Kimi K2 Thinking ist die aus Kimi K2 entwickelte Reasoning-Agenten-Edition von Moonshot AI. Sie bearbeitet eine Aufgabe und wählt dabei Funktionen aus, die die umgebende Anwendung bereitstellt; vor der endgültigen Antwort verbindet sie Zwischenanalysen mit Werkzeugbeobachtungen. Das veröffentlichte Mixture-of-Experts-Profil hat insgesamt eine Billion Parameter, 32 Milliarden aktive Parameter und einen Kontext von 256K. Die dokumentierte Aufgabeneingabe und Antwort sind Text.
Der Hersteller entwickelt K2 Thinking für Recherche-, Programmier- und Schreibabläufe, die viele Schritte benötigen. Das entscheidende Merkmal ist die Verzahnung von Schlussfolgern und Funktionsaufrufen, statt Denken und Handeln als zwei voneinander unabhängige Phasen zu behandeln. Eine hilfreiche Aufgabenbeschreibung nennt die Frage, verfügbare Quellen oder Werkzeuge, erlaubte Aktionen und das Ergebnis, das die Erledigung kennzeichnet.
Geben Sie für Recherchen die Kriterien für eine relevante Quelle vor und verlangen Sie, dass die Schlussfolgerung die erhaltenen Belege zitiert. Fügen Sie bei Programmieraufgaben die relevante Implementierung, das fehlerhafte Verhalten und die Randbedingungen bei und verlangen Sie anschliessend den endgültigen Patch und die ihn stützenden Beobachtungen. Ein beispielhafter Prompt lautet: «Verwenden Sie den bereitgestellten Code und die Werkzeugergebnisse, um die Ursache zu ermitteln, eine gezielte Änderung vorzuschlagen und abgeschlossene Validierung von einer noch auszuführenden Prüfung zu unterscheiden.»
K2 Thinking verwendet im Post-Training quantisierungsbewusstes Training und wendet native INT4-Quantisierung ausschliesslich der Gewichte auf Mixture-of-Experts-Komponenten an. Dies ist ein Merkmal des Hersteller-Checkpoints und kein Grund, dem Modell die Rechengenauigkeit oder Modalität einer anderen K2-Edition zuzuordnen. Das native Modellformat ist weiterhin davon zu unterscheiden, wie eine konkrete Anwendung es ausführt.
Diese genaue Modellkarte verwendet die Einstellungen für Werkzeugaufrufe von K2 Instruct. Geben Sie in jeder Anfrage verfügbare Funktionsnamen, Beschreibungen und Parameterschemata an. Das Modell entscheidet, wann und wie es sie aufruft. Die Anwendung wertet die vorgeschlagenen Argumente aus, führt die gewählte Funktion aus und gibt deren Ergebnis in einer Werkzeugnachricht mit zugehöriger Kennung und zugehörigem Namen zurück. Der nächste Modellschritt kann diese Beobachtung verwenden oder einen anderen Vorgang auswählen.
Bewahren Sie die ursprünglichen Beobachtungen im Gespräch auf und beschreiben Sie, was als abgeschlossenes Ergebnis gilt. Ein ausgewählter Suchaufruf ist erst dann eine abgerufene Quelle, wenn die Anwendung sie zurückliefert; erzeugter Code ist noch keine erfolgreiche Ausführung. Prüfen Sie bei einem strukturierten Ergebnis sowohl die Felder als auch ihre Übereinstimmung mit den bereitgestellten Belegen.
Der Hersteller empfiehlt temperature 1.0 und liefert eine einfache Systemanweisung für einen Assistenten als Standard, wenn keine besondere Anweisung erforderlich ist. Legen Sie Sprache und Form der endgültigen Antwort getrennt fest: eine knappe Schlussfolgerung, eine Analyse mit Quellenverweisen oder ein Codeartefakt. Thinking-Inhalt und endgültige Antwort haben unterschiedliche Zwecke und sollten unterscheidbar bleiben.
Der Kontext von 256K muss Anweisungen, Quellmaterial, Gespräch, Gedankengänge und Werkzeugergebnisse aufnehmen. Eine lange werkzeuggestützte Aufgabe kann mehr Kontext ansammeln, als ihre ursprüngliche Frage vermuten lässt. Halten Sie die Belege relevant und bewahren Sie das verlangte Ergebnis über Anschlussfragen hinweg. Die verschiedenen Thinking-Budgets aus Bewertungen und die beispielhafte Antwortgrösse der Modellkarte sind keine universellen harten Ausgabegrenzen.
Eine hilfreiche endgültige Antwort verbindet ihre Schlussfolgerung mit den tatsächlichen Quellen oder Beobachtungen und benennt ungeklärte Informationen. K2 Thinking ist eine eigenständige Text-Reasoning-Edition; Bild- und Videoeingaben sowie die für spätere Veröffentlichungen K2.5 und K2.6 beschriebenen Steuerungen instant-mode oder preserve-thinking dürfen nicht aus dem gemeinsamen Familiennamen abgeleitet werden.
", "aboutText": "Kimi K2 Thinking ist die aus Kimi K2 entwickelte Reasoning-Agenten-Edition von Moonshot AI. Sie bearbeitet eine Aufgabe und wählt dabei Funktionen aus, die die umgebende Anwendung bereitstellt; vor der endgültigen Antwort verbindet sie Zwischenanalysen mit Werkzeugbeobachtungen. Das veröffentlichte Mixture-of-Experts-Profil hat insgesamt eine Billion Parameter, 32 Milliarden aktive Parameter und einen Kontext von 256K. Die dokumentierte Aufgabeneingabe und Antwort sind Text.\n\n### Tiefgehendes Schlussfolgern und lange Aufgaben\n\nDer Hersteller entwickelt K2 Thinking für Recherche-, Programmier- und Schreibabläufe, die viele Schritte benötigen. Das entscheidende Merkmal ist die Verzahnung von Schlussfolgern und Funktionsaufrufen, statt Denken und Handeln als zwei voneinander unabhängige Phasen zu behandeln. Eine hilfreiche Aufgabenbeschreibung nennt die Frage, verfügbare Quellen oder Werkzeuge, erlaubte Aktionen und das Ergebnis, das die Erledigung kennzeichnet.\n\nGeben Sie für Recherchen die Kriterien für eine relevante Quelle vor und verlangen Sie, dass die Schlussfolgerung die erhaltenen Belege zitiert. Fügen Sie bei Programmieraufgaben die relevante Implementierung, das fehlerhafte Verhalten und die Randbedingungen bei und verlangen Sie anschliessend den endgültigen Patch und die ihn stützenden Beobachtungen. Ein beispielhafter Prompt lautet: «Verwenden Sie den bereitgestellten Code und die Werkzeugergebnisse, um die Ursache zu ermitteln, eine gezielte Änderung vorzuschlagen und abgeschlossene Validierung von einer noch auszuführenden Prüfung zu unterscheiden.»\n\n### Hersteller-Checkpoint und Quantisierung\n\nK2 Thinking verwendet im Post-Training quantisierungsbewusstes Training und wendet native INT4-Quantisierung ausschliesslich der Gewichte auf Mixture-of-Experts-Komponenten an. Dies ist ein Merkmal des Hersteller-Checkpoints und kein Grund, dem Modell die Rechengenauigkeit oder Modalität einer anderen K2-Edition zuzuordnen. Das native Modellformat ist weiterhin davon zu unterscheiden, wie eine konkrete Anwendung es ausführt.\n\n### Ablauf von Werkzeugaufrufen\n\nDiese genaue Modellkarte verwendet die Einstellungen für Werkzeugaufrufe von K2 Instruct. Geben Sie in jeder Anfrage verfügbare Funktionsnamen, Beschreibungen und Parameterschemata an. Das Modell entscheidet, wann und wie es sie aufruft. Die Anwendung wertet die vorgeschlagenen Argumente aus, führt die gewählte Funktion aus und gibt deren Ergebnis in einer Werkzeugnachricht mit zugehöriger Kennung und zugehörigem Namen zurück. Der nächste Modellschritt kann diese Beobachtung verwenden oder einen anderen Vorgang auswählen.\n\nBewahren Sie die ursprünglichen Beobachtungen im Gespräch auf und beschreiben Sie, was als abgeschlossenes Ergebnis gilt. Ein ausgewählter Suchaufruf ist erst dann eine abgerufene Quelle, wenn die Anwendung sie zurückliefert; erzeugter Code ist noch keine erfolgreiche Ausführung. Prüfen Sie bei einem strukturierten Ergebnis sowohl die Felder als auch ihre Übereinstimmung mit den bereitgestellten Belegen.\n\n### Prompts und Antwortbudgets\n\nDer Hersteller empfiehlt temperature 1.0 und liefert eine einfache Systemanweisung für einen Assistenten als Standard, wenn keine besondere Anweisung erforderlich ist. Legen Sie Sprache und Form der endgültigen Antwort getrennt fest: eine knappe Schlussfolgerung, eine Analyse mit Quellenverweisen oder ein Codeartefakt. Thinking-Inhalt und endgültige Antwort haben unterschiedliche Zwecke und sollten unterscheidbar bleiben.\n\nDer Kontext von 256K muss Anweisungen, Quellmaterial, Gespräch, Gedankengänge und Werkzeugergebnisse aufnehmen. Eine lange werkzeuggestützte Aufgabe kann mehr Kontext ansammeln, als ihre ursprüngliche Frage vermuten lässt. Halten Sie die Belege relevant und bewahren Sie das verlangte Ergebnis über Anschlussfragen hinweg. Die verschiedenen Thinking-Budgets aus Bewertungen und die beispielhafte Antwortgrösse der Modellkarte sind keine universellen harten Ausgabegrenzen.\n\nEine hilfreiche endgültige Antwort verbindet ihre Schlussfolgerung mit den tatsächlichen Quellen oder Beobachtungen und benennt ungeklärte Informationen. K2 Thinking ist eine eigenständige Text-Reasoning-Edition; Bild- und Videoeingaben sowie die für spätere Veröffentlichungen K2.5 und K2.6 beschriebenen Steuerungen instant-mode oder preserve-thinking dürfen nicht aus dem gemeinsamen Familiennamen abgeleitet werden.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Continue debugging from a real observation\n\nUse this supplied development observation: a test expected rows ordered by created_at, but equal timestamps appeared in different orders across runs. Query text is 'ORDER BY created_at'. Propose a deterministic tie-breaker using the unique id field, explain its effect and specify the next test. Distinguish the reported test result from checks still proposed.A focused query change, causal explanation and a test for rows sharing the same timestamp.The revised ordering includes a unique tie-breaker, and the answer does not claim the new test has run.moonshotai/kimi-k2-thinkingKimi K2 Thinking ist der Text-Denkagent von Moonshot AI, der Analyse mit Funktionsaufrufen verschränkt. Sein Kontext von 256K und der native INT4-Herstellercheckpoint unterstützen mehrstufige Recherche, Programmierung und Schreiben, mit endgültigen Antworten auf Grundlage der von bereitgestellten Werkzeugen zurückgegebenen Beobachtungen.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Kimi K2 Thinking ist die aus Kimi K2 entwickelte Reasoning-Agenten-Edition von Moonshot AI. Sie bearbeitet eine Aufgabe und wählt dabei Funktionen aus, die die umgebende Anwendung bereitstellt; vor der endgültigen Antwort verbindet sie Zwischenanalysen mit Werkzeugbeobachtungen. Das veröffentlichte Mixture-of-Experts-Profil hat insgesamt eine Billion Parameter, 32 Milliarden aktive Parameter und einen Kontext von 256K. Die dokumentierte Aufgabeneingabe und Antwort sind Text.
Der Hersteller entwickelt K2 Thinking für Recherche-, Programmier- und Schreibabläufe, die viele Schritte benötigen. Das entscheidende Merkmal ist die Verzahnung von Schlussfolgern und Funktionsaufrufen, statt Denken und Handeln als zwei voneinander unabhängige Phasen zu behandeln. Eine hilfreiche Aufgabenbeschreibung nennt die Frage, verfügbare Quellen oder Werkzeuge, erlaubte Aktionen und das Ergebnis, das die Erledigung kennzeichnet.
Geben Sie für Recherchen die Kriterien für eine relevante Quelle vor und verlangen Sie, dass die Schlussfolgerung die erhaltenen Belege zitiert. Fügen Sie bei Programmieraufgaben die relevante Implementierung, das fehlerhafte Verhalten und die Randbedingungen bei und verlangen Sie anschliessend den endgültigen Patch und die ihn stützenden Beobachtungen. Ein beispielhafter Prompt lautet: «Verwenden Sie den bereitgestellten Code und die Werkzeugergebnisse, um die Ursache zu ermitteln, eine gezielte Änderung vorzuschlagen und abgeschlossene Validierung von einer noch auszuführenden Prüfung zu unterscheiden.»
K2 Thinking verwendet im Post-Training quantisierungsbewusstes Training und wendet native INT4-Quantisierung ausschliesslich der Gewichte auf Mixture-of-Experts-Komponenten an. Dies ist ein Merkmal des Hersteller-Checkpoints und kein Grund, dem Modell die Rechengenauigkeit oder Modalität einer anderen K2-Edition zuzuordnen. Das native Modellformat ist weiterhin davon zu unterscheiden, wie eine konkrete Anwendung es ausführt.
Diese genaue Modellkarte verwendet die Einstellungen für Werkzeugaufrufe von K2 Instruct. Geben Sie in jeder Anfrage verfügbare Funktionsnamen, Beschreibungen und Parameterschemata an. Das Modell entscheidet, wann und wie es sie aufruft. Die Anwendung wertet die vorgeschlagenen Argumente aus, führt die gewählte Funktion aus und gibt deren Ergebnis in einer Werkzeugnachricht mit zugehöriger Kennung und zugehörigem Namen zurück. Der nächste Modellschritt kann diese Beobachtung verwenden oder einen anderen Vorgang auswählen.
Bewahren Sie die ursprünglichen Beobachtungen im Gespräch auf und beschreiben Sie, was als abgeschlossenes Ergebnis gilt. Ein ausgewählter Suchaufruf ist erst dann eine abgerufene Quelle, wenn die Anwendung sie zurückliefert; erzeugter Code ist noch keine erfolgreiche Ausführung. Prüfen Sie bei einem strukturierten Ergebnis sowohl die Felder als auch ihre Übereinstimmung mit den bereitgestellten Belegen.
Der Hersteller empfiehlt temperature 1.0 und liefert eine einfache Systemanweisung für einen Assistenten als Standard, wenn keine besondere Anweisung erforderlich ist. Legen Sie Sprache und Form der endgültigen Antwort getrennt fest: eine knappe Schlussfolgerung, eine Analyse mit Quellenverweisen oder ein Codeartefakt. Thinking-Inhalt und endgültige Antwort haben unterschiedliche Zwecke und sollten unterscheidbar bleiben.
Der Kontext von 256K muss Anweisungen, Quellmaterial, Gespräch, Gedankengänge und Werkzeugergebnisse aufnehmen. Eine lange werkzeuggestützte Aufgabe kann mehr Kontext ansammeln, als ihre ursprüngliche Frage vermuten lässt. Halten Sie die Belege relevant und bewahren Sie das verlangte Ergebnis über Anschlussfragen hinweg. Die verschiedenen Thinking-Budgets aus Bewertungen und die beispielhafte Antwortgrösse der Modellkarte sind keine universellen harten Ausgabegrenzen.
Eine hilfreiche endgültige Antwort verbindet ihre Schlussfolgerung mit den tatsächlichen Quellen oder Beobachtungen und benennt ungeklärte Informationen. K2 Thinking ist eine eigenständige Text-Reasoning-Edition; Bild- und Videoeingaben sowie die für spätere Veröffentlichungen K2.5 und K2.6 beschriebenen Steuerungen instant-mode oder preserve-thinking dürfen nicht aus dem gemeinsamen Familiennamen abgeleitet werden.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits moonshotai/kimi-k2-thinking | 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 $0.005 / 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 $0.005 / 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-thinking", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='moonshotai/kimi-k2-thinking',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='moonshotai/kimi-k2-thinking',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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-thinking
Verwenden Sie die oben angezeigten Methodenpfade.
moonshotai/kimi-k2-thinkingKimi K2 Thinking ist der Text-Denkagent von Moonshot AI, der Analyse mit Funktionsaufrufen verschränkt. Sein Kontext von 256K und der native INT4-Herstellercheckpoint unterstützen mehrstufige Recherche, Programmierung und Schreiben, mit endgültigen Antworten auf Grundlage der von bereitgestellten Werkzeugen zurückgegebenen Beobachtungen.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Kimi K2 Thinking ist die aus Kimi K2 entwickelte Reasoning-Agenten-Edition von Moonshot AI. Sie bearbeitet eine Aufgabe und wählt dabei Funktionen aus, die die umgebende Anwendung bereitstellt; vor der endgültigen Antwort verbindet sie Zwischenanalysen mit Werkzeugbeobachtungen. Das veröffentlichte Mixture-of-Experts-Profil hat insgesamt eine Billion Parameter, 32 Milliarden aktive Parameter und einen Kontext von 256K. Die dokumentierte Aufgabeneingabe und Antwort sind Text.
Der Hersteller entwickelt K2 Thinking für Recherche-, Programmier- und Schreibabläufe, die viele Schritte benötigen. Das entscheidende Merkmal ist die Verzahnung von Schlussfolgern und Funktionsaufrufen, statt Denken und Handeln als zwei voneinander unabhängige Phasen zu behandeln. Eine hilfreiche Aufgabenbeschreibung nennt die Frage, verfügbare Quellen oder Werkzeuge, erlaubte Aktionen und das Ergebnis, das die Erledigung kennzeichnet.
Geben Sie für Recherchen die Kriterien für eine relevante Quelle vor und verlangen Sie, dass die Schlussfolgerung die erhaltenen Belege zitiert. Fügen Sie bei Programmieraufgaben die relevante Implementierung, das fehlerhafte Verhalten und die Randbedingungen bei und verlangen Sie anschliessend den endgültigen Patch und die ihn stützenden Beobachtungen. Ein beispielhafter Prompt lautet: «Verwenden Sie den bereitgestellten Code und die Werkzeugergebnisse, um die Ursache zu ermitteln, eine gezielte Änderung vorzuschlagen und abgeschlossene Validierung von einer noch auszuführenden Prüfung zu unterscheiden.»
K2 Thinking verwendet im Post-Training quantisierungsbewusstes Training und wendet native INT4-Quantisierung ausschliesslich der Gewichte auf Mixture-of-Experts-Komponenten an. Dies ist ein Merkmal des Hersteller-Checkpoints und kein Grund, dem Modell die Rechengenauigkeit oder Modalität einer anderen K2-Edition zuzuordnen. Das native Modellformat ist weiterhin davon zu unterscheiden, wie eine konkrete Anwendung es ausführt.
Diese genaue Modellkarte verwendet die Einstellungen für Werkzeugaufrufe von K2 Instruct. Geben Sie in jeder Anfrage verfügbare Funktionsnamen, Beschreibungen und Parameterschemata an. Das Modell entscheidet, wann und wie es sie aufruft. Die Anwendung wertet die vorgeschlagenen Argumente aus, führt die gewählte Funktion aus und gibt deren Ergebnis in einer Werkzeugnachricht mit zugehöriger Kennung und zugehörigem Namen zurück. Der nächste Modellschritt kann diese Beobachtung verwenden oder einen anderen Vorgang auswählen.
Bewahren Sie die ursprünglichen Beobachtungen im Gespräch auf und beschreiben Sie, was als abgeschlossenes Ergebnis gilt. Ein ausgewählter Suchaufruf ist erst dann eine abgerufene Quelle, wenn die Anwendung sie zurückliefert; erzeugter Code ist noch keine erfolgreiche Ausführung. Prüfen Sie bei einem strukturierten Ergebnis sowohl die Felder als auch ihre Übereinstimmung mit den bereitgestellten Belegen.
Der Hersteller empfiehlt temperature 1.0 und liefert eine einfache Systemanweisung für einen Assistenten als Standard, wenn keine besondere Anweisung erforderlich ist. Legen Sie Sprache und Form der endgültigen Antwort getrennt fest: eine knappe Schlussfolgerung, eine Analyse mit Quellenverweisen oder ein Codeartefakt. Thinking-Inhalt und endgültige Antwort haben unterschiedliche Zwecke und sollten unterscheidbar bleiben.
Der Kontext von 256K muss Anweisungen, Quellmaterial, Gespräch, Gedankengänge und Werkzeugergebnisse aufnehmen. Eine lange werkzeuggestützte Aufgabe kann mehr Kontext ansammeln, als ihre ursprüngliche Frage vermuten lässt. Halten Sie die Belege relevant und bewahren Sie das verlangte Ergebnis über Anschlussfragen hinweg. Die verschiedenen Thinking-Budgets aus Bewertungen und die beispielhafte Antwortgrösse der Modellkarte sind keine universellen harten Ausgabegrenzen.
Eine hilfreiche endgültige Antwort verbindet ihre Schlussfolgerung mit den tatsächlichen Quellen oder Beobachtungen und benennt ungeklärte Informationen. K2 Thinking ist eine eigenständige Text-Reasoning-Edition; Bild- und Videoeingaben sowie die für spätere Veröffentlichungen K2.5 und K2.6 beschriebenen Steuerungen instant-mode oder preserve-thinking dürfen nicht aus dem gemeinsamen Familiennamen abgeleitet werden.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits moonshotai/kimi-k2-thinking | 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 $0.005 / 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 $0.005 / 1K Tokens Eingabe · Cache lesen $0.0003 / 1K Tokens Eingabe · Cache schreiben $0 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "moonshotai/kimi-k2-thinking",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'moonshotai/kimi-k2-thinking', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'moonshotai/kimi-k2-thinking', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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-thinking
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Continue debugging from a real observation\n\nUse this supplied development observation: a test expected rows ordered by created_at, but equal timestamps appeared in different orders across runs. Query text is 'ORDER BY created_at'. Propose a deterministic tie-breaker using the unique id field, explain its effect and specify the next test. Distinguish the reported test result from checks still proposed.A focused query change, causal explanation and a test for rows sharing the same timestamp.The revised ordering includes a unique tie-breaker, and the answer does not claim the new test has run.