Kimi-Dev-72B er Moonshot AI's kodesprogmodel til softwareudviklingsopgaver med særligt fokus på løsning af problemer i eksisterende kodebaser. Den tager imod tekst og producerer tekst, herunder kodeforslag, forklaringer og test. Dens design tager udgangspunkt i Qwen 2.5 72B-basismodellen og udvikler de evner, der kræves for at omsætte en fejlrapport til en ændring, som kan gennemgås.
BugFixer og TestWriter. Producenten behandler rettelse af en implementering og skrivning af den test, der reproducerer dens defekt, som komplementære evner. Begge bruger samme struktur i to trin: identificer filen, der kræver opmærksomhed, og foretag derefter den relevante kodeændring. En nyttig rettelsestest fejler, når fejlen er til stede, og består, når den tilsigtede rettelse anvendes. Det giver modellen et praktisk fokus på relationen mellem rapporten, implementeringen og eksekverbar dokumentation.
Mellemtræning. Holdet rapporterer cirka 150 milliarder tokens yderligere træning fra materiale af høj kvalitet fra den virkelige verden, herunder millioner af fejlrapporter og pull-request-commits. Dette trin lærer mønstre i, hvordan udviklere undersøger en rapport, redigerer kode og skriver enhedstest. Holdet udelader også SWE-bench Verified-kodebaser fra træningssamlingen for at reducere kontaminering.
Forstærkningslæring. Efter superviseret finjustering fokuserer forstærkningslæringsfasen på kodeændringer. Belønningen bruger det endelige eksekveringsudfald i en containeriseret kodebase; producenten beskriver succes som, at hele testsuiten består. Træningsprocessen filtrerer opgaver fra, hvor flere samplede forsøg alle fejler, introducerer gradvist sværere prompter og genbruger nylige vellykkede eksempler til at forstærke effektive rettelsesmønstre.
Forbered et reelt problem. Giv forventet adfærd, det observerede resultat og en minimal reproduktion, og medtag derefter de relevante kildefiler, fejloutput og eksisterende test. Bevar filstier og funktionsnavne uændrede. Bed modellen identificere den sandsynlige fil og forklare, hvordan fejlen følger af den givne implementering, før den præsenterer en patch. Den resulterende artefakt bør angive, hvilken kode der ændres, hvorfor ændringen adresserer rapporten, og hvilken eksisterende adfærd den skal bevare.
Forbered regressionstesten. Giv projektets aktuelle testkonventioner og repræsentative testdata. Bed om en test, der udløser den oprindelige fejl, sammen med den assertion, der adskiller korrekt fra ukorrekt adfærd. Til en rapport om et grænsetilfælde skal du navngive grænsebetingelsen frem for at bede om generisk ekstra dækning. Et nyttigt svar kan indeholde både en minimal ændring og en målrettet test, så gennemlæseren direkte kan sammenligne den foreslåede rettelse med problemet.
Selvspil under test. Moonshots forskningsarbejdsgang lader også fejlrettelses- og testskrivningsforslag kontrollere hinanden. Det er en evaluerings- og koordinationsteknik omkring modellen: en testkandidat kan udfordre en patch, og en patch kan kontrolleres mod testen. I en applikation kan samme idé styre en gennemgangsanmodning, der beder om et modeksempel til en foreslået rettelse, før den endelige ændring accepteres.
Tekstsvaret er et forslag, indtil det anvendes og afprøves i den faktiske kodebase. Filadgang, ændringer, containereksekvering og testresultater kommer fra det omgivende udviklingsmiljø. Medtag outputtene fra disse kontroller i en opfølgningsanmodning, så modellen kan ræsonnere over den observerede fejl frem for en forestillet kørsel. Bevar projektbegrænsningerne, og bed om den mindste begrundede ændring, når problemet berører en moden kodebase.
", "aboutText": "Kimi-Dev-72B er Moonshot AI's kodesprogmodel til softwareudviklingsopgaver med særligt fokus på løsning af problemer i eksisterende kodebaser. Den tager imod tekst og producerer tekst, herunder kodeforslag, forklaringer og test. Dens design tager udgangspunkt i Qwen 2.5 72B-basismodellen og udvikler de evner, der kræves for at omsætte en fejlrapport til en ændring, som kan gennemgås.\n\nBugFixer og TestWriter. Producenten behandler rettelse af en implementering og skrivning af den test, der reproducerer dens defekt, som komplementære evner. Begge bruger samme struktur i to trin: identificer filen, der kræver opmærksomhed, og foretag derefter den relevante kodeændring. En nyttig rettelsestest fejler, når fejlen er til stede, og består, når den tilsigtede rettelse anvendes. Det giver modellen et praktisk fokus på relationen mellem rapporten, implementeringen og eksekverbar dokumentation.\n\nMellemtræning. Holdet rapporterer cirka 150 milliarder tokens yderligere træning fra materiale af høj kvalitet fra den virkelige verden, herunder millioner af fejlrapporter og pull-request-commits. Dette trin lærer mønstre i, hvordan udviklere undersøger en rapport, redigerer kode og skriver enhedstest. Holdet udelader også SWE-bench Verified-kodebaser fra træningssamlingen for at reducere kontaminering.\n\nForstærkningslæring. Efter superviseret finjustering fokuserer forstærkningslæringsfasen på kodeændringer. Belønningen bruger det endelige eksekveringsudfald i en containeriseret kodebase; producenten beskriver succes som, at hele testsuiten består. Træningsprocessen filtrerer opgaver fra, hvor flere samplede forsøg alle fejler, introducerer gradvist sværere prompter og genbruger nylige vellykkede eksempler til at forstærke effektive rettelsesmønstre.\n\nForbered et reelt problem. Giv forventet adfærd, det observerede resultat og en minimal reproduktion, og medtag derefter de relevante kildefiler, fejloutput og eksisterende test. Bevar filstier og funktionsnavne uændrede. Bed modellen identificere den sandsynlige fil og forklare, hvordan fejlen følger af den givne implementering, før den præsenterer en patch. Den resulterende artefakt bør angive, hvilken kode der ændres, hvorfor ændringen adresserer rapporten, og hvilken eksisterende adfærd den skal bevare.\n\nForbered regressionstesten. Giv projektets aktuelle testkonventioner og repræsentative testdata. Bed om en test, der udløser den oprindelige fejl, sammen med den assertion, der adskiller korrekt fra ukorrekt adfærd. Til en rapport om et grænsetilfælde skal du navngive grænsebetingelsen frem for at bede om generisk ekstra dækning. Et nyttigt svar kan indeholde både en minimal ændring og en målrettet test, så gennemlæseren direkte kan sammenligne den foreslåede rettelse med problemet.\n\nSelvspil under test. Moonshots forskningsarbejdsgang lader også fejlrettelses- og testskrivningsforslag kontrollere hinanden. Det er en evaluerings- og koordinationsteknik omkring modellen: en testkandidat kan udfordre en patch, og en patch kan kontrolleres mod testen. I en applikation kan samme idé styre en gennemgangsanmodning, der beder om et modeksempel til en foreslået rettelse, før den endelige ændring accepteres.\n\nTekstsvaret er et forslag, indtil det anvendes og afprøves i den faktiske kodebase. Filadgang, ændringer, containereksekvering og testresultater kommer fra det omgivende udviklingsmiljø. Medtag outputtene fra disse kontroller i en opfølgningsanmodning, så modellen kan ræsonnere over den observerede fejl frem for en forestillet kørsel. Bevar projektbegrænsningerne, og bed om den mindste begrundede ændring, når problemet berører en moden kodebase.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Fix a mutable default argument\n\nIssue in utils.py: def add_tag(tag, tags=[]): tags.append(tag); return tags. Separate calls unexpectedly share prior tags. Expected behavior: omitted tags starts a fresh list; an explicitly supplied list is still updated. Propose the smallest patch and a regression test using standard unittest that fails on the original. Keep the function name and argument order.A focused utils.py patch and unittest cases covering independent defaults and explicit-list mutation.Check the regression makes two independent calls and detects leakage between them.moonshotai/Kimi-Dev-72BKimi-Dev-72B er Moonshot AI's kodemodel til løsning af softwareproblemer. Dens design forbinder fejlrettelse med skrivning af regressionstest: find de relevante filer, foreslå en patch, og producer en test, der demonstrerer den oprindelige fejl.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Kimi-Dev-72B er Moonshot AI's kodesprogmodel til softwareudviklingsopgaver med særligt fokus på løsning af problemer i eksisterende kodebaser. Den tager imod tekst og producerer tekst, herunder kodeforslag, forklaringer og test. Dens design tager udgangspunkt i Qwen 2.5 72B-basismodellen og udvikler de evner, der kræves for at omsætte en fejlrapport til en ændring, som kan gennemgås.
BugFixer og TestWriter. Producenten behandler rettelse af en implementering og skrivning af den test, der reproducerer dens defekt, som komplementære evner. Begge bruger samme struktur i to trin: identificer filen, der kræver opmærksomhed, og foretag derefter den relevante kodeændring. En nyttig rettelsestest fejler, når fejlen er til stede, og består, når den tilsigtede rettelse anvendes. Det giver modellen et praktisk fokus på relationen mellem rapporten, implementeringen og eksekverbar dokumentation.
Mellemtræning. Holdet rapporterer cirka 150 milliarder tokens yderligere træning fra materiale af høj kvalitet fra den virkelige verden, herunder millioner af fejlrapporter og pull-request-commits. Dette trin lærer mønstre i, hvordan udviklere undersøger en rapport, redigerer kode og skriver enhedstest. Holdet udelader også SWE-bench Verified-kodebaser fra træningssamlingen for at reducere kontaminering.
Forstærkningslæring. Efter superviseret finjustering fokuserer forstærkningslæringsfasen på kodeændringer. Belønningen bruger det endelige eksekveringsudfald i en containeriseret kodebase; producenten beskriver succes som, at hele testsuiten består. Træningsprocessen filtrerer opgaver fra, hvor flere samplede forsøg alle fejler, introducerer gradvist sværere prompter og genbruger nylige vellykkede eksempler til at forstærke effektive rettelsesmønstre.
Forbered et reelt problem. Giv forventet adfærd, det observerede resultat og en minimal reproduktion, og medtag derefter de relevante kildefiler, fejloutput og eksisterende test. Bevar filstier og funktionsnavne uændrede. Bed modellen identificere den sandsynlige fil og forklare, hvordan fejlen følger af den givne implementering, før den præsenterer en patch. Den resulterende artefakt bør angive, hvilken kode der ændres, hvorfor ændringen adresserer rapporten, og hvilken eksisterende adfærd den skal bevare.
Forbered regressionstesten. Giv projektets aktuelle testkonventioner og repræsentative testdata. Bed om en test, der udløser den oprindelige fejl, sammen med den assertion, der adskiller korrekt fra ukorrekt adfærd. Til en rapport om et grænsetilfælde skal du navngive grænsebetingelsen frem for at bede om generisk ekstra dækning. Et nyttigt svar kan indeholde både en minimal ændring og en målrettet test, så gennemlæseren direkte kan sammenligne den foreslåede rettelse med problemet.
Selvspil under test. Moonshots forskningsarbejdsgang lader også fejlrettelses- og testskrivningsforslag kontrollere hinanden. Det er en evaluerings- og koordinationsteknik omkring modellen: en testkandidat kan udfordre en patch, og en patch kan kontrolleres mod testen. I en applikation kan samme idé styre en gennemgangsanmodning, der beder om et modeksempel til en foreslået rettelse, før den endelige ændring accepteres.
Tekstsvaret er et forslag, indtil det anvendes og afprøves i den faktiske kodebase. Filadgang, ændringer, containereksekvering og testresultater kommer fra det omgivende udviklingsmiljø. Medtag outputtene fra disse kontroller i en opfølgningsanmodning, så modellen kan ræsonnere over den observerede fejl frem for en forestillet kørsel. Bevar projektbegrænsningerne, og bed om den mindste begrundede ændring, når problemet berører en moden kodebase.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser moonshotai/Kimi-Dev-72B | Standard— |
Feltmessages | Typemessage[] | KravPåkrævet | Værdier og grænser Minimumsantal elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrævet | Værdier og grænser Eksempler: system, user, assistant, tool, function Betingelser: Disse roller er eksplicit repræsenteret i kildekodens kompatibilitetstyper; modellens præcise rollesæt er fortsat modelspecifikt. Afhænger af modellen | Standard— |
Feltmessages[].content | Typestring|content_part[]|null | KravValgfrit | Værdier og grænser | Standard— |
Feltmessages[].tool_calls | Typetool_call[] | KravValgfrit | Værdier og grænser | Standard— |
Feltmessages[].tool_call_id | Typestring | KravValgfrit | Værdier og grænser Gælder når: role=tool; brug det faktisk returnerede ID | Standard— |
Feltmessages[].name | Typestring | KravValgfrit | Værdier og grænser | Standard— |
Feltmessages[].reasoning_content | Typestring | KravValgfrit | Værdier og grænser Gælder når: Send det faktisk returnerede ræsonnement tilbage, når modellen bruger det | Standard— |
Feltmessages[].reasoning_details | Typeobject|array | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltmax_tokens | Typeinteger | KravValgfrit | Værdier og grænser Minimum: 1 Afhænger af modellen | Standard— |
Feltmax_completion_tokens | Typeinteger | KravValgfrit | Værdier og grænser Minimum: 1 Afhænger af modellen | Standard— |
Feltstream | Typeboolean | KravValgfrit | Værdier og grænser | Standardfalse |
Feltstream_options.include_usage | Typeboolean | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttemperature | Typenumber | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttop_p | Typenumber | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltstop | Typestring|string[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttools | Typefunction_tool[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttools[].type | Typestring | KravValgfrit | Værdier og grænser function Afhænger af modellen | Standard— |
Felttools[].function.name | Typestring | KravPåkrævet | Værdier og grænser Gælder når: funktionsværktøj angivet | Standard— |
Felttools[].function.description | Typestring | KravValgfrit | Værdier og grænser | Standard— |
Felttools[].function.parameters | TypeJSON_schema | KravValgfrit | Værdier og grænser | Standard— |
Felttool_choice | Typestring|object | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltparallel_tool_calls | Typeboolean | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltresponse_format | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltreasoning_effort | Typestring | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltreasoning | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltservice_tier | Typestring | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltinstructions | Typestring | KravValgfrit | Værdier og grænser Kompatibilitetsfelt | Standard— |
Feltfunctions | Typefunction[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltfunction_call | Typestring|object | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltprompt_cache_options | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltmodalities | Typestring[] | KravValgfrit | Værdier og grænser text | Standard— |
Feltprovider | Typeobject | KravValgfrit | Værdier og grænser Betingelser: provider.options afvises på denne Ultra-tekstrute | Standard— |
Feltcache_control.ttl | Typestring | KravValgfrit | Værdier og grænser Betingelser: 1h afvises på de faktiske placeringer for promptcaching | Standard— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, messages |
Parametermaterial_types | Kontrakttext |
Parametermessages | Kontraktbeskedarray med strukturen role/content |
Parameterfile_material | Kontraktfaktisk UTF-8-dokument indsat som bogstavelig tekst; intet fil-ID udledes |
Parameteroptional_controls | Kontraktstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Kontraktmodelspecifikt; brugerens funktionsværktøjer er forskellige fra hostede værktøjer |
Parameteroutput_modalities | Kontrakttext |
Parameterhosted_operations | Kontraktfalse |
Parametermultimodal_input_binding | Kontraktnull |
Livscyklus: synchronous_or_streamed
Send det præcise model-ID med messages.
Kontekstlængde er ikke et outputloft.
En tekstfil kan levere bogstavelig tekst; billed-, lyd- og filobjektinput kræver en præcis binding.
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
| Konfiguration | Takstplan | Beløb |
|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Beløb Input · Inputtokens $0.0006 / 1K tokens Output · Outputtokens $0.00228 / 1K tokens Input · Cachelæsning $0 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "moonshotai/Kimi-Dev-72B", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='moonshotai/Kimi-Dev-72B',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='moonshotai/Kimi-Dev-72B',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson eller SSE
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Bevar hvert valg og dets indhold, værktøjskald og ræsonnement. Saml i SSE deltaer efter valg-/værktøjsindeks, og bevar den endelige afslutningsårsag og forbrugsoplysningerne.
Bevar anmodnings-/svar-ID’er og headere. Der leveres ingen generel URL til at hente tekstjob.
| Felt | Type |
|---|---|
Feltchoices[].index | Typeinteger |
Feltchoices[].message.content | Typestring|null |
Feltchoices[].message.tool_calls | Typetool_call[] |
Feltchoices[].message.reasoning_content | Typestring |
Feltchoices[].message.reasoning_details | Typeobject|array |
Feltchoices[].finish_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdi | Næste trinRet de angivne felter før en ny oprettelsesanmodning. |
Ailoot Ultra moonshotai/Kimi-Dev-72B
Brug metodestierne vist ovenfor.
moonshotai/Kimi-Dev-72BKimi-Dev-72B er Moonshot AI's kodemodel til løsning af softwareproblemer. Dens design forbinder fejlrettelse med skrivning af regressionstest: find de relevante filer, foreslå en patch, og producer en test, der demonstrerer den oprindelige fejl.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Kimi-Dev-72B er Moonshot AI's kodesprogmodel til softwareudviklingsopgaver med særligt fokus på løsning af problemer i eksisterende kodebaser. Den tager imod tekst og producerer tekst, herunder kodeforslag, forklaringer og test. Dens design tager udgangspunkt i Qwen 2.5 72B-basismodellen og udvikler de evner, der kræves for at omsætte en fejlrapport til en ændring, som kan gennemgås.
BugFixer og TestWriter. Producenten behandler rettelse af en implementering og skrivning af den test, der reproducerer dens defekt, som komplementære evner. Begge bruger samme struktur i to trin: identificer filen, der kræver opmærksomhed, og foretag derefter den relevante kodeændring. En nyttig rettelsestest fejler, når fejlen er til stede, og består, når den tilsigtede rettelse anvendes. Det giver modellen et praktisk fokus på relationen mellem rapporten, implementeringen og eksekverbar dokumentation.
Mellemtræning. Holdet rapporterer cirka 150 milliarder tokens yderligere træning fra materiale af høj kvalitet fra den virkelige verden, herunder millioner af fejlrapporter og pull-request-commits. Dette trin lærer mønstre i, hvordan udviklere undersøger en rapport, redigerer kode og skriver enhedstest. Holdet udelader også SWE-bench Verified-kodebaser fra træningssamlingen for at reducere kontaminering.
Forstærkningslæring. Efter superviseret finjustering fokuserer forstærkningslæringsfasen på kodeændringer. Belønningen bruger det endelige eksekveringsudfald i en containeriseret kodebase; producenten beskriver succes som, at hele testsuiten består. Træningsprocessen filtrerer opgaver fra, hvor flere samplede forsøg alle fejler, introducerer gradvist sværere prompter og genbruger nylige vellykkede eksempler til at forstærke effektive rettelsesmønstre.
Forbered et reelt problem. Giv forventet adfærd, det observerede resultat og en minimal reproduktion, og medtag derefter de relevante kildefiler, fejloutput og eksisterende test. Bevar filstier og funktionsnavne uændrede. Bed modellen identificere den sandsynlige fil og forklare, hvordan fejlen følger af den givne implementering, før den præsenterer en patch. Den resulterende artefakt bør angive, hvilken kode der ændres, hvorfor ændringen adresserer rapporten, og hvilken eksisterende adfærd den skal bevare.
Forbered regressionstesten. Giv projektets aktuelle testkonventioner og repræsentative testdata. Bed om en test, der udløser den oprindelige fejl, sammen med den assertion, der adskiller korrekt fra ukorrekt adfærd. Til en rapport om et grænsetilfælde skal du navngive grænsebetingelsen frem for at bede om generisk ekstra dækning. Et nyttigt svar kan indeholde både en minimal ændring og en målrettet test, så gennemlæseren direkte kan sammenligne den foreslåede rettelse med problemet.
Selvspil under test. Moonshots forskningsarbejdsgang lader også fejlrettelses- og testskrivningsforslag kontrollere hinanden. Det er en evaluerings- og koordinationsteknik omkring modellen: en testkandidat kan udfordre en patch, og en patch kan kontrolleres mod testen. I en applikation kan samme idé styre en gennemgangsanmodning, der beder om et modeksempel til en foreslået rettelse, før den endelige ændring accepteres.
Tekstsvaret er et forslag, indtil det anvendes og afprøves i den faktiske kodebase. Filadgang, ændringer, containereksekvering og testresultater kommer fra det omgivende udviklingsmiljø. Medtag outputtene fra disse kontroller i en opfølgningsanmodning, så modellen kan ræsonnere over den observerede fejl frem for en forestillet kørsel. Bevar projektbegrænsningerne, og bed om den mindste begrundede ændring, når problemet berører en moden kodebase.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser moonshotai/Kimi-Dev-72B | Standard— |
Feltmessages | Typemessage[] | KravPåkrævet | Værdier og grænser | Standard— |
Feltmessages[].role | Typestring | KravPåkrævet | Værdier og grænser user, assistant | Standard— |
Feltmessages[].content | Typestring | KravPåkrævet | Værdier og grænser | Standard— |
Feltmax_tokens | Typeinteger | KravPåkrævet | Værdier og grænser | Standard— |
Feltstream | Typeboolean | KravValgfrit | Værdier og grænser | Standardfalse |
Tekst · UTF-8-tekst
messages[].content som streng
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, messages, max_tokens |
Parameteroptional_controls | Kontraktstream |
Parametermaterial_types | Kontrakttext |
Parametertext_file_material | KontraktLæs det faktiske UTF-8-dokument, og indsæt teksten i det angivne input eller beskedens indholdsstreng. |
Livscyklus: synchronous_or_streamed
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
| Konfiguration | Takstplan | Beløb |
|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Beløb Input · Inputtokens $0.0006 / 1K tokens Output · Outputtokens $0.00228 / 1K tokens Input · Cachelæsning $0 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "moonshotai/Kimi-Dev-72B",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'moonshotai/Kimi-Dev-72B', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'moonshotai/Kimi-Dev-72B', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON eller SSE
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Bevar alle indholdsblokke, ræsonnementssignaturer og faktiske værktøjsbrugs-ID’er. Saml alle SSE-blokdeltaer; den første tekstblok er ikke hele outputtet.
Bevar anmodnings-/svar-ID’er og headere. Der leveres ingen generel URL til at hente tekstjob.
| Felt | Type |
|---|---|
Feltid | Typestring |
Feltmodel | Typestring |
Feltcontent[] | Typetext|thinking|tool_use|other content block |
Feltstop_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdi | Næste trinRet de angivne felter før en ny oprettelsesanmodning. |
Ailoot Ultra moonshotai/Kimi-Dev-72B
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Fix a mutable default argument\n\nIssue in utils.py: def add_tag(tag, tags=[]): tags.append(tag); return tags. Separate calls unexpectedly share prior tags. Expected behavior: omitted tags starts a fresh list; an explicitly supplied list is still updated. Propose the smallest patch and a regression test using standard unittest that fails on the original. Keep the function name and argument order.A focused utils.py patch and unittest cases covering independent defaults and explicit-list mutation.Check the regression makes two independent calls and detects leakage between them.