Kimi K2 Thinking הוא מהדורת סוכן ההנמקה של Moonshot AI, שפותחה מתוך Kimi K2. הוא מתקדם במשימה ובוחר פונקציות שמספק היישום שסביבו, ומשלב ניתוח ביניים עם תצפיות מכלים לפני הפקת התשובה הסופית. בפרופיל תערובת המומחים שפורסם יש טריליון פרמטרים בסך הכול, 32 מיליארד פרמטרים פעילים והקשר של 256K. קלט המשימה והתשובה המתועדים הם טקסט.
היצרן מפתח את K2 Thinking לתהליכי מחקר, תכנות וכתיבה שדורשים שלבים רבים. התכונה המגדירה היא שילוב לסירוגין של הנמקה וקריאות לפונקציות, במקום התייחסות לחשיבה ולפעולה כשני שלבים שאינם קשורים. תדריך משימה מועיל מציין את השאלה, את המקורות או הכלים הזמינים, את הפעולות המותרות ואת התוצאה שמציינת השלמה.
למחקר, ספקו את הקריטריונים למקור רלוונטי ודרשו שהמסקנה תפנה לראיות שהתקבלו. לתכנות, כללו את המימוש הרלוונטי, את ההתנהגות שנכשלת ואת המגבלות, ואז בקשו את התיקון הסופי ואת התצפיות התומכות בו. הנחיה לדוגמה: ״השתמשו בקוד ובתוצאות הכלים שסופקו כדי לזהות את הסיבה, להציע שינוי ממוקד ולהבחין בין אימות שהושלם לבין בדיקה שעדיין צריך להריץ.״
K2 Thinking משתמש באימון מודע לקוונטיזציה בשלב שלאחר האימון, עם קוונטיזציית INT4 מובנית למשקולות בלבד ברכיבי תערובת המומחים. זוהי הבחנה בין צ׳קפוינטים של היצרן, ולא סיבה לייחס למודל את הדיוק או סוגי הקלט של מהדורת K2 אחרת. פורמט המודל המובנה נשאר נפרד מהאופן שבו יישום מסוים מריץ אותו.
הכרטיס של גרסה זו משתמש בהגדרות הקריאה לכלים של K2 Instruct. ספקו בכל בקשה את שמות הפונקציות הזמינות, את תיאוריהן ואת סכמות הפרמטרים שלהן. המודל מחליט מתי וכיצד לקרוא להן. היישום מפענח את הארגומנטים המוצעים, מבצע את הפונקציה שנבחרה ומחזיר את תוצאתה בהודעת כלי עם המזהה והשם התואמים. השלב הבא של המודל יכול להשתמש בתצפית הזאת או לבחור פעולה נוספת.
שמרו את התצפיות המקוריות בשיחה ותארו מה נחשב לתוצאה שהושלמה. בחירה בקריאת חיפוש אינה מקור שאוחזר עד שהיישום מחזיר אותו, וקוד שנוצר אינו הרצה מוצלחת. בתוצאה מובנית, בדקו גם את השדות וגם את התאמתם לראיות שסופקו.
היצרן ממליץ על temperature של 1.0 ומספק הוראת מערכת פשוטה לעוזר כברירת מחדל כשאין צורך בהוראה מיוחדת. הגדירו בנפרד את השפה ואת צורת התשובה הסופית: מסקנה תמציתית, ניתוח עם הפניות למקורות או תוצר קוד. תוכן החשיבה והתשובה הסופית משרתים מטרות שונות וצריכים להישאר מובחנים.
ההקשר של 256K צריך להכיל הוראות, חומר מקור, שיחה, הנמקה ותוצאות כלים. משימה ארוכה המונחית בכלים עשויה לצבור יותר הקשר מכפי שמשתמע מהשאלה המקורית. שמרו על ראיות רלוונטיות ועל התוצאה הנדרשת לאורך שאלות ההמשך. תקציבי החשיבה השונים בהערכות וגודל ההשלמה לדוגמה בכרטיס אינם תקרות פלט קשיחות ואוניברסליות.
תשובה סופית מועילה מקשרת את המסקנה למקורות או לתצפיות בפועל ומזהה מידע שנותר בלתי פתור. K2 Thinking הוא מהדורת הנמקה טקסטואלית נפרדת; אין להסיק משם המשפחה המשותף על תמיכה בקלטי תמונה/וידאו או בבקרות מצב מיידי ושימור חשיבה המתוארות בגרסאות K2.5 ו-K2.6 מאוחרות יותר.
", "aboutText": "Kimi K2 Thinking הוא מהדורת סוכן ההנמקה של Moonshot AI, שפותחה מתוך Kimi K2. הוא מתקדם במשימה ובוחר פונקציות שמספק היישום שסביבו, ומשלב ניתוח ביניים עם תצפיות מכלים לפני הפקת התשובה הסופית. בפרופיל תערובת המומחים שפורסם יש טריליון פרמטרים בסך הכול, 32 מיליארד פרמטרים פעילים והקשר של 256K. קלט המשימה והתשובה המתועדים הם טקסט.\n\n### הנמקה עמוקה ומשימות ארוכות\n\nהיצרן מפתח את K2 Thinking לתהליכי מחקר, תכנות וכתיבה שדורשים שלבים רבים. התכונה המגדירה היא שילוב לסירוגין של הנמקה וקריאות לפונקציות, במקום התייחסות לחשיבה ולפעולה כשני שלבים שאינם קשורים. תדריך משימה מועיל מציין את השאלה, את המקורות או הכלים הזמינים, את הפעולות המותרות ואת התוצאה שמציינת השלמה.\n\nלמחקר, ספקו את הקריטריונים למקור רלוונטי ודרשו שהמסקנה תפנה לראיות שהתקבלו. לתכנות, כללו את המימוש הרלוונטי, את ההתנהגות שנכשלת ואת המגבלות, ואז בקשו את התיקון הסופי ואת התצפיות התומכות בו. הנחיה לדוגמה: ״השתמשו בקוד ובתוצאות הכלים שסופקו כדי לזהות את הסיבה, להציע שינוי ממוקד ולהבחין בין אימות שהושלם לבין בדיקה שעדיין צריך להריץ.״\n\n### הצ׳קפוינט של היצרן וקוונטיזציה\n\nK2 Thinking משתמש באימון מודע לקוונטיזציה בשלב שלאחר האימון, עם קוונטיזציית INT4 מובנית למשקולות בלבד ברכיבי תערובת המומחים. זוהי הבחנה בין צ׳קפוינטים של היצרן, ולא סיבה לייחס למודל את הדיוק או סוגי הקלט של מהדורת K2 אחרת. פורמט המודל המובנה נשאר נפרד מהאופן שבו יישום מסוים מריץ אותו.\n\n### תהליך קריאות לכלים\n\nהכרטיס של גרסה זו משתמש בהגדרות הקריאה לכלים של K2 Instruct. ספקו בכל בקשה את שמות הפונקציות הזמינות, את תיאוריהן ואת סכמות הפרמטרים שלהן. המודל מחליט מתי וכיצד לקרוא להן. היישום מפענח את הארגומנטים המוצעים, מבצע את הפונקציה שנבחרה ומחזיר את תוצאתה בהודעת כלי עם המזהה והשם התואמים. השלב הבא של המודל יכול להשתמש בתצפית הזאת או לבחור פעולה נוספת.\n\nשמרו את התצפיות המקוריות בשיחה ותארו מה נחשב לתוצאה שהושלמה. בחירה בקריאת חיפוש אינה מקור שאוחזר עד שהיישום מחזיר אותו, וקוד שנוצר אינו הרצה מוצלחת. בתוצאה מובנית, בדקו גם את השדות וגם את התאמתם לראיות שסופקו.\n\n### הנחיות ותקציבי תגובה\n\nהיצרן ממליץ על temperature של 1.0 ומספק הוראת מערכת פשוטה לעוזר כברירת מחדל כשאין צורך בהוראה מיוחדת. הגדירו בנפרד את השפה ואת צורת התשובה הסופית: מסקנה תמציתית, ניתוח עם הפניות למקורות או תוצר קוד. תוכן החשיבה והתשובה הסופית משרתים מטרות שונות וצריכים להישאר מובחנים.\n\nההקשר של 256K צריך להכיל הוראות, חומר מקור, שיחה, הנמקה ותוצאות כלים. משימה ארוכה המונחית בכלים עשויה לצבור יותר הקשר מכפי שמשתמע מהשאלה המקורית. שמרו על ראיות רלוונטיות ועל התוצאה הנדרשת לאורך שאלות ההמשך. תקציבי החשיבה השונים בהערכות וגודל ההשלמה לדוגמה בכרטיס אינם תקרות פלט קשיחות ואוניברסליות.\n\nתשובה סופית מועילה מקשרת את המסקנה למקורות או לתצפיות בפועל ומזהה מידע שנותר בלתי פתור. K2 Thinking הוא מהדורת הנמקה טקסטואלית נפרדת; אין להסיק משם המשפחה המשותף על תמיכה בקלטי תמונה/וידאו או בבקרות מצב מיידי ושימור חשיבה המתוארות בגרסאות K2.5 ו-K2.6 מאוחרות יותר.", "editorialOverlay": { "copy_fields": { "practical_html": "דוגמה טכנית באנגלית
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 הוא סוכן ההסקה הטקסטואלי של Moonshot AI, המשלב ניתוח עם קריאות לפונקציות. ההקשר שלו, 256K, ונקודת הביקורת המקורית של היצרן ב־INT4 תומכים במחקר, בתכנות ובכתיבה רב־שלביים, עם תשובות סופיות המעוגנות בתצפיות שהכלים שסופקו החזירו.
התיאור הזה מציג את יכולות המודל. הקלט, הפלט והאפשרויות הזמינים ב-Ailoot מפורטים בהמשך לפי השיטה שנבחרה.
Kimi K2 Thinking הוא מהדורת סוכן ההנמקה של Moonshot AI, שפותחה מתוך Kimi K2. הוא מתקדם במשימה ובוחר פונקציות שמספק היישום שסביבו, ומשלב ניתוח ביניים עם תצפיות מכלים לפני הפקת התשובה הסופית. בפרופיל תערובת המומחים שפורסם יש טריליון פרמטרים בסך הכול, 32 מיליארד פרמטרים פעילים והקשר של 256K. קלט המשימה והתשובה המתועדים הם טקסט.
היצרן מפתח את K2 Thinking לתהליכי מחקר, תכנות וכתיבה שדורשים שלבים רבים. התכונה המגדירה היא שילוב לסירוגין של הנמקה וקריאות לפונקציות, במקום התייחסות לחשיבה ולפעולה כשני שלבים שאינם קשורים. תדריך משימה מועיל מציין את השאלה, את המקורות או הכלים הזמינים, את הפעולות המותרות ואת התוצאה שמציינת השלמה.
למחקר, ספקו את הקריטריונים למקור רלוונטי ודרשו שהמסקנה תפנה לראיות שהתקבלו. לתכנות, כללו את המימוש הרלוונטי, את ההתנהגות שנכשלת ואת המגבלות, ואז בקשו את התיקון הסופי ואת התצפיות התומכות בו. הנחיה לדוגמה: ״השתמשו בקוד ובתוצאות הכלים שסופקו כדי לזהות את הסיבה, להציע שינוי ממוקד ולהבחין בין אימות שהושלם לבין בדיקה שעדיין צריך להריץ.״
K2 Thinking משתמש באימון מודע לקוונטיזציה בשלב שלאחר האימון, עם קוונטיזציית INT4 מובנית למשקולות בלבד ברכיבי תערובת המומחים. זוהי הבחנה בין צ׳קפוינטים של היצרן, ולא סיבה לייחס למודל את הדיוק או סוגי הקלט של מהדורת K2 אחרת. פורמט המודל המובנה נשאר נפרד מהאופן שבו יישום מסוים מריץ אותו.
הכרטיס של גרסה זו משתמש בהגדרות הקריאה לכלים של K2 Instruct. ספקו בכל בקשה את שמות הפונקציות הזמינות, את תיאוריהן ואת סכמות הפרמטרים שלהן. המודל מחליט מתי וכיצד לקרוא להן. היישום מפענח את הארגומנטים המוצעים, מבצע את הפונקציה שנבחרה ומחזיר את תוצאתה בהודעת כלי עם המזהה והשם התואמים. השלב הבא של המודל יכול להשתמש בתצפית הזאת או לבחור פעולה נוספת.
שמרו את התצפיות המקוריות בשיחה ותארו מה נחשב לתוצאה שהושלמה. בחירה בקריאת חיפוש אינה מקור שאוחזר עד שהיישום מחזיר אותו, וקוד שנוצר אינו הרצה מוצלחת. בתוצאה מובנית, בדקו גם את השדות וגם את התאמתם לראיות שסופקו.
היצרן ממליץ על temperature של 1.0 ומספק הוראת מערכת פשוטה לעוזר כברירת מחדל כשאין צורך בהוראה מיוחדת. הגדירו בנפרד את השפה ואת צורת התשובה הסופית: מסקנה תמציתית, ניתוח עם הפניות למקורות או תוצר קוד. תוכן החשיבה והתשובה הסופית משרתים מטרות שונות וצריכים להישאר מובחנים.
ההקשר של 256K צריך להכיל הוראות, חומר מקור, שיחה, הנמקה ותוצאות כלים. משימה ארוכה המונחית בכלים עשויה לצבור יותר הקשר מכפי שמשתמע מהשאלה המקורית. שמרו על ראיות רלוונטיות ועל התוצאה הנדרשת לאורך שאלות ההמשך. תקציבי החשיבה השונים בהערכות וגודל ההשלמה לדוגמה בכרטיס אינם תקרות פלט קשיחות ואוניברסליות.
תשובה סופית מועילה מקשרת את המסקנה למקורות או לתצפיות בפועל ומזהה מידע שנותר בלתי פתור. K2 Thinking הוא מהדורת הנמקה טקסטואלית נפרדת; אין להסיק משם המשפחה המשותף על תמיכה בקלטי תמונה/וידאו או בבקרות מצב מיידי ושימור חשיבה המתוארות בגרסאות K2.5 ו-K2.6 מאוחרות יותר.
POST /v1/chat/completionstexttext| שדה | סוג | דרישה | ערכים ומגבלות | ברירת מחדל |
|---|---|---|---|---|
שדהmodel | סוגstring | דרישהחובה | ערכים ומגבלות moonshotai/kimi-k2-thinking | ברירת מחדל— |
שדהmessages | סוגmessage[] | דרישהחובה | ערכים ומגבלות מספר פריטים מזערי: 1 | ברירת מחדל— |
שדהmessages[].role | סוגstring | דרישהחובה | ערכים ומגבלות דוגמאות: system, user, assistant, tool, function תנאים: התפקידים האלה מיוצגים במפורש בטיפוסי התאימות בקוד המקור; מערך התפקידים המדויק נשאר ייחודי לכל מודל. תלוי במודל | ברירת מחדל— |
שדהmessages[].content | סוגstring|content_part[]|null | דרישהרשות | ערכים ומגבלות | ברירת מחדל— |
שדהmessages[].tool_calls | סוגtool_call[] | דרישהרשות | ערכים ומגבלות | ברירת מחדל— |
שדהmessages[].tool_call_id | סוגstring | דרישהרשות | ערכים ומגבלות חל כאשר: role=tool; השתמשו במזהה שהוחזר בפועל | ברירת מחדל— |
שדהmessages[].name | סוגstring | דרישהרשות | ערכים ומגבלות | ברירת מחדל— |
שדהmessages[].reasoning_content | סוגstring | דרישהרשות | ערכים ומגבלות חל כאשר: החזירו בהמשך את ההנמקה שהתקבלה בפועל כאשר המודל הזה משתמש בה | ברירת מחדל— |
שדהmessages[].reasoning_details | סוגobject|array | דרישהרשות | ערכים ומגבלות תלוי במודל | ברירת מחדל— |
שדהmax_tokens | סוגinteger | דרישהרשות | ערכים ומגבלות מינימום: 1 תלוי במודל | ברירת מחדל— |
שדהmax_completion_tokens | סוגinteger | דרישהרשות | ערכים ומגבלות מינימום: 1 תלוי במודל | ברירת מחדל— |
שדהstream | סוגboolean | דרישהרשות | ערכים ומגבלות | ברירת מחדלfalse |
שדהstream_options.include_usage | סוגboolean | דרישהרשות | ערכים ומגבלות תלוי במודל | ברירת מחדל— |
שדהtemperature | סוגnumber | דרישהרשות | ערכים ומגבלות תלוי במודל | ברירת מחדל— |
שדהtop_p | סוגnumber | דרישהרשות | ערכים ומגבלות תלוי במודל | ברירת מחדל— |
שדהstop | סוגstring|string[] | דרישהרשות | ערכים ומגבלות תלוי במודל | ברירת מחדל— |
שדהtools | סוגfunction_tool[] | דרישהרשות | ערכים ומגבלות תלוי במודל | ברירת מחדל— |
שדהtools[].type | סוגstring | דרישהרשות | ערכים ומגבלות function תלוי במודל | ברירת מחדל— |
שדהtools[].function.name | סוגstring | דרישהחובה | ערכים ומגבלות חל כאשר: סופק כלי פונקציה | ברירת מחדל— |
שדהtools[].function.description | סוגstring | דרישהרשות | ערכים ומגבלות | ברירת מחדל— |
שדהtools[].function.parameters | סוגJSON_schema | דרישהרשות | ערכים ומגבלות | ברירת מחדל— |
שדהtool_choice | סוגstring|object | דרישהרשות | ערכים ומגבלות תלוי במודל | ברירת מחדל— |
שדהparallel_tool_calls | סוגboolean | דרישהרשות | ערכים ומגבלות תלוי במודל | ברירת מחדל— |
שדהresponse_format | סוגobject | דרישהרשות | ערכים ומגבלות תלוי במודל | ברירת מחדל— |
שדהreasoning_effort | סוגstring | דרישהרשות | ערכים ומגבלות תלוי במודל | ברירת מחדל— |
שדהreasoning | סוגobject | דרישהרשות | ערכים ומגבלות תלוי במודל | ברירת מחדל— |
שדהservice_tier | סוגstring | דרישהרשות | ערכים ומגבלות תלוי במודל | ברירת מחדל— |
שדהinstructions | סוגstring | דרישהרשות | ערכים ומגבלות שדה תאימות | ברירת מחדל— |
שדהfunctions | סוגfunction[] | דרישהרשות | ערכים ומגבלות תלוי במודל | ברירת מחדל— |
שדהfunction_call | סוגstring|object | דרישהרשות | ערכים ומגבלות תלוי במודל | ברירת מחדל— |
שדהprompt_cache_options | סוגobject | דרישהרשות | ערכים ומגבלות תלוי במודל | ברירת מחדל— |
שדהmodalities | סוגstring[] | דרישהרשות | ערכים ומגבלות text | ברירת מחדל— |
שדהprovider | סוגobject | דרישהרשות | ערכים ומגבלות תנאים: provider.options נדחה במסלול הטקסט הזה של Ultra | ברירת מחדל— |
שדהcache_control.ttl | סוגstring | דרישהרשות | ערכים ומגבלות תנאים: 1h נדחה במיקומים המשמשים בפועל למטמון הנחיות | ברירת מחדל— |
טקסט · טקסט UTF8
messages[].content
| פרמטר | מפרט |
|---|---|
פרמטרcontent_type | מפרטapplication/json |
פרמטרrequired | מפרטmodel, messages |
פרמטרmaterial_types | מפרטtext |
פרמטרmessages | מפרטמערך הודעות במבנה role/content |
פרמטרfile_material | מפרטמסמך UTF-8 בפועל מוכנס כטקסט מילולי; לא מוסק מזהה קובץ |
פרמטרoptional_controls | מפרטstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
פרמטרcontrol_scope | מפרטייחודי למודל; כלי פונקציות של המשתמש שונים מכלים מתארחים |
פרמטרoutput_modalities | מפרטtext |
פרמטרhosted_operations | מפרטfalse |
פרמטרmultimodal_input_binding | מפרטnull |
מחזור חיים: synchronous_or_streamed
שלחו את מזהה המודל המדויק עם messages.
אורך ההקשר אינו תקרת פלט.
קובץ טקסט יכול לספק טקסט מילולי; קלטי תמונה/אודיו/אובייקט קובץ דורשים קישור מדויק.
מידע תעריפים אינו מוסיף אפשרויות לבקשה. הפרמטרים הנתמכים מפורטים בשיטה שנבחרה.
התאימו כל חיוב לתנאים המוצגים. השתמשו בתעריף אחד לכל קבוצה של תצורות חלופיות.
| תצורה | טבלת תעריפים | טוקנים בהקשר, יותר מ- | טוקנים בהקשר, עד וכולל | חיוב |
|---|---|---|---|---|
| תצורהתעריפי הבסיס לטוקנים | טבלת תעריפיםתעריף בסיס | טוקנים בהקשר, יותר מ-— | טוקנים בהקשר, עד וכוללללא גבול עליון | חיוב קלט · טוקני קלט $0.0012 / 1K טוקנים פלט · טוקני פלט $0.005 / 1K טוקנים קלט · קריאה מהמטמון $0.0003 / 1K טוקנים קלט · כתיבה למטמון $0 / 1K טוקנים קלט · כתיבה למטמון, 1 שעה — / 1K טוקנים |
| תצורהרמת אורך בקשה 1 | טבלת תעריפים— | טוקנים בהקשר, יותר מ-0 | טוקנים בהקשר, עד וכוללללא גבול עליון | חיוב קלט · טוקני קלט $0.0012 / 1K טוקנים פלט · טוקני פלט $0.005 / 1K טוקנים קלט · קריאה מהמטמון $0.0003 / 1K טוקנים קלט · כתיבה למטמון $0 / 1K טוקנים קלט · כתיבה למטמון, 1 שעה — / 1K טוקנים |
לפני הבקשה Ailoot משריינת סכום משוער. לאחר קבלת התוצאה היא מסדירה את החיוב הסופי לפי השימוש המדוד. הסדרת חיוב בהזרמה משתמשת ברשומת השימוש הסופית. איך פועלים שריון הסכום והסדרת החיוב →
set -eu\n: "${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 או SSE
שמרו כל תגובה מלאה, קובץ ומקטע תוכן שהוחזרו.
שמרו כל בחירה ואת התוכן, קריאות הכלים וההנמקה שלה. ב-SSE הרכיבו עדכונים לפי אינדקס הבחירה/הכלי ושמרו את סיבת הסיום הסופית ואת השימוש.
שמרו מזהי בקשות/תגובות וכותרות. לא מסופק URL כללי לאחזור משימת טקסט.
| שדה | סוג |
|---|---|
שדהchoices[].index | סוגinteger |
שדהchoices[].message.content | סוגstring|null |
שדהchoices[].message.tool_calls | סוגtool_call[] |
שדהchoices[].message.reasoning_content | סוגstring |
שדהchoices[].message.reasoning_details | סוגobject|array |
שדהchoices[].finish_reason | סוגstring|null |
שדהusage | סוגobject |
| תגובה | תנאי | השלב הבא |
|---|---|---|
תגובה400 · invalid_request_error | תנאישדות נדרשים, ייצוג חומר או ערך פרמטר שאינם תקינים | השלב הבאתקנו את השדות שצוינו לפני בקשת יצירה חדשה. |
Ailoot Ultra moonshotai/kimi-k2-thinking
השתמשו בנתיבי השיטות המוצגים למעלה.
moonshotai/kimi-k2-thinkingKimi K2 Thinking הוא סוכן ההסקה הטקסטואלי של Moonshot AI, המשלב ניתוח עם קריאות לפונקציות. ההקשר שלו, 256K, ונקודת הביקורת המקורית של היצרן ב־INT4 תומכים במחקר, בתכנות ובכתיבה רב־שלביים, עם תשובות סופיות המעוגנות בתצפיות שהכלים שסופקו החזירו.
התיאור הזה מציג את יכולות המודל. הקלט, הפלט והאפשרויות הזמינים ב-Ailoot מפורטים בהמשך לפי השיטה שנבחרה.
Kimi K2 Thinking הוא מהדורת סוכן ההנמקה של Moonshot AI, שפותחה מתוך Kimi K2. הוא מתקדם במשימה ובוחר פונקציות שמספק היישום שסביבו, ומשלב ניתוח ביניים עם תצפיות מכלים לפני הפקת התשובה הסופית. בפרופיל תערובת המומחים שפורסם יש טריליון פרמטרים בסך הכול, 32 מיליארד פרמטרים פעילים והקשר של 256K. קלט המשימה והתשובה המתועדים הם טקסט.
היצרן מפתח את K2 Thinking לתהליכי מחקר, תכנות וכתיבה שדורשים שלבים רבים. התכונה המגדירה היא שילוב לסירוגין של הנמקה וקריאות לפונקציות, במקום התייחסות לחשיבה ולפעולה כשני שלבים שאינם קשורים. תדריך משימה מועיל מציין את השאלה, את המקורות או הכלים הזמינים, את הפעולות המותרות ואת התוצאה שמציינת השלמה.
למחקר, ספקו את הקריטריונים למקור רלוונטי ודרשו שהמסקנה תפנה לראיות שהתקבלו. לתכנות, כללו את המימוש הרלוונטי, את ההתנהגות שנכשלת ואת המגבלות, ואז בקשו את התיקון הסופי ואת התצפיות התומכות בו. הנחיה לדוגמה: ״השתמשו בקוד ובתוצאות הכלים שסופקו כדי לזהות את הסיבה, להציע שינוי ממוקד ולהבחין בין אימות שהושלם לבין בדיקה שעדיין צריך להריץ.״
K2 Thinking משתמש באימון מודע לקוונטיזציה בשלב שלאחר האימון, עם קוונטיזציית INT4 מובנית למשקולות בלבד ברכיבי תערובת המומחים. זוהי הבחנה בין צ׳קפוינטים של היצרן, ולא סיבה לייחס למודל את הדיוק או סוגי הקלט של מהדורת K2 אחרת. פורמט המודל המובנה נשאר נפרד מהאופן שבו יישום מסוים מריץ אותו.
הכרטיס של גרסה זו משתמש בהגדרות הקריאה לכלים של K2 Instruct. ספקו בכל בקשה את שמות הפונקציות הזמינות, את תיאוריהן ואת סכמות הפרמטרים שלהן. המודל מחליט מתי וכיצד לקרוא להן. היישום מפענח את הארגומנטים המוצעים, מבצע את הפונקציה שנבחרה ומחזיר את תוצאתה בהודעת כלי עם המזהה והשם התואמים. השלב הבא של המודל יכול להשתמש בתצפית הזאת או לבחור פעולה נוספת.
שמרו את התצפיות המקוריות בשיחה ותארו מה נחשב לתוצאה שהושלמה. בחירה בקריאת חיפוש אינה מקור שאוחזר עד שהיישום מחזיר אותו, וקוד שנוצר אינו הרצה מוצלחת. בתוצאה מובנית, בדקו גם את השדות וגם את התאמתם לראיות שסופקו.
היצרן ממליץ על temperature של 1.0 ומספק הוראת מערכת פשוטה לעוזר כברירת מחדל כשאין צורך בהוראה מיוחדת. הגדירו בנפרד את השפה ואת צורת התשובה הסופית: מסקנה תמציתית, ניתוח עם הפניות למקורות או תוצר קוד. תוכן החשיבה והתשובה הסופית משרתים מטרות שונות וצריכים להישאר מובחנים.
ההקשר של 256K צריך להכיל הוראות, חומר מקור, שיחה, הנמקה ותוצאות כלים. משימה ארוכה המונחית בכלים עשויה לצבור יותר הקשר מכפי שמשתמע מהשאלה המקורית. שמרו על ראיות רלוונטיות ועל התוצאה הנדרשת לאורך שאלות ההמשך. תקציבי החשיבה השונים בהערכות וגודל ההשלמה לדוגמה בכרטיס אינם תקרות פלט קשיחות ואוניברסליות.
תשובה סופית מועילה מקשרת את המסקנה למקורות או לתצפיות בפועל ומזהה מידע שנותר בלתי פתור. K2 Thinking הוא מהדורת הנמקה טקסטואלית נפרדת; אין להסיק משם המשפחה המשותף על תמיכה בקלטי תמונה/וידאו או בבקרות מצב מיידי ושימור חשיבה המתוארות בגרסאות K2.5 ו-K2.6 מאוחרות יותר.
POST /v1/messagestextjson, sse| שדה | סוג | דרישה | ערכים ומגבלות | ברירת מחדל |
|---|---|---|---|---|
שדהmodel | סוגstring | דרישהחובה | ערכים ומגבלות moonshotai/kimi-k2-thinking | ברירת מחדל— |
שדהmessages | סוגmessage[] | דרישהחובה | ערכים ומגבלות | ברירת מחדל— |
שדהmessages[].role | סוגstring | דרישהחובה | ערכים ומגבלות user, assistant | ברירת מחדל— |
שדהmessages[].content | סוגstring | דרישהחובה | ערכים ומגבלות | ברירת מחדל— |
שדהmax_tokens | סוגinteger | דרישהחובה | ערכים ומגבלות | ברירת מחדל— |
שדהstream | סוגboolean | דרישהרשות | ערכים ומגבלות | ברירת מחדלfalse |
טקסט · טקסט UTF-8
מחרוזת messages[].content
| פרמטר | מפרט |
|---|---|
פרמטרcontent_type | מפרטapplication/json |
פרמטרrequired | מפרטmodel, messages, max_tokens |
פרמטרoptional_controls | מפרטstream |
פרמטרmaterial_types | מפרטtext |
פרמטרtext_file_material | מפרטקראו את מסמך UTF-8 בפועל והכניסו את הטקסט שלו לקלט שצוין או למחרוזת תוכן ההודעה. |
מחזור חיים: synchronous_or_streamed
מידע תעריפים אינו מוסיף אפשרויות לבקשה. הפרמטרים הנתמכים מפורטים בשיטה שנבחרה.
התאימו כל חיוב לתנאים המוצגים. השתמשו בתעריף אחד לכל קבוצה של תצורות חלופיות.
| תצורה | טבלת תעריפים | טוקנים בהקשר, יותר מ- | טוקנים בהקשר, עד וכולל | חיוב |
|---|---|---|---|---|
| תצורהתעריפי הבסיס לטוקנים | טבלת תעריפיםתעריף בסיס | טוקנים בהקשר, יותר מ-— | טוקנים בהקשר, עד וכוללללא גבול עליון | חיוב קלט · טוקני קלט $0.0012 / 1K טוקנים פלט · טוקני פלט $0.005 / 1K טוקנים קלט · קריאה מהמטמון $0.0003 / 1K טוקנים קלט · כתיבה למטמון $0 / 1K טוקנים קלט · כתיבה למטמון, 1 שעה — / 1K טוקנים |
| תצורהרמת אורך בקשה 1 | טבלת תעריפים— | טוקנים בהקשר, יותר מ-0 | טוקנים בהקשר, עד וכוללללא גבול עליון | חיוב קלט · טוקני קלט $0.0012 / 1K טוקנים פלט · טוקני פלט $0.005 / 1K טוקנים קלט · קריאה מהמטמון $0.0003 / 1K טוקנים קלט · כתיבה למטמון $0 / 1K טוקנים קלט · כתיבה למטמון, 1 שעה — / 1K טוקנים |
לפני הבקשה Ailoot משריינת סכום משוער. לאחר קבלת התוצאה היא מסדירה את החיוב הסופי לפי השימוש המדוד. הסדרת חיוב בהזרמה משתמשת ברשומת השימוש הסופית. איך פועלים שריון הסכום והסדרת החיוב →
{\n "model": "moonshotai/kimi-k2-thinking",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 או SSE
שמרו כל תגובה מלאה, קובץ ומקטע תוכן שהוחזרו.
שמרו את כל בלוקי התוכן, חתימות החשיבה ומזהי השימוש בכלים בפועל. הרכיבו את כל עדכוני הבלוקים של SSE; בלוק הטקסט הראשון אינו הפלט המלא.
שמרו מזהי בקשות/תגובות וכותרות. לא מסופק URL כללי לאחזור משימת טקסט.
| שדה | סוג |
|---|---|
שדהid | סוגstring |
שדהmodel | סוגstring |
שדהcontent[] | סוגtext|thinking|tool_use|other content block |
שדהstop_reason | סוגstring|null |
שדהusage | סוגobject |
| תגובה | תנאי | השלב הבא |
|---|---|---|
תגובה400 · invalid_request_error | תנאישדות נדרשים, ייצוג חומר או ערך פרמטר שאינם תקינים | השלב הבאתקנו את השדות שצוינו לפני בקשת יצירה חדשה. |
Ailoot Ultra moonshotai/kimi-k2-thinking
השתמשו בנתיבי השיטות המוצגים למעלה.
דוגמה טכנית באנגלית
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.