Kimi K2 Instruct 0711 ist das ursprüngliche nachtrainierte K2-Textmodell von Moonshot AI für Allzweck-Chat und Agentenaufgaben. Der Hersteller unterscheidet es von K2 Base, dem Basismodell, und beschreibt die Anweisungsausgabe als auf unmittelbare Reaktion ohne langes Thinking ausgelegt. Sie nimmt Text entgegen und erzeugt Antworten, Code und Inhalte für Werkzeugaufrufe, mit einem Kontext von 128K.
K2 ist ein Mixture-of-Experts-Modell mit insgesamt einer Billion Parametern und 32 Milliarden aktiven Parametern. Die Herstellerübersicht verwendet Multi-Head Latent Attention und dünn besetztes Expertenrouting und wählt pro Token acht von 384 Experten mit einem gemeinsamen Experten aus. Das Vortraining verwendet 15,5 Billionen Tokens und den Optimierungsansatz MuonClip, der für stabiles Training in der Größenordnung des Modells entwickelt wurde.
Das sind Eigenschaften der ursprünglichen K2-Familie. Die Anweisungsveröffentlichung liefert anschließend das Verhalten für Chat, Programmierung und autonome Problemlösung mit Anwendungswerkzeugen. Ihre Identität bleibt von der späteren Kontexterweiterung 0905, der eigenen Thinking-Veröffentlichung und den multimodalen Modellen K2.5 und K2.6 getrennt.
Stellen Sie für eine Frage den Kontext bereit, der die Antwort begründet, und benennen Sie die benötigte Antwortform. Fügen Sie bei einer Programmieraufgabe die relevante Implementierung, den beobachteten Fehler, das erwartete Verhalten und die zu bewahrenden Vorgaben bei. Eine beispielhafte Anfrage lautet: „Erklären Sie, warum diese Eingabe fehlschlägt, schlagen Sie die kleinste Korrektur vor und geben Sie die geänderte Funktion mit der stützenden Quellbedingung zurück.“
Benennen Sie für Dokumentarbeit die Passagen und Vergleichskriterien. Verlangen Sie, dass das Ergebnis Eigennamen, Feldkennungen und Einheiten bewahrt und Informationen benennt, die das Material nicht enthält. Das gewünschte Artefakt sollte über Überarbeitungen hinweg ausdrücklich festgehalten werden, statt durch allgemeine Kommentare ersetzt zu werden.
Die ursprüngliche Herstelleranleitung empfiehlt temperature 0.6 und bietet eine einfache Assistenten-Systemanweisung als Standard, wenn keine spezialisierte Rolle erforderlich ist. Dieses Profil liefert die Aufgabenantwort direkt, statt den erweiterten Vertrag für verschachteltes Reasoning des späteren Thinking-Modells aufzuerlegen. Legen Sie Sprache, Pflichtdetails und erwartete Länge der endgültigen Antwort unabhängig von der Sampling-Empfehlung fest.
K2 Instruct unterstützt Funktionen, die in jeder Anfrage mit Namen, Beschreibungen und Parameterschemas bereitgestellt werden. Das Modell entscheidet, wann und wie es sie aufruft. Die Anwendung parst die vorgeschlagenen JSON-Argumente und führt die gewählte Operation aus; zurückgegebene Beobachtungen gelangen mit der passenden Werkzeugaufrufkennung und dem Funktionsnamen ins Gespräch. Die folgende Antwort kann diese tatsächlichen Ergebnisse nutzen, um zu antworten oder eine Aufgabe fortzusetzen.
Definieren Sie, was jedes Werkzeug tut und welche Aktionen erlaubt sind. Eine Dokumentabfrage kann das fehlende Produktfeld zurückgeben, während ein Entwicklungswerkzeug Quellcode oder einen beobachteten Fehler liefern kann. Eine ausgewählte Operation ist kein Ausführungsbeleg, bevor ihr Ergebnis verfügbar ist. Bewahren Sie die Beobachtung mit der Aufgabe, damit eine abschließende Schlussfolgerung benennen kann, was sie stützt.
Das ursprüngliche Fenster von 128K enthält Quelltext, Gespräch, Werkzeugverlauf und erzeugten Inhalt gemeinsam. Reservieren Sie Platz für die Antwort und ordnen Sie eine lange Repository- oder Dokumentsammlung um die eigentliche Frage herum. Die beispielhafte Vervollständigungsgröße in der Modellkarte belegt keine universelle harte Antwortobergrenze.
Das nützliche Ergebnis ist ein geprüfter Text, ein Codevorschlag oder eine quellenbasierte Analyse. Prüfen Sie Werte anhand des bereitgestellten Materials und Code in seiner vorgesehenen Anwendung. Bewahren Sie das direkte Anweisungsprofil der Ausgabe 0711, statt ihr spätere Kontext-, Bildeingabe- oder Reasoning-Aufbewahrungsfunktionen einer anderen K2-Veröffentlichung zuzuordnen.
", "aboutText": "Kimi K2 Instruct 0711 ist das ursprüngliche nachtrainierte K2-Textmodell von Moonshot AI für Allzweck-Chat und Agentenaufgaben. Der Hersteller unterscheidet es von K2 Base, dem Basismodell, und beschreibt die Anweisungsausgabe als auf unmittelbare Reaktion ohne langes Thinking ausgelegt. Sie nimmt Text entgegen und erzeugt Antworten, Code und Inhalte für Werkzeugaufrufe, mit einem Kontext von 128K.\n\n### Architektur und Training\n\nK2 ist ein Mixture-of-Experts-Modell mit insgesamt einer Billion Parametern und 32 Milliarden aktiven Parametern. Die Herstellerübersicht verwendet Multi-Head Latent Attention und dünn besetztes Expertenrouting und wählt pro Token acht von 384 Experten mit einem gemeinsamen Experten aus. Das Vortraining verwendet 15,5 Billionen Tokens und den Optimierungsansatz MuonClip, der für stabiles Training in der Größenordnung des Modells entwickelt wurde.\n\nDas sind Eigenschaften der ursprünglichen K2-Familie. Die Anweisungsveröffentlichung liefert anschließend das Verhalten für Chat, Programmierung und autonome Problemlösung mit Anwendungswerkzeugen. Ihre Identität bleibt von der späteren Kontexterweiterung 0905, der eigenen Thinking-Veröffentlichung und den multimodalen Modellen K2.5 und K2.6 getrennt.\n\n### Die Aufgabe vorbereiten\n\nStellen Sie für eine Frage den Kontext bereit, der die Antwort begründet, und benennen Sie die benötigte Antwortform. Fügen Sie bei einer Programmieraufgabe die relevante Implementierung, den beobachteten Fehler, das erwartete Verhalten und die zu bewahrenden Vorgaben bei. Eine beispielhafte Anfrage lautet: „Erklären Sie, warum diese Eingabe fehlschlägt, schlagen Sie die kleinste Korrektur vor und geben Sie die geänderte Funktion mit der stützenden Quellbedingung zurück.“\n\nBenennen Sie für Dokumentarbeit die Passagen und Vergleichskriterien. Verlangen Sie, dass das Ergebnis Eigennamen, Feldkennungen und Einheiten bewahrt und Informationen benennt, die das Material nicht enthält. Das gewünschte Artefakt sollte über Überarbeitungen hinweg ausdrücklich festgehalten werden, statt durch allgemeine Kommentare ersetzt zu werden.\n\n### Chatprofil\n\nDie ursprüngliche Herstelleranleitung empfiehlt temperature 0.6 und bietet eine einfache Assistenten-Systemanweisung als Standard, wenn keine spezialisierte Rolle erforderlich ist. Dieses Profil liefert die Aufgabenantwort direkt, statt den erweiterten Vertrag für verschachteltes Reasoning des späteren Thinking-Modells aufzuerlegen. Legen Sie Sprache, Pflichtdetails und erwartete Länge der endgültigen Antwort unabhängig von der Sampling-Empfehlung fest.\n\n### Werkzeuge und Beobachtungen\n\nK2 Instruct unterstützt Funktionen, die in jeder Anfrage mit Namen, Beschreibungen und Parameterschemas bereitgestellt werden. Das Modell entscheidet, wann und wie es sie aufruft. Die Anwendung parst die vorgeschlagenen JSON-Argumente und führt die gewählte Operation aus; zurückgegebene Beobachtungen gelangen mit der passenden Werkzeugaufrufkennung und dem Funktionsnamen ins Gespräch. Die folgende Antwort kann diese tatsächlichen Ergebnisse nutzen, um zu antworten oder eine Aufgabe fortzusetzen.\n\nDefinieren Sie, was jedes Werkzeug tut und welche Aktionen erlaubt sind. Eine Dokumentabfrage kann das fehlende Produktfeld zurückgeben, während ein Entwicklungswerkzeug Quellcode oder einen beobachteten Fehler liefern kann. Eine ausgewählte Operation ist kein Ausführungsbeleg, bevor ihr Ergebnis verfügbar ist. Bewahren Sie die Beobachtung mit der Aufgabe, damit eine abschließende Schlussfolgerung benennen kann, was sie stützt.\n\n### Kontext und Ergebnisprüfung\n\nDas ursprüngliche Fenster von 128K enthält Quelltext, Gespräch, Werkzeugverlauf und erzeugten Inhalt gemeinsam. Reservieren Sie Platz für die Antwort und ordnen Sie eine lange Repository- oder Dokumentsammlung um die eigentliche Frage herum. Die beispielhafte Vervollständigungsgröße in der Modellkarte belegt keine universelle harte Antwortobergrenze.\n\nDas nützliche Ergebnis ist ein geprüfter Text, ein Codevorschlag oder eine quellenbasierte Analyse. Prüfen Sie Werte anhand des bereitgestellten Materials und Code in seiner vorgesehenen Anwendung. Bewahren Sie das direkte Anweisungsprofil der Ausgabe 0711, statt ihr spätere Kontext-, Bildeingabe- oder Reasoning-Aufbewahrungsfunktionen einer anderen K2-Veröffentlichung zuzuordnen.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
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 ist das ursprüngliche nachtrainierte K2-Textmodell von Moonshot AI für Chat, Programmierung und werkzeuggestützte Agenten. Sein Kontext von 128K und sein auf unmittelbare Antworten ausgelegtes Profil erzeugen Antworten, Code und ausgewählte Funktionsaufrufe ohne den späteren Ablauf von K2 Thinking.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Kimi K2 Instruct 0711 ist das ursprüngliche nachtrainierte K2-Textmodell von Moonshot AI für Allzweck-Chat und Agentenaufgaben. Der Hersteller unterscheidet es von K2 Base, dem Basismodell, und beschreibt die Anweisungsausgabe als auf unmittelbare Reaktion ohne langes Thinking ausgelegt. Sie nimmt Text entgegen und erzeugt Antworten, Code und Inhalte für Werkzeugaufrufe, mit einem Kontext von 128K.
K2 ist ein Mixture-of-Experts-Modell mit insgesamt einer Billion Parametern und 32 Milliarden aktiven Parametern. Die Herstellerübersicht verwendet Multi-Head Latent Attention und dünn besetztes Expertenrouting und wählt pro Token acht von 384 Experten mit einem gemeinsamen Experten aus. Das Vortraining verwendet 15,5 Billionen Tokens und den Optimierungsansatz MuonClip, der für stabiles Training in der Größenordnung des Modells entwickelt wurde.
Das sind Eigenschaften der ursprünglichen K2-Familie. Die Anweisungsveröffentlichung liefert anschließend das Verhalten für Chat, Programmierung und autonome Problemlösung mit Anwendungswerkzeugen. Ihre Identität bleibt von der späteren Kontexterweiterung 0905, der eigenen Thinking-Veröffentlichung und den multimodalen Modellen K2.5 und K2.6 getrennt.
Stellen Sie für eine Frage den Kontext bereit, der die Antwort begründet, und benennen Sie die benötigte Antwortform. Fügen Sie bei einer Programmieraufgabe die relevante Implementierung, den beobachteten Fehler, das erwartete Verhalten und die zu bewahrenden Vorgaben bei. Eine beispielhafte Anfrage lautet: „Erklären Sie, warum diese Eingabe fehlschlägt, schlagen Sie die kleinste Korrektur vor und geben Sie die geänderte Funktion mit der stützenden Quellbedingung zurück.“
Benennen Sie für Dokumentarbeit die Passagen und Vergleichskriterien. Verlangen Sie, dass das Ergebnis Eigennamen, Feldkennungen und Einheiten bewahrt und Informationen benennt, die das Material nicht enthält. Das gewünschte Artefakt sollte über Überarbeitungen hinweg ausdrücklich festgehalten werden, statt durch allgemeine Kommentare ersetzt zu werden.
Die ursprüngliche Herstelleranleitung empfiehlt temperature 0.6 und bietet eine einfache Assistenten-Systemanweisung als Standard, wenn keine spezialisierte Rolle erforderlich ist. Dieses Profil liefert die Aufgabenantwort direkt, statt den erweiterten Vertrag für verschachteltes Reasoning des späteren Thinking-Modells aufzuerlegen. Legen Sie Sprache, Pflichtdetails und erwartete Länge der endgültigen Antwort unabhängig von der Sampling-Empfehlung fest.
K2 Instruct unterstützt Funktionen, die in jeder Anfrage mit Namen, Beschreibungen und Parameterschemas bereitgestellt werden. Das Modell entscheidet, wann und wie es sie aufruft. Die Anwendung parst die vorgeschlagenen JSON-Argumente und führt die gewählte Operation aus; zurückgegebene Beobachtungen gelangen mit der passenden Werkzeugaufrufkennung und dem Funktionsnamen ins Gespräch. Die folgende Antwort kann diese tatsächlichen Ergebnisse nutzen, um zu antworten oder eine Aufgabe fortzusetzen.
Definieren Sie, was jedes Werkzeug tut und welche Aktionen erlaubt sind. Eine Dokumentabfrage kann das fehlende Produktfeld zurückgeben, während ein Entwicklungswerkzeug Quellcode oder einen beobachteten Fehler liefern kann. Eine ausgewählte Operation ist kein Ausführungsbeleg, bevor ihr Ergebnis verfügbar ist. Bewahren Sie die Beobachtung mit der Aufgabe, damit eine abschließende Schlussfolgerung benennen kann, was sie stützt.
Das ursprüngliche Fenster von 128K enthält Quelltext, Gespräch, Werkzeugverlauf und erzeugten Inhalt gemeinsam. Reservieren Sie Platz für die Antwort und ordnen Sie eine lange Repository- oder Dokumentsammlung um die eigentliche Frage herum. Die beispielhafte Vervollständigungsgröße in der Modellkarte belegt keine universelle harte Antwortobergrenze.
Das nützliche Ergebnis ist ein geprüfter Text, ein Codevorschlag oder eine quellenbasierte Analyse. Prüfen Sie Werte anhand des bereitgestellten Materials und Code in seiner vorgesehenen Anwendung. Bewahren Sie das direkte Anweisungsprofil der Ausgabe 0711, statt ihr spätere Kontext-, Bildeingabe- oder Reasoning-Aufbewahrungsfunktionen einer anderen K2-Veröffentlichung zuzuordnen.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits moonshotai/kimi-k2 | 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 $0.00114 / 1K Tokens Ausgabe · Ausgabetoken $0.0046 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.00114 / 1K Tokens Ausgabe · Ausgabetoken $0.0046 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${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", "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 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
Verwenden Sie die oben angezeigten Methodenpfade.
moonshotai/kimi-k2Kimi K2 Instruct 0711 ist das ursprüngliche nachtrainierte K2-Textmodell von Moonshot AI für Chat, Programmierung und werkzeuggestützte Agenten. Sein Kontext von 128K und sein auf unmittelbare Antworten ausgelegtes Profil erzeugen Antworten, Code und ausgewählte Funktionsaufrufe ohne den späteren Ablauf von K2 Thinking.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Kimi K2 Instruct 0711 ist das ursprüngliche nachtrainierte K2-Textmodell von Moonshot AI für Allzweck-Chat und Agentenaufgaben. Der Hersteller unterscheidet es von K2 Base, dem Basismodell, und beschreibt die Anweisungsausgabe als auf unmittelbare Reaktion ohne langes Thinking ausgelegt. Sie nimmt Text entgegen und erzeugt Antworten, Code und Inhalte für Werkzeugaufrufe, mit einem Kontext von 128K.
K2 ist ein Mixture-of-Experts-Modell mit insgesamt einer Billion Parametern und 32 Milliarden aktiven Parametern. Die Herstellerübersicht verwendet Multi-Head Latent Attention und dünn besetztes Expertenrouting und wählt pro Token acht von 384 Experten mit einem gemeinsamen Experten aus. Das Vortraining verwendet 15,5 Billionen Tokens und den Optimierungsansatz MuonClip, der für stabiles Training in der Größenordnung des Modells entwickelt wurde.
Das sind Eigenschaften der ursprünglichen K2-Familie. Die Anweisungsveröffentlichung liefert anschließend das Verhalten für Chat, Programmierung und autonome Problemlösung mit Anwendungswerkzeugen. Ihre Identität bleibt von der späteren Kontexterweiterung 0905, der eigenen Thinking-Veröffentlichung und den multimodalen Modellen K2.5 und K2.6 getrennt.
Stellen Sie für eine Frage den Kontext bereit, der die Antwort begründet, und benennen Sie die benötigte Antwortform. Fügen Sie bei einer Programmieraufgabe die relevante Implementierung, den beobachteten Fehler, das erwartete Verhalten und die zu bewahrenden Vorgaben bei. Eine beispielhafte Anfrage lautet: „Erklären Sie, warum diese Eingabe fehlschlägt, schlagen Sie die kleinste Korrektur vor und geben Sie die geänderte Funktion mit der stützenden Quellbedingung zurück.“
Benennen Sie für Dokumentarbeit die Passagen und Vergleichskriterien. Verlangen Sie, dass das Ergebnis Eigennamen, Feldkennungen und Einheiten bewahrt und Informationen benennt, die das Material nicht enthält. Das gewünschte Artefakt sollte über Überarbeitungen hinweg ausdrücklich festgehalten werden, statt durch allgemeine Kommentare ersetzt zu werden.
Die ursprüngliche Herstelleranleitung empfiehlt temperature 0.6 und bietet eine einfache Assistenten-Systemanweisung als Standard, wenn keine spezialisierte Rolle erforderlich ist. Dieses Profil liefert die Aufgabenantwort direkt, statt den erweiterten Vertrag für verschachteltes Reasoning des späteren Thinking-Modells aufzuerlegen. Legen Sie Sprache, Pflichtdetails und erwartete Länge der endgültigen Antwort unabhängig von der Sampling-Empfehlung fest.
K2 Instruct unterstützt Funktionen, die in jeder Anfrage mit Namen, Beschreibungen und Parameterschemas bereitgestellt werden. Das Modell entscheidet, wann und wie es sie aufruft. Die Anwendung parst die vorgeschlagenen JSON-Argumente und führt die gewählte Operation aus; zurückgegebene Beobachtungen gelangen mit der passenden Werkzeugaufrufkennung und dem Funktionsnamen ins Gespräch. Die folgende Antwort kann diese tatsächlichen Ergebnisse nutzen, um zu antworten oder eine Aufgabe fortzusetzen.
Definieren Sie, was jedes Werkzeug tut und welche Aktionen erlaubt sind. Eine Dokumentabfrage kann das fehlende Produktfeld zurückgeben, während ein Entwicklungswerkzeug Quellcode oder einen beobachteten Fehler liefern kann. Eine ausgewählte Operation ist kein Ausführungsbeleg, bevor ihr Ergebnis verfügbar ist. Bewahren Sie die Beobachtung mit der Aufgabe, damit eine abschließende Schlussfolgerung benennen kann, was sie stützt.
Das ursprüngliche Fenster von 128K enthält Quelltext, Gespräch, Werkzeugverlauf und erzeugten Inhalt gemeinsam. Reservieren Sie Platz für die Antwort und ordnen Sie eine lange Repository- oder Dokumentsammlung um die eigentliche Frage herum. Die beispielhafte Vervollständigungsgröße in der Modellkarte belegt keine universelle harte Antwortobergrenze.
Das nützliche Ergebnis ist ein geprüfter Text, ein Codevorschlag oder eine quellenbasierte Analyse. Prüfen Sie Werte anhand des bereitgestellten Materials und Code in seiner vorgesehenen Anwendung. Bewahren Sie das direkte Anweisungsprofil der Ausgabe 0711, statt ihr spätere Kontext-, Bildeingabe- oder Reasoning-Aufbewahrungsfunktionen einer anderen K2-Veröffentlichung zuzuordnen.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits moonshotai/kimi-k2 | 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 $0.00114 / 1K Tokens Ausgabe · Ausgabetoken $0.0046 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.00114 / 1K Tokens Ausgabe · Ausgabetoken $0.0046 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "moonshotai/kimi-k2",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 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
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
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.