Kimi K2.6 er Moonshot AI's indbyggede multimodale agentmodel til langvarige kodeopgaver, kodedrevet design og koordineret opgaveudførelse. Den tager imod tekst, billeder og video og genererer tekst, herunder forklaringer, kode og foreslåede værktøjskald. Dens mixture-of-experts-modelprofil angiver i alt én billion parametre, 32 milliarder aktive parametre og en kontekst på 256K med en visuel MoonViT-encoder.
Producenten udvikler K2.6 til kodning fra start til slut på tværs af sprog og domæner, herunder arbejde i kodebaser, frontendgrænseflader og ydelsesoptimering. Giv den relevante kode, forventet adfærd, den observerede fejl og de betingelser, ændringen skal bevare. Til en visuel opgave skal du kombinere kravene med en læsbar mockup eller et skærmbillede og identificere, om det viser den aktuelle tilstand eller det ønskede resultat.
En illustrativ instruktion er: “Implementer denne grænseflade ud fra den givne visuelle specifikation, bevar feltnavnene, og forklar adfærden i hver krævet tilstand.” Den forventede leverance er kode og dens understøttende forklaring efterfulgt af den faktiske gengivelses- eller valideringsobservation fra applikationen. Genererede grænseflader og tekstforslag er ikke selvstændigt udførte handlinger.
K2.6 understøtter thinking- og instant-tilstande. Thinking udvikler mellemliggende ræsonnement før det endelige svar; instant-tilstand producerer et direkte svar. Producentens udrulningsanbefalinger bruger temperature 1.0 til thinking, 0.6 til instant og top-p 0.95. Det er anbefalinger til den dokumenterede reference, adskilt fra valg af det endelige svars stil eller længde.
En særlig K2.6-funktion er preserve-thinking, som bevarer hele ræsonnementsindholdet på tværs af interaktion med flere samtaleture. Den er deaktiveret som standard og dokumenteret til kodeagenter i thinking-tilstand. Ved brug optager bevaret analyse kontekst sammen med værktøjsobservationer og endelige svar. Hold opgavens accepterede krav tydelige, så en tidligere foreløbig tanke ikke bliver en udokumenteret kendsgerning i den endelige artefakt.
Det konkrete modelkort demonstrerer billed- og videoinput. Mærk flere medieelementer, bevar synlig tekst, og angiv den detalje eller hændelse, du vil have forklaret. Ved et diagram skal du bede om observerede værdier adskilt fra fortolkningen. Ved video skal du identificere det relevante segment og den tidslige ændring, der skal analyseres. Producenten markerer den demonstrerede videoarbejdsgang som eksperimentel i sin reference; billed- og videoforståelse producerer tekst frem for genererede medier.
K2.6 veksler mellem tænkning og værktøjskald i flere trin og dokumenterer en agent-swarm-tilgang fra producenten, som opdeler en opgave i koordinerede, specialiserede grene. Applikationen leverer værktøjer, udfører valgte operationer og returnerer deres observationer. Definer de tilladte handlinger og den endelige artefakt, før en agentopgave begynder, såsom en færdig kildesammenligning, en patch til kodebasen eller et klargjort dokument.
Hold hver returneret observation knyttet til den operation og kilde, der producerede den. En gren eller foreslået værktøjshandling bliver først nyttigt bevismateriale, når dens resultat er tilgængeligt for den fortsættende opgave. De navngivne tilstande og producentens koordinationsdemonstrationer indebærer ikke, at et almindeligt tekstsvar selvstændigt udfører enhver baggrundshandling eller handling på tværs af applikationer.
K2.6 overtager producentens oprindelige INT4-kvantiseringsmetode fra K2 Thinking. Det er en dokumenteret checkpointegenskab, forskellig fra et løfte om enhver omgivende eksekveringskonfiguration. Dens kontekst på 256K skal rumme kilde, samtale, valgfrit bevaret ræsonnement og ønsket output samlet. Modelkortets evalueringsbudgetter er ikke universelle svargrænser.
Gennemgå kode mod kravene, visuelle fund mod inputtet og kildefølsomme påstande mod autoritativt materiale. Hold K2.6 adskilt fra K2.5 og K2-udgaverne kun til tekst, især når preserve-thinking og detaljer i den visuelle arbejdsgang har betydning for opgaven.
", "aboutText": "Kimi K2.6 er Moonshot AI's indbyggede multimodale agentmodel til langvarige kodeopgaver, kodedrevet design og koordineret opgaveudførelse. Den tager imod tekst, billeder og video og genererer tekst, herunder forklaringer, kode og foreslåede værktøjskald. Dens mixture-of-experts-modelprofil angiver i alt én billion parametre, 32 milliarder aktive parametre og en kontekst på 256K med en visuel MoonViT-encoder.\n\n### Kodning og visuelt design\n\nProducenten udvikler K2.6 til kodning fra start til slut på tværs af sprog og domæner, herunder arbejde i kodebaser, frontendgrænseflader og ydelsesoptimering. Giv den relevante kode, forventet adfærd, den observerede fejl og de betingelser, ændringen skal bevare. Til en visuel opgave skal du kombinere kravene med en læsbar mockup eller et skærmbillede og identificere, om det viser den aktuelle tilstand eller det ønskede resultat.\n\nEn illustrativ instruktion er: “Implementer denne grænseflade ud fra den givne visuelle specifikation, bevar feltnavnene, og forklar adfærden i hver krævet tilstand.” Den forventede leverance er kode og dens understøttende forklaring efterfulgt af den faktiske gengivelses- eller valideringsobservation fra applikationen. Genererede grænseflader og tekstforslag er ikke selvstændigt udførte handlinger.\n\n### Tænkning, øjeblikkelige svar og bevaret ræsonnement\n\nK2.6 understøtter thinking- og instant-tilstande. Thinking udvikler mellemliggende ræsonnement før det endelige svar; instant-tilstand producerer et direkte svar. Producentens udrulningsanbefalinger bruger temperature 1.0 til thinking, 0.6 til instant og top-p 0.95. Det er anbefalinger til den dokumenterede reference, adskilt fra valg af det endelige svars stil eller længde.\n\nEn særlig K2.6-funktion er preserve-thinking, som bevarer hele ræsonnementsindholdet på tværs af interaktion med flere samtaleture. Den er deaktiveret som standard og dokumenteret til kodeagenter i thinking-tilstand. Ved brug optager bevaret analyse kontekst sammen med værktøjsobservationer og endelige svar. Hold opgavens accepterede krav tydelige, så en tidligere foreløbig tanke ikke bliver en udokumenteret kendsgerning i den endelige artefakt.\n\n### Multimodale input\n\nDet konkrete modelkort demonstrerer billed- og videoinput. Mærk flere medieelementer, bevar synlig tekst, og angiv den detalje eller hændelse, du vil have forklaret. Ved et diagram skal du bede om observerede værdier adskilt fra fortolkningen. Ved video skal du identificere det relevante segment og den tidslige ændring, der skal analyseres. Producenten markerer den demonstrerede videoarbejdsgang som eksperimentel i sin reference; billed- og videoforståelse producerer tekst frem for genererede medier.\n\n### Værktøjer og koordinering\n\nK2.6 veksler mellem tænkning og værktøjskald i flere trin og dokumenterer en agent-swarm-tilgang fra producenten, som opdeler en opgave i koordinerede, specialiserede grene. Applikationen leverer værktøjer, udfører valgte operationer og returnerer deres observationer. Definer de tilladte handlinger og den endelige artefakt, før en agentopgave begynder, såsom en færdig kildesammenligning, en patch til kodebasen eller et klargjort dokument.\n\nHold hver returneret observation knyttet til den operation og kilde, der producerede den. En gren eller foreslået værktøjshandling bliver først nyttigt bevismateriale, når dens resultat er tilgængeligt for den fortsættende opgave. De navngivne tilstande og producentens koordinationsdemonstrationer indebærer ikke, at et almindeligt tekstsvar selvstændigt udfører enhver baggrundshandling eller handling på tværs af applikationer.\n\n### Kontekst og udgavens omfang\n\nK2.6 overtager producentens oprindelige INT4-kvantiseringsmetode fra K2 Thinking. Det er en dokumenteret checkpointegenskab, forskellig fra et løfte om enhver omgivende eksekveringskonfiguration. Dens kontekst på 256K skal rumme kilde, samtale, valgfrit bevaret ræsonnement og ønsket output samlet. Modelkortets evalueringsbudgetter er ikke universelle svargrænser.\n\nGennemgå kode mod kravene, visuelle fund mod inputtet og kildefølsomme påstande mod autoritativt materiale. Hold K2.6 adskilt fra K2.5 og K2-udgaverne kun til tekst, især når preserve-thinking og detaljer i den visuelle arbejdsgang har betydning for opgaven.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Design a bounded table-sort function\n\nImplement a JavaScript function sortRows(rows, direction) for objects with a numeric score field. Return a new array, preserve input order for equal scores and support only asc or desc; reject other directions. Include examples with tied scores and tests proving the original array is unchanged. Explain how the tie rule is preserved.Function code, tie-order examples and tests for both directions, invalid direction and input preservation.Check that reversing an ascending result does not accidentally reverse equal-score rows.moonshotai/kimi-k2.6Kimi K2.6 er Moonshot AI's multimodale agentmodel til langvarige kodeopgaver, visuelt grænsefladearbejde og værktøjsstyrede opgaver. Den kombinerer tekst, billeder og video med tænkende eller øjeblikkelige svar og dokumenterer valgfri bevarelse af ræsonnement på tværs af samtaleture i en kontekst på 256K.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Kimi K2.6 er Moonshot AI's indbyggede multimodale agentmodel til langvarige kodeopgaver, kodedrevet design og koordineret opgaveudførelse. Den tager imod tekst, billeder og video og genererer tekst, herunder forklaringer, kode og foreslåede værktøjskald. Dens mixture-of-experts-modelprofil angiver i alt én billion parametre, 32 milliarder aktive parametre og en kontekst på 256K med en visuel MoonViT-encoder.
Producenten udvikler K2.6 til kodning fra start til slut på tværs af sprog og domæner, herunder arbejde i kodebaser, frontendgrænseflader og ydelsesoptimering. Giv den relevante kode, forventet adfærd, den observerede fejl og de betingelser, ændringen skal bevare. Til en visuel opgave skal du kombinere kravene med en læsbar mockup eller et skærmbillede og identificere, om det viser den aktuelle tilstand eller det ønskede resultat.
En illustrativ instruktion er: “Implementer denne grænseflade ud fra den givne visuelle specifikation, bevar feltnavnene, og forklar adfærden i hver krævet tilstand.” Den forventede leverance er kode og dens understøttende forklaring efterfulgt af den faktiske gengivelses- eller valideringsobservation fra applikationen. Genererede grænseflader og tekstforslag er ikke selvstændigt udførte handlinger.
K2.6 understøtter thinking- og instant-tilstande. Thinking udvikler mellemliggende ræsonnement før det endelige svar; instant-tilstand producerer et direkte svar. Producentens udrulningsanbefalinger bruger temperature 1.0 til thinking, 0.6 til instant og top-p 0.95. Det er anbefalinger til den dokumenterede reference, adskilt fra valg af det endelige svars stil eller længde.
En særlig K2.6-funktion er preserve-thinking, som bevarer hele ræsonnementsindholdet på tværs af interaktion med flere samtaleture. Den er deaktiveret som standard og dokumenteret til kodeagenter i thinking-tilstand. Ved brug optager bevaret analyse kontekst sammen med værktøjsobservationer og endelige svar. Hold opgavens accepterede krav tydelige, så en tidligere foreløbig tanke ikke bliver en udokumenteret kendsgerning i den endelige artefakt.
Det konkrete modelkort demonstrerer billed- og videoinput. Mærk flere medieelementer, bevar synlig tekst, og angiv den detalje eller hændelse, du vil have forklaret. Ved et diagram skal du bede om observerede værdier adskilt fra fortolkningen. Ved video skal du identificere det relevante segment og den tidslige ændring, der skal analyseres. Producenten markerer den demonstrerede videoarbejdsgang som eksperimentel i sin reference; billed- og videoforståelse producerer tekst frem for genererede medier.
K2.6 veksler mellem tænkning og værktøjskald i flere trin og dokumenterer en agent-swarm-tilgang fra producenten, som opdeler en opgave i koordinerede, specialiserede grene. Applikationen leverer værktøjer, udfører valgte operationer og returnerer deres observationer. Definer de tilladte handlinger og den endelige artefakt, før en agentopgave begynder, såsom en færdig kildesammenligning, en patch til kodebasen eller et klargjort dokument.
Hold hver returneret observation knyttet til den operation og kilde, der producerede den. En gren eller foreslået værktøjshandling bliver først nyttigt bevismateriale, når dens resultat er tilgængeligt for den fortsættende opgave. De navngivne tilstande og producentens koordinationsdemonstrationer indebærer ikke, at et almindeligt tekstsvar selvstændigt udfører enhver baggrundshandling eller handling på tværs af applikationer.
K2.6 overtager producentens oprindelige INT4-kvantiseringsmetode fra K2 Thinking. Det er en dokumenteret checkpointegenskab, forskellig fra et løfte om enhver omgivende eksekveringskonfiguration. Dens kontekst på 256K skal rumme kilde, samtale, valgfrit bevaret ræsonnement og ønsket output samlet. Modelkortets evalueringsbudgetter er ikke universelle svargrænser.
Gennemgå kode mod kravene, visuelle fund mod inputtet og kildefølsomme påstande mod autoritativt materiale. Hold K2.6 adskilt fra K2.5 og K2-udgaverne kun til tekst, især når preserve-thinking og detaljer i den visuelle arbejdsgang har betydning for opgaven.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser moonshotai/kimi-k2.6 | 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.
Knyt hver omkostning til de viste betingelser. Brug én takst for hver gruppe af alternative konfigurationer.
| Konfiguration | Takstplan | Konteksttokens, mere end | Konteksttokens, op til og med | Beløb |
|---|---|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Konteksttokens, mere end— | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0019 / 1K tokens Output · Outputtokens $0.008 / 1K tokens Input · Cachelæsning $0.00032 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0019 / 1K tokens Output · Outputtokens $0.008 / 1K tokens Input · Cachelæsning $0.00032 / 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-k2.6", "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-k2.6',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-k2.6',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-k2.6
Brug metodestierne vist ovenfor.
moonshotai/kimi-k2.6Kimi K2.6 er Moonshot AI's multimodale agentmodel til langvarige kodeopgaver, visuelt grænsefladearbejde og værktøjsstyrede opgaver. Den kombinerer tekst, billeder og video med tænkende eller øjeblikkelige svar og dokumenterer valgfri bevarelse af ræsonnement på tværs af samtaleture i en kontekst på 256K.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Kimi K2.6 er Moonshot AI's indbyggede multimodale agentmodel til langvarige kodeopgaver, kodedrevet design og koordineret opgaveudførelse. Den tager imod tekst, billeder og video og genererer tekst, herunder forklaringer, kode og foreslåede værktøjskald. Dens mixture-of-experts-modelprofil angiver i alt én billion parametre, 32 milliarder aktive parametre og en kontekst på 256K med en visuel MoonViT-encoder.
Producenten udvikler K2.6 til kodning fra start til slut på tværs af sprog og domæner, herunder arbejde i kodebaser, frontendgrænseflader og ydelsesoptimering. Giv den relevante kode, forventet adfærd, den observerede fejl og de betingelser, ændringen skal bevare. Til en visuel opgave skal du kombinere kravene med en læsbar mockup eller et skærmbillede og identificere, om det viser den aktuelle tilstand eller det ønskede resultat.
En illustrativ instruktion er: “Implementer denne grænseflade ud fra den givne visuelle specifikation, bevar feltnavnene, og forklar adfærden i hver krævet tilstand.” Den forventede leverance er kode og dens understøttende forklaring efterfulgt af den faktiske gengivelses- eller valideringsobservation fra applikationen. Genererede grænseflader og tekstforslag er ikke selvstændigt udførte handlinger.
K2.6 understøtter thinking- og instant-tilstande. Thinking udvikler mellemliggende ræsonnement før det endelige svar; instant-tilstand producerer et direkte svar. Producentens udrulningsanbefalinger bruger temperature 1.0 til thinking, 0.6 til instant og top-p 0.95. Det er anbefalinger til den dokumenterede reference, adskilt fra valg af det endelige svars stil eller længde.
En særlig K2.6-funktion er preserve-thinking, som bevarer hele ræsonnementsindholdet på tværs af interaktion med flere samtaleture. Den er deaktiveret som standard og dokumenteret til kodeagenter i thinking-tilstand. Ved brug optager bevaret analyse kontekst sammen med værktøjsobservationer og endelige svar. Hold opgavens accepterede krav tydelige, så en tidligere foreløbig tanke ikke bliver en udokumenteret kendsgerning i den endelige artefakt.
Det konkrete modelkort demonstrerer billed- og videoinput. Mærk flere medieelementer, bevar synlig tekst, og angiv den detalje eller hændelse, du vil have forklaret. Ved et diagram skal du bede om observerede værdier adskilt fra fortolkningen. Ved video skal du identificere det relevante segment og den tidslige ændring, der skal analyseres. Producenten markerer den demonstrerede videoarbejdsgang som eksperimentel i sin reference; billed- og videoforståelse producerer tekst frem for genererede medier.
K2.6 veksler mellem tænkning og værktøjskald i flere trin og dokumenterer en agent-swarm-tilgang fra producenten, som opdeler en opgave i koordinerede, specialiserede grene. Applikationen leverer værktøjer, udfører valgte operationer og returnerer deres observationer. Definer de tilladte handlinger og den endelige artefakt, før en agentopgave begynder, såsom en færdig kildesammenligning, en patch til kodebasen eller et klargjort dokument.
Hold hver returneret observation knyttet til den operation og kilde, der producerede den. En gren eller foreslået værktøjshandling bliver først nyttigt bevismateriale, når dens resultat er tilgængeligt for den fortsættende opgave. De navngivne tilstande og producentens koordinationsdemonstrationer indebærer ikke, at et almindeligt tekstsvar selvstændigt udfører enhver baggrundshandling eller handling på tværs af applikationer.
K2.6 overtager producentens oprindelige INT4-kvantiseringsmetode fra K2 Thinking. Det er en dokumenteret checkpointegenskab, forskellig fra et løfte om enhver omgivende eksekveringskonfiguration. Dens kontekst på 256K skal rumme kilde, samtale, valgfrit bevaret ræsonnement og ønsket output samlet. Modelkortets evalueringsbudgetter er ikke universelle svargrænser.
Gennemgå kode mod kravene, visuelle fund mod inputtet og kildefølsomme påstande mod autoritativt materiale. Hold K2.6 adskilt fra K2.5 og K2-udgaverne kun til tekst, især når preserve-thinking og detaljer i den visuelle arbejdsgang har betydning for opgaven.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser moonshotai/kimi-k2.6 | 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.
Knyt hver omkostning til de viste betingelser. Brug én takst for hver gruppe af alternative konfigurationer.
| Konfiguration | Takstplan | Konteksttokens, mere end | Konteksttokens, op til og med | Beløb |
|---|---|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Konteksttokens, mere end— | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0019 / 1K tokens Output · Outputtokens $0.008 / 1K tokens Input · Cachelæsning $0.00032 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0019 / 1K tokens Output · Outputtokens $0.008 / 1K tokens Input · Cachelæsning $0.00032 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "moonshotai/kimi-k2.6",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-k2.6', '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-k2.6', '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-k2.6
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Design a bounded table-sort function\n\nImplement a JavaScript function sortRows(rows, direction) for objects with a numeric score field. Return a new array, preserve input order for equal scores and support only asc or desc; reject other directions. Include examples with tied scores and tests proving the original array is unchanged. Explain how the tie rule is preserved.Function code, tie-order examples and tests for both directions, invalid direction and input preservation.Check that reversing an ascending result does not accidentally reverse equal-score rows.