Kimi-Dev-72B est le modèle linguistique de programmation de Moonshot AI pour les tâches de génie logiciel, avec un accent particulier sur la résolution de problèmes dans les dépôts existants. Il accepte du texte et produit du texte, notamment des propositions de code, des explications et des 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 des compétences complémentaires. Les deux suivent la même structure en deux étapes : identifier le fichier à traiter, puis effectuer la modification de code pertinente. Un test utile de correction échoue quand le bogue est présent et réussit quand la correction voulue est appliquée. Le modèle se concentre ainsi concrètement sur le lien entre rapport, implémentation et preuve exécutable.
Entraînement intermédiaire. L’équipe rapporte environ 150 milliards de jetons d’entraînement supplémentaire issus de contenus réels de haute qualité, dont des millions de tickets et de commits de pull requests. Cette étape enseigne les schémas par lesquels les développeurs étudient un rapport, modifient le code et écrivent des tests unitaires. L’équipe exclut aussi les dépôts SWE-bench Verified de cette collection pour réduire la contamination.
Apprentissage par renforcement. Après l’ajustement fin supervisé, la phase de renforcement se concentre sur les modifications de code. Sa récompense utilise le résultat final d’exécution dans un dépôt conteneurisé; le producteur considère la tâche réussie lorsque tous les tests de la suite réussissent. Le processus d’entraînement écarte les tâches dont toutes les tentatives échantillonnées échouent, introduit progressivement des invites plus difficiles et réutilise des exemples récents réussis pour renforcer les schémas efficaces de réparation.
Préparer un problème réel. Fournissez le comportement attendu, le résultat observé et une reproduction minimale, puis incluez les fichiers sources pertinents, la sortie d’erreur et les tests existants. Gardez inchangés chemins de fichiers et noms de fonctions. Demandez au modèle d’identifier le fichier probable et d’expliquer comment l’échec découle de l’implémentation fournie avant de présenter un correctif. Le livrable doit indiquer quel code change, pourquoi cela répond au rapport et quel comportement existant doit être préservé.
Préparer le test de régression. Donnez les conventions de test actuelles du projet et des jeux de données représentatifs. Demandez un test déclenchant l’échec initial, avec l’assertion distinguant le comportement correct de l’incorrect. Pour un cas limite, nommez la condition frontière au lieu de demander une couverture supplémentaire générique. Une réponse utile peut contenir une modification minimale et un test ciblé, permettant au relecteur de comparer directement la réparation proposée au problème.
Auto-jeu à l’inférence. Le processus de recherche de Moonshot permet aussi aux propositions de correction et d’écriture de tests de se vérifier mutuellement. C’est une technique d’évaluation et d’orchestration autour du modèle : un test candidat peut mettre un correctif à l’épreuve, et un correctif peut être vérifié contre le test. Dans une application, la même idée peut guider une demande de revue sollicitant un contre-exemple à une correction proposée avant l’acceptation de la modification finale.
La réponse textuelle reste une proposition jusqu’à son application et sa mise à l’épreuve dans le dépôt réel. L’accès aux fichiers, les modifications, l’exécution conteneurisée et les résultats de tests proviennent de l’environnement de développement environnant. Incluez les sorties de ces vérifications dans une demande de suivi afin 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 lorsque le problème touche une base de code mature.
", "aboutText": "Kimi-Dev-72B est le modèle linguistique de programmation de Moonshot AI pour les tâches de génie logiciel, avec un accent particulier sur la résolution de problèmes dans les dépôts existants. Il accepte du texte et produit du texte, notamment des propositions de code, des explications et des 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 des compétences complémentaires. Les deux suivent la même structure en deux étapes : identifier le fichier à traiter, puis effectuer la modification de code pertinente. Un test utile de correction échoue quand le bogue est présent et réussit quand la correction voulue est appliquée. Le modèle se concentre ainsi concrètement sur le lien entre rapport, implémentation et preuve exécutable.\n\nEntraînement intermédiaire. L’équipe rapporte environ 150 milliards de jetons d’entraînement supplémentaire issus de contenus réels de haute qualité, dont des millions de tickets et de commits de pull requests. Cette étape enseigne les schémas par lesquels les développeurs étudient un rapport, modifient le code et écrivent des 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 fin supervisé, la phase de renforcement se concentre sur les modifications de code. Sa récompense utilise le résultat final d’exécution dans un dépôt conteneurisé; le producteur considère la tâche réussie lorsque tous les tests de la suite réussissent. Le processus d’entraînement écarte les tâches dont toutes les tentatives échantillonnées échouent, introduit progressivement des invites plus difficiles et réutilise des exemples récents réussis pour renforcer les schémas efficaces de réparation.\n\nPréparer un problème réel. Fournissez le comportement attendu, le résultat observé et une reproduction minimale, puis incluez les fichiers sources pertinents, la sortie d’erreur et les tests existants. Gardez inchangés chemins de fichiers et noms de fonctions. Demandez au modèle d’identifier le fichier probable et d’expliquer comment l’échec découle de l’implémentation fournie avant de présenter un correctif. Le livrable doit indiquer quel code change, pourquoi cela répond au rapport et quel comportement existant doit être préservé.\n\nPréparer le test de régression. Donnez les conventions de test actuelles du projet et des jeux de données représentatifs. Demandez un test déclenchant l’échec initial, avec l’assertion distinguant le comportement correct de l’incorrect. Pour un cas limite, nommez la condition frontière au lieu de demander une couverture supplémentaire générique. Une réponse utile peut contenir une modification minimale et un test ciblé, permettant au relecteur de comparer directement la réparation proposée au problème.\n\nAuto-jeu à l’inférence. Le processus de recherche de Moonshot permet aussi aux propositions de correction et d’écriture de tests de se vérifier mutuellement. C’est une technique d’évaluation et d’orchestration autour du modèle : un test candidat peut mettre un correctif à l’épreuve, et un correctif peut être vérifié contre le test. Dans une application, la même idée peut guider une demande de revue sollicitant un contre-exemple à une correction proposée avant l’acceptation de la modification finale.\n\nLa réponse textuelle reste une proposition jusqu’à son application et sa mise à l’épreuve dans le dépôt réel. L’accès aux fichiers, les modifications, l’exécution conteneurisée et les résultats de tests proviennent de l’environnement de développement environnant. Incluez les sorties de ces vérifications dans une demande de suivi afin 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 lorsque le problème touche 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 : localiser 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 les tâches de génie logiciel, avec un accent particulier sur la résolution de problèmes dans les dépôts existants. Il accepte du texte et produit du texte, notamment des propositions de code, des explications et des 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 des compétences complémentaires. Les deux suivent la même structure en deux étapes : identifier le fichier à traiter, puis effectuer la modification de code pertinente. Un test utile de correction échoue quand le bogue est présent et réussit quand la correction voulue est appliquée. Le modèle se concentre ainsi concrètement sur le lien entre rapport, implémentation et preuve exécutable.
Entraînement intermédiaire. L’équipe rapporte environ 150 milliards de jetons d’entraînement supplémentaire issus de contenus réels de haute qualité, dont des millions de tickets et de commits de pull requests. Cette étape enseigne les schémas par lesquels les développeurs étudient un rapport, modifient le code et écrivent des tests unitaires. L’équipe exclut aussi les dépôts SWE-bench Verified de cette collection pour réduire la contamination.
Apprentissage par renforcement. Après l’ajustement fin supervisé, la phase de renforcement se concentre sur les modifications de code. Sa récompense utilise le résultat final d’exécution dans un dépôt conteneurisé; le producteur considère la tâche réussie lorsque tous les tests de la suite réussissent. Le processus d’entraînement écarte les tâches dont toutes les tentatives échantillonnées échouent, introduit progressivement des invites plus difficiles et réutilise des exemples récents réussis pour renforcer les schémas efficaces de réparation.
Préparer un problème réel. Fournissez le comportement attendu, le résultat observé et une reproduction minimale, puis incluez les fichiers sources pertinents, la sortie d’erreur et les tests existants. Gardez inchangés chemins de fichiers et noms de fonctions. Demandez au modèle d’identifier le fichier probable et d’expliquer comment l’échec découle de l’implémentation fournie avant de présenter un correctif. Le livrable doit indiquer quel code change, pourquoi cela répond au rapport et quel comportement existant doit être préservé.
Préparer le test de régression. Donnez les conventions de test actuelles du projet et des jeux de données représentatifs. Demandez un test déclenchant l’échec initial, avec l’assertion distinguant le comportement correct de l’incorrect. Pour un cas limite, nommez la condition frontière au lieu de demander une couverture supplémentaire générique. Une réponse utile peut contenir une modification minimale et un test ciblé, permettant au relecteur de comparer directement la réparation proposée au problème.
Auto-jeu à l’inférence. Le processus de recherche de Moonshot permet aussi aux propositions de correction et d’écriture de tests de se vérifier mutuellement. C’est une technique d’évaluation et d’orchestration autour du modèle : un test candidat peut mettre un correctif à l’épreuve, et un correctif peut être vérifié contre le test. Dans une application, la même idée peut guider une demande de revue sollicitant un contre-exemple à une correction proposée avant l’acceptation de la modification finale.
La réponse textuelle reste une proposition jusqu’à son application et sa mise à l’épreuve dans le dépôt réel. L’accès aux fichiers, les modifications, l’exécution conteneurisée et les résultats de tests proviennent de l’environnement de développement environnant. Incluez les sorties de ces vérifications dans une demande de suivi afin 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 lorsque le problème touche 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’ID 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: Fonction fournie comme outil | 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 refusé sur cette route textuelle Ultra | Par défaut— |
Champcache_control.ttl | Typestring | ExigenceFacultatif | Valeurs et limites Conditions: La valeur 1h est refusée là où le cache des prompts est configuré | 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 comme texte littéral ; aucun ID 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’ID 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/objet 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 jetons | Barème tarifaireTarif de base | Coût Entrée · Jetons en entrée $0.0006 / 1K jetons Sortie · Jetons en sortie $0.00228 / 1K jetons Entrée · Lecture du cache $0 / 1K jetons Entrée · Écriture dans le cache $0 / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${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, et conservez le motif final d’arrêt et les données d’utilisation.
Conservez les ID et les en-têtes de requête/réponse. Aucune URL générique de récupération de tâche textuelle 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 éléments fournis ou valeur de paramètre invalides | 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 : localiser 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 les tâches de génie logiciel, avec un accent particulier sur la résolution de problèmes dans les dépôts existants. Il accepte du texte et produit du texte, notamment des propositions de code, des explications et des 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 des compétences complémentaires. Les deux suivent la même structure en deux étapes : identifier le fichier à traiter, puis effectuer la modification de code pertinente. Un test utile de correction échoue quand le bogue est présent et réussit quand la correction voulue est appliquée. Le modèle se concentre ainsi concrètement sur le lien entre rapport, implémentation et preuve exécutable.
Entraînement intermédiaire. L’équipe rapporte environ 150 milliards de jetons d’entraînement supplémentaire issus de contenus réels de haute qualité, dont des millions de tickets et de commits de pull requests. Cette étape enseigne les schémas par lesquels les développeurs étudient un rapport, modifient le code et écrivent des tests unitaires. L’équipe exclut aussi les dépôts SWE-bench Verified de cette collection pour réduire la contamination.
Apprentissage par renforcement. Après l’ajustement fin supervisé, la phase de renforcement se concentre sur les modifications de code. Sa récompense utilise le résultat final d’exécution dans un dépôt conteneurisé; le producteur considère la tâche réussie lorsque tous les tests de la suite réussissent. Le processus d’entraînement écarte les tâches dont toutes les tentatives échantillonnées échouent, introduit progressivement des invites plus difficiles et réutilise des exemples récents réussis pour renforcer les schémas efficaces de réparation.
Préparer un problème réel. Fournissez le comportement attendu, le résultat observé et une reproduction minimale, puis incluez les fichiers sources pertinents, la sortie d’erreur et les tests existants. Gardez inchangés chemins de fichiers et noms de fonctions. Demandez au modèle d’identifier le fichier probable et d’expliquer comment l’échec découle de l’implémentation fournie avant de présenter un correctif. Le livrable doit indiquer quel code change, pourquoi cela répond au rapport et quel comportement existant doit être préservé.
Préparer le test de régression. Donnez les conventions de test actuelles du projet et des jeux de données représentatifs. Demandez un test déclenchant l’échec initial, avec l’assertion distinguant le comportement correct de l’incorrect. Pour un cas limite, nommez la condition frontière au lieu de demander une couverture supplémentaire générique. Une réponse utile peut contenir une modification minimale et un test ciblé, permettant au relecteur de comparer directement la réparation proposée au problème.
Auto-jeu à l’inférence. Le processus de recherche de Moonshot permet aussi aux propositions de correction et d’écriture de tests de se vérifier mutuellement. C’est une technique d’évaluation et d’orchestration autour du modèle : un test candidat peut mettre un correctif à l’épreuve, et un correctif peut être vérifié contre le test. Dans une application, la même idée peut guider une demande de revue sollicitant un contre-exemple à une correction proposée avant l’acceptation de la modification finale.
La réponse textuelle reste une proposition jusqu’à son application et sa mise à l’épreuve dans le dépôt réel. L’accès aux fichiers, les modifications, l’exécution conteneurisée et les résultats de tests proviennent de l’environnement de développement environnant. Incluez les sorties de ces vérifications dans une demande de suivi afin 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 lorsque le problème touche 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 jetons | Barème tarifaireTarif de base | Coût Entrée · Jetons en entrée $0.0006 / 1K jetons Sortie · Jetons en sortie $0.00228 / 1K jetons Entrée · Lecture du cache $0 / 1K jetons Entrée · Écriture dans le cache $0 / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "moonshotai/Kimi-Dev-72B",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 ID 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 ID et les en-têtes de requête/réponse. Aucune URL générique de récupération de tâche textuelle 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 éléments fournis ou valeur de paramètre invalides | 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.