Kimi K2 Thinking er Moonshot AI’s ræsonnementsagentudgave, udviklet fra Kimi K2. Den arbejder sig gennem en opgave, mens den vælger funktioner stillet til rådighed af den omgivende applikation og forbinder mellemliggende analyse med værktøjsobservationer, før det endelige svar produceres. Den offentliggjorte mixture-of-experts-profil har én billion parametre i alt, 32 milliarder aktive parametre og en kontekst på 256K. Det dokumenterede opgaveinput og svar er tekst.
Udvikleren udvikler K2 Thinking til forsknings-, programmerings- og skriveforløb, som kræver mange trin. Det karakteristiske er vekslen mellem ræsonnement og funktionskald frem for at behandle tænkning og handling som to uafhængige faser. En nyttig opgavebeskrivelse angiver spørgsmålet, de tilgængelige kilder eller værktøjer, tilladte handlinger og det resultat, der markerer afslutning.
Ved forskning gives kriterierne for en relevant kilde, og det kræves, at konklusionen henviser til de indhentede belæg. Ved programmering medtages den relevante implementering, fejladfærd og begrænsninger, hvorefter der bedes om den endelige patch og understøttende observationer. Et eksempel på en prompt er: “Brug den givne kode og værktøjsresultaterne til at identificere årsagen, foreslå en afgrænset ændring og skelne mellem afsluttet validering og en kontrol, som stadig skal køres.”
K2 Thinking bruger quantization-aware training under eftertræning og anvender oprindelig INT4-kvantisering af kun vægte på mixture-of-experts-komponenter. Dette er en forskel i udviklerens checkpoint, ikke en grund til at tilskrive modellen en anden K2-udgaves præcision eller modalitet. Det oprindelige modelformat forbliver adskilt fra, hvordan en bestemt applikation kører det.
Det præcise modelkort bruger K2 Instruct-indstillingerne for værktøjskald. Giv de tilgængelige funktionsnavne, beskrivelser og parameterskemaer i hver anmodning. Modellen bestemmer, hvornår og hvordan den kalder dem. Applikationen fortolker de foreslåede argumenter, udfører den valgte funktion og returnerer resultatet i en værktøjsbesked med den tilhørende identifikator og det tilhørende navn. Næste modeltrin kan bruge observationen eller vælge en anden handling.
Behold de oprindelige observationer i samtalen, og beskriv, hvad der tæller som et afsluttet resultat. Et valgt søgekald er ikke en indhentet kilde, før applikationen returnerer den, og genereret kode er ikke en vellykket udførelse. Ved et struktureret resultat kontrolleres både felterne og deres overensstemmelse med de givne belæg.
Udvikleren anbefaler temperature 1.0 og giver en enkel systeminstruktion til en assistent som standard, når der ikke er behov for en særlig instruktion. Angiv slutresultatets sprog og form separat: en kort konklusion, en analyse med kildehenvisninger eller et koderesultat. Ræsonnementsindholdet og det endelige svar har forskellige formål og skal fortsat kunne skelnes fra hinanden.
Konteksten på 256K skal rumme instruktioner, kildemateriale, samtale, ræsonnement og værktøjsresultater. En lang værktøjsstyret opgave kan samle mere kontekst, end det oprindelige spørgsmål antyder. Hold belæggene relevante, og bevar det krævede resultat gennem opfølgningerne. Modelkortets forskellige ræsonnementsbudgetter ved evaluering og størrelsen på eksempelsvar er ikke universelle faste outputlofter.
Et nyttigt endeligt svar forbinder konklusionen med de faktiske kilder eller observationer og angiver oplysninger, der stadig er uafklarede. K2 Thinking er en separat udgave til tekstræsonnement; billed- og videoinput samt indstillinger for øjeblikkelig tilstand eller bevarelse af ræsonnement beskrevet for senere K2.5- og K2.6-udgaver skal ikke antages ud fra det fælles familienavn.
", "aboutText": "Kimi K2 Thinking er Moonshot AI’s ræsonnementsagentudgave, udviklet fra Kimi K2. Den arbejder sig gennem en opgave, mens den vælger funktioner stillet til rådighed af den omgivende applikation og forbinder mellemliggende analyse med værktøjsobservationer, før det endelige svar produceres. Den offentliggjorte mixture-of-experts-profil har én billion parametre i alt, 32 milliarder aktive parametre og en kontekst på 256K. Det dokumenterede opgaveinput og svar er tekst.\n\n### Dybdegående ræsonnement og lange opgaver\n\nUdvikleren udvikler K2 Thinking til forsknings-, programmerings- og skriveforløb, som kræver mange trin. Det karakteristiske er vekslen mellem ræsonnement og funktionskald frem for at behandle tænkning og handling som to uafhængige faser. En nyttig opgavebeskrivelse angiver spørgsmålet, de tilgængelige kilder eller værktøjer, tilladte handlinger og det resultat, der markerer afslutning.\n\nVed forskning gives kriterierne for en relevant kilde, og det kræves, at konklusionen henviser til de indhentede belæg. Ved programmering medtages den relevante implementering, fejladfærd og begrænsninger, hvorefter der bedes om den endelige patch og understøttende observationer. Et eksempel på en prompt er: “Brug den givne kode og værktøjsresultaterne til at identificere årsagen, foreslå en afgrænset ændring og skelne mellem afsluttet validering og en kontrol, som stadig skal køres.”\n\n### Udviklerens checkpoint og kvantisering\n\nK2 Thinking bruger quantization-aware training under eftertræning og anvender oprindelig INT4-kvantisering af kun vægte på mixture-of-experts-komponenter. Dette er en forskel i udviklerens checkpoint, ikke en grund til at tilskrive modellen en anden K2-udgaves præcision eller modalitet. Det oprindelige modelformat forbliver adskilt fra, hvordan en bestemt applikation kører det.\n\n### Forløb med værktøjskald\n\nDet præcise modelkort bruger K2 Instruct-indstillingerne for værktøjskald. Giv de tilgængelige funktionsnavne, beskrivelser og parameterskemaer i hver anmodning. Modellen bestemmer, hvornår og hvordan den kalder dem. Applikationen fortolker de foreslåede argumenter, udfører den valgte funktion og returnerer resultatet i en værktøjsbesked med den tilhørende identifikator og det tilhørende navn. Næste modeltrin kan bruge observationen eller vælge en anden handling.\n\nBehold de oprindelige observationer i samtalen, og beskriv, hvad der tæller som et afsluttet resultat. Et valgt søgekald er ikke en indhentet kilde, før applikationen returnerer den, og genereret kode er ikke en vellykket udførelse. Ved et struktureret resultat kontrolleres både felterne og deres overensstemmelse med de givne belæg.\n\n### Prompts og svarbudgetter\n\nUdvikleren anbefaler temperature 1.0 og giver en enkel systeminstruktion til en assistent som standard, når der ikke er behov for en særlig instruktion. Angiv slutresultatets sprog og form separat: en kort konklusion, en analyse med kildehenvisninger eller et koderesultat. Ræsonnementsindholdet og det endelige svar har forskellige formål og skal fortsat kunne skelnes fra hinanden.\n\nKonteksten på 256K skal rumme instruktioner, kildemateriale, samtale, ræsonnement og værktøjsresultater. En lang værktøjsstyret opgave kan samle mere kontekst, end det oprindelige spørgsmål antyder. Hold belæggene relevante, og bevar det krævede resultat gennem opfølgningerne. Modelkortets forskellige ræsonnementsbudgetter ved evaluering og størrelsen på eksempelsvar er ikke universelle faste outputlofter.\n\nEt nyttigt endeligt svar forbinder konklusionen med de faktiske kilder eller observationer og angiver oplysninger, der stadig er uafklarede. K2 Thinking er en separat udgave til tekstræsonnement; billed- og videoinput samt indstillinger for øjeblikkelig tilstand eller bevarelse af ræsonnement beskrevet for senere K2.5- og K2.6-udgaver skal ikke antages ud fra det fælles familienavn.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Continue debugging from a real observation\n\nUse this supplied development observation: a test expected rows ordered by created_at, but equal timestamps appeared in different orders across runs. Query text is 'ORDER BY created_at'. Propose a deterministic tie-breaker using the unique id field, explain its effect and specify the next test. Distinguish the reported test result from checks still proposed.A focused query change, causal explanation and a test for rows sharing the same timestamp.The revised ordering includes a unique tie-breaker, and the answer does not claim the new test has run.moonshotai/kimi-k2-thinkingKimi K2 Thinking er Moonshot AI's agent til tekstræsonnement, som veksler mellem analyse og funktionskald. Dens kontekst på 256K og producentens oprindelige INT4-checkpoint understøtter research, kodning og skrivning i flere trin med endelige svar forankret i observationer returneret af de angivne værktøjer.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Kimi K2 Thinking er Moonshot AI’s ræsonnementsagentudgave, udviklet fra Kimi K2. Den arbejder sig gennem en opgave, mens den vælger funktioner stillet til rådighed af den omgivende applikation og forbinder mellemliggende analyse med værktøjsobservationer, før det endelige svar produceres. Den offentliggjorte mixture-of-experts-profil har én billion parametre i alt, 32 milliarder aktive parametre og en kontekst på 256K. Det dokumenterede opgaveinput og svar er tekst.
Udvikleren udvikler K2 Thinking til forsknings-, programmerings- og skriveforløb, som kræver mange trin. Det karakteristiske er vekslen mellem ræsonnement og funktionskald frem for at behandle tænkning og handling som to uafhængige faser. En nyttig opgavebeskrivelse angiver spørgsmålet, de tilgængelige kilder eller værktøjer, tilladte handlinger og det resultat, der markerer afslutning.
Ved forskning gives kriterierne for en relevant kilde, og det kræves, at konklusionen henviser til de indhentede belæg. Ved programmering medtages den relevante implementering, fejladfærd og begrænsninger, hvorefter der bedes om den endelige patch og understøttende observationer. Et eksempel på en prompt er: “Brug den givne kode og værktøjsresultaterne til at identificere årsagen, foreslå en afgrænset ændring og skelne mellem afsluttet validering og en kontrol, som stadig skal køres.”
K2 Thinking bruger quantization-aware training under eftertræning og anvender oprindelig INT4-kvantisering af kun vægte på mixture-of-experts-komponenter. Dette er en forskel i udviklerens checkpoint, ikke en grund til at tilskrive modellen en anden K2-udgaves præcision eller modalitet. Det oprindelige modelformat forbliver adskilt fra, hvordan en bestemt applikation kører det.
Det præcise modelkort bruger K2 Instruct-indstillingerne for værktøjskald. Giv de tilgængelige funktionsnavne, beskrivelser og parameterskemaer i hver anmodning. Modellen bestemmer, hvornår og hvordan den kalder dem. Applikationen fortolker de foreslåede argumenter, udfører den valgte funktion og returnerer resultatet i en værktøjsbesked med den tilhørende identifikator og det tilhørende navn. Næste modeltrin kan bruge observationen eller vælge en anden handling.
Behold de oprindelige observationer i samtalen, og beskriv, hvad der tæller som et afsluttet resultat. Et valgt søgekald er ikke en indhentet kilde, før applikationen returnerer den, og genereret kode er ikke en vellykket udførelse. Ved et struktureret resultat kontrolleres både felterne og deres overensstemmelse med de givne belæg.
Udvikleren anbefaler temperature 1.0 og giver en enkel systeminstruktion til en assistent som standard, når der ikke er behov for en særlig instruktion. Angiv slutresultatets sprog og form separat: en kort konklusion, en analyse med kildehenvisninger eller et koderesultat. Ræsonnementsindholdet og det endelige svar har forskellige formål og skal fortsat kunne skelnes fra hinanden.
Konteksten på 256K skal rumme instruktioner, kildemateriale, samtale, ræsonnement og værktøjsresultater. En lang værktøjsstyret opgave kan samle mere kontekst, end det oprindelige spørgsmål antyder. Hold belæggene relevante, og bevar det krævede resultat gennem opfølgningerne. Modelkortets forskellige ræsonnementsbudgetter ved evaluering og størrelsen på eksempelsvar er ikke universelle faste outputlofter.
Et nyttigt endeligt svar forbinder konklusionen med de faktiske kilder eller observationer og angiver oplysninger, der stadig er uafklarede. K2 Thinking er en separat udgave til tekstræsonnement; billed- og videoinput samt indstillinger for øjeblikkelig tilstand eller bevarelse af ræsonnement beskrevet for senere K2.5- og K2.6-udgaver skal ikke antages ud fra det fælles familienavn.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser moonshotai/kimi-k2-thinking | 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 $0.0012 / 1K tokens Output · Outputtokens $0.005 / 1K tokens Input · Cachelæsning $0.0003 / 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 $0.0012 / 1K tokens Output · Outputtokens $0.005 / 1K tokens Input · Cachelæsning $0.0003 / 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-thinking", "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-thinking',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-thinking',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-thinking
Brug metodestierne vist ovenfor.
moonshotai/kimi-k2-thinkingKimi K2 Thinking er Moonshot AI's agent til tekstræsonnement, som veksler mellem analyse og funktionskald. Dens kontekst på 256K og producentens oprindelige INT4-checkpoint understøtter research, kodning og skrivning i flere trin med endelige svar forankret i observationer returneret af de angivne værktøjer.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Kimi K2 Thinking er Moonshot AI’s ræsonnementsagentudgave, udviklet fra Kimi K2. Den arbejder sig gennem en opgave, mens den vælger funktioner stillet til rådighed af den omgivende applikation og forbinder mellemliggende analyse med værktøjsobservationer, før det endelige svar produceres. Den offentliggjorte mixture-of-experts-profil har én billion parametre i alt, 32 milliarder aktive parametre og en kontekst på 256K. Det dokumenterede opgaveinput og svar er tekst.
Udvikleren udvikler K2 Thinking til forsknings-, programmerings- og skriveforløb, som kræver mange trin. Det karakteristiske er vekslen mellem ræsonnement og funktionskald frem for at behandle tænkning og handling som to uafhængige faser. En nyttig opgavebeskrivelse angiver spørgsmålet, de tilgængelige kilder eller værktøjer, tilladte handlinger og det resultat, der markerer afslutning.
Ved forskning gives kriterierne for en relevant kilde, og det kræves, at konklusionen henviser til de indhentede belæg. Ved programmering medtages den relevante implementering, fejladfærd og begrænsninger, hvorefter der bedes om den endelige patch og understøttende observationer. Et eksempel på en prompt er: “Brug den givne kode og værktøjsresultaterne til at identificere årsagen, foreslå en afgrænset ændring og skelne mellem afsluttet validering og en kontrol, som stadig skal køres.”
K2 Thinking bruger quantization-aware training under eftertræning og anvender oprindelig INT4-kvantisering af kun vægte på mixture-of-experts-komponenter. Dette er en forskel i udviklerens checkpoint, ikke en grund til at tilskrive modellen en anden K2-udgaves præcision eller modalitet. Det oprindelige modelformat forbliver adskilt fra, hvordan en bestemt applikation kører det.
Det præcise modelkort bruger K2 Instruct-indstillingerne for værktøjskald. Giv de tilgængelige funktionsnavne, beskrivelser og parameterskemaer i hver anmodning. Modellen bestemmer, hvornår og hvordan den kalder dem. Applikationen fortolker de foreslåede argumenter, udfører den valgte funktion og returnerer resultatet i en værktøjsbesked med den tilhørende identifikator og det tilhørende navn. Næste modeltrin kan bruge observationen eller vælge en anden handling.
Behold de oprindelige observationer i samtalen, og beskriv, hvad der tæller som et afsluttet resultat. Et valgt søgekald er ikke en indhentet kilde, før applikationen returnerer den, og genereret kode er ikke en vellykket udførelse. Ved et struktureret resultat kontrolleres både felterne og deres overensstemmelse med de givne belæg.
Udvikleren anbefaler temperature 1.0 og giver en enkel systeminstruktion til en assistent som standard, når der ikke er behov for en særlig instruktion. Angiv slutresultatets sprog og form separat: en kort konklusion, en analyse med kildehenvisninger eller et koderesultat. Ræsonnementsindholdet og det endelige svar har forskellige formål og skal fortsat kunne skelnes fra hinanden.
Konteksten på 256K skal rumme instruktioner, kildemateriale, samtale, ræsonnement og værktøjsresultater. En lang værktøjsstyret opgave kan samle mere kontekst, end det oprindelige spørgsmål antyder. Hold belæggene relevante, og bevar det krævede resultat gennem opfølgningerne. Modelkortets forskellige ræsonnementsbudgetter ved evaluering og størrelsen på eksempelsvar er ikke universelle faste outputlofter.
Et nyttigt endeligt svar forbinder konklusionen med de faktiske kilder eller observationer og angiver oplysninger, der stadig er uafklarede. K2 Thinking er en separat udgave til tekstræsonnement; billed- og videoinput samt indstillinger for øjeblikkelig tilstand eller bevarelse af ræsonnement beskrevet for senere K2.5- og K2.6-udgaver skal ikke antages ud fra det fælles familienavn.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser moonshotai/kimi-k2-thinking | 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 $0.0012 / 1K tokens Output · Outputtokens $0.005 / 1K tokens Input · Cachelæsning $0.0003 / 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 $0.0012 / 1K tokens Output · Outputtokens $0.005 / 1K tokens Input · Cachelæsning $0.0003 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "moonshotai/kimi-k2-thinking",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-thinking', '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-thinking', '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-thinking
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Continue debugging from a real observation\n\nUse this supplied development observation: a test expected rows ordered by created_at, but equal timestamps appeared in different orders across runs. Query text is 'ORDER BY created_at'. Propose a deterministic tie-breaker using the unique id field, explain its effect and specify the next test. Distinguish the reported test result from checks still proposed.A focused query change, causal explanation and a test for rows sharing the same timestamp.The revised ordering includes a unique tie-breaker, and the answer does not claim the new test has run.