Kimi K2 Instruct 0711 er Moonshot AI's oprindelige eftertrænede K2-tekstmodel til generel chat og agentopgaver. Producenten adskiller den fra K2 Base, som er grundmodellen, og beskriver instruktionsudgaven som refleksbaseret uden lang tænkning. Den tager imod tekst og genererer svar, kode og værktøjskaldsindhold med en kontekst på 128K.
K2 er en mixture-of-experts-model med i alt én billion parametre og 32 milliarder aktive parametre. Producentens oversigt bruger multi-head latent attention og sparsom ekspertrouting med valg af otte ud af 384 eksperter pr. token sammen med en fælles ekspert. Fortræningen bruger 15,5 billioner tokens og optimeringstilgangen MuonClip, udviklet til stabil træning på modellens skala.
Det er egenskaber ved den oprindelige K2-familie. Instruktionsudgivelsen leverer derefter den adfærd, der bruges til chat, kodning og autonom problemløsning med applikationsværktøjer. Dens identitet forbliver adskilt fra den senere 0905-kontekstudvidelse, den særskilte Thinking-udgivelse og de multimodale K2.5- og K2.6-modeller.
Til et spørgsmål skal du give den kontekst, der fastlægger svaret, og identificere den svarform, du kræver. Til en kodeopgave skal du medtage den relevante implementering, observeret fejl, forventet adfærd og begrænsninger, der skal bevares. En illustrativ anmodning er: “Forklar, hvorfor dette input fejler, foreslå den mindste rettelse, og returner den ændrede funktion med den understøttende kildebetingelse.”
Til dokumentarbejde skal du navngive passagerne og kriterierne for en sammenligning. Bed resultatet bevare egennavne, feltidentifikatorer og enheder og identificere oplysninger, materialet ikke indeholder. Den ønskede artefakt bør forblive udtrykkelig gennem revisioner frem for at blive erstattet af brede kommentarer.
Den oprindelige producentvejledning anbefaler temperature 0.6 og tilbyder en enkel assistentsysteminstruktion som standard, når en specialiseret rolle er unødvendig. Denne modelprofil producerer opgavesvaret direkte frem for at pålægge den senere Thinking-models udvidede kontrakt for vekslende ræsonnement. Fastlæg slutsvarets sprog, obligatoriske detaljer og forventede længde uafhængigt af samplinganbefalingen.
K2 Instruct understøtter funktioner leveret i hver anmodning med navne, beskrivelser og parameterskemaer. Modellen vælger, hvornår og hvordan de skal kaldes. Applikationen parser de foreslåede JSON-argumenter og udfører den valgte operation; returnerede observationer indgår i samtalen med den matchende værktøjskaldsidentifikator og funktionsnavn. Det følgende svar kan bruge disse faktiske resultater til at svare eller fortsætte en opgave.
Definer, hvad hvert værktøj gør, og hvilke handlinger der er tilladt. Et dokumentopslag kan returnere det manglende produktfelt, mens et udviklingsværktøj kan returnere kildekode eller en observeret fejl. En valgt operation er ikke bevis for eksekvering, før resultatet er tilgængeligt. Bevar observationen med opgaven, så en endelig konklusion kan identificere, hvad der understøtter den.
Det oprindelige vindue på 128K indeholder kildetekst, samtale, værktøjshistorik og genereret indhold samlet. Reserver plads til svaret, og organiser en lang kodebase- eller dokumentsamling omkring det faktiske spørgsmål. Modelkortets eksempelstørrelse for fuldførelse fastlægger ikke et universelt fast svarloft.
Det nyttige resultat er en gennemgået tekst, et kodeforslag eller en kildebaseret analyse. Kontroller værdier mod det givne materiale og kode i den tilsigtede applikation. Bevar 0711-udgavens direkte instruktionsprofil i stedet for at tillægge den senere kontekst, billedinput eller funktioner til ræsonnementsbevarelse fra en anden K2-udgivelse.
", "aboutText": "Kimi K2 Instruct 0711 er Moonshot AI's oprindelige eftertrænede K2-tekstmodel til generel chat og agentopgaver. Producenten adskiller den fra K2 Base, som er grundmodellen, og beskriver instruktionsudgaven som refleksbaseret uden lang tænkning. Den tager imod tekst og genererer svar, kode og værktøjskaldsindhold med en kontekst på 128K.\n\n### Arkitektur og træning\n\nK2 er en mixture-of-experts-model med i alt én billion parametre og 32 milliarder aktive parametre. Producentens oversigt bruger multi-head latent attention og sparsom ekspertrouting med valg af otte ud af 384 eksperter pr. token sammen med en fælles ekspert. Fortræningen bruger 15,5 billioner tokens og optimeringstilgangen MuonClip, udviklet til stabil træning på modellens skala.\n\nDet er egenskaber ved den oprindelige K2-familie. Instruktionsudgivelsen leverer derefter den adfærd, der bruges til chat, kodning og autonom problemløsning med applikationsværktøjer. Dens identitet forbliver adskilt fra den senere 0905-kontekstudvidelse, den særskilte Thinking-udgivelse og de multimodale K2.5- og K2.6-modeller.\n\n### Forbered opgaven\n\nTil et spørgsmål skal du give den kontekst, der fastlægger svaret, og identificere den svarform, du kræver. Til en kodeopgave skal du medtage den relevante implementering, observeret fejl, forventet adfærd og begrænsninger, der skal bevares. En illustrativ anmodning er: “Forklar, hvorfor dette input fejler, foreslå den mindste rettelse, og returner den ændrede funktion med den understøttende kildebetingelse.”\n\nTil dokumentarbejde skal du navngive passagerne og kriterierne for en sammenligning. Bed resultatet bevare egennavne, feltidentifikatorer og enheder og identificere oplysninger, materialet ikke indeholder. Den ønskede artefakt bør forblive udtrykkelig gennem revisioner frem for at blive erstattet af brede kommentarer.\n\n### Chatprofil\n\nDen oprindelige producentvejledning anbefaler temperature 0.6 og tilbyder en enkel assistentsysteminstruktion som standard, når en specialiseret rolle er unødvendig. Denne modelprofil producerer opgavesvaret direkte frem for at pålægge den senere Thinking-models udvidede kontrakt for vekslende ræsonnement. Fastlæg slutsvarets sprog, obligatoriske detaljer og forventede længde uafhængigt af samplinganbefalingen.\n\n### Værktøjer og observationer\n\nK2 Instruct understøtter funktioner leveret i hver anmodning med navne, beskrivelser og parameterskemaer. Modellen vælger, hvornår og hvordan de skal kaldes. Applikationen parser de foreslåede JSON-argumenter og udfører den valgte operation; returnerede observationer indgår i samtalen med den matchende værktøjskaldsidentifikator og funktionsnavn. Det følgende svar kan bruge disse faktiske resultater til at svare eller fortsætte en opgave.\n\nDefiner, hvad hvert værktøj gør, og hvilke handlinger der er tilladt. Et dokumentopslag kan returnere det manglende produktfelt, mens et udviklingsværktøj kan returnere kildekode eller en observeret fejl. En valgt operation er ikke bevis for eksekvering, før resultatet er tilgængeligt. Bevar observationen med opgaven, så en endelig konklusion kan identificere, hvad der understøtter den.\n\n### Kontekst og resultatgennemgang\n\nDet oprindelige vindue på 128K indeholder kildetekst, samtale, værktøjshistorik og genereret indhold samlet. Reserver plads til svaret, og organiser en lang kodebase- eller dokumentsamling omkring det faktiske spørgsmål. Modelkortets eksempelstørrelse for fuldførelse fastlægger ikke et universelt fast svarloft.\n\nDet nyttige resultat er en gennemgået tekst, et kodeforslag eller en kildebaseret analyse. Kontroller værdier mod det givne materiale og kode i den tilsigtede applikation. Bevar 0711-udgavens direkte instruktionsprofil i stedet for at tillægge den senere kontekst, billedinput eller funktioner til ræsonnementsbevarelse fra en anden K2-udgivelse.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Fix an empty-input crash\n\nFix this Python function: def first_name(names): return names[0].strip(). For an empty list it must return None; otherwise preserve the existing trimming behavior, including returning an empty string for whitespace-only input. Return a minimal implementation and tests for an empty list, a padded name and a whitespace-only name.A revised first_name function and three tests with explicit expected values.Check that only an empty list returns None and that a whitespace-only first value still returns an empty string.moonshotai/kimi-k2Kimi K2 Instruct 0711 er Moonshot AI's oprindelige eftertrænede K2-tekstmodel til chat, kodning og værktøjsstyrede agenter. Dens kontekst på 128K og refleksbaserede svarprofil producerer svar, kode og valgte funktionskald uden den senere K2 Thinking-arbejdsgang.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Kimi K2 Instruct 0711 er Moonshot AI's oprindelige eftertrænede K2-tekstmodel til generel chat og agentopgaver. Producenten adskiller den fra K2 Base, som er grundmodellen, og beskriver instruktionsudgaven som refleksbaseret uden lang tænkning. Den tager imod tekst og genererer svar, kode og værktøjskaldsindhold med en kontekst på 128K.
K2 er en mixture-of-experts-model med i alt én billion parametre og 32 milliarder aktive parametre. Producentens oversigt bruger multi-head latent attention og sparsom ekspertrouting med valg af otte ud af 384 eksperter pr. token sammen med en fælles ekspert. Fortræningen bruger 15,5 billioner tokens og optimeringstilgangen MuonClip, udviklet til stabil træning på modellens skala.
Det er egenskaber ved den oprindelige K2-familie. Instruktionsudgivelsen leverer derefter den adfærd, der bruges til chat, kodning og autonom problemløsning med applikationsværktøjer. Dens identitet forbliver adskilt fra den senere 0905-kontekstudvidelse, den særskilte Thinking-udgivelse og de multimodale K2.5- og K2.6-modeller.
Til et spørgsmål skal du give den kontekst, der fastlægger svaret, og identificere den svarform, du kræver. Til en kodeopgave skal du medtage den relevante implementering, observeret fejl, forventet adfærd og begrænsninger, der skal bevares. En illustrativ anmodning er: “Forklar, hvorfor dette input fejler, foreslå den mindste rettelse, og returner den ændrede funktion med den understøttende kildebetingelse.”
Til dokumentarbejde skal du navngive passagerne og kriterierne for en sammenligning. Bed resultatet bevare egennavne, feltidentifikatorer og enheder og identificere oplysninger, materialet ikke indeholder. Den ønskede artefakt bør forblive udtrykkelig gennem revisioner frem for at blive erstattet af brede kommentarer.
Den oprindelige producentvejledning anbefaler temperature 0.6 og tilbyder en enkel assistentsysteminstruktion som standard, når en specialiseret rolle er unødvendig. Denne modelprofil producerer opgavesvaret direkte frem for at pålægge den senere Thinking-models udvidede kontrakt for vekslende ræsonnement. Fastlæg slutsvarets sprog, obligatoriske detaljer og forventede længde uafhængigt af samplinganbefalingen.
K2 Instruct understøtter funktioner leveret i hver anmodning med navne, beskrivelser og parameterskemaer. Modellen vælger, hvornår og hvordan de skal kaldes. Applikationen parser de foreslåede JSON-argumenter og udfører den valgte operation; returnerede observationer indgår i samtalen med den matchende værktøjskaldsidentifikator og funktionsnavn. Det følgende svar kan bruge disse faktiske resultater til at svare eller fortsætte en opgave.
Definer, hvad hvert værktøj gør, og hvilke handlinger der er tilladt. Et dokumentopslag kan returnere det manglende produktfelt, mens et udviklingsværktøj kan returnere kildekode eller en observeret fejl. En valgt operation er ikke bevis for eksekvering, før resultatet er tilgængeligt. Bevar observationen med opgaven, så en endelig konklusion kan identificere, hvad der understøtter den.
Det oprindelige vindue på 128K indeholder kildetekst, samtale, værktøjshistorik og genereret indhold samlet. Reserver plads til svaret, og organiser en lang kodebase- eller dokumentsamling omkring det faktiske spørgsmål. Modelkortets eksempelstørrelse for fuldførelse fastlægger ikke et universelt fast svarloft.
Det nyttige resultat er en gennemgået tekst, et kodeforslag eller en kildebaseret analyse. Kontroller værdier mod det givne materiale og kode i den tilsigtede applikation. Bevar 0711-udgavens direkte instruktionsprofil i stedet for at tillægge den senere kontekst, billedinput eller funktioner til ræsonnementsbevarelse fra en anden K2-udgivelse.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser moonshotai/kimi-k2 | 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 $0.00114 / 1K tokens Output · Outputtokens $0.0046 / 1K tokens Input · Cachelæsning — / 1K tokens Input · Cacheskrivning — / 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 $0.00114 / 1K tokens Output · Outputtokens $0.0046 / 1K tokens Input · Cachelæsning — / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${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", "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',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',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
Brug metodestierne vist ovenfor.
moonshotai/kimi-k2Kimi K2 Instruct 0711 er Moonshot AI's oprindelige eftertrænede K2-tekstmodel til chat, kodning og værktøjsstyrede agenter. Dens kontekst på 128K og refleksbaserede svarprofil producerer svar, kode og valgte funktionskald uden den senere K2 Thinking-arbejdsgang.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Kimi K2 Instruct 0711 er Moonshot AI's oprindelige eftertrænede K2-tekstmodel til generel chat og agentopgaver. Producenten adskiller den fra K2 Base, som er grundmodellen, og beskriver instruktionsudgaven som refleksbaseret uden lang tænkning. Den tager imod tekst og genererer svar, kode og værktøjskaldsindhold med en kontekst på 128K.
K2 er en mixture-of-experts-model med i alt én billion parametre og 32 milliarder aktive parametre. Producentens oversigt bruger multi-head latent attention og sparsom ekspertrouting med valg af otte ud af 384 eksperter pr. token sammen med en fælles ekspert. Fortræningen bruger 15,5 billioner tokens og optimeringstilgangen MuonClip, udviklet til stabil træning på modellens skala.
Det er egenskaber ved den oprindelige K2-familie. Instruktionsudgivelsen leverer derefter den adfærd, der bruges til chat, kodning og autonom problemløsning med applikationsværktøjer. Dens identitet forbliver adskilt fra den senere 0905-kontekstudvidelse, den særskilte Thinking-udgivelse og de multimodale K2.5- og K2.6-modeller.
Til et spørgsmål skal du give den kontekst, der fastlægger svaret, og identificere den svarform, du kræver. Til en kodeopgave skal du medtage den relevante implementering, observeret fejl, forventet adfærd og begrænsninger, der skal bevares. En illustrativ anmodning er: “Forklar, hvorfor dette input fejler, foreslå den mindste rettelse, og returner den ændrede funktion med den understøttende kildebetingelse.”
Til dokumentarbejde skal du navngive passagerne og kriterierne for en sammenligning. Bed resultatet bevare egennavne, feltidentifikatorer og enheder og identificere oplysninger, materialet ikke indeholder. Den ønskede artefakt bør forblive udtrykkelig gennem revisioner frem for at blive erstattet af brede kommentarer.
Den oprindelige producentvejledning anbefaler temperature 0.6 og tilbyder en enkel assistentsysteminstruktion som standard, når en specialiseret rolle er unødvendig. Denne modelprofil producerer opgavesvaret direkte frem for at pålægge den senere Thinking-models udvidede kontrakt for vekslende ræsonnement. Fastlæg slutsvarets sprog, obligatoriske detaljer og forventede længde uafhængigt af samplinganbefalingen.
K2 Instruct understøtter funktioner leveret i hver anmodning med navne, beskrivelser og parameterskemaer. Modellen vælger, hvornår og hvordan de skal kaldes. Applikationen parser de foreslåede JSON-argumenter og udfører den valgte operation; returnerede observationer indgår i samtalen med den matchende værktøjskaldsidentifikator og funktionsnavn. Det følgende svar kan bruge disse faktiske resultater til at svare eller fortsætte en opgave.
Definer, hvad hvert værktøj gør, og hvilke handlinger der er tilladt. Et dokumentopslag kan returnere det manglende produktfelt, mens et udviklingsværktøj kan returnere kildekode eller en observeret fejl. En valgt operation er ikke bevis for eksekvering, før resultatet er tilgængeligt. Bevar observationen med opgaven, så en endelig konklusion kan identificere, hvad der understøtter den.
Det oprindelige vindue på 128K indeholder kildetekst, samtale, værktøjshistorik og genereret indhold samlet. Reserver plads til svaret, og organiser en lang kodebase- eller dokumentsamling omkring det faktiske spørgsmål. Modelkortets eksempelstørrelse for fuldførelse fastlægger ikke et universelt fast svarloft.
Det nyttige resultat er en gennemgået tekst, et kodeforslag eller en kildebaseret analyse. Kontroller værdier mod det givne materiale og kode i den tilsigtede applikation. Bevar 0711-udgavens direkte instruktionsprofil i stedet for at tillægge den senere kontekst, billedinput eller funktioner til ræsonnementsbevarelse fra en anden K2-udgivelse.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser moonshotai/kimi-k2 | 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 $0.00114 / 1K tokens Output · Outputtokens $0.0046 / 1K tokens Input · Cachelæsning — / 1K tokens Input · Cacheskrivning — / 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 $0.00114 / 1K tokens Output · Outputtokens $0.0046 / 1K tokens Input · Cachelæsning — / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "moonshotai/kimi-k2",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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', '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', '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
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Fix an empty-input crash\n\nFix this Python function: def first_name(names): return names[0].strip(). For an empty list it must return None; otherwise preserve the existing trimming behavior, including returning an empty string for whitespace-only input. Return a minimal implementation and tests for an empty list, a padded name and a whitespace-only name.A revised first_name function and three tests with explicit expected values.Check that only an empty list returns None and that a whitespace-only first value still returns an empty string.