Kimi K2.6 ist das native multimodale Agentenmodell von Moonshot AI für langfristige Programmieraufgaben, codegestütztes Design und koordinierte Aufgabenausführung. Es nimmt Text, Bilder und Video entgegen und erzeugt Text, darunter Erklärungen, Code und vorgeschlagene Werkzeugaufrufe. Sein Mixture-of-Experts-Modellprofil nennt insgesamt eine Billion Parameter, 32 Milliarden aktive Parameter und einen Kontext von 256K, mit einem visuellen MoonViT-Encoder.
Der Hersteller entwickelt K2.6 für durchgängige Programmieraufgaben über Sprachen und Domänen hinweg, darunter Repository-Arbeit, Frontend-Oberflächen und Leistungsoptimierung. Stellen Sie den relevanten Code, das erwartete Verhalten, den beobachteten Fehler und die Bedingungen bereit, die die Änderung bewahren muss. Verbinden Sie bei einer visuellen Aufgabe die Anforderungen mit einem lesbaren Mockup oder Screenshot und benennen Sie, ob dieser den aktuellen Zustand oder das gewünschte Ergebnis zeigt.
Eine beispielhafte Anweisung lautet: „Implementieren Sie diese Oberfläche anhand der bereitgestellten visuellen Spezifikation, bewahren Sie die Feldnamen und erklären Sie das Verhalten jedes erforderlichen Zustands.“ Das erwartete Ergebnis sind Code und seine stützende Erklärung, gefolgt von der tatsächlichen Beobachtung aus Darstellung oder Validierung in der Anwendung. Erzeugte Oberflächen und Textvorschläge sind keine eigenständig ausgeführten Aktionen.
K2.6 unterstützt Thinking- und Instant-Modi. Thinking entwickelt vor der endgültigen Antwort Zwischenschritte des schlussfolgernden Denkens; der Instant-Modus erzeugt eine direkte Antwort. Die Bereitstellungsempfehlungen des Herstellers verwenden temperature 1.0 für Thinking, 0.6 für Instant und top-p 0.95. Das sind Empfehlungen für seine dokumentierte Referenz und getrennt von der Wahl des Stils oder der Länge der endgültigen Antwort.
Eine spezifische Funktion von K2.6 ist preserve-thinking, die vollständige Reasoning-Inhalte über Interaktionen mit mehreren Gesprächsrunden hinweg bewahrt. Sie ist standardmäßig deaktiviert und für Programmieragenten im Thinking-Modus dokumentiert. Bei ihrer Verwendung verbraucht die bewahrte Analyse gemeinsam mit Werkzeugbeobachtungen und endgültigen Antworten Kontext. Halten Sie die akzeptierten Anforderungen der Aufgabe klar, damit ein früherer vorläufiger Gedanke nicht zu einem unbelegten Fakt im abschließenden Artefakt wird.
Die genaue Modellkarte demonstriert Bild- und Videoeingaben. Kennzeichnen Sie mehrere Medienelemente, bewahren Sie sichtbaren Text und geben Sie das Detail oder Ereignis an, das erklärt werden soll. Verlangen Sie bei einem Diagramm beobachtete Werte getrennt von der Interpretation. Benennen Sie für Video den relevanten Abschnitt und die zu analysierende zeitliche Veränderung. Der Hersteller kennzeichnet den demonstrierten Videoablauf in seiner Referenz als experimentell; Bild- und Videoverständnis erzeugt Text statt generierter Medien.
K2.6 verschachtelt Thinking mit mehrstufigen Werkzeugaufrufen und dokumentiert einen Agentenschwarm-Ansatz des Herstellers, der eine Aufgabe in koordinierte, spezialisierte Zweige zerlegt. Die Anwendung stellt Werkzeuge bereit, führt ausgewählte Operationen aus und liefert deren Beobachtungen zurück. Definieren Sie erlaubte Aktionen und das abschließende Artefakt, bevor eine Agentenaufgabe beginnt, etwa einen abgeschlossenen Quellenvergleich, einen Repository-Patch oder ein vorbereitetes Dokument.
Ordnen Sie jede zurückgegebene Beobachtung der Operation und Quelle zu, die sie erzeugt haben. Ein Zweig oder eine vorgeschlagene Werkzeugaktion wird erst dann zu einem nützlichen Beleg, wenn sein beziehungsweise ihr Ergebnis für die fortlaufende Aufgabe verfügbar ist. Die benannten Modi und Orchestrierungsdemonstrationen des Herstellers bedeuten nicht, dass eine gewöhnliche Textantwort jede Hintergrund- oder anwendungsübergreifende Aktion eigenständig ausführt.
K2.6 übernimmt die native INT4-Quantisierungsmethode des Herstellers von K2 Thinking. Das ist eine dokumentierte Eigenschaft des Modellstands und unterscheidet sich von einer Zusage über eine umgebende Ausführungskonfiguration. Sein Kontext von 256K muss Quellen, Gespräch, optional bewahrtes Reasoning und gewünschte Ausgabe gemeinsam aufnehmen. Die Evaluationsbudgets der Modellkarte sind keine universellen Antwortgrenzen.
Prüfen Sie Code anhand der Anforderungen, visuelle Feststellungen anhand der Eingabe und quellenabhängige Aussagen anhand maßgeblichen Materials. Halten Sie K2.6 getrennt von K2.5 und den reinen Textausgaben von K2, insbesondere wenn preserve-thinking und Details visueller Arbeitsabläufe für die Aufgabe wichtig sind.
", "aboutText": "Kimi K2.6 ist das native multimodale Agentenmodell von Moonshot AI für langfristige Programmieraufgaben, codegestütztes Design und koordinierte Aufgabenausführung. Es nimmt Text, Bilder und Video entgegen und erzeugt Text, darunter Erklärungen, Code und vorgeschlagene Werkzeugaufrufe. Sein Mixture-of-Experts-Modellprofil nennt insgesamt eine Billion Parameter, 32 Milliarden aktive Parameter und einen Kontext von 256K, mit einem visuellen MoonViT-Encoder.\n\n### Programmierung und visuelles Design\n\nDer Hersteller entwickelt K2.6 für durchgängige Programmieraufgaben über Sprachen und Domänen hinweg, darunter Repository-Arbeit, Frontend-Oberflächen und Leistungsoptimierung. Stellen Sie den relevanten Code, das erwartete Verhalten, den beobachteten Fehler und die Bedingungen bereit, die die Änderung bewahren muss. Verbinden Sie bei einer visuellen Aufgabe die Anforderungen mit einem lesbaren Mockup oder Screenshot und benennen Sie, ob dieser den aktuellen Zustand oder das gewünschte Ergebnis zeigt.\n\nEine beispielhafte Anweisung lautet: „Implementieren Sie diese Oberfläche anhand der bereitgestellten visuellen Spezifikation, bewahren Sie die Feldnamen und erklären Sie das Verhalten jedes erforderlichen Zustands.“ Das erwartete Ergebnis sind Code und seine stützende Erklärung, gefolgt von der tatsächlichen Beobachtung aus Darstellung oder Validierung in der Anwendung. Erzeugte Oberflächen und Textvorschläge sind keine eigenständig ausgeführten Aktionen.\n\n### Thinking, Sofortantworten und bewahrtes Reasoning\n\nK2.6 unterstützt Thinking- und Instant-Modi. Thinking entwickelt vor der endgültigen Antwort Zwischenschritte des schlussfolgernden Denkens; der Instant-Modus erzeugt eine direkte Antwort. Die Bereitstellungsempfehlungen des Herstellers verwenden temperature 1.0 für Thinking, 0.6 für Instant und top-p 0.95. Das sind Empfehlungen für seine dokumentierte Referenz und getrennt von der Wahl des Stils oder der Länge der endgültigen Antwort.\n\nEine spezifische Funktion von K2.6 ist preserve-thinking, die vollständige Reasoning-Inhalte über Interaktionen mit mehreren Gesprächsrunden hinweg bewahrt. Sie ist standardmäßig deaktiviert und für Programmieragenten im Thinking-Modus dokumentiert. Bei ihrer Verwendung verbraucht die bewahrte Analyse gemeinsam mit Werkzeugbeobachtungen und endgültigen Antworten Kontext. Halten Sie die akzeptierten Anforderungen der Aufgabe klar, damit ein früherer vorläufiger Gedanke nicht zu einem unbelegten Fakt im abschließenden Artefakt wird.\n\n### Multimodale Eingaben\n\nDie genaue Modellkarte demonstriert Bild- und Videoeingaben. Kennzeichnen Sie mehrere Medienelemente, bewahren Sie sichtbaren Text und geben Sie das Detail oder Ereignis an, das erklärt werden soll. Verlangen Sie bei einem Diagramm beobachtete Werte getrennt von der Interpretation. Benennen Sie für Video den relevanten Abschnitt und die zu analysierende zeitliche Veränderung. Der Hersteller kennzeichnet den demonstrierten Videoablauf in seiner Referenz als experimentell; Bild- und Videoverständnis erzeugt Text statt generierter Medien.\n\n### Werkzeuge und Orchestrierung\n\nK2.6 verschachtelt Thinking mit mehrstufigen Werkzeugaufrufen und dokumentiert einen Agentenschwarm-Ansatz des Herstellers, der eine Aufgabe in koordinierte, spezialisierte Zweige zerlegt. Die Anwendung stellt Werkzeuge bereit, führt ausgewählte Operationen aus und liefert deren Beobachtungen zurück. Definieren Sie erlaubte Aktionen und das abschließende Artefakt, bevor eine Agentenaufgabe beginnt, etwa einen abgeschlossenen Quellenvergleich, einen Repository-Patch oder ein vorbereitetes Dokument.\n\nOrdnen Sie jede zurückgegebene Beobachtung der Operation und Quelle zu, die sie erzeugt haben. Ein Zweig oder eine vorgeschlagene Werkzeugaktion wird erst dann zu einem nützlichen Beleg, wenn sein beziehungsweise ihr Ergebnis für die fortlaufende Aufgabe verfügbar ist. Die benannten Modi und Orchestrierungsdemonstrationen des Herstellers bedeuten nicht, dass eine gewöhnliche Textantwort jede Hintergrund- oder anwendungsübergreifende Aktion eigenständig ausführt.\n\n### Kontext und Geltungsbereich der Ausgabe\n\nK2.6 übernimmt die native INT4-Quantisierungsmethode des Herstellers von K2 Thinking. Das ist eine dokumentierte Eigenschaft des Modellstands und unterscheidet sich von einer Zusage über eine umgebende Ausführungskonfiguration. Sein Kontext von 256K muss Quellen, Gespräch, optional bewahrtes Reasoning und gewünschte Ausgabe gemeinsam aufnehmen. Die Evaluationsbudgets der Modellkarte sind keine universellen Antwortgrenzen.\n\nPrüfen Sie Code anhand der Anforderungen, visuelle Feststellungen anhand der Eingabe und quellenabhängige Aussagen anhand maßgeblichen Materials. Halten Sie K2.6 getrennt von K2.5 und den reinen Textausgaben von K2, insbesondere wenn preserve-thinking und Details visueller Arbeitsabläufe für die Aufgabe wichtig sind.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
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 ist das multimodale Agentenmodell von Moonshot AI für langfristige Programmieraufgaben, visuelle Oberflächenarbeit und werkzeuggestützte Aufgaben. Es verbindet Text, Bilder und Video mit Thinking- oder Sofortantworten und dokumentiert die optionale Bewahrung des Reasonings über Gesprächsrunden hinweg in einem Kontext von 256K.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Kimi K2.6 ist das native multimodale Agentenmodell von Moonshot AI für langfristige Programmieraufgaben, codegestütztes Design und koordinierte Aufgabenausführung. Es nimmt Text, Bilder und Video entgegen und erzeugt Text, darunter Erklärungen, Code und vorgeschlagene Werkzeugaufrufe. Sein Mixture-of-Experts-Modellprofil nennt insgesamt eine Billion Parameter, 32 Milliarden aktive Parameter und einen Kontext von 256K, mit einem visuellen MoonViT-Encoder.
Der Hersteller entwickelt K2.6 für durchgängige Programmieraufgaben über Sprachen und Domänen hinweg, darunter Repository-Arbeit, Frontend-Oberflächen und Leistungsoptimierung. Stellen Sie den relevanten Code, das erwartete Verhalten, den beobachteten Fehler und die Bedingungen bereit, die die Änderung bewahren muss. Verbinden Sie bei einer visuellen Aufgabe die Anforderungen mit einem lesbaren Mockup oder Screenshot und benennen Sie, ob dieser den aktuellen Zustand oder das gewünschte Ergebnis zeigt.
Eine beispielhafte Anweisung lautet: „Implementieren Sie diese Oberfläche anhand der bereitgestellten visuellen Spezifikation, bewahren Sie die Feldnamen und erklären Sie das Verhalten jedes erforderlichen Zustands.“ Das erwartete Ergebnis sind Code und seine stützende Erklärung, gefolgt von der tatsächlichen Beobachtung aus Darstellung oder Validierung in der Anwendung. Erzeugte Oberflächen und Textvorschläge sind keine eigenständig ausgeführten Aktionen.
K2.6 unterstützt Thinking- und Instant-Modi. Thinking entwickelt vor der endgültigen Antwort Zwischenschritte des schlussfolgernden Denkens; der Instant-Modus erzeugt eine direkte Antwort. Die Bereitstellungsempfehlungen des Herstellers verwenden temperature 1.0 für Thinking, 0.6 für Instant und top-p 0.95. Das sind Empfehlungen für seine dokumentierte Referenz und getrennt von der Wahl des Stils oder der Länge der endgültigen Antwort.
Eine spezifische Funktion von K2.6 ist preserve-thinking, die vollständige Reasoning-Inhalte über Interaktionen mit mehreren Gesprächsrunden hinweg bewahrt. Sie ist standardmäßig deaktiviert und für Programmieragenten im Thinking-Modus dokumentiert. Bei ihrer Verwendung verbraucht die bewahrte Analyse gemeinsam mit Werkzeugbeobachtungen und endgültigen Antworten Kontext. Halten Sie die akzeptierten Anforderungen der Aufgabe klar, damit ein früherer vorläufiger Gedanke nicht zu einem unbelegten Fakt im abschließenden Artefakt wird.
Die genaue Modellkarte demonstriert Bild- und Videoeingaben. Kennzeichnen Sie mehrere Medienelemente, bewahren Sie sichtbaren Text und geben Sie das Detail oder Ereignis an, das erklärt werden soll. Verlangen Sie bei einem Diagramm beobachtete Werte getrennt von der Interpretation. Benennen Sie für Video den relevanten Abschnitt und die zu analysierende zeitliche Veränderung. Der Hersteller kennzeichnet den demonstrierten Videoablauf in seiner Referenz als experimentell; Bild- und Videoverständnis erzeugt Text statt generierter Medien.
K2.6 verschachtelt Thinking mit mehrstufigen Werkzeugaufrufen und dokumentiert einen Agentenschwarm-Ansatz des Herstellers, der eine Aufgabe in koordinierte, spezialisierte Zweige zerlegt. Die Anwendung stellt Werkzeuge bereit, führt ausgewählte Operationen aus und liefert deren Beobachtungen zurück. Definieren Sie erlaubte Aktionen und das abschließende Artefakt, bevor eine Agentenaufgabe beginnt, etwa einen abgeschlossenen Quellenvergleich, einen Repository-Patch oder ein vorbereitetes Dokument.
Ordnen Sie jede zurückgegebene Beobachtung der Operation und Quelle zu, die sie erzeugt haben. Ein Zweig oder eine vorgeschlagene Werkzeugaktion wird erst dann zu einem nützlichen Beleg, wenn sein beziehungsweise ihr Ergebnis für die fortlaufende Aufgabe verfügbar ist. Die benannten Modi und Orchestrierungsdemonstrationen des Herstellers bedeuten nicht, dass eine gewöhnliche Textantwort jede Hintergrund- oder anwendungsübergreifende Aktion eigenständig ausführt.
K2.6 übernimmt die native INT4-Quantisierungsmethode des Herstellers von K2 Thinking. Das ist eine dokumentierte Eigenschaft des Modellstands und unterscheidet sich von einer Zusage über eine umgebende Ausführungskonfiguration. Sein Kontext von 256K muss Quellen, Gespräch, optional bewahrtes Reasoning und gewünschte Ausgabe gemeinsam aufnehmen. Die Evaluationsbudgets der Modellkarte sind keine universellen Antwortgrenzen.
Prüfen Sie Code anhand der Anforderungen, visuelle Feststellungen anhand der Eingabe und quellenabhängige Aussagen anhand maßgeblichen Materials. Halten Sie K2.6 getrennt von K2.5 und den reinen Textausgaben von K2, insbesondere wenn preserve-thinking und Details visueller Arbeitsabläufe für die Aufgabe wichtig sind.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits moonshotai/kimi-k2.6 | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits Beispiele: system, user, assistant, tool, function Bedingungen: Diese Rollen sind in den Kompatibilitätstypen des Quellcodes ausdrücklich dargestellt; der genaue Rollenumfang bleibt modellspezifisch. Modellabhängig | Standard— |
Feldmessages[].content | Typstring|content_part[]|null | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_calls | Typtool_call[] | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_call_id | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: role=tool; die tatsächlich zurückgegebene ID verwenden | Standard— |
Feldmessages[].name | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].reasoning_content | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: Tatsächlich zurückgegebene Reasoning-Daten erneut übermitteln, sofern dieses Modell sie verwendet | Standard— |
Feldmessages[].reasoning_details | Typobject|array | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmax_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldmax_completion_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Feldstream_options.include_usage | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtemperature | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtop_p | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldstop | Typstring|string[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools | Typfunction_tool[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools[].type | Typstring | AnforderungOptional | Werte und Limits function Modellabhängig | Standard— |
Feldtools[].function.name | Typstring | AnforderungErforderlich | Werte und Limits Gilt, wenn: Funktionswerkzeug bereitgestellt | Standard— |
Feldtools[].function.description | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldtools[].function.parameters | TypJSON_schema | AnforderungOptional | Werte und Limits | Standard— |
Feldtool_choice | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldparallel_tool_calls | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldresponse_format | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning_effort | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldservice_tier | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldinstructions | Typstring | AnforderungOptional | Werte und Limits Kompatibilitätsfeld | Standard— |
Feldfunctions | Typfunction[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldfunction_call | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldprompt_cache_options | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmodalities | Typstring[] | AnforderungOptional | Werte und Limits text | Standard— |
Feldprovider | Typobject | AnforderungOptional | Werte und Limits Bedingungen: provider.options wird auf dieser Ultra-Textroute abgelehnt | Standard— |
Feldcache_control.ttl | Typstring | AnforderungOptional | Werte und Limits Bedingungen: 1h wird in den tatsächlichen Prompt-Cache-Feldern abgelehnt | Standard— |
Text · UTF8-Text
messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages |
Parametermaterial_types | Vertragtext |
Parametermessages | VertragNachrichtenarray mit role/content-Struktur |
Parameterfile_material | VertragTatsächliches UTF-8-Dokument als wörtlicher Text eingefügt; keine Datei-ID abgeleitet |
Parameteroptional_controls | Vertragstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | VertragModellspezifisch; benutzerseitige Funktionswerkzeuge unterscheiden sich von gehosteten Werkzeugen |
Parameteroutput_modalities | Vertragtext |
Parameterhosted_operations | Vertragfalse |
Parametermultimodal_input_binding | Vertragnull |
Lebenszyklus: synchronous_or_streamed
Die genaue Modell-ID zusammen mit messages senden.
Die Kontextlänge ist keine Ausgabeobergrenze.
Eine Textdatei kann wörtlichen Text liefern; Bild-, Audio- und Dateiobjekteingaben benötigen eine exakte Zuordnung.
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Kontexttoken, mehr als | Kontexttoken, bis einschließlich | Gebühr |
|---|---|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0019 / 1K Tokens Ausgabe · Ausgabetoken $0.008 / 1K Tokens Eingabe · Cache lesen $0.00032 / 1K Tokens Eingabe · In Cache schreiben $0 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0019 / 1K Tokens Ausgabe · Ausgabetoken $0.008 / 1K Tokens Eingabe · Cache lesen $0.00032 / 1K Tokens Eingabe · In Cache schreiben $0 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${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 oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Antwortvarianten mit ihren Inhalten, Werkzeugaufrufen und Reasoning-Daten beibehalten. In SSE die Deltas nach Varianten- und Werkzeugindex zusammensetzen; endgültigen Beendigungsgrund und Verbrauchsdaten beibehalten.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldchoices[].index | Typinteger |
Feldchoices[].message.content | Typstring|null |
Feldchoices[].message.tool_calls | Typtool_call[] |
Feldchoices[].message.reasoning_content | Typstring |
Feldchoices[].message.reasoning_details | Typobject|array |
Feldchoices[].finish_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra moonshotai/kimi-k2.6
Verwenden Sie die oben angezeigten Methodenpfade.
moonshotai/kimi-k2.6Kimi K2.6 ist das multimodale Agentenmodell von Moonshot AI für langfristige Programmieraufgaben, visuelle Oberflächenarbeit und werkzeuggestützte Aufgaben. Es verbindet Text, Bilder und Video mit Thinking- oder Sofortantworten und dokumentiert die optionale Bewahrung des Reasonings über Gesprächsrunden hinweg in einem Kontext von 256K.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Kimi K2.6 ist das native multimodale Agentenmodell von Moonshot AI für langfristige Programmieraufgaben, codegestütztes Design und koordinierte Aufgabenausführung. Es nimmt Text, Bilder und Video entgegen und erzeugt Text, darunter Erklärungen, Code und vorgeschlagene Werkzeugaufrufe. Sein Mixture-of-Experts-Modellprofil nennt insgesamt eine Billion Parameter, 32 Milliarden aktive Parameter und einen Kontext von 256K, mit einem visuellen MoonViT-Encoder.
Der Hersteller entwickelt K2.6 für durchgängige Programmieraufgaben über Sprachen und Domänen hinweg, darunter Repository-Arbeit, Frontend-Oberflächen und Leistungsoptimierung. Stellen Sie den relevanten Code, das erwartete Verhalten, den beobachteten Fehler und die Bedingungen bereit, die die Änderung bewahren muss. Verbinden Sie bei einer visuellen Aufgabe die Anforderungen mit einem lesbaren Mockup oder Screenshot und benennen Sie, ob dieser den aktuellen Zustand oder das gewünschte Ergebnis zeigt.
Eine beispielhafte Anweisung lautet: „Implementieren Sie diese Oberfläche anhand der bereitgestellten visuellen Spezifikation, bewahren Sie die Feldnamen und erklären Sie das Verhalten jedes erforderlichen Zustands.“ Das erwartete Ergebnis sind Code und seine stützende Erklärung, gefolgt von der tatsächlichen Beobachtung aus Darstellung oder Validierung in der Anwendung. Erzeugte Oberflächen und Textvorschläge sind keine eigenständig ausgeführten Aktionen.
K2.6 unterstützt Thinking- und Instant-Modi. Thinking entwickelt vor der endgültigen Antwort Zwischenschritte des schlussfolgernden Denkens; der Instant-Modus erzeugt eine direkte Antwort. Die Bereitstellungsempfehlungen des Herstellers verwenden temperature 1.0 für Thinking, 0.6 für Instant und top-p 0.95. Das sind Empfehlungen für seine dokumentierte Referenz und getrennt von der Wahl des Stils oder der Länge der endgültigen Antwort.
Eine spezifische Funktion von K2.6 ist preserve-thinking, die vollständige Reasoning-Inhalte über Interaktionen mit mehreren Gesprächsrunden hinweg bewahrt. Sie ist standardmäßig deaktiviert und für Programmieragenten im Thinking-Modus dokumentiert. Bei ihrer Verwendung verbraucht die bewahrte Analyse gemeinsam mit Werkzeugbeobachtungen und endgültigen Antworten Kontext. Halten Sie die akzeptierten Anforderungen der Aufgabe klar, damit ein früherer vorläufiger Gedanke nicht zu einem unbelegten Fakt im abschließenden Artefakt wird.
Die genaue Modellkarte demonstriert Bild- und Videoeingaben. Kennzeichnen Sie mehrere Medienelemente, bewahren Sie sichtbaren Text und geben Sie das Detail oder Ereignis an, das erklärt werden soll. Verlangen Sie bei einem Diagramm beobachtete Werte getrennt von der Interpretation. Benennen Sie für Video den relevanten Abschnitt und die zu analysierende zeitliche Veränderung. Der Hersteller kennzeichnet den demonstrierten Videoablauf in seiner Referenz als experimentell; Bild- und Videoverständnis erzeugt Text statt generierter Medien.
K2.6 verschachtelt Thinking mit mehrstufigen Werkzeugaufrufen und dokumentiert einen Agentenschwarm-Ansatz des Herstellers, der eine Aufgabe in koordinierte, spezialisierte Zweige zerlegt. Die Anwendung stellt Werkzeuge bereit, führt ausgewählte Operationen aus und liefert deren Beobachtungen zurück. Definieren Sie erlaubte Aktionen und das abschließende Artefakt, bevor eine Agentenaufgabe beginnt, etwa einen abgeschlossenen Quellenvergleich, einen Repository-Patch oder ein vorbereitetes Dokument.
Ordnen Sie jede zurückgegebene Beobachtung der Operation und Quelle zu, die sie erzeugt haben. Ein Zweig oder eine vorgeschlagene Werkzeugaktion wird erst dann zu einem nützlichen Beleg, wenn sein beziehungsweise ihr Ergebnis für die fortlaufende Aufgabe verfügbar ist. Die benannten Modi und Orchestrierungsdemonstrationen des Herstellers bedeuten nicht, dass eine gewöhnliche Textantwort jede Hintergrund- oder anwendungsübergreifende Aktion eigenständig ausführt.
K2.6 übernimmt die native INT4-Quantisierungsmethode des Herstellers von K2 Thinking. Das ist eine dokumentierte Eigenschaft des Modellstands und unterscheidet sich von einer Zusage über eine umgebende Ausführungskonfiguration. Sein Kontext von 256K muss Quellen, Gespräch, optional bewahrtes Reasoning und gewünschte Ausgabe gemeinsam aufnehmen. Die Evaluationsbudgets der Modellkarte sind keine universellen Antwortgrenzen.
Prüfen Sie Code anhand der Anforderungen, visuelle Feststellungen anhand der Eingabe und quellenabhängige Aussagen anhand maßgeblichen Materials. Halten Sie K2.6 getrennt von K2.5 und den reinen Textausgaben von K2, insbesondere wenn preserve-thinking und Details visueller Arbeitsabläufe für die Aufgabe wichtig sind.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits moonshotai/kimi-k2.6 | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits user, assistant | Standard— |
Feldmessages[].content | Typstring | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmax_tokens | Typinteger | AnforderungErforderlich | Werte und Limits | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Text · UTF-8-Text
Zeichenfolge messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages, max_tokens |
Parameteroptional_controls | Vertragstream |
Parametermaterial_types | Vertragtext |
Parametertext_file_material | VertragDas tatsächliche UTF-8-Dokument lesen und seinen Text in die angegebene Zeichenfolge für Eingabe oder Nachrichteninhalt einfügen. |
Lebenszyklus: synchronous_or_streamed
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Kontexttoken, mehr als | Kontexttoken, bis einschließlich | Gebühr |
|---|---|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0019 / 1K Tokens Ausgabe · Ausgabetoken $0.008 / 1K Tokens Eingabe · Cache lesen $0.00032 / 1K Tokens Eingabe · In Cache schreiben $0 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0019 / 1K Tokens Ausgabe · Ausgabetoken $0.008 / 1K Tokens Eingabe · Cache lesen $0.00032 / 1K Tokens Eingabe · In Cache schreiben $0 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "moonshotai/kimi-k2.6",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Inhaltsblöcke, Thinking-Signaturen und tatsächlichen Werkzeugaufruf-IDs beibehalten. Alle SSE-Blockdeltas zusammensetzen; der erste Textblock ist nicht die vollständige Ausgabe.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldid | Typstring |
Feldmodel | Typstring |
Feldcontent[] | Typtext|thinking|tool_use|other content block |
Feldstop_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra moonshotai/kimi-k2.6
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
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.