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.
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.
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.
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.
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.
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.
", "aboutText": "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.\n\n### Caractéristiques du modèle\n\nLe 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.\n\n### Programmer avec des preuves visuelles\n\nUn 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. »\n\nPour 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.\n\n### Réponses réflexives et instantanées\n\nK2.5 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.\n\nPour 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.\n\n### Outils intercalés et tâches d’agents\n\nK2.5 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.\n\nLe 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.\n\n### Contexte et examen\n\nRépartissez 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.\n\nLe 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.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Draft an accessible tab interaction\n\nProvide 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.A self-contained tab component proposal and checks for click, arrow, Home and End behavior.The selected tab, focus behavior and visible panel remain consistent after each supported interaction.moonshotai/kimi-k2.5Kimi 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.
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.
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.
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.
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.
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.
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.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites moonshotai/kimi-k2.5 | 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.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Jetons de contexte, plus de | Jetons de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des jetons | Barème tarifaireTarif de base | Jetons de contexte, plus de— | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût 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 requête | Barème tarifaire— | Jetons de contexte, plus de0 | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût 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 $0 / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "moonshotai/kimi-k2.5", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='moonshotai/kimi-k2.5',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='moonshotai/kimi-k2.5',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-k2.5
Utilisez les chemins de méthode indiqués ci-dessus.
moonshotai/kimi-k2.5Kimi 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.
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.
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.
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.
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.
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.
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.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites moonshotai/kimi-k2.5 | 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.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Jetons de contexte, plus de | Jetons de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des jetons | Barème tarifaireTarif de base | Jetons de contexte, plus de— | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût 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 requête | Barème tarifaire— | Jetons de contexte, plus de0 | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût 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 $0 / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "moonshotai/kimi-k2.5",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'moonshotai/kimi-k2.5', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'moonshotai/kimi-k2.5', '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-k2.5
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Draft an accessible tab interaction\n\nProvide 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.A self-contained tab component proposal and checks for click, arrow, Home and End behavior.The selected tab, focus behavior and visible panel remain consistent after each supported interaction.