Kimi K2 Instruct 0711 est le modèle textuel K2 original post-entraîné de Moonshot AI pour le dialogue polyvalent et les tâches d’agents. Le fabricant le distingue de K2 Base, le modèle de fondation, et décrit l’édition d’instructions comme fonctionnant à réponse réflexe sans longue réflexion. Il accepte du texte et génère des réponses, du code et du contenu d’appels d’outils avec un contexte de 128K.
K2 est un modèle à mélange d’experts comptant 1 000 milliards de paramètres au total et 32 milliards de paramètres actifs. Le résumé du fabricant utilise une attention latente multitête et un routage clairsemé d’experts, sélectionnant huit experts sur 384 par jeton avec un expert partagé. Le préentraînement utilise 15 500 milliards de jetons et la méthode d’optimisation MuonClip, développée pour stabiliser l’entraînement à l’échelle du modèle.
Ce sont des propriétés de la famille K2 originale. La version d’instructions fournit ensuite le comportement utilisé pour le dialogue, la programmation et la résolution autonome de problèmes avec les outils de l’application. Son identité reste distincte de l’extension de contexte 0905 ultérieure, de la version Thinking séparée et des modèles multimodaux K2.5 et K2.6.
Pour une question, fournissez le contexte qui établit la réponse et indiquez la forme de réponse nécessaire. Pour la programmation, incluez l’implémentation pertinente, l’échec observé, le comportement attendu et les contraintes à préserver. Voici une demande illustrative : « Expliquez pourquoi cette entrée échoue, proposez la plus petite correction et renvoyez la fonction modifiée avec la condition source qui l’étaye. »
Pour le travail documentaire, nommez les passages et les critères de comparaison. Demandez au résultat de conserver les noms propres, les identifiants de champs et les unités, et d’identifier les informations absentes des éléments fournis. Le livrable souhaité doit rester explicite au fil des révisions plutôt que d’être remplacé par des commentaires généraux.
Le guide original du producteur recommande une température de 0.6 et propose par défaut une instruction système simple d’assistant lorsqu’un rôle spécialisé est inutile. Cette variante produit directement la réponse à la tâche plutôt que d’imposer le contrat ultérieur de raisonnement intercalé prolongé du modèle Thinking. Définissez la langue, les détails obligatoires et la longueur attendue de la réponse finale indépendamment de la recommandation d’échantillonnage.
K2 Instruct prend en charge les fonctions fournies dans chaque requête avec des noms, des descriptions et des schémas de paramètres. Le modèle décide quand et comment les appeler. L’application analyse les arguments JSON proposés et exécute l’opération sélectionnée; les observations retournées entrent dans la conversation avec l’identifiant d’appel d’outil et le nom de fonction correspondants. La réponse suivante peut utiliser ces résultats réels pour répondre ou poursuivre une tâche.
Définissez ce que fait chaque outil et les actions autorisées. Une recherche documentaire peut retourner le champ de produit manquant, tandis qu’un outil de développement peut retourner du code source ou une erreur observée. Une opération sélectionnée ne constitue pas une preuve d’exécution tant que son résultat n’est pas disponible. Conservez l’observation avec la tâche pour qu’une conclusion finale puisse indiquer ce qui l’étaye.
La fenêtre originale de 128K contient ensemble le texte source, la conversation, l’historique des outils et le contenu généré. Réservez de la place pour la réponse et organisez un vaste dépôt ou ensemble documentaire autour de la question réelle. La taille de complétion de l’exemple de la fiche n’établit pas un plafond ferme universel de réponse.
Le résultat utile est un texte examiné, une proposition de code ou une analyse fondée sur des sources. Vérifiez les valeurs par rapport aux éléments fournis et le code dans l’application visée. Préservez le fonctionnement direct à instructions de l’édition 0711 plutôt que de lui attribuer le contexte, les entrées visuelles ou les fonctions de conservation du raisonnement d’une autre version K2.
", "aboutText": "Kimi K2 Instruct 0711 est le modèle textuel K2 original post-entraîné de Moonshot AI pour le dialogue polyvalent et les tâches d’agents. Le fabricant le distingue de K2 Base, le modèle de fondation, et décrit l’édition d’instructions comme fonctionnant à réponse réflexe sans longue réflexion. Il accepte du texte et génère des réponses, du code et du contenu d’appels d’outils avec un contexte de 128K.\n\n### Architecture et entraînement\n\nK2 est un modèle à mélange d’experts comptant 1 000 milliards de paramètres au total et 32 milliards de paramètres actifs. Le résumé du fabricant utilise une attention latente multitête et un routage clairsemé d’experts, sélectionnant huit experts sur 384 par jeton avec un expert partagé. Le préentraînement utilise 15 500 milliards de jetons et la méthode d’optimisation MuonClip, développée pour stabiliser l’entraînement à l’échelle du modèle.\n\nCe sont des propriétés de la famille K2 originale. La version d’instructions fournit ensuite le comportement utilisé pour le dialogue, la programmation et la résolution autonome de problèmes avec les outils de l’application. Son identité reste distincte de l’extension de contexte 0905 ultérieure, de la version Thinking séparée et des modèles multimodaux K2.5 et K2.6.\n\n### Préparer la tâche\n\nPour une question, fournissez le contexte qui établit la réponse et indiquez la forme de réponse nécessaire. Pour la programmation, incluez l’implémentation pertinente, l’échec observé, le comportement attendu et les contraintes à préserver. Voici une demande illustrative : « Expliquez pourquoi cette entrée échoue, proposez la plus petite correction et renvoyez la fonction modifiée avec la condition source qui l’étaye. »\n\nPour le travail documentaire, nommez les passages et les critères de comparaison. Demandez au résultat de conserver les noms propres, les identifiants de champs et les unités, et d’identifier les informations absentes des éléments fournis. Le livrable souhaité doit rester explicite au fil des révisions plutôt que d’être remplacé par des commentaires généraux.\n\n### Fonctionnement du dialogue\n\nLe guide original du producteur recommande une température de 0.6 et propose par défaut une instruction système simple d’assistant lorsqu’un rôle spécialisé est inutile. Cette variante produit directement la réponse à la tâche plutôt que d’imposer le contrat ultérieur de raisonnement intercalé prolongé du modèle Thinking. Définissez la langue, les détails obligatoires et la longueur attendue de la réponse finale indépendamment de la recommandation d’échantillonnage.\n\n### Outils et observations\n\nK2 Instruct prend en charge les fonctions fournies dans chaque requête avec des noms, des descriptions et des schémas de paramètres. Le modèle décide quand et comment les appeler. L’application analyse les arguments JSON proposés et exécute l’opération sélectionnée; les observations retournées entrent dans la conversation avec l’identifiant d’appel d’outil et le nom de fonction correspondants. La réponse suivante peut utiliser ces résultats réels pour répondre ou poursuivre une tâche.\n\nDéfinissez ce que fait chaque outil et les actions autorisées. Une recherche documentaire peut retourner le champ de produit manquant, tandis qu’un outil de développement peut retourner du code source ou une erreur observée. Une opération sélectionnée ne constitue pas une preuve d’exécution tant que son résultat n’est pas disponible. Conservez l’observation avec la tâche pour qu’une conclusion finale puisse indiquer ce qui l’étaye.\n\n### Contexte et examen du résultat\n\nLa fenêtre originale de 128K contient ensemble le texte source, la conversation, l’historique des outils et le contenu généré. Réservez de la place pour la réponse et organisez un vaste dépôt ou ensemble documentaire autour de la question réelle. La taille de complétion de l’exemple de la fiche n’établit pas un plafond ferme universel de réponse.\n\nLe résultat utile est un texte examiné, une proposition de code ou une analyse fondée sur des sources. Vérifiez les valeurs par rapport aux éléments fournis et le code dans l’application visée. Préservez le fonctionnement direct à instructions de l’édition 0711 plutôt que de lui attribuer le contexte, les entrées visuelles ou les fonctions de conservation du raisonnement d’une autre version K2.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Fix an empty-input crash\n\nFix this Python function: def first_name(names): return names[0].strip(). For an empty list it must return None; otherwise preserve the existing trimming behavior, including returning an empty string for whitespace-only input. Return a minimal implementation and tests for an empty list, a padded name and a whitespace-only name.A revised first_name function and three tests with explicit expected values.Check that only an empty list returns None and that a whitespace-only first value still returns an empty string.moonshotai/kimi-k2Kimi K2 Instruct 0711 est le modèle textuel K2 original post-entraîné de Moonshot AI pour le dialogue, la programmation et les agents guidés par outils. Son contexte de 128K et son fonctionnement à réponse réflexe produisent des réponses, du code et des appels de fonctions sélectionnés sans le processus ultérieur de K2 Thinking.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Kimi K2 Instruct 0711 est le modèle textuel K2 original post-entraîné de Moonshot AI pour le dialogue polyvalent et les tâches d’agents. Le fabricant le distingue de K2 Base, le modèle de fondation, et décrit l’édition d’instructions comme fonctionnant à réponse réflexe sans longue réflexion. Il accepte du texte et génère des réponses, du code et du contenu d’appels d’outils avec un contexte de 128K.
K2 est un modèle à mélange d’experts comptant 1 000 milliards de paramètres au total et 32 milliards de paramètres actifs. Le résumé du fabricant utilise une attention latente multitête et un routage clairsemé d’experts, sélectionnant huit experts sur 384 par jeton avec un expert partagé. Le préentraînement utilise 15 500 milliards de jetons et la méthode d’optimisation MuonClip, développée pour stabiliser l’entraînement à l’échelle du modèle.
Ce sont des propriétés de la famille K2 originale. La version d’instructions fournit ensuite le comportement utilisé pour le dialogue, la programmation et la résolution autonome de problèmes avec les outils de l’application. Son identité reste distincte de l’extension de contexte 0905 ultérieure, de la version Thinking séparée et des modèles multimodaux K2.5 et K2.6.
Pour une question, fournissez le contexte qui établit la réponse et indiquez la forme de réponse nécessaire. Pour la programmation, incluez l’implémentation pertinente, l’échec observé, le comportement attendu et les contraintes à préserver. Voici une demande illustrative : « Expliquez pourquoi cette entrée échoue, proposez la plus petite correction et renvoyez la fonction modifiée avec la condition source qui l’étaye. »
Pour le travail documentaire, nommez les passages et les critères de comparaison. Demandez au résultat de conserver les noms propres, les identifiants de champs et les unités, et d’identifier les informations absentes des éléments fournis. Le livrable souhaité doit rester explicite au fil des révisions plutôt que d’être remplacé par des commentaires généraux.
Le guide original du producteur recommande une température de 0.6 et propose par défaut une instruction système simple d’assistant lorsqu’un rôle spécialisé est inutile. Cette variante produit directement la réponse à la tâche plutôt que d’imposer le contrat ultérieur de raisonnement intercalé prolongé du modèle Thinking. Définissez la langue, les détails obligatoires et la longueur attendue de la réponse finale indépendamment de la recommandation d’échantillonnage.
K2 Instruct prend en charge les fonctions fournies dans chaque requête avec des noms, des descriptions et des schémas de paramètres. Le modèle décide quand et comment les appeler. L’application analyse les arguments JSON proposés et exécute l’opération sélectionnée; les observations retournées entrent dans la conversation avec l’identifiant d’appel d’outil et le nom de fonction correspondants. La réponse suivante peut utiliser ces résultats réels pour répondre ou poursuivre une tâche.
Définissez ce que fait chaque outil et les actions autorisées. Une recherche documentaire peut retourner le champ de produit manquant, tandis qu’un outil de développement peut retourner du code source ou une erreur observée. Une opération sélectionnée ne constitue pas une preuve d’exécution tant que son résultat n’est pas disponible. Conservez l’observation avec la tâche pour qu’une conclusion finale puisse indiquer ce qui l’étaye.
La fenêtre originale de 128K contient ensemble le texte source, la conversation, l’historique des outils et le contenu généré. Réservez de la place pour la réponse et organisez un vaste dépôt ou ensemble documentaire autour de la question réelle. La taille de complétion de l’exemple de la fiche n’établit pas un plafond ferme universel de réponse.
Le résultat utile est un texte examiné, une proposition de code ou une analyse fondée sur des sources. Vérifiez les valeurs par rapport aux éléments fournis et le code dans l’application visée. Préservez le fonctionnement direct à instructions de l’édition 0711 plutôt que de lui attribuer le contexte, les entrées visuelles ou les fonctions de conservation du raisonnement d’une autre version K2.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites moonshotai/kimi-k2 | 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 $0.00114 / 1K jetons Sortie · Jetons en sortie $0.0046 / 1K jetons Entrée · Lecture du cache — / 1K jetons Entrée · Écriture dans le cache — / 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 $0.00114 / 1K jetons Sortie · Jetons en sortie $0.0046 / 1K jetons Entrée · Lecture du cache — / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${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", "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',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',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
Utilisez les chemins de méthode indiqués ci-dessus.
moonshotai/kimi-k2Kimi K2 Instruct 0711 est le modèle textuel K2 original post-entraîné de Moonshot AI pour le dialogue, la programmation et les agents guidés par outils. Son contexte de 128K et son fonctionnement à réponse réflexe produisent des réponses, du code et des appels de fonctions sélectionnés sans le processus ultérieur de K2 Thinking.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Kimi K2 Instruct 0711 est le modèle textuel K2 original post-entraîné de Moonshot AI pour le dialogue polyvalent et les tâches d’agents. Le fabricant le distingue de K2 Base, le modèle de fondation, et décrit l’édition d’instructions comme fonctionnant à réponse réflexe sans longue réflexion. Il accepte du texte et génère des réponses, du code et du contenu d’appels d’outils avec un contexte de 128K.
K2 est un modèle à mélange d’experts comptant 1 000 milliards de paramètres au total et 32 milliards de paramètres actifs. Le résumé du fabricant utilise une attention latente multitête et un routage clairsemé d’experts, sélectionnant huit experts sur 384 par jeton avec un expert partagé. Le préentraînement utilise 15 500 milliards de jetons et la méthode d’optimisation MuonClip, développée pour stabiliser l’entraînement à l’échelle du modèle.
Ce sont des propriétés de la famille K2 originale. La version d’instructions fournit ensuite le comportement utilisé pour le dialogue, la programmation et la résolution autonome de problèmes avec les outils de l’application. Son identité reste distincte de l’extension de contexte 0905 ultérieure, de la version Thinking séparée et des modèles multimodaux K2.5 et K2.6.
Pour une question, fournissez le contexte qui établit la réponse et indiquez la forme de réponse nécessaire. Pour la programmation, incluez l’implémentation pertinente, l’échec observé, le comportement attendu et les contraintes à préserver. Voici une demande illustrative : « Expliquez pourquoi cette entrée échoue, proposez la plus petite correction et renvoyez la fonction modifiée avec la condition source qui l’étaye. »
Pour le travail documentaire, nommez les passages et les critères de comparaison. Demandez au résultat de conserver les noms propres, les identifiants de champs et les unités, et d’identifier les informations absentes des éléments fournis. Le livrable souhaité doit rester explicite au fil des révisions plutôt que d’être remplacé par des commentaires généraux.
Le guide original du producteur recommande une température de 0.6 et propose par défaut une instruction système simple d’assistant lorsqu’un rôle spécialisé est inutile. Cette variante produit directement la réponse à la tâche plutôt que d’imposer le contrat ultérieur de raisonnement intercalé prolongé du modèle Thinking. Définissez la langue, les détails obligatoires et la longueur attendue de la réponse finale indépendamment de la recommandation d’échantillonnage.
K2 Instruct prend en charge les fonctions fournies dans chaque requête avec des noms, des descriptions et des schémas de paramètres. Le modèle décide quand et comment les appeler. L’application analyse les arguments JSON proposés et exécute l’opération sélectionnée; les observations retournées entrent dans la conversation avec l’identifiant d’appel d’outil et le nom de fonction correspondants. La réponse suivante peut utiliser ces résultats réels pour répondre ou poursuivre une tâche.
Définissez ce que fait chaque outil et les actions autorisées. Une recherche documentaire peut retourner le champ de produit manquant, tandis qu’un outil de développement peut retourner du code source ou une erreur observée. Une opération sélectionnée ne constitue pas une preuve d’exécution tant que son résultat n’est pas disponible. Conservez l’observation avec la tâche pour qu’une conclusion finale puisse indiquer ce qui l’étaye.
La fenêtre originale de 128K contient ensemble le texte source, la conversation, l’historique des outils et le contenu généré. Réservez de la place pour la réponse et organisez un vaste dépôt ou ensemble documentaire autour de la question réelle. La taille de complétion de l’exemple de la fiche n’établit pas un plafond ferme universel de réponse.
Le résultat utile est un texte examiné, une proposition de code ou une analyse fondée sur des sources. Vérifiez les valeurs par rapport aux éléments fournis et le code dans l’application visée. Préservez le fonctionnement direct à instructions de l’édition 0711 plutôt que de lui attribuer le contexte, les entrées visuelles ou les fonctions de conservation du raisonnement d’une autre version K2.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites moonshotai/kimi-k2 | 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 $0.00114 / 1K jetons Sortie · Jetons en sortie $0.0046 / 1K jetons Entrée · Lecture du cache — / 1K jetons Entrée · Écriture dans le cache — / 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 $0.00114 / 1K jetons Sortie · Jetons en sortie $0.0046 / 1K jetons Entrée · Lecture du cache — / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "moonshotai/kimi-k2",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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', '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', '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
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Fix an empty-input crash\n\nFix this Python function: def first_name(names): return names[0].strip(). For an empty list it must return None; otherwise preserve the existing trimming behavior, including returning an empty string for whitespace-only input. Return a minimal implementation and tests for an empty list, a padded name and a whitespace-only name.A revised first_name function and three tests with explicit expected values.Check that only an empty list returns None and that a whitespace-only first value still returns an empty string.