Kimi-Dev-72B est le modèle linguistique de programmation de Moonshot AI pour l’ingénierie logicielle, particulièrement la résolution de problèmes dans les dépôts existants. Il accepte du texte et produit du texte, notamment des propositions de code, explications et tests. Sa conception part du modèle de base Qwen 2.5 72B et développe les capacités nécessaires pour transformer un rapport de bogue en modification examinable.
BugFixer et TestWriter. Le fabricant considère la correction d’une implémentation et l’écriture du test reproduisant son défaut comme complémentaires. Les deux suivent la même structure en deux étapes : identifier le fichier concerné puis réaliser la modification pertinente. Un test de réparation utile échoue en présence du bogue et réussit après la correction voulue. Le modèle se concentre ainsi sur la relation entre rapport, implémentation et éléments exécutables de vérification.
Entraînement intermédiaire. L’équipe rapporte environ 150 milliards de tokens d’entraînement supplémentaires provenant de ressources réelles de haute qualité, dont des millions de signalements et de commits de demandes d’intégration. Cette étape enseigne les pratiques d’investigation, de modification de code et d’écriture de tests unitaires. L’équipe exclut aussi les dépôts SWE-bench Verified de cette collection pour réduire la contamination.
Apprentissage par renforcement. Après l’ajustement supervisé, cette étape porte sur les modifications de code. Sa récompense utilise le résultat final d’exécution dans un dépôt conteneurisé ; le producteur définit la réussite par le passage de la suite de tests complète. Le processus élimine les tâches pour lesquelles toutes les tentatives échantillonnées échouent, introduit progressivement des prompts plus difficiles et réutilise les exemples récents réussis pour renforcer les schémas de réparation efficaces.
Préparer un problème réel. Fournissez comportement attendu, résultat observé et reproduction minimale, puis les fichiers sources pertinents, les sorties d’erreur et les tests existants. Préservez les chemins et noms de fonctions. Demandez au modèle d’identifier le fichier probable et d’expliquer comment l’implémentation fournie cause l’échec avant de présenter un correctif. Le livrable doit indiquer le code modifié, pourquoi il répond au signalement et les comportements existants à préserver.
Préparer le test de régression. Donnez les conventions de test et jeux de données représentatifs du projet. Demandez un test déclenchant l’échec initial avec l’assertion distinguant comportement correct et incorrect. Pour un cas limite, nommez la condition frontière plutôt que de demander une couverture supplémentaire générique. Une réponse utile peut réunir modification minimale et test ciblé pour permettre au réviseur de comparer directement la réparation au problème.
Auto-confrontation au moment du test. Le processus de recherche de Moonshot permet aussi aux propositions de correction et de tests de se vérifier mutuellement. C’est une technique d’évaluation et d’orchestration autour du modèle : un test candidat peut contester un correctif, et le correctif peut être vérifié avec ce test. Dans une application, le même principe peut guider une revue demandant un contre-exemple à la correction proposée avant d’accepter la modification finale.
La réponse textuelle reste une proposition jusqu’à son application et son exécution dans le dépôt réel. Accès aux fichiers, modifications, exécution en conteneur et résultats de tests proviennent de l’environnement de développement. Incluez leurs sorties dans une demande complémentaire pour que le modèle raisonne sur l’échec observé plutôt que sur une exécution imaginée. Préservez les contraintes du projet et demandez la plus petite modification justifiée dans une base de code mature.
", "aboutText": "Kimi-Dev-72B est le modèle linguistique de programmation de Moonshot AI pour l’ingénierie logicielle, particulièrement la résolution de problèmes dans les dépôts existants. Il accepte du texte et produit du texte, notamment des propositions de code, explications et tests. Sa conception part du modèle de base Qwen 2.5 72B et développe les capacités nécessaires pour transformer un rapport de bogue en modification examinable.\n\nBugFixer et TestWriter. Le fabricant considère la correction d’une implémentation et l’écriture du test reproduisant son défaut comme complémentaires. Les deux suivent la même structure en deux étapes : identifier le fichier concerné puis réaliser la modification pertinente. Un test de réparation utile échoue en présence du bogue et réussit après la correction voulue. Le modèle se concentre ainsi sur la relation entre rapport, implémentation et éléments exécutables de vérification.\n\nEntraînement intermédiaire. L’équipe rapporte environ 150 milliards de tokens d’entraînement supplémentaires provenant de ressources réelles de haute qualité, dont des millions de signalements et de commits de demandes d’intégration. Cette étape enseigne les pratiques d’investigation, de modification de code et d’écriture de tests unitaires. L’équipe exclut aussi les dépôts SWE-bench Verified de cette collection pour réduire la contamination.\n\nApprentissage par renforcement. Après l’ajustement supervisé, cette étape porte sur les modifications de code. Sa récompense utilise le résultat final d’exécution dans un dépôt conteneurisé ; le producteur définit la réussite par le passage de la suite de tests complète. Le processus élimine les tâches pour lesquelles toutes les tentatives échantillonnées échouent, introduit progressivement des prompts plus difficiles et réutilise les exemples récents réussis pour renforcer les schémas de réparation efficaces.\n\nPréparer un problème réel. Fournissez comportement attendu, résultat observé et reproduction minimale, puis les fichiers sources pertinents, les sorties d’erreur et les tests existants. Préservez les chemins et noms de fonctions. Demandez au modèle d’identifier le fichier probable et d’expliquer comment l’implémentation fournie cause l’échec avant de présenter un correctif. Le livrable doit indiquer le code modifié, pourquoi il répond au signalement et les comportements existants à préserver.\n\nPréparer le test de régression. Donnez les conventions de test et jeux de données représentatifs du projet. Demandez un test déclenchant l’échec initial avec l’assertion distinguant comportement correct et incorrect. Pour un cas limite, nommez la condition frontière plutôt que de demander une couverture supplémentaire générique. Une réponse utile peut réunir modification minimale et test ciblé pour permettre au réviseur de comparer directement la réparation au problème.\n\nAuto-confrontation au moment du test. Le processus de recherche de Moonshot permet aussi aux propositions de correction et de tests de se vérifier mutuellement. C’est une technique d’évaluation et d’orchestration autour du modèle : un test candidat peut contester un correctif, et le correctif peut être vérifié avec ce test. Dans une application, le même principe peut guider une revue demandant un contre-exemple à la correction proposée avant d’accepter la modification finale.\n\nLa réponse textuelle reste une proposition jusqu’à son application et son exécution dans le dépôt réel. Accès aux fichiers, modifications, exécution en conteneur et résultats de tests proviennent de l’environnement de développement. Incluez leurs sorties dans une demande complémentaire pour que le modèle raisonne sur l’échec observé plutôt que sur une exécution imaginée. Préservez les contraintes du projet et demandez la plus petite modification justifiée dans une base de code mature.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Fix a mutable default argument\n\nIssue in utils.py: def add_tag(tag, tags=[]): tags.append(tag); return tags. Separate calls unexpectedly share prior tags. Expected behavior: omitted tags starts a fresh list; an explicitly supplied list is still updated. Propose the smallest patch and a regression test using standard unittest that fails on the original. Keep the function name and argument order.A focused utils.py patch and unittest cases covering independent defaults and explicit-list mutation.Check the regression makes two independent calls and detects leakage between them.moonshotai/Kimi-Dev-72BKimi-Dev-72B est le modèle de programmation de Moonshot AI pour résoudre les problèmes logiciels. Sa conception associe correction de bogues et écriture de tests de régression : repérer les fichiers pertinents, proposer un correctif et produire un test démontrant l’échec initial.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Kimi-Dev-72B est le modèle linguistique de programmation de Moonshot AI pour l’ingénierie logicielle, particulièrement la résolution de problèmes dans les dépôts existants. Il accepte du texte et produit du texte, notamment des propositions de code, explications et tests. Sa conception part du modèle de base Qwen 2.5 72B et développe les capacités nécessaires pour transformer un rapport de bogue en modification examinable.
BugFixer et TestWriter. Le fabricant considère la correction d’une implémentation et l’écriture du test reproduisant son défaut comme complémentaires. Les deux suivent la même structure en deux étapes : identifier le fichier concerné puis réaliser la modification pertinente. Un test de réparation utile échoue en présence du bogue et réussit après la correction voulue. Le modèle se concentre ainsi sur la relation entre rapport, implémentation et éléments exécutables de vérification.
Entraînement intermédiaire. L’équipe rapporte environ 150 milliards de tokens d’entraînement supplémentaires provenant de ressources réelles de haute qualité, dont des millions de signalements et de commits de demandes d’intégration. Cette étape enseigne les pratiques d’investigation, de modification de code et d’écriture de tests unitaires. L’équipe exclut aussi les dépôts SWE-bench Verified de cette collection pour réduire la contamination.
Apprentissage par renforcement. Après l’ajustement supervisé, cette étape porte sur les modifications de code. Sa récompense utilise le résultat final d’exécution dans un dépôt conteneurisé ; le producteur définit la réussite par le passage de la suite de tests complète. Le processus élimine les tâches pour lesquelles toutes les tentatives échantillonnées échouent, introduit progressivement des prompts plus difficiles et réutilise les exemples récents réussis pour renforcer les schémas de réparation efficaces.
Préparer un problème réel. Fournissez comportement attendu, résultat observé et reproduction minimale, puis les fichiers sources pertinents, les sorties d’erreur et les tests existants. Préservez les chemins et noms de fonctions. Demandez au modèle d’identifier le fichier probable et d’expliquer comment l’implémentation fournie cause l’échec avant de présenter un correctif. Le livrable doit indiquer le code modifié, pourquoi il répond au signalement et les comportements existants à préserver.
Préparer le test de régression. Donnez les conventions de test et jeux de données représentatifs du projet. Demandez un test déclenchant l’échec initial avec l’assertion distinguant comportement correct et incorrect. Pour un cas limite, nommez la condition frontière plutôt que de demander une couverture supplémentaire générique. Une réponse utile peut réunir modification minimale et test ciblé pour permettre au réviseur de comparer directement la réparation au problème.
Auto-confrontation au moment du test. Le processus de recherche de Moonshot permet aussi aux propositions de correction et de tests de se vérifier mutuellement. C’est une technique d’évaluation et d’orchestration autour du modèle : un test candidat peut contester un correctif, et le correctif peut être vérifié avec ce test. Dans une application, le même principe peut guider une revue demandant un contre-exemple à la correction proposée avant d’accepter la modification finale.
La réponse textuelle reste une proposition jusqu’à son application et son exécution dans le dépôt réel. Accès aux fichiers, modifications, exécution en conteneur et résultats de tests proviennent de l’environnement de développement. Incluez leurs sorties dans une demande complémentaire pour que le modèle raisonne sur l’échec observé plutôt que sur une exécution imaginée. Préservez les contraintes du projet et demandez la plus petite modification justifiée dans une base de code mature.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites moonshotai/Kimi-Dev-72B | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites Exemples : system, user, assistant, tool, function Conditions: Ces rôles sont explicitement représentés par les types de compatibilité du code source ; l’ensemble exact des rôles reste propre à chaque modèle. Selon le modèle | Par défaut— |
Champmessages[].content | Typestring|content_part[]|null | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_calls | Typetool_call[] | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_call_id | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: role=tool ; utilisez l’identifiant réellement renvoyé | Par défaut— |
Champmessages[].name | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].reasoning_content | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: Réinjectez le raisonnement réellement renvoyé lorsque ce modèle l’utilise | Par défaut— |
Champmessages[].reasoning_details | Typeobject|array | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 Selon le modèle | Par défaut— |
Champmax_completion_tokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 Selon le modèle | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Champstream_options.include_usage | Typeboolean | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtemperature | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtop_p | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champstop | Typestring|string[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools | Typefunction_tool[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools[].type | Typestring | ExigenceFacultatif | Valeurs et limites function Selon le modèle | Par défaut— |
Champtools[].function.name | Typestring | ExigenceObligatoire | Valeurs et limites S’applique lorsque: outil de fonction fourni | Par défaut— |
Champtools[].function.description | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtools[].function.parameters | TypeJSON_schema | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtool_choice | Typestring|object | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champparallel_tool_calls | Typeboolean | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champresponse_format | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champreasoning_effort | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champreasoning | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champservice_tier | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champinstructions | Typestring | ExigenceFacultatif | Valeurs et limites Champ de compatibilité | Par défaut— |
Champfunctions | Typefunction[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champfunction_call | Typestring|object | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champprompt_cache_options | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champmodalities | Typestring[] | ExigenceFacultatif | Valeurs et limites text | Par défaut— |
Champprovider | Typeobject | ExigenceFacultatif | Valeurs et limites Conditions: provider.options est rejeté sur cette route textuelle Ultra | Par défaut— |
Champcache_control.ttl | Typestring | ExigenceFacultatif | Valeurs et limites Conditions: 1h est rejeté dans les emplacements réels du cache de prompt | Par défaut— |
Texte · Texte UTF8
messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages |
Paramètrematerial_types | Contrattext |
Paramètremessages | Contrattableau de messages avec une structure role/content |
Paramètrefile_material | Contratdocument UTF-8 réel inséré sous forme de texte littéral ; aucun identifiant de fichier déduit |
Paramètreoptional_controls | Contratstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Paramètrecontrol_scope | Contratpropre au modèle ; les outils de fonctions de l’utilisateur diffèrent des outils hébergés |
Paramètreoutput_modalities | Contrattext |
Paramètrehosted_operations | Contratfalse |
Paramètremultimodal_input_binding | Contratnull |
Cycle de vie : synchronous_or_streamed
Envoyez l’identifiant exact du modèle avec messages.
La longueur du contexte n’est pas un plafond de sortie.
Un fichier texte peut fournir du texte littéral ; les entrées image/audio/objets fichier nécessitent une liaison exacte.
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
| Configuration | Barème tarifaire | Coût |
|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Coût Entrée · Tokens en entrée $0.0006 / 1K tokens Sortie · Tokens en sortie $0.00228 / 1K tokens Entrée · Lecture du cache $0 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "moonshotai/Kimi-Dev-72B", "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-Dev-72B',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-Dev-72B',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 ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez chaque choix avec son contenu, ses appels d’outils et son raisonnement. En SSE, assemblez les deltas par index de choix et d’outil, puis conservez le motif final de terminaison et les données d’utilisation.
Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles n’est fournie.
| Champ | Type |
|---|---|
Champchoices[].index | Typeinteger |
Champchoices[].message.content | Typestring|null |
Champchoices[].message.tool_calls | Typetool_call[] |
Champchoices[].message.reasoning_content | Typestring |
Champchoices[].message.reasoning_details | Typeobject|array |
Champchoices[].finish_reason | Typestring|null |
Champusage | Typeobject |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra moonshotai/Kimi-Dev-72B
Utilisez les chemins de méthode indiqués ci-dessus.
moonshotai/Kimi-Dev-72BKimi-Dev-72B est le modèle de programmation de Moonshot AI pour résoudre les problèmes logiciels. Sa conception associe correction de bogues et écriture de tests de régression : repérer les fichiers pertinents, proposer un correctif et produire un test démontrant l’échec initial.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Kimi-Dev-72B est le modèle linguistique de programmation de Moonshot AI pour l’ingénierie logicielle, particulièrement la résolution de problèmes dans les dépôts existants. Il accepte du texte et produit du texte, notamment des propositions de code, explications et tests. Sa conception part du modèle de base Qwen 2.5 72B et développe les capacités nécessaires pour transformer un rapport de bogue en modification examinable.
BugFixer et TestWriter. Le fabricant considère la correction d’une implémentation et l’écriture du test reproduisant son défaut comme complémentaires. Les deux suivent la même structure en deux étapes : identifier le fichier concerné puis réaliser la modification pertinente. Un test de réparation utile échoue en présence du bogue et réussit après la correction voulue. Le modèle se concentre ainsi sur la relation entre rapport, implémentation et éléments exécutables de vérification.
Entraînement intermédiaire. L’équipe rapporte environ 150 milliards de tokens d’entraînement supplémentaires provenant de ressources réelles de haute qualité, dont des millions de signalements et de commits de demandes d’intégration. Cette étape enseigne les pratiques d’investigation, de modification de code et d’écriture de tests unitaires. L’équipe exclut aussi les dépôts SWE-bench Verified de cette collection pour réduire la contamination.
Apprentissage par renforcement. Après l’ajustement supervisé, cette étape porte sur les modifications de code. Sa récompense utilise le résultat final d’exécution dans un dépôt conteneurisé ; le producteur définit la réussite par le passage de la suite de tests complète. Le processus élimine les tâches pour lesquelles toutes les tentatives échantillonnées échouent, introduit progressivement des prompts plus difficiles et réutilise les exemples récents réussis pour renforcer les schémas de réparation efficaces.
Préparer un problème réel. Fournissez comportement attendu, résultat observé et reproduction minimale, puis les fichiers sources pertinents, les sorties d’erreur et les tests existants. Préservez les chemins et noms de fonctions. Demandez au modèle d’identifier le fichier probable et d’expliquer comment l’implémentation fournie cause l’échec avant de présenter un correctif. Le livrable doit indiquer le code modifié, pourquoi il répond au signalement et les comportements existants à préserver.
Préparer le test de régression. Donnez les conventions de test et jeux de données représentatifs du projet. Demandez un test déclenchant l’échec initial avec l’assertion distinguant comportement correct et incorrect. Pour un cas limite, nommez la condition frontière plutôt que de demander une couverture supplémentaire générique. Une réponse utile peut réunir modification minimale et test ciblé pour permettre au réviseur de comparer directement la réparation au problème.
Auto-confrontation au moment du test. Le processus de recherche de Moonshot permet aussi aux propositions de correction et de tests de se vérifier mutuellement. C’est une technique d’évaluation et d’orchestration autour du modèle : un test candidat peut contester un correctif, et le correctif peut être vérifié avec ce test. Dans une application, le même principe peut guider une revue demandant un contre-exemple à la correction proposée avant d’accepter la modification finale.
La réponse textuelle reste une proposition jusqu’à son application et son exécution dans le dépôt réel. Accès aux fichiers, modifications, exécution en conteneur et résultats de tests proviennent de l’environnement de développement. Incluez leurs sorties dans une demande complémentaire pour que le modèle raisonne sur l’échec observé plutôt que sur une exécution imaginée. Préservez les contraintes du projet et demandez la plus petite modification justifiée dans une base de code mature.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites moonshotai/Kimi-Dev-72B | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites user, assistant | Par défaut— |
Champmessages[].content | Typestring | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Texte · Texte UTF-8
chaîne messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages, max_tokens |
Paramètreoptional_controls | Contratstream |
Paramètrematerial_types | Contrattext |
Paramètretext_file_material | ContratLisez le document UTF-8 réel et placez son texte dans l’entrée indiquée ou dans la chaîne de contenu du message. |
Cycle de vie : synchronous_or_streamed
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
| Configuration | Barème tarifaire | Coût |
|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Coût Entrée · Tokens en entrée $0.0006 / 1K tokens Sortie · Tokens en sortie $0.00228 / 1K tokens Entrée · Lecture du cache $0 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "moonshotai/Kimi-Dev-72B",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-Dev-72B', '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-Dev-72B', '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 ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez tous les blocs de contenu, les signatures de raisonnement et les identifiants réels d’utilisation d’outils. Assemblez tous les deltas de blocs SSE ; un premier bloc de texte ne constitue pas la sortie complète.
Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles n’est fournie.
| Champ | Type |
|---|---|
Champid | Typestring |
Champmodel | Typestring |
Champcontent[] | Typetext|thinking|tool_use|other content block |
Champstop_reason | Typestring|null |
Champusage | Typeobject |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra moonshotai/Kimi-Dev-72B
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Fix a mutable default argument\n\nIssue in utils.py: def add_tag(tag, tags=[]): tags.append(tag); return tags. Separate calls unexpectedly share prior tags. Expected behavior: omitted tags starts a fresh list; an explicitly supplied list is still updated. Propose the smallest patch and a regression test using standard unittest that fails on the original. Keep the function name and argument order.A focused utils.py patch and unittest cases covering independent defaults and explicit-list mutation.Check the regression makes two independent calls and detects leakage between them.