Kimi K2.5 ist das nativ multimodale Agentenmodell von Moonshot AI, entstanden durch fortgesetztes Vortraining von Kimi K2 Base mit ungefähr fünfzehn Billionen gemischten visuellen und Texttokens. Es verbindet Sprache und Bildverständnis mit Gesprächs- und Agentenabläufen. Die Eingabe kann Text, Bilder und Video enthalten; die Ausgabe ist Text wie eine Erklärung, Code oder ein vorgeschlagener Werkzeugvorgang.
Die Herstellerzusammenfassung nennt eine Mixture-of-Experts-Architektur mit insgesamt einer Billion Parametern und 32 Milliarden aktivierten Parametern, einen Kontext von 256K und einen visuellen MoonViT-Encoder mit 400 Millionen Parametern. K2.5 übernimmt die für K2 Thinking dokumentierte native INT4-Quantisierungsmethode. Dies sind Eigenschaften des veröffentlichten Herstellercheckpoints und keine Aussage über jede umgebende Ausführungskonfiguration.
Ein prägender Anwendungsfall ist Codegenerierung anhand visueller Spezifikationen, darunter Oberflächendesigns und Videoabläufe. Stellen Sie lesbare Medien, relevanten Quellcode und das gewünschte Verhalten bereit. Benennen Sie verbindliche visuelle Details und die Reaktion des Ergebnisses auf Nutzerinteraktionen. Ein nützliches Briefing lautet: «Implementieren Sie das bereitgestellte Layout, bewahren Sie diese Beschriftungen und erklären Sie, wie die sichtbaren Zustände den Anforderungen entsprechen.»
Fordern Sie bei einer Bildanalyse das sichtbare Detail an, das jede Erkenntnis stützt, und trennen Sie Extraktion von Interpretation. Geben Sie bei Video den Abschnitt und die zu erklärende Handlung oder Veränderung an. Der Hersteller kennzeichnet seinen demonstrierten Videoablauf als experimentell; das Medienverständnis erzeugt ein Textergebnis und rendert weder selbst ein neues Video noch führt es eigenständig eine visuelle Handlung aus.
K2.5 unterstützt Denk- und Sofortmodi. Der Denkmodus entwickelt Schlussfolgerungen vor einer abschliessenden Antwort; der Sofortmodus antwortet direkt. Die Referenzbereitstellung des Herstellers empfiehlt Temperatur 1.0 für den Denkmodus, 0.6 für den Sofortmodus und Top-p 0.95. Legen Sie die gewünschte Antwortform getrennt von dieser Denkauswahl fest, etwa einen extrahierten Datensatz, eine Entscheidungsnotiz oder ein vollständiges Codeartefakt.
Stellen Sie für eine schwierige Frage die vollständige Bedingung und relevante Quellen bereit. Ein Dokumentbriefing kann einen Vergleich mit der stützenden Passage neben jeder Schlussfolgerung verlangen. Ein Programmierbriefing kann die fehlerauslösende Eingabe, Bedingungen und vorzuschlagende Änderung benennen. Die Ausgabe sollte auf diese Aufgabe zurückführbar bleiben, statt eine lange Denkspur als abgeschlossenes Ergebnis zu behandeln.
K2.5 verwendet dieselbe Gestaltung mit verschränktem Schlussfolgern und mehrstufigen Werkzeugaufrufen wie K2 Thinking. Die Anwendung stellt Funktionen mit Beschreibungen und Schemas bereit, führt ausgewählte Vorgänge aus und gibt Beobachtungen zurück. Halten Sie Ergebnisse mit ihren Aufrufen verknüpft, damit der nächste Schritt tatsächliche Belege verwenden kann.
Der Hersteller beschreibt ausserdem einen Agentenschwarm-Ablauf, der ein komplexes Ziel in koordinierte fachspezifische Teilaufgaben zerlegt. Bereiten Sie ein solches Ziel mit definierten Ausgaben, erlaubten Handlungen und Abschlusskriterien vor. Das abschliessende Artefakt sollte die tatsächlich gewonnenen Beobachtungen integrieren; ein erzeugter Plan oder vorgeschlagener Zweig unterscheidet sich von ausgeführter Arbeit.
Planen Sie Quelle, Mediendarstellung, Verlauf, Schlussfolgern und abschliessende Antwort innerhalb des dokumentierten Kontexts von 256K. Die Tokenbudgets für Beispielanfragen und Evaluationen in der Modellkarte sind keine unabhängig belegten universellen Ausgabeobergrenzen. Kennzeichnen Sie Quellen und Medien, damit ein Ergebnis auf seine Belege zurückverweisen kann.
Das nützliche Arbeitsergebnis ist eine bildgestützte Erklärung, ein Codevorschlag oder ein quellenbasierter analytischer Befund. Prüfen Sie Werte anhand der Eingaben und Code in seiner vorgesehenen Anwendung. K2.5 bleibt eine eigene multimodale Veröffentlichung; spätere preserve-thinking-Steuerungen von K2.6 und frühere Prompting-Profile der reinen Textausgaben von K2 dürfen nicht an die Stelle des dokumentierten Ablaufs dieser Ausgabe treten.
", "aboutText": "Kimi K2.5 ist das nativ multimodale Agentenmodell von Moonshot AI, entstanden durch fortgesetztes Vortraining von Kimi K2 Base mit ungefähr fünfzehn Billionen gemischten visuellen und Texttokens. Es verbindet Sprache und Bildverständnis mit Gesprächs- und Agentenabläufen. Die Eingabe kann Text, Bilder und Video enthalten; die Ausgabe ist Text wie eine Erklärung, Code oder ein vorgeschlagener Werkzeugvorgang.\n\n### Modellprofil\n\nDie Herstellerzusammenfassung nennt eine Mixture-of-Experts-Architektur mit insgesamt einer Billion Parametern und 32 Milliarden aktivierten Parametern, einen Kontext von 256K und einen visuellen MoonViT-Encoder mit 400 Millionen Parametern. K2.5 übernimmt die für K2 Thinking dokumentierte native INT4-Quantisierungsmethode. Dies sind Eigenschaften des veröffentlichten Herstellercheckpoints und keine Aussage über jede umgebende Ausführungskonfiguration.\n\n### Programmierung mit visuellen Belegen\n\nEin prägender Anwendungsfall ist Codegenerierung anhand visueller Spezifikationen, darunter Oberflächendesigns und Videoabläufe. Stellen Sie lesbare Medien, relevanten Quellcode und das gewünschte Verhalten bereit. Benennen Sie verbindliche visuelle Details und die Reaktion des Ergebnisses auf Nutzerinteraktionen. Ein nützliches Briefing lautet: «Implementieren Sie das bereitgestellte Layout, bewahren Sie diese Beschriftungen und erklären Sie, wie die sichtbaren Zustände den Anforderungen entsprechen.»\n\nFordern Sie bei einer Bildanalyse das sichtbare Detail an, das jede Erkenntnis stützt, und trennen Sie Extraktion von Interpretation. Geben Sie bei Video den Abschnitt und die zu erklärende Handlung oder Veränderung an. Der Hersteller kennzeichnet seinen demonstrierten Videoablauf als experimentell; das Medienverständnis erzeugt ein Textergebnis und rendert weder selbst ein neues Video noch führt es eigenständig eine visuelle Handlung aus.\n\n### Denk- und Sofortantworten\n\nK2.5 unterstützt Denk- und Sofortmodi. Der Denkmodus entwickelt Schlussfolgerungen vor einer abschliessenden Antwort; der Sofortmodus antwortet direkt. Die Referenzbereitstellung des Herstellers empfiehlt Temperatur 1.0 für den Denkmodus, 0.6 für den Sofortmodus und Top-p 0.95. Legen Sie die gewünschte Antwortform getrennt von dieser Denkauswahl fest, etwa einen extrahierten Datensatz, eine Entscheidungsnotiz oder ein vollständiges Codeartefakt.\n\nStellen Sie für eine schwierige Frage die vollständige Bedingung und relevante Quellen bereit. Ein Dokumentbriefing kann einen Vergleich mit der stützenden Passage neben jeder Schlussfolgerung verlangen. Ein Programmierbriefing kann die fehlerauslösende Eingabe, Bedingungen und vorzuschlagende Änderung benennen. Die Ausgabe sollte auf diese Aufgabe zurückführbar bleiben, statt eine lange Denkspur als abgeschlossenes Ergebnis zu behandeln.\n\n### Verschränkte Werkzeuge und Agentenaufgaben\n\nK2.5 verwendet dieselbe Gestaltung mit verschränktem Schlussfolgern und mehrstufigen Werkzeugaufrufen wie K2 Thinking. Die Anwendung stellt Funktionen mit Beschreibungen und Schemas bereit, führt ausgewählte Vorgänge aus und gibt Beobachtungen zurück. Halten Sie Ergebnisse mit ihren Aufrufen verknüpft, damit der nächste Schritt tatsächliche Belege verwenden kann.\n\nDer Hersteller beschreibt ausserdem einen Agentenschwarm-Ablauf, der ein komplexes Ziel in koordinierte fachspezifische Teilaufgaben zerlegt. Bereiten Sie ein solches Ziel mit definierten Ausgaben, erlaubten Handlungen und Abschlusskriterien vor. Das abschliessende Artefakt sollte die tatsächlich gewonnenen Beobachtungen integrieren; ein erzeugter Plan oder vorgeschlagener Zweig unterscheidet sich von ausgeführter Arbeit.\n\n### Kontext und Prüfung\n\nPlanen Sie Quelle, Mediendarstellung, Verlauf, Schlussfolgern und abschliessende Antwort innerhalb des dokumentierten Kontexts von 256K. Die Tokenbudgets für Beispielanfragen und Evaluationen in der Modellkarte sind keine unabhängig belegten universellen Ausgabeobergrenzen. Kennzeichnen Sie Quellen und Medien, damit ein Ergebnis auf seine Belege zurückverweisen kann.\n\nDas nützliche Arbeitsergebnis ist eine bildgestützte Erklärung, ein Codevorschlag oder ein quellenbasierter analytischer Befund. Prüfen Sie Werte anhand der Eingaben und Code in seiner vorgesehenen Anwendung. K2.5 bleibt eine eigene multimodale Veröffentlichung; spätere preserve-thinking-Steuerungen von K2.6 und frühere Prompting-Profile der reinen Textausgaben von K2 dürfen nicht an die Stelle des dokumentierten Ablaufs dieser Ausgabe treten.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Draft an accessible tab interaction\n\nProvide HTML and JavaScript for three text-only tabs: Overview, Details and Returns. Exactly one panel is visible. Mouse clicks and Left/Right arrow keys change tabs; Home selects the first and End the last. Preserve those labels and include the key accessibility attributes. Return the bounded component and a short interaction-check list without claiming execution.A self-contained tab component proposal and checks for click, arrow, Home and End behavior.The selected tab, focus behavior and visible panel remain consistent after each supported interaction.moonshotai/kimi-k2.5Kimi K2.5 ist das nativ multimodale Agentenmodell von Moonshot AI für bildgestützte Programmierung, Schlussfolgern und werkzeuggestützte Arbeit. Es verbindet Text, Bilder und Video mit Denk- und Sofortmodi, einem Kontext von 256K und einem Herstellerablauf für koordinierte Agententeilaufgaben.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Kimi K2.5 ist das nativ multimodale Agentenmodell von Moonshot AI, entstanden durch fortgesetztes Vortraining von Kimi K2 Base mit ungefähr fünfzehn Billionen gemischten visuellen und Texttokens. Es verbindet Sprache und Bildverständnis mit Gesprächs- und Agentenabläufen. Die Eingabe kann Text, Bilder und Video enthalten; die Ausgabe ist Text wie eine Erklärung, Code oder ein vorgeschlagener Werkzeugvorgang.
Die Herstellerzusammenfassung nennt eine Mixture-of-Experts-Architektur mit insgesamt einer Billion Parametern und 32 Milliarden aktivierten Parametern, einen Kontext von 256K und einen visuellen MoonViT-Encoder mit 400 Millionen Parametern. K2.5 übernimmt die für K2 Thinking dokumentierte native INT4-Quantisierungsmethode. Dies sind Eigenschaften des veröffentlichten Herstellercheckpoints und keine Aussage über jede umgebende Ausführungskonfiguration.
Ein prägender Anwendungsfall ist Codegenerierung anhand visueller Spezifikationen, darunter Oberflächendesigns und Videoabläufe. Stellen Sie lesbare Medien, relevanten Quellcode und das gewünschte Verhalten bereit. Benennen Sie verbindliche visuelle Details und die Reaktion des Ergebnisses auf Nutzerinteraktionen. Ein nützliches Briefing lautet: «Implementieren Sie das bereitgestellte Layout, bewahren Sie diese Beschriftungen und erklären Sie, wie die sichtbaren Zustände den Anforderungen entsprechen.»
Fordern Sie bei einer Bildanalyse das sichtbare Detail an, das jede Erkenntnis stützt, und trennen Sie Extraktion von Interpretation. Geben Sie bei Video den Abschnitt und die zu erklärende Handlung oder Veränderung an. Der Hersteller kennzeichnet seinen demonstrierten Videoablauf als experimentell; das Medienverständnis erzeugt ein Textergebnis und rendert weder selbst ein neues Video noch führt es eigenständig eine visuelle Handlung aus.
K2.5 unterstützt Denk- und Sofortmodi. Der Denkmodus entwickelt Schlussfolgerungen vor einer abschliessenden Antwort; der Sofortmodus antwortet direkt. Die Referenzbereitstellung des Herstellers empfiehlt Temperatur 1.0 für den Denkmodus, 0.6 für den Sofortmodus und Top-p 0.95. Legen Sie die gewünschte Antwortform getrennt von dieser Denkauswahl fest, etwa einen extrahierten Datensatz, eine Entscheidungsnotiz oder ein vollständiges Codeartefakt.
Stellen Sie für eine schwierige Frage die vollständige Bedingung und relevante Quellen bereit. Ein Dokumentbriefing kann einen Vergleich mit der stützenden Passage neben jeder Schlussfolgerung verlangen. Ein Programmierbriefing kann die fehlerauslösende Eingabe, Bedingungen und vorzuschlagende Änderung benennen. Die Ausgabe sollte auf diese Aufgabe zurückführbar bleiben, statt eine lange Denkspur als abgeschlossenes Ergebnis zu behandeln.
K2.5 verwendet dieselbe Gestaltung mit verschränktem Schlussfolgern und mehrstufigen Werkzeugaufrufen wie K2 Thinking. Die Anwendung stellt Funktionen mit Beschreibungen und Schemas bereit, führt ausgewählte Vorgänge aus und gibt Beobachtungen zurück. Halten Sie Ergebnisse mit ihren Aufrufen verknüpft, damit der nächste Schritt tatsächliche Belege verwenden kann.
Der Hersteller beschreibt ausserdem einen Agentenschwarm-Ablauf, der ein komplexes Ziel in koordinierte fachspezifische Teilaufgaben zerlegt. Bereiten Sie ein solches Ziel mit definierten Ausgaben, erlaubten Handlungen und Abschlusskriterien vor. Das abschliessende Artefakt sollte die tatsächlich gewonnenen Beobachtungen integrieren; ein erzeugter Plan oder vorgeschlagener Zweig unterscheidet sich von ausgeführter Arbeit.
Planen Sie Quelle, Mediendarstellung, Verlauf, Schlussfolgern und abschliessende Antwort innerhalb des dokumentierten Kontexts von 256K. Die Tokenbudgets für Beispielanfragen und Evaluationen in der Modellkarte sind keine unabhängig belegten universellen Ausgabeobergrenzen. Kennzeichnen Sie Quellen und Medien, damit ein Ergebnis auf seine Belege zurückverweisen kann.
Das nützliche Arbeitsergebnis ist eine bildgestützte Erklärung, ein Codevorschlag oder ein quellenbasierter analytischer Befund. Prüfen Sie Werte anhand der Eingaben und Code in seiner vorgesehenen Anwendung. K2.5 bleibt eine eigene multimodale Veröffentlichung; spätere preserve-thinking-Steuerungen von K2.6 und frühere Prompting-Profile der reinen Textausgaben von K2 dürfen nicht an die Stelle des dokumentierten Ablaufs dieser Ausgabe treten.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits moonshotai/kimi-k2.5 | 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 $0.0012 / 1K Tokens Ausgabe · Ausgabetoken $0.006 / 1K Tokens Eingabe · Cache lesen $0.0003 / 1K Tokens Eingabe · Cache schreiben $0 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschliesslichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0012 / 1K Tokens Ausgabe · Ausgabetoken $0.006 / 1K Tokens Eingabe · Cache lesen $0.0003 / 1K Tokens Eingabe · Cache schreiben $0 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "moonshotai/kimi-k2.5", "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-k2.5',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-k2.5',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-k2.5
Verwenden Sie die oben angezeigten Methodenpfade.
moonshotai/kimi-k2.5Kimi K2.5 ist das nativ multimodale Agentenmodell von Moonshot AI für bildgestützte Programmierung, Schlussfolgern und werkzeuggestützte Arbeit. Es verbindet Text, Bilder und Video mit Denk- und Sofortmodi, einem Kontext von 256K und einem Herstellerablauf für koordinierte Agententeilaufgaben.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Kimi K2.5 ist das nativ multimodale Agentenmodell von Moonshot AI, entstanden durch fortgesetztes Vortraining von Kimi K2 Base mit ungefähr fünfzehn Billionen gemischten visuellen und Texttokens. Es verbindet Sprache und Bildverständnis mit Gesprächs- und Agentenabläufen. Die Eingabe kann Text, Bilder und Video enthalten; die Ausgabe ist Text wie eine Erklärung, Code oder ein vorgeschlagener Werkzeugvorgang.
Die Herstellerzusammenfassung nennt eine Mixture-of-Experts-Architektur mit insgesamt einer Billion Parametern und 32 Milliarden aktivierten Parametern, einen Kontext von 256K und einen visuellen MoonViT-Encoder mit 400 Millionen Parametern. K2.5 übernimmt die für K2 Thinking dokumentierte native INT4-Quantisierungsmethode. Dies sind Eigenschaften des veröffentlichten Herstellercheckpoints und keine Aussage über jede umgebende Ausführungskonfiguration.
Ein prägender Anwendungsfall ist Codegenerierung anhand visueller Spezifikationen, darunter Oberflächendesigns und Videoabläufe. Stellen Sie lesbare Medien, relevanten Quellcode und das gewünschte Verhalten bereit. Benennen Sie verbindliche visuelle Details und die Reaktion des Ergebnisses auf Nutzerinteraktionen. Ein nützliches Briefing lautet: «Implementieren Sie das bereitgestellte Layout, bewahren Sie diese Beschriftungen und erklären Sie, wie die sichtbaren Zustände den Anforderungen entsprechen.»
Fordern Sie bei einer Bildanalyse das sichtbare Detail an, das jede Erkenntnis stützt, und trennen Sie Extraktion von Interpretation. Geben Sie bei Video den Abschnitt und die zu erklärende Handlung oder Veränderung an. Der Hersteller kennzeichnet seinen demonstrierten Videoablauf als experimentell; das Medienverständnis erzeugt ein Textergebnis und rendert weder selbst ein neues Video noch führt es eigenständig eine visuelle Handlung aus.
K2.5 unterstützt Denk- und Sofortmodi. Der Denkmodus entwickelt Schlussfolgerungen vor einer abschliessenden Antwort; der Sofortmodus antwortet direkt. Die Referenzbereitstellung des Herstellers empfiehlt Temperatur 1.0 für den Denkmodus, 0.6 für den Sofortmodus und Top-p 0.95. Legen Sie die gewünschte Antwortform getrennt von dieser Denkauswahl fest, etwa einen extrahierten Datensatz, eine Entscheidungsnotiz oder ein vollständiges Codeartefakt.
Stellen Sie für eine schwierige Frage die vollständige Bedingung und relevante Quellen bereit. Ein Dokumentbriefing kann einen Vergleich mit der stützenden Passage neben jeder Schlussfolgerung verlangen. Ein Programmierbriefing kann die fehlerauslösende Eingabe, Bedingungen und vorzuschlagende Änderung benennen. Die Ausgabe sollte auf diese Aufgabe zurückführbar bleiben, statt eine lange Denkspur als abgeschlossenes Ergebnis zu behandeln.
K2.5 verwendet dieselbe Gestaltung mit verschränktem Schlussfolgern und mehrstufigen Werkzeugaufrufen wie K2 Thinking. Die Anwendung stellt Funktionen mit Beschreibungen und Schemas bereit, führt ausgewählte Vorgänge aus und gibt Beobachtungen zurück. Halten Sie Ergebnisse mit ihren Aufrufen verknüpft, damit der nächste Schritt tatsächliche Belege verwenden kann.
Der Hersteller beschreibt ausserdem einen Agentenschwarm-Ablauf, der ein komplexes Ziel in koordinierte fachspezifische Teilaufgaben zerlegt. Bereiten Sie ein solches Ziel mit definierten Ausgaben, erlaubten Handlungen und Abschlusskriterien vor. Das abschliessende Artefakt sollte die tatsächlich gewonnenen Beobachtungen integrieren; ein erzeugter Plan oder vorgeschlagener Zweig unterscheidet sich von ausgeführter Arbeit.
Planen Sie Quelle, Mediendarstellung, Verlauf, Schlussfolgern und abschliessende Antwort innerhalb des dokumentierten Kontexts von 256K. Die Tokenbudgets für Beispielanfragen und Evaluationen in der Modellkarte sind keine unabhängig belegten universellen Ausgabeobergrenzen. Kennzeichnen Sie Quellen und Medien, damit ein Ergebnis auf seine Belege zurückverweisen kann.
Das nützliche Arbeitsergebnis ist eine bildgestützte Erklärung, ein Codevorschlag oder ein quellenbasierter analytischer Befund. Prüfen Sie Werte anhand der Eingaben und Code in seiner vorgesehenen Anwendung. K2.5 bleibt eine eigene multimodale Veröffentlichung; spätere preserve-thinking-Steuerungen von K2.6 und frühere Prompting-Profile der reinen Textausgaben von K2 dürfen nicht an die Stelle des dokumentierten Ablaufs dieser Ausgabe treten.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits moonshotai/kimi-k2.5 | 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 $0.0012 / 1K Tokens Ausgabe · Ausgabetoken $0.006 / 1K Tokens Eingabe · Cache lesen $0.0003 / 1K Tokens Eingabe · Cache schreiben $0 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschliesslichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0012 / 1K Tokens Ausgabe · Ausgabetoken $0.006 / 1K Tokens Eingabe · Cache lesen $0.0003 / 1K Tokens Eingabe · Cache schreiben $0 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "moonshotai/kimi-k2.5",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-k2.5', '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-k2.5', '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-k2.5
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Draft an accessible tab interaction\n\nProvide HTML and JavaScript for three text-only tabs: Overview, Details and Returns. Exactly one panel is visible. Mouse clicks and Left/Right arrow keys change tabs; Home selects the first and End the last. Preserve those labels and include the key accessibility attributes. Return the bounded component and a short interaction-check list without claiming execution.A self-contained tab component proposal and checks for click, arrow, Home and End behavior.The selected tab, focus behavior and visible panel remain consistent after each supported interaction.