Kimi K2 Instruct 0711 est le modèle textuel K2 initial post-entraîné de Moonshot AI pour la conversation polyvalente et les tâches agentiques. Le fabricant le distingue de K2 Base, le modèle de fondation, et décrit l’édition de suivi d’instructions comme réagissant de façon 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 128 K.
K2 est un modèle à mélange d’experts de 1’000 milliards de paramètres au total et 32 milliards actifs. Le résumé du fabricant utilise l’attention latente multi-têtes et le routage parcimonieux d’experts, sélectionnant huit experts sur 384 par jeton avec un expert partagé. Le préentraînement utilise 15’500 milliards de jetons et l’approche d’optimisation MuonClip, développée pour un entraînement stable à l’échelle du modèle.
Ce sont des propriétés de la famille K2 initiale. La publication de suivi d’instructions fournit ensuite le comportement utilisé pour la conversation, la programmation et la résolution autonome de problèmes avec les outils de l’application. Son identité reste distincte de l’extension de contexte ultérieure 0905, de la publication Thinking séparée et des modèles multimodaux K2.5 et K2.6.
Pour une question, fournissez le contexte qui établit la réponse et identifiez la forme nécessaire. Pour une tâche de programmation, incluez l’implémentation pertinente, la défaillance observée, le comportement attendu et les contraintes à préserver. Un exemple de demande est : « Expliquez pourquoi cette entrée échoue, proposez la correction minimale et renvoyez la fonction modifiée avec la condition source qui la justifie. »
Pour le travail documentaire, nommez les passages et les critères de comparaison. Demandez que le résultat préserve les noms propres, les identifiants de champs et les unités, et identifie les informations absentes des éléments. Le livrable souhaité doit rester explicite au fil des révisions plutôt que d’être remplacé par des commentaires généraux.
Le guide initial du producteur recommande une température de 0.6 et propose une instruction système d’assistant simple par défaut lorsqu’un rôle spécialisé est inutile. Ce profil produit directement la réponse à la tâche plutôt que d’imposer le contrat de raisonnement étendu et entrelacé du modèle Thinking ultérieur. Définissez la langue de réponse finale, les détails obligatoires et la longueur attendue indépendamment de la recommandation d’échantillonnage.
K2 Instruct prend en charge les fonctions fournies dans chaque requête avec des noms, descriptions et schémas de paramètres. Le modèle choisit quand et comment les appeler. L’application analyse les arguments JSON proposés et exécute l’opération sélectionnée ; les observations renvoyées 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 renvoyer le champ produit manquant, tandis qu’un outil de développement peut renvoyer du code source ou une erreur observée. Une opération sélectionnée n’est pas une preuve d’exécution tant que son résultat n’est pas disponible. Conservez l’observation avec la tâche afin qu’une conclusion finale puisse identifier ce qui l’étaye.
La fenêtre initiale de 128 K contient ensemble le texte source, la conversation, l’historique des outils et le contenu généré. Réservez de la place à la réponse et organisez un vaste dépôt ou ensemble documentaire autour de la question réelle. La taille de complétion d’exemple dans la fiche du modèle n’établit pas un plafond strict universel de réponse.
Le résultat utile est un texte revu, une proposition de code ou une analyse fondée sur les sources. Vérifiez les valeurs dans les éléments fournis et le code dans l’application prévue. Gardez intact le profil d’instructions direct de l’édition 0711 au lieu de lui attribuer un contexte ultérieur, des entrées visuelles ou des fonctions de conservation du raisonnement provenant d’une autre publication K2.
", "aboutText": "Kimi K2 Instruct 0711 est le modèle textuel K2 initial post-entraîné de Moonshot AI pour la conversation polyvalente et les tâches agentiques. Le fabricant le distingue de K2 Base, le modèle de fondation, et décrit l’édition de suivi d’instructions comme réagissant de façon 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 128 K.\n\n### Architecture et entraînement\n\nK2 est un modèle à mélange d’experts de 1’000 milliards de paramètres au total et 32 milliards actifs. Le résumé du fabricant utilise l’attention latente multi-têtes et le routage parcimonieux d’experts, sélectionnant huit experts sur 384 par jeton avec un expert partagé. Le préentraînement utilise 15’500 milliards de jetons et l’approche d’optimisation MuonClip, développée pour un entraînement stable à l’échelle du modèle.\n\nCe sont des propriétés de la famille K2 initiale. La publication de suivi d’instructions fournit ensuite le comportement utilisé pour la conversation, la programmation et la résolution autonome de problèmes avec les outils de l’application. Son identité reste distincte de l’extension de contexte ultérieure 0905, de la publication 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 identifiez la forme nécessaire. Pour une tâche de programmation, incluez l’implémentation pertinente, la défaillance observée, le comportement attendu et les contraintes à préserver. Un exemple de demande est : « Expliquez pourquoi cette entrée échoue, proposez la correction minimale et renvoyez la fonction modifiée avec la condition source qui la justifie. »\n\nPour le travail documentaire, nommez les passages et les critères de comparaison. Demandez que le résultat préserve les noms propres, les identifiants de champs et les unités, et identifie les informations absentes des éléments. Le livrable souhaité doit rester explicite au fil des révisions plutôt que d’être remplacé par des commentaires généraux.\n\n### Profil de conversation\n\nLe guide initial du producteur recommande une température de 0.6 et propose une instruction système d’assistant simple par défaut lorsqu’un rôle spécialisé est inutile. Ce profil produit directement la réponse à la tâche plutôt que d’imposer le contrat de raisonnement étendu et entrelacé du modèle Thinking ultérieur. Définissez la langue de réponse finale, les détails obligatoires et la longueur attendue 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, descriptions et schémas de paramètres. Le modèle choisit quand et comment les appeler. L’application analyse les arguments JSON proposés et exécute l’opération sélectionnée ; les observations renvoyées 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 renvoyer le champ produit manquant, tandis qu’un outil de développement peut renvoyer du code source ou une erreur observée. Une opération sélectionnée n’est pas une preuve d’exécution tant que son résultat n’est pas disponible. Conservez l’observation avec la tâche afin qu’une conclusion finale puisse identifier ce qui l’étaye.\n\n### Contexte et revue du résultat\n\nLa fenêtre initiale de 128 K contient ensemble le texte source, la conversation, l’historique des outils et le contenu généré. Réservez de la place à la réponse et organisez un vaste dépôt ou ensemble documentaire autour de la question réelle. La taille de complétion d’exemple dans la fiche du modèle n’établit pas un plafond strict universel de réponse.\n\nLe résultat utile est un texte revu, une proposition de code ou une analyse fondée sur les sources. Vérifiez les valeurs dans les éléments fournis et le code dans l’application prévue. Gardez intact le profil d’instructions direct de l’édition 0711 au lieu de lui attribuer un contexte ultérieur, des entrées visuelles ou des fonctions de conservation du raisonnement provenant d’une autre publication 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 initial post-entraîné de Moonshot AI pour la conversation, la programmation et les agents guidés par outils. Son contexte de 128 K et son profil de réponse réflexe produisent des réponses, du code et des appels de fonctions sélectionnés sans le processus ultérieur 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 initial post-entraîné de Moonshot AI pour la conversation polyvalente et les tâches agentiques. Le fabricant le distingue de K2 Base, le modèle de fondation, et décrit l’édition de suivi d’instructions comme réagissant de façon 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 128 K.
K2 est un modèle à mélange d’experts de 1’000 milliards de paramètres au total et 32 milliards actifs. Le résumé du fabricant utilise l’attention latente multi-têtes et le routage parcimonieux d’experts, sélectionnant huit experts sur 384 par jeton avec un expert partagé. Le préentraînement utilise 15’500 milliards de jetons et l’approche d’optimisation MuonClip, développée pour un entraînement stable à l’échelle du modèle.
Ce sont des propriétés de la famille K2 initiale. La publication de suivi d’instructions fournit ensuite le comportement utilisé pour la conversation, la programmation et la résolution autonome de problèmes avec les outils de l’application. Son identité reste distincte de l’extension de contexte ultérieure 0905, de la publication Thinking séparée et des modèles multimodaux K2.5 et K2.6.
Pour une question, fournissez le contexte qui établit la réponse et identifiez la forme nécessaire. Pour une tâche de programmation, incluez l’implémentation pertinente, la défaillance observée, le comportement attendu et les contraintes à préserver. Un exemple de demande est : « Expliquez pourquoi cette entrée échoue, proposez la correction minimale et renvoyez la fonction modifiée avec la condition source qui la justifie. »
Pour le travail documentaire, nommez les passages et les critères de comparaison. Demandez que le résultat préserve les noms propres, les identifiants de champs et les unités, et identifie les informations absentes des éléments. Le livrable souhaité doit rester explicite au fil des révisions plutôt que d’être remplacé par des commentaires généraux.
Le guide initial du producteur recommande une température de 0.6 et propose une instruction système d’assistant simple par défaut lorsqu’un rôle spécialisé est inutile. Ce profil produit directement la réponse à la tâche plutôt que d’imposer le contrat de raisonnement étendu et entrelacé du modèle Thinking ultérieur. Définissez la langue de réponse finale, les détails obligatoires et la longueur attendue indépendamment de la recommandation d’échantillonnage.
K2 Instruct prend en charge les fonctions fournies dans chaque requête avec des noms, descriptions et schémas de paramètres. Le modèle choisit quand et comment les appeler. L’application analyse les arguments JSON proposés et exécute l’opération sélectionnée ; les observations renvoyées 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 renvoyer le champ produit manquant, tandis qu’un outil de développement peut renvoyer du code source ou une erreur observée. Une opération sélectionnée n’est pas une preuve d’exécution tant que son résultat n’est pas disponible. Conservez l’observation avec la tâche afin qu’une conclusion finale puisse identifier ce qui l’étaye.
La fenêtre initiale de 128 K contient ensemble le texte source, la conversation, l’historique des outils et le contenu généré. Réservez de la place à la réponse et organisez un vaste dépôt ou ensemble documentaire autour de la question réelle. La taille de complétion d’exemple dans la fiche du modèle n’établit pas un plafond strict universel de réponse.
Le résultat utile est un texte revu, une proposition de code ou une analyse fondée sur les sources. Vérifiez les valeurs dans les éléments fournis et le code dans l’application prévue. Gardez intact le profil d’instructions direct de l’édition 0711 au lieu de lui attribuer un contexte ultérieur, des entrées visuelles ou des fonctions de conservation du raisonnement provenant d’une autre publication 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’identifiant 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: outil de fonction fourni | 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 rejeté sur cette route textuelle Ultra | Par défaut— |
Champcache_control.ttl | Typestring | ExigenceFacultatif | Valeurs et limites Conditions: 1h est rejeté dans les emplacements réels du cache de prompt | 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 sous forme de texte littéral ; aucun identifiant 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’identifiant 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/objets 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 | Tokens de contexte, plus de | Tokens de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Tokens de contexte, plus de— | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.00114 / 1K tokens Sortie · Tokens en sortie $0.0046 / 1K tokens Entrée · Lecture du cache — / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Tokens de contexte, plus de0 | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.00114 / 1K tokens Sortie · Tokens en sortie $0.0046 / 1K tokens Entrée · Lecture du cache — / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${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, puis conservez le motif final de terminaison et les données d’utilisation.
Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles 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 contenus ou valeur de paramètre non valides | 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 initial post-entraîné de Moonshot AI pour la conversation, la programmation et les agents guidés par outils. Son contexte de 128 K et son profil de réponse réflexe produisent des réponses, du code et des appels de fonctions sélectionnés sans le processus ultérieur 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 initial post-entraîné de Moonshot AI pour la conversation polyvalente et les tâches agentiques. Le fabricant le distingue de K2 Base, le modèle de fondation, et décrit l’édition de suivi d’instructions comme réagissant de façon 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 128 K.
K2 est un modèle à mélange d’experts de 1’000 milliards de paramètres au total et 32 milliards actifs. Le résumé du fabricant utilise l’attention latente multi-têtes et le routage parcimonieux d’experts, sélectionnant huit experts sur 384 par jeton avec un expert partagé. Le préentraînement utilise 15’500 milliards de jetons et l’approche d’optimisation MuonClip, développée pour un entraînement stable à l’échelle du modèle.
Ce sont des propriétés de la famille K2 initiale. La publication de suivi d’instructions fournit ensuite le comportement utilisé pour la conversation, la programmation et la résolution autonome de problèmes avec les outils de l’application. Son identité reste distincte de l’extension de contexte ultérieure 0905, de la publication Thinking séparée et des modèles multimodaux K2.5 et K2.6.
Pour une question, fournissez le contexte qui établit la réponse et identifiez la forme nécessaire. Pour une tâche de programmation, incluez l’implémentation pertinente, la défaillance observée, le comportement attendu et les contraintes à préserver. Un exemple de demande est : « Expliquez pourquoi cette entrée échoue, proposez la correction minimale et renvoyez la fonction modifiée avec la condition source qui la justifie. »
Pour le travail documentaire, nommez les passages et les critères de comparaison. Demandez que le résultat préserve les noms propres, les identifiants de champs et les unités, et identifie les informations absentes des éléments. Le livrable souhaité doit rester explicite au fil des révisions plutôt que d’être remplacé par des commentaires généraux.
Le guide initial du producteur recommande une température de 0.6 et propose une instruction système d’assistant simple par défaut lorsqu’un rôle spécialisé est inutile. Ce profil produit directement la réponse à la tâche plutôt que d’imposer le contrat de raisonnement étendu et entrelacé du modèle Thinking ultérieur. Définissez la langue de réponse finale, les détails obligatoires et la longueur attendue indépendamment de la recommandation d’échantillonnage.
K2 Instruct prend en charge les fonctions fournies dans chaque requête avec des noms, descriptions et schémas de paramètres. Le modèle choisit quand et comment les appeler. L’application analyse les arguments JSON proposés et exécute l’opération sélectionnée ; les observations renvoyées 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 renvoyer le champ produit manquant, tandis qu’un outil de développement peut renvoyer du code source ou une erreur observée. Une opération sélectionnée n’est pas une preuve d’exécution tant que son résultat n’est pas disponible. Conservez l’observation avec la tâche afin qu’une conclusion finale puisse identifier ce qui l’étaye.
La fenêtre initiale de 128 K contient ensemble le texte source, la conversation, l’historique des outils et le contenu généré. Réservez de la place à la réponse et organisez un vaste dépôt ou ensemble documentaire autour de la question réelle. La taille de complétion d’exemple dans la fiche du modèle n’établit pas un plafond strict universel de réponse.
Le résultat utile est un texte revu, une proposition de code ou une analyse fondée sur les sources. Vérifiez les valeurs dans les éléments fournis et le code dans l’application prévue. Gardez intact le profil d’instructions direct de l’édition 0711 au lieu de lui attribuer un contexte ultérieur, des entrées visuelles ou des fonctions de conservation du raisonnement provenant d’une autre publication 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 | Tokens de contexte, plus de | Tokens de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Tokens de contexte, plus de— | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.00114 / 1K tokens Sortie · Tokens en sortie $0.0046 / 1K tokens Entrée · Lecture du cache — / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Tokens de contexte, plus de0 | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.00114 / 1K tokens Sortie · Tokens en sortie $0.0046 / 1K tokens Entrée · Lecture du cache — / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "moonshotai/kimi-k2",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 identifiants 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 identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles 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 contenus ou valeur de paramètre non valides | 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.