch API egner sig godt til:

• repositories-dækkende kodeanalyse
• store evalueringskørsler
• offline klassifikation
• natlig berigelse
• syntetisk testgenerering
• migrationsanalyse
• sikkerhedsgennemgangs-backlogs

Den er mindre velegnet til IDE-assistenter, livechat og andre workflows, hvor en bruger venter på et straks svar.

Til baggrundsprocesser kan 40% besparelsen være mere værdifuld end at skifte til en billigere model med lavere opgavefuldførelsesrate.

Kimi WebSearch-priser og kompatibilitet

Moonshot opkræver $0.005 for hvert vellykket indbygget $web_search-kald. Der opkræves ikke separat værktøjsgebyr, når modellen afslutter uden at trigge søgeværktøjet.

Søgeresultatindhold kan også blive tilføjet til den næste modelanmodning og afregnes som inputtokens. Moonshot definerer den resulterende tokenberegning som:

Total tokens =
prompt tokens + search-result tokens + completion tokens

Et komplet søgeworkflow kan derfor omfatte:

Initial model request
+ WebSearch tool fee
+ search-result input tokens
+ follow-up model request
+ retries

Der er også en vigtig modelbegrænsning. Moonshots indbyggede WebSearch kræver, at Thinking er slået fra, mens K2.7 Code ikke understøtter non-thinking-tilstand. Det officielle WebSearch-eksempel bruger derfor K2.6 med Thinking slået fra.

Til Moonshots indbyggede søgning skal du bruge K2.6 eller K2.5 med Thinking slået fra.

En K2.7-kodeagent kan stadig kalde en uafhængigt implementeret søgetjeneste via normale funktionskald. I så fald bestemmes søgeprisen af den eksterne udbyder i stedet for Moonshots $0.005 indbyggede gebyr.

Eksempel 1: K2.7 Code-omkostning for en kodeopgave

Antag, at et kodeagent-workflow bruger:

• 30,000 cache-miss inputtokens
• 8,000 outputtokens, inklusive tænkning
• intet indbygget WebSearch-kald

Standard K2.7 Code

K2.7 Code HighSpeed

For det samme tokenforbrug koster HighSpeed præcis det dobbelte.

CometAPI K2.7 Code

Ved brug af de aktuelle CometAPI-satser:

Det er cirka 20% under Moonshots cache-miss token-omkostning på $0.0605 i dette eksempel. Beregningen udelukker skatter, eksterne værktøjer og andre platformstjenester.

Eksempel 2: K2.6 med indbygget WebSearch

Antag et K2.6-workflow med Thinking slået fra bruger:

• 30,000 cache-miss inputtokens på tværs af det komplette workflow
• 8,000 outputtokens
• ét vellykket indbygget WebSearch-kald

De 30,000 inputtokens inkluderer søgeresultatsindhold videreført til opfølgende anmodning.

I dette eksempel udgør det direkte WebSearch-gebyr omkring 7,6% af det samlede. I længere forskningsworkflows kan de tokens, som tilføjes af søgeresultaterne, koste mere end selve værktøjskaldet.

Ingeniørdetaljer, der kan ændre den endelige regning

K2.7 Code bruger altid Thinking-tilstand


Kilde:* KIMI Thinking Mode Documentation

K2.7 Code returnerer en fejl, hvis Thinking er slået fra. Dens tænkning returneres via reasoning_content, og både tænkning og det synlige svar bidrager til tokenforbruget.

Under flertrins værktøjskald skal applikationer bevare assistentens reasoning_content i samtalekonteksten. Længere agentloops kan derfor øge både aktuelt outputforbrug og senere inputforbrug.

max_tokens er en grænse, ikke en fast pris

Parameteren max_tokens definerer det maksimale, modellen må generere. En højere indstilling giver modellen plads nok til at fuldføre sin tænkning og sit svar, men den fulde ramme bliver ikke automatisk faktureret.

Omkostninger beregnes ud fra de faktiske tokens, der behandles og genereres.

Flere forespørgselsparametre er faste

K2.7 Code kræver faste værdier for flere parametre:

Hvis der sendes en anden værdi, kan det give en fejl. Applikationer, der bruger den samme OpenAI-kompatible wrapper på tværs af flere udbydere, bør inspicere hardkodede standarder før modelskift.

For en praktisk integrationsgennemgang, se How to Use Kimi K2.7 Code API with CometAPI.

Ekstern adoption og udviklersignaler

Officiel prisdokumentation forklarer, hvordan modellen faktureres. Ekstern adoption giver yderligere kontekst for, hvor den bruges, og hvordan udviklere evaluerer den.

GitHub Copilot

GitHub gjorde Kimi K2.7 Code generelt tilgængelig i Copilot den 1. juli 2026 og beskrev den som den første open-weight-model i Copilots modelvælger. Tilgængeligheden omfattede først individuelle planer og blev udvidet til Business- og Enterprise-planer den 7. juli.

GitHubs adoption er et nyttigt distributionssignal, men det beviser ikke, at K2.7 vil overgå andre modeller i enhver kodearbejdsbelastning.

Eksterne kilder:

• Kimi K2.7 Code er generelt tilgængelig i GitHub Copilot
• Kimi K2.7 for Copilot Business og Enterprise

Open-weight udrulningsøkosystem

Moonshot publicerer Kimi K2.7 Code på Hugging Face under en modificeret MIT-licens. Modelkortet beskriver en mixture-of-experts-arkitektur med 1 billion parametre, 32 milliarder aktiverede parametre og et 256K kontekstvindue. Det inkluderer også udrulningsinstruktioner til rammer som Transformers, vLLM og SGLang.

Moonshot rapporterer cirka 30% lavere tænkningstokenforbrug end K2.6 og en 10% forbedring i agentiske evner. Dette er leverandørrapporterede resultater og bør valideres med uafhængige arbejdsbelastninger.

Se Kimi K2.7 Code modelkort på Hugging Face for arkitektur- og udrulningsdetaljer.

Udviklersamfundets diskussion

Diskussionen på Hacker News er mere blandet end lanceringsmaterialet. Nogle udviklere fokuserer på Kimis open-weight-tilgængelighed, tokeneffektivitet og integration med kodeagentværktøjer. Andre argumenterer for, at en lavere tokenpris ikke garanterer en lavere projektpris, hvis modellen kræver flere retries, supervision eller kontekst.

Den debat understøtter denne guides centrale anbefaling: sammenlign modeller med rigtige repositories og mål opgavefuldførelse, retries og menneskelige rettelser—ikke kun annoncerede tokenrater.

Se Kimi K2.7 Code-diskussionen på Hacker News.

GPT vs Claude vs Kimi vs DeepSeek API-priser

Tabellen nedenfor sammenligner de aktuelle standard API-satser for Kimi K2.7 Code, DeepSeek V4 Pro, Claude Sonnet 5 og GPT-5.6 Sol pr. 13. juli 2026.

Officielle prisreferencer:

• DeepSeek API-priser
• Claude API-priser
• OpenAI API-priser

DeepSeek V4 Pro viser i øjeblikket et 1M kontekstvindue med cache-hit input til $0.003625, cache-miss input til $0.435 og output til $0.87 pr. million tokens.

Claude Sonnet 5’s introduktionspris er $2 pr. million inputtokens, $0.20 pr. million cache-read tokens og $10 pr. million outputtokens til 31. august 2026. Dets cache writes prissættes separat, og Anthropic bemærker, at modellens nyere tokenizer kan producere flere tokens for den samme tekst end tidligere Claude-modeller.

GPT-5.6 Sols standardpris for kort kontekst er $5 pr. million inputtokens, $0.50 pr. million cached-input tokens og $30 pr. million outputtokens. OpenAI viser også separate priser for cache write, lang kontekst, Batch, Flex og Priority.

Ved de listede tokenrater er Kimi K2.7 Code billigere end Claude Sonnet 5 og GPT-5.6 Sol, mens DeepSeek V4 Pro er billigere. Dette fastslår ikke, hvilken model der giver den laveste pris for et specifikt kodeworkflow.

Hvilken Kimi-model bør du bruge?

K2.7 Code er det naturlige udgangspunkt for kvalitetssensitivt kodearbejde. HighSpeed er værd at teste, når hurtigere svar forbedrer udvikleroplevelse, konvertering eller throughput.

K2.6 er mere fleksibel til generelle multimodale og søgeunderbyggede workflows, mens K2.5 har de laveste standard Kimi-tokenrater.

Hvordan man evaluerer den reelle pris

Byg et evalueringssæt ud fra produktionstasks frem for kun at stole på offentlige benchmarks.

Nyttige testcases omfatter:

• repository-niveau funktionsimplementering
• pull request-gennemgang
• debugging og testgenerering
• lang-kontekst kodeanalyse
• flertrins værktøjskald
• søgebaseret udvikler-support

Spor:

• succesfuld opgavefuldførelse
• cache-hit-andel
• input- og outputtokens
• tænkningstoken-volumen
• værktøjskaldssucces
• antal retries
• p50- og p95-latens
• menneskelige rettelser
• samlede workflow-omkostninger

Beregn:

Cost per completed task =
total workflow cost ÷ successfully completed tasks

For eksempel, hvis et team bruger $10 og fuldfører 80 opgaver med succes:

Cost per completed task = $10 ÷ 80 = $0.125

En model med billigere tokens kan stadig koste mere, hvis den kræver gentagne forsøg, længere tænkning eller omfattende manuel korrektion.

For eksempler på routing, fallback og evaluering, se CometAPI Cookbook.

Ofte stillede spørgsmål

Hvor meget koster Kimi K2.7 Code?

Moonshot angiver i øjeblikket K2.7 Code til:

• $0.19 pr. 1M cache-hit inputtokens
• $0.95 pr. 1M cache-miss inputtokens
• $4.00 pr. 1M outputtokens

Satserne er i øjeblikket markeret som tidsbegrænsede promotionelle priser.

Hvor meget koster K2.7 Code via CometAPI?

CometAPI angiver i øjeblikket K2.7 Code til $0.76 pr. 1M inputtokens og $3.19998 pr. 1M outputtokens.

En separat cache-hit-sats vises ikke på modelsiden.

Reducerer Kimi Batch API omkostningerne, og understøtter det K2.7 Code?

Ja. Batch-inferens koster 60% af realtidsprisen, svarende til 40% besparelse.

Moonshots nuværende Batch-dokumentation viser K2.7 Code, K2.6 og K2.5 som understøttede modeller.

Hvor meget koster Kimi WebSearch?

Moonshots indbyggede $web_search koster $0.005 pr. vellykket kald.

Søgeresultatindhold kan også blive faktureret som inputtokens, når det inkluderes i den næste modelanmodning.

Kan Thinking slås fra på K2.7 Code?

Nej. Anmodninger, der slår Thinking fra, returnerer en fejl.

Er Kimi OpenAI-kompatibel?

Ja. Moonshot dokumenterer kompatibilitet med OpenAI API-formatet, selvom modelspecifikke begrænsninger stadig gælder for Thinking, parametre og flertrins værktøjskald.

Test Kimi K2.7 Code med CometAPI

Kimi K2.7 Code tilbyder konkurrencedygtige priser til kodeagent-arbejdsbelastninger, men den bedste rute afhænger af mere end den annoncerede tokenpris.

Før du vælger en udbyder, sammenlign:

Total workflow cost =
tokens + retries + tools + latency + human correction

CometAPI lader udviklere teste Kimi sammen med GPT, Claude, Gemini, DeepSeek, Grok og andre modelfamilier gennem et samlet API-workflow.

Gennemgå de seneste CometAPI-priser, åbn Kimi K2.7 Code-modelsiden, og benchmark modellen med rigtige opgaver fra dine egne repositories.

Målet er ikke blot at finde den billigste token. Det er at finde den laveste pris pr. fuldført opgave.