Kimi K2 Instruct 0905 ist Moonshot AIs September-Aktualisierung des Anweisungsmodells Kimi K2. Es ist ein Textmodell für Wissen, Schlussfolgern, Programmierung und werkzeuggestützte Aufgaben mit insgesamt einer Billion Mixture-of-Experts-Parametern und 32 Milliarden aktiven Parametern. Die genaue Ausgabe 0905 verbessert agentengestützte Programmierung und Frontend-Arbeit und erweitert den Kontext von 128K der ursprünglichen Veröffentlichung auf 256K Tokens.
Der Hersteller betont sowohl das praktische Verhalten als auch das Erscheinungsbild von Frontend-Code sowie Verbesserungen bei realen Aufgaben von Programmieragenten. Bereite ein Softwarebriefing mit der relevanten Implementierung, dem beobachteten Verhalten und den zu erfüllenden Anforderungen vor. Benenne bei einer Oberfläche Inhalt, sichtbare Zustände und Interaktionen sowie wichtige Designmerkmale. Ein nützliches Ergebnis ist Code mit Bezug zu diesen Kriterien statt einer allgemeinen Diskussion darüber, wie eine Oberfläche funktionieren könnte.
Eine beispielhafte Anweisung lautet: „Aktualisiere diese Komponente entsprechend dem beschriebenen Formularablauf, bewahre bestehende Feldnamen und erkläre die erforderlichen Fehler- und Erfolgszustände.“ Stelle beim Debugging eine repräsentative Eingabe bereit und bitte das Modell, vor der Rückgabe eines gezielten Patches die erste fehlerhafte Bedingung zu benennen. Lass tatsächliche Darstellungs- oder Validierungsbeobachtungen in die nächste Überarbeitung einfließen.
Die Übersicht zu 0905 beschreibt Multi-Head Latent Attention und eine dünn besetzte Mixture of Experts, die pro Token acht von 384 Experten neben einem gemeinsamen Experten auswählt. Der Kontext von 256K unterstützt eine größere Aufgabenaufzeichnung als die ursprüngliche K2-Ausgabe und enthält dennoch Quelle, Dialog, Werkzeugbeobachtungen und erzeugte Antwort gemeinsam. Ein größeres Fenster sollte nicht als unabhängiges maximales Ausgabebudget gelesen werden.
Ordne Repository-Auszüge nach Datei und Dokumentmaterial nach Abschnitt. Nenne das endgültige Artefakt und die Bedingungen, die über Anschlussfragen hinweg unverändert bleiben müssen. Fordere bei einem Vergleich die Passage oder das Codefragment an, das jede Schlussfolgerung stützt. Bewahre die gewählte Identität 0905, wenn der erweiterte Kontext und die Programmieraktualisierung für die Aufgabe wichtig sind.
Der Hersteller empfiehlt eine Temperatur von 0,6 und stellt eine einfache Assistenten-Systemanweisung für Aufgaben ohne spezialisierte Rolle bereit. Definiere Antwortsprache und -form getrennt, etwa eine Erklärung, einen quellengestützten Vergleich oder ausschließlich Code. So bleibt das gewünschte Endergebnis sichtbar, auch wenn die Anwendung mehrere Modellschritte verwendet.
Die genaue Modellkarte dokumentiert verfügbare Werkzeuge, die in jeder Anfrage bereitgestellt werden. Funktionen besitzen Namen, Beschreibungen und Parameterschemata; das Modell entscheidet, wann und wie es sie aufruft. Die Anwendung liest die gewählten JSON-Argumente ein, führt die Operation aus und gibt ein der Aufrufkennung zugeordnetes Werkzeugergebnis zurück. Die nächste Antwort kann dann die tatsächliche Beobachtung verwenden oder die Aufgabe fortsetzen.
Ein erzeugter Patch, eine gewählte Operation oder ein Suchplan ist ein Vorschlag, bis die umgebende Anwendung ihn ausführt. Bewahre das Ergebnis dieser Operation als Beleg für den nächsten Schritt und die endgültige Übergabe. Prüfe extrahierte Werte anhand des Quellenmaterials und Code anhand des gewünschten Verhaltens.
K2 Instruct 0905 bleibt von K2 Thinking und den späteren multimodalen Ausgaben K2.5 und K2.6 getrennt. Deren Bild-/Videoeingaben, native INT4-Eigenschaften des Thinking-Checkpoints und preserve-thinking-Steuerungen sollten nicht für diese benannte Textaktualisierung angenommen werden. Die nützliche Ausgabe ist ein gezieltes Text- oder Codeartefakt, das in der Aufgabe und den tatsächlich zurückgegebenen Beobachtungen verankert ist.
", "aboutText": "Kimi K2 Instruct 0905 ist Moonshot AIs September-Aktualisierung des Anweisungsmodells Kimi K2. Es ist ein Textmodell für Wissen, Schlussfolgern, Programmierung und werkzeuggestützte Aufgaben mit insgesamt einer Billion Mixture-of-Experts-Parametern und 32 Milliarden aktiven Parametern. Die genaue Ausgabe 0905 verbessert agentengestützte Programmierung und Frontend-Arbeit und erweitert den Kontext von 128K der ursprünglichen Veröffentlichung auf 256K Tokens.\n\n### Änderungen in dieser Ausgabe\n\nDer Hersteller betont sowohl das praktische Verhalten als auch das Erscheinungsbild von Frontend-Code sowie Verbesserungen bei realen Aufgaben von Programmieragenten. Bereite ein Softwarebriefing mit der relevanten Implementierung, dem beobachteten Verhalten und den zu erfüllenden Anforderungen vor. Benenne bei einer Oberfläche Inhalt, sichtbare Zustände und Interaktionen sowie wichtige Designmerkmale. Ein nützliches Ergebnis ist Code mit Bezug zu diesen Kriterien statt einer allgemeinen Diskussion darüber, wie eine Oberfläche funktionieren könnte.\n\nEine beispielhafte Anweisung lautet: „Aktualisiere diese Komponente entsprechend dem beschriebenen Formularablauf, bewahre bestehende Feldnamen und erkläre die erforderlichen Fehler- und Erfolgszustände.“ Stelle beim Debugging eine repräsentative Eingabe bereit und bitte das Modell, vor der Rückgabe eines gezielten Patches die erste fehlerhafte Bedingung zu benennen. Lass tatsächliche Darstellungs- oder Validierungsbeobachtungen in die nächste Überarbeitung einfließen.\n\n### Modellprofil und langer Kontext\n\nDie Übersicht zu 0905 beschreibt Multi-Head Latent Attention und eine dünn besetzte Mixture of Experts, die pro Token acht von 384 Experten neben einem gemeinsamen Experten auswählt. Der Kontext von 256K unterstützt eine größere Aufgabenaufzeichnung als die ursprüngliche K2-Ausgabe und enthält dennoch Quelle, Dialog, Werkzeugbeobachtungen und erzeugte Antwort gemeinsam. Ein größeres Fenster sollte nicht als unabhängiges maximales Ausgabebudget gelesen werden.\n\nOrdne Repository-Auszüge nach Datei und Dokumentmaterial nach Abschnitt. Nenne das endgültige Artefakt und die Bedingungen, die über Anschlussfragen hinweg unverändert bleiben müssen. Fordere bei einem Vergleich die Passage oder das Codefragment an, das jede Schlussfolgerung stützt. Bewahre die gewählte Identität 0905, wenn der erweiterte Kontext und die Programmieraktualisierung für die Aufgabe wichtig sind.\n\n### Chat und Funktionsaufrufe\n\nDer Hersteller empfiehlt eine Temperatur von 0,6 und stellt eine einfache Assistenten-Systemanweisung für Aufgaben ohne spezialisierte Rolle bereit. Definiere Antwortsprache und -form getrennt, etwa eine Erklärung, einen quellengestützten Vergleich oder ausschließlich Code. So bleibt das gewünschte Endergebnis sichtbar, auch wenn die Anwendung mehrere Modellschritte verwendet.\n\nDie genaue Modellkarte dokumentiert verfügbare Werkzeuge, die in jeder Anfrage bereitgestellt werden. Funktionen besitzen Namen, Beschreibungen und Parameterschemata; das Modell entscheidet, wann und wie es sie aufruft. Die Anwendung liest die gewählten JSON-Argumente ein, führt die Operation aus und gibt ein der Aufrufkennung zugeordnetes Werkzeugergebnis zurück. Die nächste Antwort kann dann die tatsächliche Beobachtung verwenden oder die Aufgabe fortsetzen.\n\n### Prüffähige Ergebnisse\n\nEin erzeugter Patch, eine gewählte Operation oder ein Suchplan ist ein Vorschlag, bis die umgebende Anwendung ihn ausführt. Bewahre das Ergebnis dieser Operation als Beleg für den nächsten Schritt und die endgültige Übergabe. Prüfe extrahierte Werte anhand des Quellenmaterials und Code anhand des gewünschten Verhaltens.\n\nK2 Instruct 0905 bleibt von K2 Thinking und den späteren multimodalen Ausgaben K2.5 und K2.6 getrennt. Deren Bild-/Videoeingaben, native INT4-Eigenschaften des Thinking-Checkpoints und preserve-thinking-Steuerungen sollten nicht für diese benannte Textaktualisierung angenommen werden. Die nützliche Ausgabe ist ein gezieltes Text- oder Codeartefakt, das in der Aufgabe und den tatsächlich zurückgegebenen Beobachtungen verankert ist.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Specify an accessible form correction\n\nPropose a focused HTML change for this form: <input id="email"><span>Email required</span><button>Send</button>. Requirements: a visible label must name the field, the error must be programmatically associated and the button must submit the form. Return the revised fragment and checks for label association and error text, preserving the email field ID.A revised HTML form fragment and two focused accessibility checks, with email still the field ID.Inspect label for/id and the error association; do not describe keyboard or screen-reader checks as already executed.moonshotai/kimi-k2-0905Kimi K2 Instruct 0905 ist das aktualisierte Textmodell von Moonshot AI für Programmierung, Frontend-Implementierung und Agenten. Es erweitert den ursprünglichen K2-Kontext von 128K auf 256K und gibt Antworten, Code und Funktionsaufrufinhalte auf Grundlage der Aufgabe und der von der Anwendung bereitgestellten Beobachtungen zurück.
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 0905 ist Moonshot AIs September-Aktualisierung des Anweisungsmodells Kimi K2. Es ist ein Textmodell für Wissen, Schlussfolgern, Programmierung und werkzeuggestützte Aufgaben mit insgesamt einer Billion Mixture-of-Experts-Parametern und 32 Milliarden aktiven Parametern. Die genaue Ausgabe 0905 verbessert agentengestützte Programmierung und Frontend-Arbeit und erweitert den Kontext von 128K der ursprünglichen Veröffentlichung auf 256K Tokens.
Der Hersteller betont sowohl das praktische Verhalten als auch das Erscheinungsbild von Frontend-Code sowie Verbesserungen bei realen Aufgaben von Programmieragenten. Bereite ein Softwarebriefing mit der relevanten Implementierung, dem beobachteten Verhalten und den zu erfüllenden Anforderungen vor. Benenne bei einer Oberfläche Inhalt, sichtbare Zustände und Interaktionen sowie wichtige Designmerkmale. Ein nützliches Ergebnis ist Code mit Bezug zu diesen Kriterien statt einer allgemeinen Diskussion darüber, wie eine Oberfläche funktionieren könnte.
Eine beispielhafte Anweisung lautet: „Aktualisiere diese Komponente entsprechend dem beschriebenen Formularablauf, bewahre bestehende Feldnamen und erkläre die erforderlichen Fehler- und Erfolgszustände.“ Stelle beim Debugging eine repräsentative Eingabe bereit und bitte das Modell, vor der Rückgabe eines gezielten Patches die erste fehlerhafte Bedingung zu benennen. Lass tatsächliche Darstellungs- oder Validierungsbeobachtungen in die nächste Überarbeitung einfließen.
Die Übersicht zu 0905 beschreibt Multi-Head Latent Attention und eine dünn besetzte Mixture of Experts, die pro Token acht von 384 Experten neben einem gemeinsamen Experten auswählt. Der Kontext von 256K unterstützt eine größere Aufgabenaufzeichnung als die ursprüngliche K2-Ausgabe und enthält dennoch Quelle, Dialog, Werkzeugbeobachtungen und erzeugte Antwort gemeinsam. Ein größeres Fenster sollte nicht als unabhängiges maximales Ausgabebudget gelesen werden.
Ordne Repository-Auszüge nach Datei und Dokumentmaterial nach Abschnitt. Nenne das endgültige Artefakt und die Bedingungen, die über Anschlussfragen hinweg unverändert bleiben müssen. Fordere bei einem Vergleich die Passage oder das Codefragment an, das jede Schlussfolgerung stützt. Bewahre die gewählte Identität 0905, wenn der erweiterte Kontext und die Programmieraktualisierung für die Aufgabe wichtig sind.
Der Hersteller empfiehlt eine Temperatur von 0,6 und stellt eine einfache Assistenten-Systemanweisung für Aufgaben ohne spezialisierte Rolle bereit. Definiere Antwortsprache und -form getrennt, etwa eine Erklärung, einen quellengestützten Vergleich oder ausschließlich Code. So bleibt das gewünschte Endergebnis sichtbar, auch wenn die Anwendung mehrere Modellschritte verwendet.
Die genaue Modellkarte dokumentiert verfügbare Werkzeuge, die in jeder Anfrage bereitgestellt werden. Funktionen besitzen Namen, Beschreibungen und Parameterschemata; das Modell entscheidet, wann und wie es sie aufruft. Die Anwendung liest die gewählten JSON-Argumente ein, führt die Operation aus und gibt ein der Aufrufkennung zugeordnetes Werkzeugergebnis zurück. Die nächste Antwort kann dann die tatsächliche Beobachtung verwenden oder die Aufgabe fortsetzen.
Ein erzeugter Patch, eine gewählte Operation oder ein Suchplan ist ein Vorschlag, bis die umgebende Anwendung ihn ausführt. Bewahre das Ergebnis dieser Operation als Beleg für den nächsten Schritt und die endgültige Übergabe. Prüfe extrahierte Werte anhand des Quellenmaterials und Code anhand des gewünschten Verhaltens.
K2 Instruct 0905 bleibt von K2 Thinking und den späteren multimodalen Ausgaben K2.5 und K2.6 getrennt. Deren Bild-/Videoeingaben, native INT4-Eigenschaften des Thinking-Checkpoints und preserve-thinking-Steuerungen sollten nicht für diese benannte Textaktualisierung angenommen werden. Die nützliche Ausgabe ist ein gezieltes Text- oder Codeartefakt, das in der Aufgabe und den tatsächlich zurückgegebenen Beobachtungen verankert ist.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits moonshotai/kimi-k2-0905 | 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 Token Ausgabe · Ausgabetoken $0.005 / 1K Token Eingabe · Cache-Lesen $0 / 1K Token Eingabe · Cache-Schreiben $0 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0012 / 1K Token Ausgabe · Ausgabetoken $0.005 / 1K Token Eingabe · Cache-Lesen $0 / 1K Token Eingabe · Cache-Schreiben $0 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "moonshotai/kimi-k2-0905", "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-k2-0905',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-k2-0905',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-k2-0905
Verwenden Sie die oben angezeigten Methodenpfade.
moonshotai/kimi-k2-0905Kimi K2 Instruct 0905 ist das aktualisierte Textmodell von Moonshot AI für Programmierung, Frontend-Implementierung und Agenten. Es erweitert den ursprünglichen K2-Kontext von 128K auf 256K und gibt Antworten, Code und Funktionsaufrufinhalte auf Grundlage der Aufgabe und der von der Anwendung bereitgestellten Beobachtungen zurück.
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 0905 ist Moonshot AIs September-Aktualisierung des Anweisungsmodells Kimi K2. Es ist ein Textmodell für Wissen, Schlussfolgern, Programmierung und werkzeuggestützte Aufgaben mit insgesamt einer Billion Mixture-of-Experts-Parametern und 32 Milliarden aktiven Parametern. Die genaue Ausgabe 0905 verbessert agentengestützte Programmierung und Frontend-Arbeit und erweitert den Kontext von 128K der ursprünglichen Veröffentlichung auf 256K Tokens.
Der Hersteller betont sowohl das praktische Verhalten als auch das Erscheinungsbild von Frontend-Code sowie Verbesserungen bei realen Aufgaben von Programmieragenten. Bereite ein Softwarebriefing mit der relevanten Implementierung, dem beobachteten Verhalten und den zu erfüllenden Anforderungen vor. Benenne bei einer Oberfläche Inhalt, sichtbare Zustände und Interaktionen sowie wichtige Designmerkmale. Ein nützliches Ergebnis ist Code mit Bezug zu diesen Kriterien statt einer allgemeinen Diskussion darüber, wie eine Oberfläche funktionieren könnte.
Eine beispielhafte Anweisung lautet: „Aktualisiere diese Komponente entsprechend dem beschriebenen Formularablauf, bewahre bestehende Feldnamen und erkläre die erforderlichen Fehler- und Erfolgszustände.“ Stelle beim Debugging eine repräsentative Eingabe bereit und bitte das Modell, vor der Rückgabe eines gezielten Patches die erste fehlerhafte Bedingung zu benennen. Lass tatsächliche Darstellungs- oder Validierungsbeobachtungen in die nächste Überarbeitung einfließen.
Die Übersicht zu 0905 beschreibt Multi-Head Latent Attention und eine dünn besetzte Mixture of Experts, die pro Token acht von 384 Experten neben einem gemeinsamen Experten auswählt. Der Kontext von 256K unterstützt eine größere Aufgabenaufzeichnung als die ursprüngliche K2-Ausgabe und enthält dennoch Quelle, Dialog, Werkzeugbeobachtungen und erzeugte Antwort gemeinsam. Ein größeres Fenster sollte nicht als unabhängiges maximales Ausgabebudget gelesen werden.
Ordne Repository-Auszüge nach Datei und Dokumentmaterial nach Abschnitt. Nenne das endgültige Artefakt und die Bedingungen, die über Anschlussfragen hinweg unverändert bleiben müssen. Fordere bei einem Vergleich die Passage oder das Codefragment an, das jede Schlussfolgerung stützt. Bewahre die gewählte Identität 0905, wenn der erweiterte Kontext und die Programmieraktualisierung für die Aufgabe wichtig sind.
Der Hersteller empfiehlt eine Temperatur von 0,6 und stellt eine einfache Assistenten-Systemanweisung für Aufgaben ohne spezialisierte Rolle bereit. Definiere Antwortsprache und -form getrennt, etwa eine Erklärung, einen quellengestützten Vergleich oder ausschließlich Code. So bleibt das gewünschte Endergebnis sichtbar, auch wenn die Anwendung mehrere Modellschritte verwendet.
Die genaue Modellkarte dokumentiert verfügbare Werkzeuge, die in jeder Anfrage bereitgestellt werden. Funktionen besitzen Namen, Beschreibungen und Parameterschemata; das Modell entscheidet, wann und wie es sie aufruft. Die Anwendung liest die gewählten JSON-Argumente ein, führt die Operation aus und gibt ein der Aufrufkennung zugeordnetes Werkzeugergebnis zurück. Die nächste Antwort kann dann die tatsächliche Beobachtung verwenden oder die Aufgabe fortsetzen.
Ein erzeugter Patch, eine gewählte Operation oder ein Suchplan ist ein Vorschlag, bis die umgebende Anwendung ihn ausführt. Bewahre das Ergebnis dieser Operation als Beleg für den nächsten Schritt und die endgültige Übergabe. Prüfe extrahierte Werte anhand des Quellenmaterials und Code anhand des gewünschten Verhaltens.
K2 Instruct 0905 bleibt von K2 Thinking und den späteren multimodalen Ausgaben K2.5 und K2.6 getrennt. Deren Bild-/Videoeingaben, native INT4-Eigenschaften des Thinking-Checkpoints und preserve-thinking-Steuerungen sollten nicht für diese benannte Textaktualisierung angenommen werden. Die nützliche Ausgabe ist ein gezieltes Text- oder Codeartefakt, das in der Aufgabe und den tatsächlich zurückgegebenen Beobachtungen verankert ist.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits moonshotai/kimi-k2-0905 | 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 Token Ausgabe · Ausgabetoken $0.005 / 1K Token Eingabe · Cache-Lesen $0 / 1K Token Eingabe · Cache-Schreiben $0 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0012 / 1K Token Ausgabe · Ausgabetoken $0.005 / 1K Token Eingabe · Cache-Lesen $0 / 1K Token Eingabe · Cache-Schreiben $0 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "moonshotai/kimi-k2-0905",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-k2-0905', '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-k2-0905', '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-k2-0905
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Specify an accessible form correction\n\nPropose a focused HTML change for this form: <input id="email"><span>Email required</span><button>Send</button>. Requirements: a visible label must name the field, the error must be programmatically associated and the button must submit the form. Return the revised fragment and checks for label association and error text, preserving the email field ID.A revised HTML form fragment and two focused accessibility checks, with email still the field ID.Inspect label for/id and the error association; do not describe keyboard or screen-reader checks as already executed.