models

MoonshotAI: Kimi K2.5

Markdown · JSON

MoonshotAI: Kimi K2.5

Kimi K2.5 est le modèle natif d’agent multimodal de Moonshot AI pour la programmation fondée sur des images, le raisonnement et le travail assisté par outils. Il combine texte, images et vidéos avec les modes thinking et instant, un contexte de 256K et un processus du producteur pour des sous-tâches d’agents coordonnées.

À propos du modèle

Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.

Kimi K2.5 est le modèle natif d’agent multimodal de Moonshot AI, obtenu par préentraînement continu de Kimi K2 Base sur environ 15 000 milliards de jetons mixtes visuels et textuels. Il combine langage et vision avec des processus conversationnels et agentiques. L’entrée peut contenir du texte, des images et des vidéos; la sortie est du texte, comme une explication, du code ou une proposition d’opération d’outil.

Caractéristiques du modèle

Le résumé du fabricant indique une architecture à mélange d’experts comptant 1 000 milliards de paramètres au total et 32 milliards de paramètres activés, un contexte de 256K et un encodeur visuel MoonViT de 400 millions de paramètres. K2.5 adopte la méthode native de quantification INT4 documentée pour K2 Thinking. Ce sont des propriétés de la version publiée par le producteur, distinctes d’une affirmation sur toutes les configurations environnantes d’exécution.

Programmer avec des preuves visuelles

Un cas d’usage caractéristique est la génération de code à partir de spécifications visuelles, notamment des conceptions d’interfaces et des processus vidéo. Fournissez des médias lisibles, le code source pertinent et le comportement souhaité. Précisez les détails visuels obligatoires et la façon dont le résultat doit réagir aux interactions de l’utilisateur. Voici une consigne utile : « Implémentez la mise en page fournie, conservez ces libellés et expliquez comment les états visibles correspondent aux exigences. »

Pour une analyse d’image, demandez le détail visible qui étaye chaque constat et séparez l’extraction de l’interprétation. Pour une vidéo, indiquez le segment et l’action ou le changement à expliquer. Le producteur qualifie son processus vidéo présenté d’expérimental; comprendre les médias produit un résultat textuel plutôt que le rendu d’une nouvelle vidéo ou l’exécution autonome d’une action visuelle.

Réponses réflexives et instantanées

K2.5 prend en charge les modes thinking et instant. Le mode thinking développe le raisonnement avant la réponse finale; le mode instant répond directement. Le déploiement de référence du fabricant recommande une température de 1.0 pour thinking, de 0.6 pour instant et top-p à 0.95. Définissez la forme de réponse souhaitée séparément du choix de raisonnement, par exemple un enregistrement extrait, une note de décision ou un livrable complet de code.

Pour une question difficile, fournissez l’énoncé complet et les sources pertinentes. Une consigne documentaire peut demander une comparaison avec le passage justificatif à côté de chaque conclusion. Une consigne de programmation peut indiquer l’entrée en échec, les contraintes et la modification à proposer. La sortie doit rester reliée à cette tâche, plutôt que de traiter une longue trace de raisonnement comme un résultat terminé.

Outils intercalés et tâches d’agents

K2.5 utilise la même conception de réflexion intercalée et d’appels d’outils en plusieurs étapes que K2 Thinking. L’application fournit des fonctions avec descriptions et schémas, exécute les opérations sélectionnées et renvoie les observations. Gardez les résultats associés à leurs appels pour que l’étape suivante utilise des preuves réelles.

Le producteur décrit aussi un processus d’essaim d’agents qui décompose un objectif complexe en sous-tâches coordonnées propres à chaque domaine. Préparez cet objectif avec des sorties définies, des actions autorisées et des critères d’achèvement. Le livrable final doit intégrer les observations réellement obtenues; un plan généré ou une branche proposée se distingue du travail exécuté.

Contexte et examen

Répartissez les sources, la représentation des médias, l’historique, le raisonnement et la réponse finale dans le contexte documenté de 256K. Les budgets de jetons de la requête d’exemple et des évaluations de la fiche ne sont pas des plafonds universels de sortie établis indépendamment. Identifiez les sources et les médias afin que le résultat puisse renvoyer à ses preuves.

Le livrable utile est une explication fondée sur des images, une proposition de code ou une analyse appuyée sur des sources. Examinez les valeurs par rapport aux entrées et le code dans l’application visée. K2.5 reste sa propre version multimodale; les contrôles preserve-thinking ultérieurs de K2.6 et les formats d’invites des éditions K2 antérieures uniquement textuelles ne doivent pas remplacer le processus documenté de cette édition.

Cas pratique

Cas pratique

Exemple technique en anglais

Draft an accessible tab interaction

Provide HTML and JavaScript for three text-only tabs: Overview, Details and Returns. Exactly one panel is visible. Mouse clicks and Left/Right arrow keys change tabs; Home selects the first and End the last. Preserve those labels and include the key accessibility attributes. Return the bounded component and a short interaction-check list without claiming execution.

Résultat attendu

A self-contained tab component proposal and checks for click, arrow, Home and End behavior.

Vérifier le résultat

The selected tab, focus behavior and visible panel remain consistent after each supported interaction.
Ailoot Ultra · OpenAI Chat POST /v1/chat/completions moonshotai/kimi-k2.5

moonshotai/kimi-k2.5

MoonshotAI /moonshotai/kimi-k2.5

Pour commencer

Kimi K2.5 est le modèle natif d’agent multimodal de Moonshot AI pour la programmation fondée sur des images, le raisonnement et le travail assisté par outils. Il combine texte, images et vidéos avec les modes thinking et instant, un contexte de 256K et un processus du producteur pour des sous-tâches d’agents coordonnées.

Entrées acceptées
Texte
Résultats
Texte

Disponible dans Ailoot · entrées et méthodes

Ailoot Ultra · OpenAI Chat POST /v1/chat/completions
Entrée
text
Sortie
text
Format de sortie
json ou SSE
ChampTypeExigenceValeurs et limitesPar défaut
ChampmodelTypestringExigenceObligatoireValeurs et limites
moonshotai/kimi-k2.5
Par défaut—
ChampmessagesTypemessage[]ExigenceObligatoireValeurs et limites
Nombre minimal d’éléments: 1
Par défaut—
Champmessages[].roleTypestringExigenceObligatoireValeurs 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[].contentTypestring|content_part[]|nullExigenceFacultatifValeurs et limitesPar défaut—
Champmessages[].tool_callsTypetool_call[]ExigenceFacultatifValeurs et limitesPar défaut—
Champmessages[].tool_call_idTypestringExigenceFacultatifValeurs et limites
S’applique lorsque: role=tool ; utilisez l’ID réellement renvoyé
Par défaut—
Champmessages[].nameTypestringExigenceFacultatifValeurs et limitesPar défaut—
Champmessages[].reasoning_contentTypestringExigenceFacultatifValeurs et limites
S’applique lorsque: Réinjectez le raisonnement réellement renvoyé lorsque ce modèle l’utilise
Par défaut—
Champmessages[].reasoning_detailsTypeobject|arrayExigenceFacultatifValeurs et limites
Selon le modèle
Par défaut—
Champmax_tokensTypeintegerExigenceFacultatifValeurs et limites
Minimum: 1
Selon le modèle
Par défaut—
Champmax_completion_tokensTypeintegerExigenceFacultatifValeurs et limites
Minimum: 1
Selon le modèle
Par défaut—
ChampstreamTypebooleanExigenceFacultatifValeurs et limitesPar défautfalse
Champstream_options.include_usageTypebooleanExigenceFacultatifValeurs et limites
Selon le modèle
Par défaut—
ChamptemperatureTypenumberExigenceFacultatifValeurs et limites
Selon le modèle
Par défaut—
Champtop_pTypenumberExigenceFacultatifValeurs et limites
Selon le modèle
Par défaut—
ChampstopTypestring|string[]ExigenceFacultatifValeurs et limites
Selon le modèle
Par défaut—
ChamptoolsTypefunction_tool[]ExigenceFacultatifValeurs et limites
Selon le modèle
Par défaut—
Champtools[].typeTypestringExigenceFacultatifValeurs et limites
function
Selon le modèle
Par défaut—
Champtools[].function.nameTypestringExigenceObligatoireValeurs et limites
S’applique lorsque: Fonction fournie comme outil
Par défaut—
Champtools[].function.descriptionTypestringExigenceFacultatifValeurs et limitesPar défaut—
Champtools[].function.parametersTypeJSON_schemaExigenceFacultatifValeurs et limitesPar défaut—
Champtool_choiceTypestring|objectExigenceFacultatifValeurs et limites
Selon le modèle
Par défaut—
Champparallel_tool_callsTypebooleanExigenceFacultatifValeurs et limites
Selon le modèle
Par défaut—
Champresponse_formatTypeobjectExigenceFacultatifValeurs et limites
Selon le modèle
Par défaut—
Champreasoning_effortTypestringExigenceFacultatifValeurs et limites
Selon le modèle
Par défaut—
ChampreasoningTypeobjectExigenceFacultatifValeurs et limites
Selon le modèle
Par défaut—
Champservice_tierTypestringExigenceFacultatifValeurs et limites
Selon le modèle
Par défaut—
ChampinstructionsTypestringExigenceFacultatifValeurs et limites
Champ de compatibilité
Par défaut—
ChampfunctionsTypefunction[]ExigenceFacultatifValeurs et limites
Selon le modèle
Par défaut—
Champfunction_callTypestring|objectExigenceFacultatifValeurs et limites
Selon le modèle
Par défaut—
Champprompt_cache_optionsTypeobjectExigenceFacultatifValeurs et limites
Selon le modèle
Par défaut—
ChampmodalitiesTypestring[]ExigenceFacultatifValeurs et limites
text
Par défaut—
ChampproviderTypeobjectExigenceFacultatifValeurs et limites
Conditions: provider.options est refusé sur cette route textuelle Ultra
Par défaut—
Champcache_control.ttlTypestringExigenceFacultatifValeurs et limites
Conditions: La valeur 1h est refusée là où le cache des prompts est configuré
Par défaut—
Combinaisons d’éléments d’entrée

Texte · Texte UTF8

messages[].content

Paramètres et cycle de vie de la méthode
ParamètreContrat
Paramètrecontent_typeContratapplication/json
ParamètrerequiredContratmodel, messages
Paramètrematerial_typesContrattext
ParamètremessagesContratTableau de messages avec une structure role/content
Paramètrefile_materialContratDocument UTF-8 réel inséré comme texte littéral ; aucun ID de fichier déduit
Paramètreoptional_controlsContratstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice
Paramètrecontrol_scopeContratPropre au modèle ; les outils de fonctions de l’utilisateur diffèrent des outils hébergés
Paramètreoutput_modalitiesContrattext
Paramètrehosted_operationsContratfalse
Paramètremultimodal_input_bindingContratnull

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.

Tarifs

Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.

Mode rapide
Tarif standard Lorsque le mode rapide est sélectionné
Mode Flex
Tarif standard Lorsque le mode flex est sélectionné
Effort de raisonnement maximal
Tarif standard Lorsque l’effort de raisonnement maximal utilise l’ajustement par défaut (default)

Tarifs Ailoot

Prix par configuration

Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.

ConfigurationBarème tarifaireJetons de contexte, plus deJetons de contexte, jusqu’à la limite incluseCoût
ConfigurationTarifs de base des jetonsBarème tarifaireTarif de baseJetons de contexte, plus de—Jetons de contexte, jusqu’à la limite incluseSans borne supérieureCoût
Entrée · Jetons en entrée $0.0012 / 1K jetons
Sortie · Jetons en sortie $0.006 / 1K jetons
Entrée · Lecture du cache $0.0003 / 1K jetons
Entrée · Écriture dans le cache $0 / 1K jetons
Entrée · Écriture dans le cache, 1 h — / 1K jetons
ConfigurationPalier 1 de longueur de requêteBarème tarifaire—Jetons de contexte, plus de0Jetons de contexte, jusqu’à la limite incluseSans borne supérieureCoût
Entrée · Jetons en entrée $0.0012 / 1K jetons
Sortie · Jetons en sortie $0.006 / 1K jetons
Entrée · Lecture du cache $0.0003 / 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 →

Exemples de requêtes

Ailoot Ultra · OpenAI Chat

curlPython SDKStreaming Python
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
p=json.loads('{"model": "moonshotai/kimi-k2.5", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')

Path("request.json").write_text(json.dumps(p,ensure_ascii=False))
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \
  -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
  --data-binary @request.json -D response-headers.txt -o result.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
r=json.loads(Path("result.json").read_text())
for x in r.get("choices",[]):
    if x.get("message",{}).get("content"): print(x["message"]["content"])
PY_RESULT
from openai import OpenAI
import os

if not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")
client=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)
result=client.chat.completions.create(model='moonshotai/kimi-k2.5',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])
import base64, json
from pathlib import Path

def save_result(data, stem="result"):
    # Keep every field, including usage, IDs, reasoning and tool requests.
    Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")
    print(json.dumps(data, ensure_ascii=False, indent=2))
    def save_blob(encoded, suffix, label):
        raw = base64.b64decode(encoded, altchars=b"-_", validate=True)
        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
        file = Path(stem + "-" + label + "." + ext)
        file.write_bytes(raw)
        print("Saved", file)
    for index, block in enumerate(data.get("content") or []):
        print("Content", index, json.dumps(block, ensure_ascii=False))
    for choice in data.get("choices") or []:
        print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))
    for index, item in enumerate(data.get("output") or []):
        print("Output", index, json.dumps(item, ensure_ascii=False))
        if item.get("type") == "image_generation_call" and item.get("result"):
            save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))
    for ci, candidate in enumerate(data.get("candidates") or []):
        for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):
            print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))
            blob = part.get("inlineData") or part.get("inline_data")
            if blob and blob.get("data"):
                mime = blob.get("mimeType") or blob.get("mime_type")
                suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")
                save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))

save_result(result.to_dict(mode="json"))
from openai import OpenAI
import os
from pathlib import Path

if not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")
client=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)
import base64, json
from pathlib import Path

def save_result(data, stem="result"):
    # Keep every field, including usage, IDs, reasoning and tool requests.
    Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")
    print(json.dumps(data, ensure_ascii=False, indent=2))
    def save_blob(encoded, suffix, label):
        raw = base64.b64decode(encoded, altchars=b"-_", validate=True)
        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
        file = Path(stem + "-" + label + "." + ext)
        file.write_bytes(raw)
        print("Saved", file)
    for index, block in enumerate(data.get("content") or []):
        print("Content", index, json.dumps(block, ensure_ascii=False))
    for choice in data.get("choices") or []:
        print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))
    for index, item in enumerate(data.get("output") or []):
        print("Output", index, json.dumps(item, ensure_ascii=False))
        if item.get("type") == "image_generation_call" and item.get("result"):
            save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))
    for ci, candidate in enumerate(data.get("candidates") or []):
        for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):
            print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))
            blob = part.get("inlineData") or part.get("inline_data")
            if blob and blob.get("data"):
                mime = blob.get("mimeType") or blob.get("mime_type")
                suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")
                save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))

with client.chat.completions.stream(model='moonshotai/kimi-k2.5',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:
    with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:
        for event in stream:
            payload=event.to_dict(mode="json")
            log.write(json.dumps(payload,ensure_ascii=False)+"\n"); log.flush()
            print(json.dumps(payload,ensure_ascii=False))
    final=stream.get_final_completion()
    save_result(final.to_dict(mode="json"),"stream-result")

Recevoir et enregistrer les résultats

Ailoot Ultra · OpenAI Chat

json ou SSE

Conserver tous les résultats terminés

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.

Si la réponse d’origine doit être vérifiée

Conservez les ID et les en-têtes de requête/réponse. Aucune URL générique de récupération de tâche textuelle n’est fournie.

Champs de la réponse
ChampType
Champchoices[].indexTypeinteger
Champchoices[].message.contentTypestring|null
Champchoices[].message.tool_callsTypetool_call[]
Champchoices[].message.reasoning_contentTypestring
Champchoices[].message.reasoning_detailsTypeobject|array
Champchoices[].finish_reasonTypestring|null
ChampusageTypeobject
Erreurs et étapes suivantes
RéponseConditionÉtape suivante
Réponse400 · invalid_request_errorConditionChamps obligatoires, représentation des éléments fournis ou valeur de paramètre invalidesÉtape suivanteCorrigez les champs indiqués avant une nouvelle requête de création.

Alias

Alias du modèle

Ailoot Ultra moonshotai/kimi-k2.5

Alias des chemins de méthode

Utilisez les chemins de méthode indiqués ci-dessus.

ID d’appel associés

moonshotai/kimi-k2.5

Ailoot Ultra · Anthropic Messages POST /v1/messages moonshotai/kimi-k2.5

moonshotai/kimi-k2.5

MoonshotAI /moonshotai/kimi-k2.5

Pour commencer

Kimi K2.5 est le modèle natif d’agent multimodal de Moonshot AI pour la programmation fondée sur des images, le raisonnement et le travail assisté par outils. Il combine texte, images et vidéos avec les modes thinking et instant, un contexte de 256K et un processus du producteur pour des sous-tâches d’agents coordonnées.

Entrées acceptées
Texte
Résultats
json · sse

Disponible dans Ailoot · entrées et méthodes

Ailoot Ultra · Anthropic Messages POST /v1/messages
Entrée
text
Sortie
json, sse
Format de sortie
JSON ou SSE
ChampTypeExigenceValeurs et limitesPar défaut
ChampmodelTypestringExigenceObligatoireValeurs et limites
moonshotai/kimi-k2.5
Par défaut—
ChampmessagesTypemessage[]ExigenceObligatoireValeurs et limitesPar défaut—
Champmessages[].roleTypestringExigenceObligatoireValeurs et limites
user, assistant
Par défaut—
Champmessages[].contentTypestringExigenceObligatoireValeurs et limitesPar défaut—
Champmax_tokensTypeintegerExigenceObligatoireValeurs et limitesPar défaut—
ChampstreamTypebooleanExigenceFacultatifValeurs et limitesPar défautfalse
Combinaisons d’éléments d’entrée

Texte · Texte UTF-8

Chaîne messages[].content

Paramètres et cycle de vie de la méthode
ParamètreContrat
Paramètrecontent_typeContratapplication/json
ParamètrerequiredContratmodel, messages, max_tokens
Paramètreoptional_controlsContratstream
Paramètrematerial_typesContrattext
Paramètretext_file_materialContratLisez 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

Tarifs

Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.

Mode rapide
Tarif standard Lorsque le mode rapide est sélectionné
Mode Flex
Tarif standard Lorsque le mode flex est sélectionné
Effort de raisonnement maximal
Tarif standard Lorsque l’effort de raisonnement maximal utilise l’ajustement par défaut (default)

Tarifs Ailoot

Prix par configuration

Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.

ConfigurationBarème tarifaireJetons de contexte, plus deJetons de contexte, jusqu’à la limite incluseCoût
ConfigurationTarifs de base des jetonsBarème tarifaireTarif de baseJetons de contexte, plus de—Jetons de contexte, jusqu’à la limite incluseSans borne supérieureCoût
Entrée · Jetons en entrée $0.0012 / 1K jetons
Sortie · Jetons en sortie $0.006 / 1K jetons
Entrée · Lecture du cache $0.0003 / 1K jetons
Entrée · Écriture dans le cache $0 / 1K jetons
Entrée · Écriture dans le cache, 1 h — / 1K jetons
ConfigurationPalier 1 de longueur de requêteBarème tarifaire—Jetons de contexte, plus de0Jetons de contexte, jusqu’à la limite incluseSans borne supérieureCoût
Entrée · Jetons en entrée $0.0012 / 1K jetons
Sortie · Jetons en sortie $0.006 / 1K jetons
Entrée · Lecture du cache $0.0003 / 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 →

Exemples de requêtes

Ailoot Ultra · Anthropic Messages

Corps JSON minimal completcurl · utilisez votre document UTF-8Python · enregistrez le résultat complet
{
  "model": "moonshotai/kimi-k2.5",
  "max_tokens": 128,
  "messages": [
    {
      "role": "user",
      "content": "Summarize the incident report."
    }
  ],
  "stream": false
}
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"
export AILOOT_TEXT_FILE
python3 - <<'PY_REQUEST'
import json, os
from pathlib import Path

source_file = Path(os.environ['AILOOT_TEXT_FILE'])
if not source_file.is_file():
    raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')
text = source_file.read_text(encoding='utf-8')
if not text.strip():
    raise SystemExit('Choose a document containing text')
payload = {'model': 'moonshotai/kimi-k2.5', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}
payload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\n\n' + text
Path('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \
  -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \
  --data-binary @request.json -D response-headers.txt -o result.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path

result = json.loads(Path('result.json').read_text(encoding='utf-8'))
print(json.dumps(result, ensure_ascii=False, indent=2))
PY_RESULT
import json, os
from pathlib import Path

source_file = Path(os.environ['AILOOT_TEXT_FILE'])
if not source_file.is_file():
    raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')
text = source_file.read_text(encoding='utf-8')
if not text.strip():
    raise SystemExit('Choose a document containing text')
payload = {'model': 'moonshotai/kimi-k2.5', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}
payload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\n\n' + text
from urllib.request import Request, urlopen
from urllib.error import HTTPError

api_key = os.environ['AILOOT_API_KEY']
if not api_key.strip():
    raise SystemExit('Set AILOOT_API_KEY before making a request')
headers = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}
headers['x-api-key'] = api_key
request = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')
try:
    with urlopen(request, timeout=120) as response:
        raw = response.read()
        Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')
except HTTPError as error:
    Path('result.json').write_bytes(error.read())
    Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')
    raise
Path('result.json').write_bytes(raw)
import json
from pathlib import Path

result = json.loads(Path('result.json').read_text(encoding='utf-8'))
print(json.dumps(result, ensure_ascii=False, indent=2))

Recevoir et enregistrer les résultats

Ailoot Ultra · Anthropic Messages

JSON ou SSE

Conserver tous les résultats terminés

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.

Si la réponse d’origine doit être vérifiée

Conservez les ID et les en-têtes de requête/réponse. Aucune URL générique de récupération de tâche textuelle n’est fournie.

Champs de la réponse
ChampType
ChampidTypestring
ChampmodelTypestring
Champcontent[]Typetext|thinking|tool_use|other content block
Champstop_reasonTypestring|null
ChampusageTypeobject
Erreurs et étapes suivantes
RéponseConditionÉtape suivante
Réponse400 · invalid_request_errorConditionChamps obligatoires, représentation des éléments fournis ou valeur de paramètre invalidesÉtape suivanteCorrigez les champs indiqués avant une nouvelle requête de création.

Alias

Alias du modèle

Ailoot Ultra moonshotai/kimi-k2.5

Alias des chemins de méthode

Utilisez les chemins de méthode indiqués ci-dessus.

ID d’appel associés

moonshotai/kimi-k2.5

FAQ · MoonshotAI: Kimi K2.5
Quelles entrées et quels résultats sont disponibles ?

POST /v1/chat/completions · moonshotai/kimi-k2.5: text → text

POST /v1/messages · moonshotai/kimi-k2.5: text → json, sse

Quels champs la requête utilise-t-elle ?

POST /v1/chat/completions · moonshotai/kimi-k2.5: model, messages, stream, modalities, provider

POST /v1/messages · moonshotai/kimi-k2.5: model, messages, max_tokens, stream

Quelles limites s’appliquent ?

POST /v1/chat/completions · moonshotai/kimi-k2.5: messages.min_items: 1

Plus de détails

Connectez Ailoot à Claude Code, OpenCode, Hermes ou à votre application.

L’entreprise et son portefeuille de projets

L’entreprise et son portefeuille de projets : des millions de clients ; des ventes qui se chiffrent en milliards chaque mois.

Achetez des tokens à prix réduit.

Une remise d’abonnement pour le travail régulier. Des codes promo jusqu’à 50% sur l’achat de tokens.

Abonnement
Choisissez une offre à tarif réduit pour vos requêtes régulières.
Code promo jusqu’à 50%
Saisissez le code à l’achat. Le prix est recalculé selon la promotion en cours.
Dépenses dans l’historique
Modèle, tokens et montant sont enregistrés pour chaque requête.

Choisir un abonnement · Voir les prix des modèles

Connectez l’API au produit que vous vendez.

SaaS, applications et bots selon l’offre officielle et le contrat de licence Ailoot. Pour la revente, demandez une licence revendeur.

Application commerciale
Intégrez la génération de texte, d’images, de vidéo et de son aux fonctions payantes de votre service.
Licence revendeur
Envoyez la description du projet et le mode d’accès. Demandez des conditions écrites d’utilisation et de revente.
Documents sur le site
L’offre officielle, le contrat de licence et la politique de traitement des données sont accessibles avant connexion.

Demander une licence revendeur · Offre officielle et contrat de licence