Kimi K2 Instruct 0711 adalah model teks K2 awal dari Moonshot AI yang menjalani pascapelatihan untuk percakapan serbaguna dan tugas agen. Pembuatnya membedakan model ini dari K2 Base, yang merupakan model fondasi, dan menjelaskan edisi instruksi sebagai model dengan respons secepat refleks tanpa thinking panjang. Model ini menerima teks dan menghasilkan jawaban, kode, serta konten pemanggilan alat, dengan konteks 128K.
K2 adalah model mixture-of-experts dengan total satu triliun parameter dan 32 miliar parameter aktif. Ringkasan pembuatnya menggunakan multi-head latent attention dan perutean pakar sparse, dengan delapan dari 384 pakar dipilih per token bersama satu pakar bersama. Prapelatihan menggunakan 15,5 triliun token dan pendekatan optimasi MuonClip, yang dikembangkan untuk pelatihan stabil pada skala model tersebut.
Ini merupakan sifat keluarga K2 awal. Rilis instruksi kemudian menyediakan perilaku yang digunakan untuk percakapan, pemrograman, dan pemecahan masalah otonom dengan alat aplikasi. Identitasnya tetap berbeda dari perluasan konteks 0905 berikutnya, rilis Thinking yang terpisah, serta model multimodal K2.5 dan K2.6.
Untuk pertanyaan, berikan konteks yang menetapkan jawaban dan identifikasi bentuk respons yang Anda perlukan. Untuk tugas pemrograman, sertakan implementasi yang relevan, kegagalan yang diamati, perilaku yang diharapkan, dan batasan yang harus dipertahankan. Contoh permintaan adalah: “Jelaskan mengapa masukan ini gagal, usulkan koreksi terkecil, dan kembalikan fungsi yang diubah beserta kondisi sumber yang mendukungnya.”
Untuk pekerjaan dokumen, sebut bagian teks dan kriteria perbandingan. Minta hasil mempertahankan nama diri, pengenal bidang, dan satuan, serta mengidentifikasi informasi yang tidak terdapat dalam materi. Artefak yang diinginkan harus tetap eksplisit selama revisi alih-alih digantikan komentar luas.
Panduan awal pembuatnya merekomendasikan temperature 0.6 dan menawarkan instruksi sistem asisten sederhana sebagai bawaan ketika peran khusus tidak diperlukan. Varian ini menghasilkan respons tugas secara langsung alih-alih menerapkan kontrak penalaran panjang yang diselingi alat dari model Thinking berikutnya. Tetapkan bahasa jawaban akhir, detail wajib, dan panjang yang diharapkan secara terpisah dari rekomendasi sampling.
K2 Instruct mendukung fungsi yang disertakan dalam setiap permintaan dengan nama, deskripsi, dan skema parameter. Model memilih kapan dan bagaimana memanggilnya. Aplikasi mengurai argumen JSON yang diusulkan dan menjalankan operasi terpilih; pengamatan yang dikembalikan masuk ke percakapan dengan pengenal pemanggilan alat dan nama fungsi yang cocok. Respons berikutnya dapat menggunakan hasil aktual tersebut untuk menjawab atau melanjutkan tugas.
Tetapkan apa yang dilakukan setiap alat dan tindakan mana yang diperbolehkan. Pencarian dokumen dapat mengembalikan bidang produk yang belum tersedia, sedangkan alat pengembangan dapat mengembalikan kode sumber atau kesalahan yang diamati. Operasi terpilih bukan bukti eksekusi sampai hasilnya tersedia. Simpan pengamatan bersama tugas agar kesimpulan akhir dapat mengidentifikasi apa yang mendukungnya.
Jendela 128K awal menampung teks sumber, percakapan, riwayat alat, dan konten yang dihasilkan bersama-sama. Sisakan ruang untuk jawaban dan susun repositori panjang atau kumpulan dokumen berdasarkan pertanyaan aktual. Ukuran pelengkapan contoh dalam kartu model tidak menetapkan batas keras jawaban universal.
Hasil yang berguna adalah teks yang telah ditinjau, usulan kode, atau analisis berbasis sumber. Periksa nilai terhadap materi yang diberikan dan kode dalam aplikasi yang dituju. Pertahankan karakter instruksi langsung edisi 0711 alih-alih melekatkan konteks, masukan visual, atau fitur penyimpanan penalaran dari rilis K2 lain yang hadir kemudian.
", "aboutText": "Kimi K2 Instruct 0711 adalah model teks K2 awal dari Moonshot AI yang menjalani pascapelatihan untuk percakapan serbaguna dan tugas agen. Pembuatnya membedakan model ini dari K2 Base, yang merupakan model fondasi, dan menjelaskan edisi instruksi sebagai model dengan respons secepat refleks tanpa thinking panjang. Model ini menerima teks dan menghasilkan jawaban, kode, serta konten pemanggilan alat, dengan konteks 128K.\n\n### Arsitektur dan pelatihan\n\nK2 adalah model mixture-of-experts dengan total satu triliun parameter dan 32 miliar parameter aktif. Ringkasan pembuatnya menggunakan multi-head latent attention dan perutean pakar sparse, dengan delapan dari 384 pakar dipilih per token bersama satu pakar bersama. Prapelatihan menggunakan 15,5 triliun token dan pendekatan optimasi MuonClip, yang dikembangkan untuk pelatihan stabil pada skala model tersebut.\n\nIni merupakan sifat keluarga K2 awal. Rilis instruksi kemudian menyediakan perilaku yang digunakan untuk percakapan, pemrograman, dan pemecahan masalah otonom dengan alat aplikasi. Identitasnya tetap berbeda dari perluasan konteks 0905 berikutnya, rilis Thinking yang terpisah, serta model multimodal K2.5 dan K2.6.\n\n### Siapkan tugas\n\nUntuk pertanyaan, berikan konteks yang menetapkan jawaban dan identifikasi bentuk respons yang Anda perlukan. Untuk tugas pemrograman, sertakan implementasi yang relevan, kegagalan yang diamati, perilaku yang diharapkan, dan batasan yang harus dipertahankan. Contoh permintaan adalah: “Jelaskan mengapa masukan ini gagal, usulkan koreksi terkecil, dan kembalikan fungsi yang diubah beserta kondisi sumber yang mendukungnya.”\n\nUntuk pekerjaan dokumen, sebut bagian teks dan kriteria perbandingan. Minta hasil mempertahankan nama diri, pengenal bidang, dan satuan, serta mengidentifikasi informasi yang tidak terdapat dalam materi. Artefak yang diinginkan harus tetap eksplisit selama revisi alih-alih digantikan komentar luas.\n\n### Varian percakapan\n\nPanduan awal pembuatnya merekomendasikan temperature 0.6 dan menawarkan instruksi sistem asisten sederhana sebagai bawaan ketika peran khusus tidak diperlukan. Varian ini menghasilkan respons tugas secara langsung alih-alih menerapkan kontrak penalaran panjang yang diselingi alat dari model Thinking berikutnya. Tetapkan bahasa jawaban akhir, detail wajib, dan panjang yang diharapkan secara terpisah dari rekomendasi sampling.\n\n### Alat dan pengamatan\n\nK2 Instruct mendukung fungsi yang disertakan dalam setiap permintaan dengan nama, deskripsi, dan skema parameter. Model memilih kapan dan bagaimana memanggilnya. Aplikasi mengurai argumen JSON yang diusulkan dan menjalankan operasi terpilih; pengamatan yang dikembalikan masuk ke percakapan dengan pengenal pemanggilan alat dan nama fungsi yang cocok. Respons berikutnya dapat menggunakan hasil aktual tersebut untuk menjawab atau melanjutkan tugas.\n\nTetapkan apa yang dilakukan setiap alat dan tindakan mana yang diperbolehkan. Pencarian dokumen dapat mengembalikan bidang produk yang belum tersedia, sedangkan alat pengembangan dapat mengembalikan kode sumber atau kesalahan yang diamati. Operasi terpilih bukan bukti eksekusi sampai hasilnya tersedia. Simpan pengamatan bersama tugas agar kesimpulan akhir dapat mengidentifikasi apa yang mendukungnya.\n\n### Konteks dan tinjauan hasil\n\nJendela 128K awal menampung teks sumber, percakapan, riwayat alat, dan konten yang dihasilkan bersama-sama. Sisakan ruang untuk jawaban dan susun repositori panjang atau kumpulan dokumen berdasarkan pertanyaan aktual. Ukuran pelengkapan contoh dalam kartu model tidak menetapkan batas keras jawaban universal.\n\nHasil yang berguna adalah teks yang telah ditinjau, usulan kode, atau analisis berbasis sumber. Periksa nilai terhadap materi yang diberikan dan kode dalam aplikasi yang dituju. Pertahankan karakter instruksi langsung edisi 0711 alih-alih melekatkan konteks, masukan visual, atau fitur penyimpanan penalaran dari rilis K2 lain yang hadir kemudian.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknis dalam bahasa Inggris
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 adalah model teks K2 awal dari Moonshot AI yang menjalani pascapelatihan untuk percakapan, pemrograman, dan agen yang dipandu alat. Konteks 128K dan karakter respons secepat refleksnya menghasilkan jawaban, kode, dan pemanggilan fungsi terpilih tanpa alur K2 Thinking yang hadir kemudian.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
Kimi K2 Instruct 0711 adalah model teks K2 awal dari Moonshot AI yang menjalani pascapelatihan untuk percakapan serbaguna dan tugas agen. Pembuatnya membedakan model ini dari K2 Base, yang merupakan model fondasi, dan menjelaskan edisi instruksi sebagai model dengan respons secepat refleks tanpa thinking panjang. Model ini menerima teks dan menghasilkan jawaban, kode, serta konten pemanggilan alat, dengan konteks 128K.
K2 adalah model mixture-of-experts dengan total satu triliun parameter dan 32 miliar parameter aktif. Ringkasan pembuatnya menggunakan multi-head latent attention dan perutean pakar sparse, dengan delapan dari 384 pakar dipilih per token bersama satu pakar bersama. Prapelatihan menggunakan 15,5 triliun token dan pendekatan optimasi MuonClip, yang dikembangkan untuk pelatihan stabil pada skala model tersebut.
Ini merupakan sifat keluarga K2 awal. Rilis instruksi kemudian menyediakan perilaku yang digunakan untuk percakapan, pemrograman, dan pemecahan masalah otonom dengan alat aplikasi. Identitasnya tetap berbeda dari perluasan konteks 0905 berikutnya, rilis Thinking yang terpisah, serta model multimodal K2.5 dan K2.6.
Untuk pertanyaan, berikan konteks yang menetapkan jawaban dan identifikasi bentuk respons yang Anda perlukan. Untuk tugas pemrograman, sertakan implementasi yang relevan, kegagalan yang diamati, perilaku yang diharapkan, dan batasan yang harus dipertahankan. Contoh permintaan adalah: “Jelaskan mengapa masukan ini gagal, usulkan koreksi terkecil, dan kembalikan fungsi yang diubah beserta kondisi sumber yang mendukungnya.”
Untuk pekerjaan dokumen, sebut bagian teks dan kriteria perbandingan. Minta hasil mempertahankan nama diri, pengenal bidang, dan satuan, serta mengidentifikasi informasi yang tidak terdapat dalam materi. Artefak yang diinginkan harus tetap eksplisit selama revisi alih-alih digantikan komentar luas.
Panduan awal pembuatnya merekomendasikan temperature 0.6 dan menawarkan instruksi sistem asisten sederhana sebagai bawaan ketika peran khusus tidak diperlukan. Varian ini menghasilkan respons tugas secara langsung alih-alih menerapkan kontrak penalaran panjang yang diselingi alat dari model Thinking berikutnya. Tetapkan bahasa jawaban akhir, detail wajib, dan panjang yang diharapkan secara terpisah dari rekomendasi sampling.
K2 Instruct mendukung fungsi yang disertakan dalam setiap permintaan dengan nama, deskripsi, dan skema parameter. Model memilih kapan dan bagaimana memanggilnya. Aplikasi mengurai argumen JSON yang diusulkan dan menjalankan operasi terpilih; pengamatan yang dikembalikan masuk ke percakapan dengan pengenal pemanggilan alat dan nama fungsi yang cocok. Respons berikutnya dapat menggunakan hasil aktual tersebut untuk menjawab atau melanjutkan tugas.
Tetapkan apa yang dilakukan setiap alat dan tindakan mana yang diperbolehkan. Pencarian dokumen dapat mengembalikan bidang produk yang belum tersedia, sedangkan alat pengembangan dapat mengembalikan kode sumber atau kesalahan yang diamati. Operasi terpilih bukan bukti eksekusi sampai hasilnya tersedia. Simpan pengamatan bersama tugas agar kesimpulan akhir dapat mengidentifikasi apa yang mendukungnya.
Jendela 128K awal menampung teks sumber, percakapan, riwayat alat, dan konten yang dihasilkan bersama-sama. Sisakan ruang untuk jawaban dan susun repositori panjang atau kumpulan dokumen berdasarkan pertanyaan aktual. Ukuran pelengkapan contoh dalam kartu model tidak menetapkan batas keras jawaban universal.
Hasil yang berguna adalah teks yang telah ditinjau, usulan kode, atau analisis berbasis sumber. Periksa nilai terhadap materi yang diberikan dan kode dalam aplikasi yang dituju. Pertahankan karakter instruksi langsung edisi 0711 alih-alih melekatkan konteks, masukan visual, atau fitur penyimpanan penalaran dari rilis K2 lain yang hadir kemudian.
POST /v1/chat/completionstexttext| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan moonshotai/kimi-k2 | Bawaan— |
Kolommessages | Jenismessage[] | PersyaratanWajib | Nilai & batasan Item minimum: 1 | Bawaan— |
Kolommessages[].role | Jenisstring | PersyaratanWajib | Nilai & batasan Contoh: system, user, assistant, tool, function Kondisi: Peran ini direpresentasikan secara eksplisit oleh tipe kompatibilitas dalam kode sumber; kumpulan peran model yang tepat tetap khusus untuk tiap model. Bergantung pada model | Bawaan— |
Kolommessages[].content | Jenisstring|content_part[]|null | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolommessages[].tool_calls | Jenistool_call[] | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolommessages[].tool_call_id | Jenisstring | PersyaratanOpsional | Nilai & batasan Berlaku jika: role=tool; gunakan ID yang benar-benar dikembalikan | Bawaan— |
Kolommessages[].name | Jenisstring | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolommessages[].reasoning_content | Jenisstring | PersyaratanOpsional | Nilai & batasan Berlaku jika: Kirim kembali penalaran yang benar-benar dikembalikan jika model ini menggunakannya | Bawaan— |
Kolommessages[].reasoning_details | Jenisobject|array | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolommax_tokens | Jenisinteger | PersyaratanOpsional | Nilai & batasan Minimum: 1 Bergantung pada model | Bawaan— |
Kolommax_completion_tokens | Jenisinteger | PersyaratanOpsional | Nilai & batasan Minimum: 1 Bergantung pada model | Bawaan— |
Kolomstream | Jenisboolean | PersyaratanOpsional | Nilai & batasan | Bawaanfalse |
Kolomstream_options.include_usage | Jenisboolean | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomtemperature | Jenisnumber | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomtop_p | Jenisnumber | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomstop | Jenisstring|string[] | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomtools | Jenisfunction_tool[] | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomtools[].type | Jenisstring | PersyaratanOpsional | Nilai & batasan function Bergantung pada model | Bawaan— |
Kolomtools[].function.name | Jenisstring | PersyaratanWajib | Nilai & batasan Berlaku jika: alat fungsi disediakan | Bawaan— |
Kolomtools[].function.description | Jenisstring | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolomtools[].function.parameters | JenisJSON_schema | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolomtool_choice | Jenisstring|object | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomparallel_tool_calls | Jenisboolean | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomresponse_format | Jenisobject | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomreasoning_effort | Jenisstring | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomreasoning | Jenisobject | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomservice_tier | Jenisstring | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolominstructions | Jenisstring | PersyaratanOpsional | Nilai & batasan Kolom kompatibilitas | Bawaan— |
Kolomfunctions | Jenisfunction[] | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomfunction_call | Jenisstring|object | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomprompt_cache_options | Jenisobject | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolommodalities | Jenisstring[] | PersyaratanOpsional | Nilai & batasan text | Bawaan— |
Kolomprovider | Jenisobject | PersyaratanOpsional | Nilai & batasan Kondisi: provider.options ditolak pada rute teks Ultra ini | Bawaan— |
Kolomcache_control.ttl | Jenisstring | PersyaratanOpsional | Nilai & batasan Kondisi: 1h ditolak pada lokasi cache prompt yang digunakan | Bawaan— |
Teks · Teks UTF8
messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages |
Parametermaterial_types | Kontraktext |
Parametermessages | Kontrakarray pesan dengan struktur role/content |
Parameterfile_material | Kontrakdokumen UTF-8 yang sebenarnya dimasukkan sebagai teks apa adanya; ID file tidak disimpulkan |
Parameteroptional_controls | Kontrakstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Kontrakkhusus model; alat fungsi pengguna berbeda dari alat yang dihosting |
Parameteroutput_modalities | Kontraktext |
Parameterhosted_operations | Kontrakfalse |
Parametermultimodal_input_binding | Kontraknull |
Siklus hidup: synchronous_or_streamed
Kirim ID model yang tepat bersama messages.
Panjang konteks bukan batas keluaran.
File teks dapat menyediakan teks apa adanya; masukan gambar/audio/objek file memerlukan pengikatan yang tepat.
Referensi tarif tidak menambah opsi permintaan. Parameter yang didukung tercantum pada metode yang dipilih.
Cocokkan setiap biaya dengan kondisi yang ditampilkan. Gunakan satu tarif untuk setiap kelompok konfigurasi alternatif.
| Konfigurasi | Jadwal tarif | Token konteks, lebih dari | Token konteks, hingga dan termasuk | Biaya |
|---|---|---|---|---|
| KonfigurasiTarif dasar token | Jadwal tarifTarif dasar | Token konteks, lebih dari— | Token konteks, hingga dan termasukTanpa batas atas | Biaya Masukan · Token masukan $0.00114 / 1K token Keluaran · Token keluaran $0.0046 / 1K token Masukan · Pembacaan cache — / 1K token Masukan · Penulisan cache — / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiPanjang permintaan · tingkat 1 | Jadwal tarif— | Token konteks, lebih dari0 | Token konteks, hingga dan termasukTanpa batas atas | Biaya Masukan · Token masukan $0.00114 / 1K token Keluaran · Token keluaran $0.0046 / 1K token Masukan · Pembacaan cache — / 1K token Masukan · Penulisan cache — / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
set -eu\n: "${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 atau SSE
Simpan setiap respons lengkap, berkas, dan bagian konten yang dikembalikan.
Simpan setiap alternatif jawaban beserta konten, panggilan alat, dan penalarannya. Dalam SSE, gabungkan delta menurut indeks alternatif jawaban/alat, lalu pertahankan alasan penghentian akhir dan data penggunaan.
Simpan ID permintaan/respons dan header. URL umum untuk pengambilan tugas teks tidak disediakan.
| Kolom | Jenis |
|---|---|
Kolomchoices[].index | Jenisinteger |
Kolomchoices[].message.content | Jenisstring|null |
Kolomchoices[].message.tool_calls | Jenistool_call[] |
Kolomchoices[].message.reasoning_content | Jenisstring |
Kolomchoices[].message.reasoning_details | Jenisobject|array |
Kolomchoices[].finish_reason | Jenisstring|null |
Kolomusage | Jenisobject |
| Respons | Kondisi | Langkah berikutnya |
|---|---|---|
Respons400 · invalid_request_error | KondisiBidang wajib, representasi materi, atau nilai parameter tidak valid | Langkah berikutnyaPerbaiki bidang yang ditunjukkan sebelum permintaan pembuatan baru. |
Ailoot Ultra moonshotai/kimi-k2
Gunakan jalur metode yang ditampilkan di atas.
moonshotai/kimi-k2Kimi K2 Instruct 0711 adalah model teks K2 awal dari Moonshot AI yang menjalani pascapelatihan untuk percakapan, pemrograman, dan agen yang dipandu alat. Konteks 128K dan karakter respons secepat refleksnya menghasilkan jawaban, kode, dan pemanggilan fungsi terpilih tanpa alur K2 Thinking yang hadir kemudian.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
Kimi K2 Instruct 0711 adalah model teks K2 awal dari Moonshot AI yang menjalani pascapelatihan untuk percakapan serbaguna dan tugas agen. Pembuatnya membedakan model ini dari K2 Base, yang merupakan model fondasi, dan menjelaskan edisi instruksi sebagai model dengan respons secepat refleks tanpa thinking panjang. Model ini menerima teks dan menghasilkan jawaban, kode, serta konten pemanggilan alat, dengan konteks 128K.
K2 adalah model mixture-of-experts dengan total satu triliun parameter dan 32 miliar parameter aktif. Ringkasan pembuatnya menggunakan multi-head latent attention dan perutean pakar sparse, dengan delapan dari 384 pakar dipilih per token bersama satu pakar bersama. Prapelatihan menggunakan 15,5 triliun token dan pendekatan optimasi MuonClip, yang dikembangkan untuk pelatihan stabil pada skala model tersebut.
Ini merupakan sifat keluarga K2 awal. Rilis instruksi kemudian menyediakan perilaku yang digunakan untuk percakapan, pemrograman, dan pemecahan masalah otonom dengan alat aplikasi. Identitasnya tetap berbeda dari perluasan konteks 0905 berikutnya, rilis Thinking yang terpisah, serta model multimodal K2.5 dan K2.6.
Untuk pertanyaan, berikan konteks yang menetapkan jawaban dan identifikasi bentuk respons yang Anda perlukan. Untuk tugas pemrograman, sertakan implementasi yang relevan, kegagalan yang diamati, perilaku yang diharapkan, dan batasan yang harus dipertahankan. Contoh permintaan adalah: “Jelaskan mengapa masukan ini gagal, usulkan koreksi terkecil, dan kembalikan fungsi yang diubah beserta kondisi sumber yang mendukungnya.”
Untuk pekerjaan dokumen, sebut bagian teks dan kriteria perbandingan. Minta hasil mempertahankan nama diri, pengenal bidang, dan satuan, serta mengidentifikasi informasi yang tidak terdapat dalam materi. Artefak yang diinginkan harus tetap eksplisit selama revisi alih-alih digantikan komentar luas.
Panduan awal pembuatnya merekomendasikan temperature 0.6 dan menawarkan instruksi sistem asisten sederhana sebagai bawaan ketika peran khusus tidak diperlukan. Varian ini menghasilkan respons tugas secara langsung alih-alih menerapkan kontrak penalaran panjang yang diselingi alat dari model Thinking berikutnya. Tetapkan bahasa jawaban akhir, detail wajib, dan panjang yang diharapkan secara terpisah dari rekomendasi sampling.
K2 Instruct mendukung fungsi yang disertakan dalam setiap permintaan dengan nama, deskripsi, dan skema parameter. Model memilih kapan dan bagaimana memanggilnya. Aplikasi mengurai argumen JSON yang diusulkan dan menjalankan operasi terpilih; pengamatan yang dikembalikan masuk ke percakapan dengan pengenal pemanggilan alat dan nama fungsi yang cocok. Respons berikutnya dapat menggunakan hasil aktual tersebut untuk menjawab atau melanjutkan tugas.
Tetapkan apa yang dilakukan setiap alat dan tindakan mana yang diperbolehkan. Pencarian dokumen dapat mengembalikan bidang produk yang belum tersedia, sedangkan alat pengembangan dapat mengembalikan kode sumber atau kesalahan yang diamati. Operasi terpilih bukan bukti eksekusi sampai hasilnya tersedia. Simpan pengamatan bersama tugas agar kesimpulan akhir dapat mengidentifikasi apa yang mendukungnya.
Jendela 128K awal menampung teks sumber, percakapan, riwayat alat, dan konten yang dihasilkan bersama-sama. Sisakan ruang untuk jawaban dan susun repositori panjang atau kumpulan dokumen berdasarkan pertanyaan aktual. Ukuran pelengkapan contoh dalam kartu model tidak menetapkan batas keras jawaban universal.
Hasil yang berguna adalah teks yang telah ditinjau, usulan kode, atau analisis berbasis sumber. Periksa nilai terhadap materi yang diberikan dan kode dalam aplikasi yang dituju. Pertahankan karakter instruksi langsung edisi 0711 alih-alih melekatkan konteks, masukan visual, atau fitur penyimpanan penalaran dari rilis K2 lain yang hadir kemudian.
POST /v1/messagestextjson, sse| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan moonshotai/kimi-k2 | Bawaan— |
Kolommessages | Jenismessage[] | PersyaratanWajib | Nilai & batasan | Bawaan— |
Kolommessages[].role | Jenisstring | PersyaratanWajib | Nilai & batasan user, assistant | Bawaan— |
Kolommessages[].content | Jenisstring | PersyaratanWajib | Nilai & batasan | Bawaan— |
Kolommax_tokens | Jenisinteger | PersyaratanWajib | Nilai & batasan | Bawaan— |
Kolomstream | Jenisboolean | PersyaratanOpsional | Nilai & batasan | Bawaanfalse |
Teks · Teks UTF-8
string messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages, max_tokens |
Parameteroptional_controls | Kontrakstream |
Parametermaterial_types | Kontraktext |
Parametertext_file_material | KontrakBaca dokumen UTF-8 yang sebenarnya dan masukkan teksnya ke string masukan atau konten pesan yang ditunjukkan. |
Siklus hidup: synchronous_or_streamed
Referensi tarif tidak menambah opsi permintaan. Parameter yang didukung tercantum pada metode yang dipilih.
Cocokkan setiap biaya dengan kondisi yang ditampilkan. Gunakan satu tarif untuk setiap kelompok konfigurasi alternatif.
| Konfigurasi | Jadwal tarif | Token konteks, lebih dari | Token konteks, hingga dan termasuk | Biaya |
|---|---|---|---|---|
| KonfigurasiTarif dasar token | Jadwal tarifTarif dasar | Token konteks, lebih dari— | Token konteks, hingga dan termasukTanpa batas atas | Biaya Masukan · Token masukan $0.00114 / 1K token Keluaran · Token keluaran $0.0046 / 1K token Masukan · Pembacaan cache — / 1K token Masukan · Penulisan cache — / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiPanjang permintaan · tingkat 1 | Jadwal tarif— | Token konteks, lebih dari0 | Token konteks, hingga dan termasukTanpa batas atas | Biaya Masukan · Token masukan $0.00114 / 1K token Keluaran · Token keluaran $0.0046 / 1K token Masukan · Pembacaan cache — / 1K token Masukan · Penulisan cache — / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
{\n "model": "moonshotai/kimi-k2",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 atau SSE
Simpan setiap respons lengkap, berkas, dan bagian konten yang dikembalikan.
Simpan semua blok konten, tanda tangan penalaran, dan ID penggunaan alat yang sebenarnya. Gabungkan semua delta blok SSE; blok teks pertama bukan keseluruhan keluaran.
Simpan ID permintaan/respons dan header. URL umum untuk pengambilan tugas teks tidak disediakan.
| Kolom | Jenis |
|---|---|
Kolomid | Jenisstring |
Kolommodel | Jenisstring |
Kolomcontent[] | Jenistext|thinking|tool_use|other content block |
Kolomstop_reason | Jenisstring|null |
Kolomusage | Jenisobject |
| Respons | Kondisi | Langkah berikutnya |
|---|---|---|
Respons400 · invalid_request_error | KondisiBidang wajib, representasi materi, atau nilai parameter tidak valid | Langkah berikutnyaPerbaiki bidang yang ditunjukkan sebelum permintaan pembuatan baru. |
Ailoot Ultra moonshotai/kimi-k2
Gunakan jalur metode yang ditampilkan di atas.
Contoh teknis dalam bahasa Inggris
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.