Kimi K2 Thinking est l’édition d’agent de raisonnement de Moonshot AI issue de Kimi K2. Elle avance dans une tâche en choisissant les fonctions exposées par l’application environnante et combine l’analyse intermédiaire avec les observations des outils avant de produire la réponse finale. Son profil à mélange d’experts publié annonce mille milliards de paramètres au total, 32 milliards actifs et un contexte de 256K. L’entrée et la réponse documentées sont textuelles.
Le fabricant développe K2 Thinking pour les recherches, la programmation et la rédaction nécessitant de nombreuses étapes. Sa caractéristique déterminante est d’alterner le raisonnement et les appels de fonctions plutôt que de séparer réflexion et action en étapes sans lien. Une consigne utile précise la question, les sources ou outils disponibles, les actions permises et le résultat qui marque l’achèvement.
Pour la recherche, définissez les critères de pertinence d’une source et exigez que la conclusion cite les preuves obtenues. Pour programmer, fournissez l’implémentation, le problème observé et les contraintes, puis demandez le patch final et les observations qui l’appuient. Exemple : « Utilise le code et les résultats d’outils fournis pour identifier la cause, proposer une modification ciblée et distinguer la validation accomplie d’une vérification encore à exécuter. »
K2 Thinking utilise un entraînement tenant compte de la quantification pendant le postentraînement et applique une quantification native INT4 des seuls poids aux composants à mélange d’experts. Il s’agit d’une distinction propre au checkpoint, et non d’une raison d’attribuer à ce modèle la précision ou les modalités d’une autre édition K2. Le format natif reste distinct de son exécution par une application particulière.
La fiche précise utilise les réglages d’appels d’outils de K2 Instruct. Fournissez à chaque requête les noms de fonctions, leurs descriptions et les schémas de paramètres disponibles. Le modèle décide quand et comment les appeler. L’application analyse les arguments proposés, exécute la fonction choisie et renvoie son résultat dans un message d’outil avec l’identifiant et le nom correspondants. L’étape suivante du modèle peut utiliser cette observation ou choisir une autre opération.
Gardez les observations originales dans la conversation et définissez le résultat considéré comme complet. Un appel de recherche choisi ne constitue pas une source retrouvée tant que l’application ne la renvoie pas, et du code généré n’est pas une exécution réussie. Pour un résultat structuré, vérifiez les champs et leur accord avec les preuves fournies.
Le fabricant recommande temperature 1.0 et fournit une consigne système simple d’assistant par défaut lorsqu’aucune consigne spéciale n’est nécessaire. Définissez séparément la langue et la forme de la réponse : conclusion concise, analyse avec références ou livrable de code. Le raisonnement et la réponse finale ont des usages différents et doivent rester distincts.
Le contexte de 256K doit contenir consignes, sources, conversation, raisonnement et résultats d’outils. Une tâche longue guidée par outils peut accumuler davantage de contexte que sa question initiale ne le laisse penser. Gardez les preuves pertinentes et préservez le résultat requis dans les suivis. Les différents budgets de réflexion d’évaluation et la taille de complétion d’exemple ne sont pas des plafonds universels stricts de sortie.
Une réponse finale utile lie la conclusion aux sources ou observations réelles et indique les informations non résolues. K2 Thinking est une édition distincte de raisonnement textuel; les entrées image/vidéo et les réglages de mode instantané ou de conservation du raisonnement décrits pour K2.5 et K2.6 ne doivent pas être déduits du seul nom de famille commun.
", "aboutText": "Kimi K2 Thinking est l’édition d’agent de raisonnement de Moonshot AI issue de Kimi K2. Elle avance dans une tâche en choisissant les fonctions exposées par l’application environnante et combine l’analyse intermédiaire avec les observations des outils avant de produire la réponse finale. Son profil à mélange d’experts publié annonce mille milliards de paramètres au total, 32 milliards actifs et un contexte de 256K. L’entrée et la réponse documentées sont textuelles.\n\n### Raisonnement approfondi et tâches longues\n\nLe fabricant développe K2 Thinking pour les recherches, la programmation et la rédaction nécessitant de nombreuses étapes. Sa caractéristique déterminante est d’alterner le raisonnement et les appels de fonctions plutôt que de séparer réflexion et action en étapes sans lien. Une consigne utile précise la question, les sources ou outils disponibles, les actions permises et le résultat qui marque l’achèvement.\n\nPour la recherche, définissez les critères de pertinence d’une source et exigez que la conclusion cite les preuves obtenues. Pour programmer, fournissez l’implémentation, le problème observé et les contraintes, puis demandez le patch final et les observations qui l’appuient. Exemple : « Utilise le code et les résultats d’outils fournis pour identifier la cause, proposer une modification ciblée et distinguer la validation accomplie d’une vérification encore à exécuter. »\n\n### Checkpoint du fabricant et quantification\n\nK2 Thinking utilise un entraînement tenant compte de la quantification pendant le postentraînement et applique une quantification native INT4 des seuls poids aux composants à mélange d’experts. Il s’agit d’une distinction propre au checkpoint, et non d’une raison d’attribuer à ce modèle la précision ou les modalités d’une autre édition K2. Le format natif reste distinct de son exécution par une application particulière.\n\n### Flux d’appels d’outils\n\nLa fiche précise utilise les réglages d’appels d’outils de K2 Instruct. Fournissez à chaque requête les noms de fonctions, leurs descriptions et les schémas de paramètres disponibles. Le modèle décide quand et comment les appeler. L’application analyse les arguments proposés, exécute la fonction choisie et renvoie son résultat dans un message d’outil avec l’identifiant et le nom correspondants. L’étape suivante du modèle peut utiliser cette observation ou choisir une autre opération.\n\nGardez les observations originales dans la conversation et définissez le résultat considéré comme complet. Un appel de recherche choisi ne constitue pas une source retrouvée tant que l’application ne la renvoie pas, et du code généré n’est pas une exécution réussie. Pour un résultat structuré, vérifiez les champs et leur accord avec les preuves fournies.\n\n### Consignes et budgets de réponse\n\nLe fabricant recommande temperature 1.0 et fournit une consigne système simple d’assistant par défaut lorsqu’aucune consigne spéciale n’est nécessaire. Définissez séparément la langue et la forme de la réponse : conclusion concise, analyse avec références ou livrable de code. Le raisonnement et la réponse finale ont des usages différents et doivent rester distincts.\n\nLe contexte de 256K doit contenir consignes, sources, conversation, raisonnement et résultats d’outils. Une tâche longue guidée par outils peut accumuler davantage de contexte que sa question initiale ne le laisse penser. Gardez les preuves pertinentes et préservez le résultat requis dans les suivis. Les différents budgets de réflexion d’évaluation et la taille de complétion d’exemple ne sont pas des plafonds universels stricts de sortie.\n\nUne réponse finale utile lie la conclusion aux sources ou observations réelles et indique les informations non résolues. K2 Thinking est une édition distincte de raisonnement textuel; les entrées image/vidéo et les réglages de mode instantané ou de conservation du raisonnement décrits pour K2.5 et K2.6 ne doivent pas être déduits du seul nom de famille commun.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Continue debugging from a real observation\n\nUse this supplied development observation: a test expected rows ordered by created_at, but equal timestamps appeared in different orders across runs. Query text is 'ORDER BY created_at'. Propose a deterministic tie-breaker using the unique id field, explain its effect and specify the next test. Distinguish the reported test result from checks still proposed.A focused query change, causal explanation and a test for rows sharing the same timestamp.The revised ordering includes a unique tie-breaker, and the answer does not claim the new test has run.moonshotai/kimi-k2-thinkingKimi K2 Thinking est l’agent de raisonnement textuel de Moonshot AI qui intercale l’analyse avec les appels de fonctions. Son contexte de 256K et sa version native INT4 publiée par le producteur soutiennent la recherche, la programmation et la rédaction en plusieurs étapes, avec des réponses finales fondées sur les observations retournées par les outils fournis.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Kimi K2 Thinking est l’édition d’agent de raisonnement de Moonshot AI issue de Kimi K2. Elle avance dans une tâche en choisissant les fonctions exposées par l’application environnante et combine l’analyse intermédiaire avec les observations des outils avant de produire la réponse finale. Son profil à mélange d’experts publié annonce mille milliards de paramètres au total, 32 milliards actifs et un contexte de 256K. L’entrée et la réponse documentées sont textuelles.
Le fabricant développe K2 Thinking pour les recherches, la programmation et la rédaction nécessitant de nombreuses étapes. Sa caractéristique déterminante est d’alterner le raisonnement et les appels de fonctions plutôt que de séparer réflexion et action en étapes sans lien. Une consigne utile précise la question, les sources ou outils disponibles, les actions permises et le résultat qui marque l’achèvement.
Pour la recherche, définissez les critères de pertinence d’une source et exigez que la conclusion cite les preuves obtenues. Pour programmer, fournissez l’implémentation, le problème observé et les contraintes, puis demandez le patch final et les observations qui l’appuient. Exemple : « Utilise le code et les résultats d’outils fournis pour identifier la cause, proposer une modification ciblée et distinguer la validation accomplie d’une vérification encore à exécuter. »
K2 Thinking utilise un entraînement tenant compte de la quantification pendant le postentraînement et applique une quantification native INT4 des seuls poids aux composants à mélange d’experts. Il s’agit d’une distinction propre au checkpoint, et non d’une raison d’attribuer à ce modèle la précision ou les modalités d’une autre édition K2. Le format natif reste distinct de son exécution par une application particulière.
La fiche précise utilise les réglages d’appels d’outils de K2 Instruct. Fournissez à chaque requête les noms de fonctions, leurs descriptions et les schémas de paramètres disponibles. Le modèle décide quand et comment les appeler. L’application analyse les arguments proposés, exécute la fonction choisie et renvoie son résultat dans un message d’outil avec l’identifiant et le nom correspondants. L’étape suivante du modèle peut utiliser cette observation ou choisir une autre opération.
Gardez les observations originales dans la conversation et définissez le résultat considéré comme complet. Un appel de recherche choisi ne constitue pas une source retrouvée tant que l’application ne la renvoie pas, et du code généré n’est pas une exécution réussie. Pour un résultat structuré, vérifiez les champs et leur accord avec les preuves fournies.
Le fabricant recommande temperature 1.0 et fournit une consigne système simple d’assistant par défaut lorsqu’aucune consigne spéciale n’est nécessaire. Définissez séparément la langue et la forme de la réponse : conclusion concise, analyse avec références ou livrable de code. Le raisonnement et la réponse finale ont des usages différents et doivent rester distincts.
Le contexte de 256K doit contenir consignes, sources, conversation, raisonnement et résultats d’outils. Une tâche longue guidée par outils peut accumuler davantage de contexte que sa question initiale ne le laisse penser. Gardez les preuves pertinentes et préservez le résultat requis dans les suivis. Les différents budgets de réflexion d’évaluation et la taille de complétion d’exemple ne sont pas des plafonds universels stricts de sortie.
Une réponse finale utile lie la conclusion aux sources ou observations réelles et indique les informations non résolues. K2 Thinking est une édition distincte de raisonnement textuel; les entrées image/vidéo et les réglages de mode instantané ou de conservation du raisonnement décrits pour K2.5 et K2.6 ne doivent pas être déduits du seul nom de famille commun.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites moonshotai/kimi-k2-thinking | 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 $0.005 / 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 $0.005 / 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-thinking", "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-thinking',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-thinking',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-thinking
Utilisez les chemins de méthode indiqués ci-dessus.
moonshotai/kimi-k2-thinkingKimi K2 Thinking est l’agent de raisonnement textuel de Moonshot AI qui intercale l’analyse avec les appels de fonctions. Son contexte de 256K et sa version native INT4 publiée par le producteur soutiennent la recherche, la programmation et la rédaction en plusieurs étapes, avec des réponses finales fondées sur les observations retournées par les outils fournis.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Kimi K2 Thinking est l’édition d’agent de raisonnement de Moonshot AI issue de Kimi K2. Elle avance dans une tâche en choisissant les fonctions exposées par l’application environnante et combine l’analyse intermédiaire avec les observations des outils avant de produire la réponse finale. Son profil à mélange d’experts publié annonce mille milliards de paramètres au total, 32 milliards actifs et un contexte de 256K. L’entrée et la réponse documentées sont textuelles.
Le fabricant développe K2 Thinking pour les recherches, la programmation et la rédaction nécessitant de nombreuses étapes. Sa caractéristique déterminante est d’alterner le raisonnement et les appels de fonctions plutôt que de séparer réflexion et action en étapes sans lien. Une consigne utile précise la question, les sources ou outils disponibles, les actions permises et le résultat qui marque l’achèvement.
Pour la recherche, définissez les critères de pertinence d’une source et exigez que la conclusion cite les preuves obtenues. Pour programmer, fournissez l’implémentation, le problème observé et les contraintes, puis demandez le patch final et les observations qui l’appuient. Exemple : « Utilise le code et les résultats d’outils fournis pour identifier la cause, proposer une modification ciblée et distinguer la validation accomplie d’une vérification encore à exécuter. »
K2 Thinking utilise un entraînement tenant compte de la quantification pendant le postentraînement et applique une quantification native INT4 des seuls poids aux composants à mélange d’experts. Il s’agit d’une distinction propre au checkpoint, et non d’une raison d’attribuer à ce modèle la précision ou les modalités d’une autre édition K2. Le format natif reste distinct de son exécution par une application particulière.
La fiche précise utilise les réglages d’appels d’outils de K2 Instruct. Fournissez à chaque requête les noms de fonctions, leurs descriptions et les schémas de paramètres disponibles. Le modèle décide quand et comment les appeler. L’application analyse les arguments proposés, exécute la fonction choisie et renvoie son résultat dans un message d’outil avec l’identifiant et le nom correspondants. L’étape suivante du modèle peut utiliser cette observation ou choisir une autre opération.
Gardez les observations originales dans la conversation et définissez le résultat considéré comme complet. Un appel de recherche choisi ne constitue pas une source retrouvée tant que l’application ne la renvoie pas, et du code généré n’est pas une exécution réussie. Pour un résultat structuré, vérifiez les champs et leur accord avec les preuves fournies.
Le fabricant recommande temperature 1.0 et fournit une consigne système simple d’assistant par défaut lorsqu’aucune consigne spéciale n’est nécessaire. Définissez séparément la langue et la forme de la réponse : conclusion concise, analyse avec références ou livrable de code. Le raisonnement et la réponse finale ont des usages différents et doivent rester distincts.
Le contexte de 256K doit contenir consignes, sources, conversation, raisonnement et résultats d’outils. Une tâche longue guidée par outils peut accumuler davantage de contexte que sa question initiale ne le laisse penser. Gardez les preuves pertinentes et préservez le résultat requis dans les suivis. Les différents budgets de réflexion d’évaluation et la taille de complétion d’exemple ne sont pas des plafonds universels stricts de sortie.
Une réponse finale utile lie la conclusion aux sources ou observations réelles et indique les informations non résolues. K2 Thinking est une édition distincte de raisonnement textuel; les entrées image/vidéo et les réglages de mode instantané ou de conservation du raisonnement décrits pour K2.5 et K2.6 ne doivent pas être déduits du seul nom de famille commun.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites moonshotai/kimi-k2-thinking | 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 $0.005 / 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 $0.005 / 1K jetons Entrée · Lecture du cache $0.0003 / 1K jetons Entrée · Écriture dans le cache $0 / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "moonshotai/kimi-k2-thinking",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-thinking', '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-thinking', '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-thinking
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Continue debugging from a real observation\n\nUse this supplied development observation: a test expected rows ordered by created_at, but equal timestamps appeared in different orders across runs. Query text is 'ORDER BY created_at'. Propose a deterministic tie-breaker using the unique id field, explain its effect and specify the next test. Distinguish the reported test result from checks still proposed.A focused query change, causal explanation and a test for rows sharing the same timestamp.The revised ordering includes a unique tie-breaker, and the answer does not claim the new test has run.