Kimi K2 Instruct 0905 è l’aggiornamento di settembre del modello basato su istruzioni Kimi K2 di Moonshot AI. È un modello testuale per conoscenza, ragionamento, programmazione e compiti guidati da strumenti, con 1.000 miliardi di parametri totali mixture-of-experts e 32 miliardi di parametri attivi. L’edizione esatta 0905 migliora la programmazione agentica e il lavoro frontend ed estende il contesto dai 128K del rilascio originale a 256K token.
Il produttore evidenzia sia il comportamento pratico sia l’aspetto del codice frontend, insieme a miglioramenti nei compiti reali degli agenti di programmazione. Prepara un brief software con implementazione pertinente, comportamento osservato e requisiti da soddisfare. Per un’interfaccia, identifica contenuto, stati visibili e interazioni, oltre alle caratteristiche di design importanti. Un risultato utile è codice legato a quei criteri, anziché una discussione generale su come un’interfaccia potrebbe funzionare.
Un’istruzione esemplificativa è: «Aggiorna questo componente per corrispondere al flusso del modulo descritto, preserva i nomi dei campi esistenti e spiega gli stati richiesti di errore e successo». Per il debug, fornisci un input rappresentativo e chiedi al modello di identificare la prima condizione errata prima di restituire una patch mirata. Riporta osservazioni effettive di rendering o convalida nella revisione successiva.
Il riepilogo 0905 descrive attenzione latente multi-testa e una mixture-of-experts sparsa, selezionando otto esperti su 384 per token insieme a un esperto condiviso. Il contesto di 256K supporta una documentazione del compito più ampia rispetto all’edizione K2 originale, pur contenendo insieme fonte, conversazione, osservazioni degli strumenti e risposta generata. Una finestra maggiore non deve essere interpretata come una disponibilità massima autonoma di output.
Organizza gli estratti del repository per file e il materiale documentale per sezione. Indica l’elaborato finale e le condizioni che devono restare invariate nei passaggi successivi. Per un confronto, chiedi il brano o frammento di codice che supporta ogni conclusione. Mantieni l’identità 0905 selezionata quando contesto esteso e aggiornamento di programmazione sono importanti per il compito.
Il produttore raccomanda temperatura 0.6 e fornisce una semplice istruzione di sistema per l’assistente nei compiti che non richiedono un ruolo specializzato. Definisci separatamente lingua e forma della risposta, per esempio spiegazione, confronto supportato da fonti o solo codice. Questo mantiene visibile il risultato finale desiderato anche quando l’applicazione usa più passaggi del modello.
La scheda esatta documenta strumenti disponibili forniti in ogni richiesta. Le funzioni hanno nomi, descrizioni e schemi dei parametri; il modello decide quando e come chiamarle. L’applicazione analizza gli argomenti JSON selezionati, esegue l’operazione e restituisce un risultato dello strumento associato all’identificatore della chiamata. La risposta successiva può quindi usare l’osservazione effettiva o continuare il compito.
Una patch generata, un’operazione scelta o un piano di ricerca sono proposte finché l’applicazione circostante non li esegue. Conserva il risultato di quell’operazione come evidenza per il passaggio successivo e il passaggio di consegne finale. Verifica i valori estratti rispetto al materiale sorgente e il codice rispetto al comportamento richiesto.
K2 Instruct 0905 resta separato da K2 Thinking e dalle successive edizioni multimodali K2.5 e K2.6. Non si devono dedurre per questo aggiornamento testuale denominato i loro input di immagini e video, le proprietà native INT4 del checkpoint thinking o i controlli preserve-thinking. L’output utile è un elaborato mirato di testo o codice fondato sul compito e sulle osservazioni effettivamente restituite.
", "aboutText": "Kimi K2 Instruct 0905 è l’aggiornamento di settembre del modello basato su istruzioni Kimi K2 di Moonshot AI. È un modello testuale per conoscenza, ragionamento, programmazione e compiti guidati da strumenti, con 1.000 miliardi di parametri totali mixture-of-experts e 32 miliardi di parametri attivi. L’edizione esatta 0905 migliora la programmazione agentica e il lavoro frontend ed estende il contesto dai 128K del rilascio originale a 256K token.\n\n### Cosa cambia in questa edizione\n\nIl produttore evidenzia sia il comportamento pratico sia l’aspetto del codice frontend, insieme a miglioramenti nei compiti reali degli agenti di programmazione. Prepara un brief software con implementazione pertinente, comportamento osservato e requisiti da soddisfare. Per un’interfaccia, identifica contenuto, stati visibili e interazioni, oltre alle caratteristiche di design importanti. Un risultato utile è codice legato a quei criteri, anziché una discussione generale su come un’interfaccia potrebbe funzionare.\n\nUn’istruzione esemplificativa è: «Aggiorna questo componente per corrispondere al flusso del modulo descritto, preserva i nomi dei campi esistenti e spiega gli stati richiesti di errore e successo». Per il debug, fornisci un input rappresentativo e chiedi al modello di identificare la prima condizione errata prima di restituire una patch mirata. Riporta osservazioni effettive di rendering o convalida nella revisione successiva.\n\n### Profilo del modello e contesto lungo\n\nIl riepilogo 0905 descrive attenzione latente multi-testa e una mixture-of-experts sparsa, selezionando otto esperti su 384 per token insieme a un esperto condiviso. Il contesto di 256K supporta una documentazione del compito più ampia rispetto all’edizione K2 originale, pur contenendo insieme fonte, conversazione, osservazioni degli strumenti e risposta generata. Una finestra maggiore non deve essere interpretata come una disponibilità massima autonoma di output.\n\nOrganizza gli estratti del repository per file e il materiale documentale per sezione. Indica l’elaborato finale e le condizioni che devono restare invariate nei passaggi successivi. Per un confronto, chiedi il brano o frammento di codice che supporta ogni conclusione. Mantieni l’identità 0905 selezionata quando contesto esteso e aggiornamento di programmazione sono importanti per il compito.\n\n### Chat e chiamate di funzione\n\nIl produttore raccomanda temperatura 0.6 e fornisce una semplice istruzione di sistema per l’assistente nei compiti che non richiedono un ruolo specializzato. Definisci separatamente lingua e forma della risposta, per esempio spiegazione, confronto supportato da fonti o solo codice. Questo mantiene visibile il risultato finale desiderato anche quando l’applicazione usa più passaggi del modello.\n\nLa scheda esatta documenta strumenti disponibili forniti in ogni richiesta. Le funzioni hanno nomi, descrizioni e schemi dei parametri; il modello decide quando e come chiamarle. L’applicazione analizza gli argomenti JSON selezionati, esegue l’operazione e restituisce un risultato dello strumento associato all’identificatore della chiamata. La risposta successiva può quindi usare l’osservazione effettiva o continuare il compito.\n\n### Risultati esaminabili\n\nUna patch generata, un’operazione scelta o un piano di ricerca sono proposte finché l’applicazione circostante non li esegue. Conserva il risultato di quell’operazione come evidenza per il passaggio successivo e il passaggio di consegne finale. Verifica i valori estratti rispetto al materiale sorgente e il codice rispetto al comportamento richiesto.\n\nK2 Instruct 0905 resta separato da K2 Thinking e dalle successive edizioni multimodali K2.5 e K2.6. Non si devono dedurre per questo aggiornamento testuale denominato i loro input di immagini e video, le proprietà native INT4 del checkpoint thinking o i controlli preserve-thinking. L’output utile è un elaborato mirato di testo o codice fondato sul compito e sulle osservazioni effettivamente restituite.", "editorialOverlay": { "copy_fields": { "practical_html": "Esempio tecnico in inglese
Specify an accessible form correction\n\nPropose a focused HTML change for this form: <input id="email"><span>Email required</span><button>Send</button>. Requirements: a visible label must name the field, the error must be programmatically associated and the button must submit the form. Return the revised fragment and checks for label association and error text, preserving the email field ID.A revised HTML form fragment and two focused accessibility checks, with email still the field ID.Inspect label for/id and the error association; do not describe keyboard or screen-reader checks as already executed.moonshotai/kimi-k2-0905Kimi K2 Instruct 0905 è il modello testuale aggiornato di Moonshot AI per programmazione, implementazione frontend e agenti. Estende il contesto originale di K2 da 128K a 256K e restituisce risposte, codice e contenuti di chiamate di funzione in base al compito e alle osservazioni fornite dall’applicazione.
Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito.
Kimi K2 Instruct 0905 è l’aggiornamento di settembre del modello basato su istruzioni Kimi K2 di Moonshot AI. È un modello testuale per conoscenza, ragionamento, programmazione e compiti guidati da strumenti, con 1.000 miliardi di parametri totali mixture-of-experts e 32 miliardi di parametri attivi. L’edizione esatta 0905 migliora la programmazione agentica e il lavoro frontend ed estende il contesto dai 128K del rilascio originale a 256K token.
Il produttore evidenzia sia il comportamento pratico sia l’aspetto del codice frontend, insieme a miglioramenti nei compiti reali degli agenti di programmazione. Prepara un brief software con implementazione pertinente, comportamento osservato e requisiti da soddisfare. Per un’interfaccia, identifica contenuto, stati visibili e interazioni, oltre alle caratteristiche di design importanti. Un risultato utile è codice legato a quei criteri, anziché una discussione generale su come un’interfaccia potrebbe funzionare.
Un’istruzione esemplificativa è: «Aggiorna questo componente per corrispondere al flusso del modulo descritto, preserva i nomi dei campi esistenti e spiega gli stati richiesti di errore e successo». Per il debug, fornisci un input rappresentativo e chiedi al modello di identificare la prima condizione errata prima di restituire una patch mirata. Riporta osservazioni effettive di rendering o convalida nella revisione successiva.
Il riepilogo 0905 descrive attenzione latente multi-testa e una mixture-of-experts sparsa, selezionando otto esperti su 384 per token insieme a un esperto condiviso. Il contesto di 256K supporta una documentazione del compito più ampia rispetto all’edizione K2 originale, pur contenendo insieme fonte, conversazione, osservazioni degli strumenti e risposta generata. Una finestra maggiore non deve essere interpretata come una disponibilità massima autonoma di output.
Organizza gli estratti del repository per file e il materiale documentale per sezione. Indica l’elaborato finale e le condizioni che devono restare invariate nei passaggi successivi. Per un confronto, chiedi il brano o frammento di codice che supporta ogni conclusione. Mantieni l’identità 0905 selezionata quando contesto esteso e aggiornamento di programmazione sono importanti per il compito.
Il produttore raccomanda temperatura 0.6 e fornisce una semplice istruzione di sistema per l’assistente nei compiti che non richiedono un ruolo specializzato. Definisci separatamente lingua e forma della risposta, per esempio spiegazione, confronto supportato da fonti o solo codice. Questo mantiene visibile il risultato finale desiderato anche quando l’applicazione usa più passaggi del modello.
La scheda esatta documenta strumenti disponibili forniti in ogni richiesta. Le funzioni hanno nomi, descrizioni e schemi dei parametri; il modello decide quando e come chiamarle. L’applicazione analizza gli argomenti JSON selezionati, esegue l’operazione e restituisce un risultato dello strumento associato all’identificatore della chiamata. La risposta successiva può quindi usare l’osservazione effettiva o continuare il compito.
Una patch generata, un’operazione scelta o un piano di ricerca sono proposte finché l’applicazione circostante non li esegue. Conserva il risultato di quell’operazione come evidenza per il passaggio successivo e il passaggio di consegne finale. Verifica i valori estratti rispetto al materiale sorgente e il codice rispetto al comportamento richiesto.
K2 Instruct 0905 resta separato da K2 Thinking e dalle successive edizioni multimodali K2.5 e K2.6. Non si devono dedurre per questo aggiornamento testuale denominato i loro input di immagini e video, le proprietà native INT4 del checkpoint thinking o i controlli preserve-thinking. L’output utile è un elaborato mirato di testo o codice fondato sul compito e sulle osservazioni effettivamente restituite.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti moonshotai/kimi-k2-0905 | Predefinito— |
Campomessages | Tipomessage[] | RequisitoObbligatorio | Valori e limiti Numero minimo di elementi: 1 | Predefinito— |
Campomessages[].role | Tipostring | RequisitoObbligatorio | Valori e limiti Esempi: system, user, assistant, tool, function Condizioni: Questi ruoli sono rappresentati esplicitamente dai tipi di compatibilità del codice sorgente; l’insieme esatto dei ruoli rimane specifico del modello. Dipende dal modello | Predefinito— |
Campomessages[].content | Tipostring|content_part[]|null | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campomessages[].tool_calls | Tipotool_call[] | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campomessages[].tool_call_id | Tipostring | RequisitoFacoltativo | Valori e limiti Si applica quando: role=tool; usa l’ID effettivamente restituito | Predefinito— |
Campomessages[].name | Tipostring | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campomessages[].reasoning_content | Tipostring | RequisitoFacoltativo | Valori e limiti Si applica quando: Reinserisci il ragionamento effettivamente restituito quando il modello lo utilizza | Predefinito— |
Campomessages[].reasoning_details | Tipoobject|array | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campomax_tokens | Tipointeger | RequisitoFacoltativo | Valori e limiti Minimo: 1 Dipende dal modello | Predefinito— |
Campomax_completion_tokens | Tipointeger | RequisitoFacoltativo | Valori e limiti Minimo: 1 Dipende dal modello | Predefinito— |
Campostream | Tipoboolean | RequisitoFacoltativo | Valori e limiti | Predefinitofalse |
Campostream_options.include_usage | Tipoboolean | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotemperature | Tiponumber | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotop_p | Tiponumber | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campostop | Tipostring|string[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotools | Tipofunction_tool[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotools[].type | Tipostring | RequisitoFacoltativo | Valori e limiti function Dipende dal modello | Predefinito— |
Campotools[].function.name | Tipostring | RequisitoObbligatorio | Valori e limiti Si applica quando: Funzione fornita come strumento | Predefinito— |
Campotools[].function.description | Tipostring | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campotools[].function.parameters | TipoJSON_schema | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campotool_choice | Tipostring|object | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoparallel_tool_calls | Tipoboolean | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camporesponse_format | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camporeasoning_effort | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camporeasoning | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camposervice_tier | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoinstructions | Tipostring | RequisitoFacoltativo | Valori e limiti Campo di compatibilità | Predefinito— |
Campofunctions | Tipofunction[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campofunction_call | Tipostring|object | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoprompt_cache_options | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campomodalities | Tipostring[] | RequisitoFacoltativo | Valori e limiti text | Predefinito— |
Campoprovider | Tipoobject | RequisitoFacoltativo | Valori e limiti Condizioni: provider.options viene rifiutato su questa rotta testuale Ultra | Predefinito— |
Campocache_control.ttl | Tipostring | RequisitoFacoltativo | Valori e limiti Condizioni: 1h viene rifiutato nelle posizioni effettive della cache dei prompt | Predefinito— |
Testo · Testo UTF8
messages[].content
| Parametro | Contratto |
|---|---|
Parametrocontent_type | Contrattoapplication/json |
Parametrorequired | Contrattomodel, messages |
Parametromaterial_types | Contrattotext |
Parametromessages | ContrattoArray di messaggi con struttura role/content |
Parametrofile_material | ContrattoDocumento UTF-8 effettivo inserito come testo letterale; nessun ID di file dedotto |
Parametrooptional_controls | Contrattostream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametrocontrol_scope | ContrattoSpecifico del modello; gli strumenti di funzione dell’utente differiscono dagli strumenti ospitati |
Parametrooutput_modalities | Contrattotext |
Parametrohosted_operations | Contrattofalse |
Parametromultimodal_input_binding | Contrattonull |
Ciclo di vita: synchronous_or_streamed
Invia l’ID esatto del modello con messages.
La lunghezza del contesto non è un limite di uscita.
Un file di testo può fornire testo letterale; gli ingressi immagine/audio/oggetto file richiedono un’associazione esatta.
Le tariffe non aggiungono opzioni alla richiesta. I parametri supportati sono elencati nel metodo selezionato.
Associa ogni costo alle condizioni indicate. Usa una sola tariffa per ogni insieme di configurazioni alternative.
| Configurazione | Listino delle tariffe | Token di contesto, più di | Token di contesto, fino al limite incluso | Costo |
|---|---|---|---|---|
| ConfigurazioneTariffe di base dei token | Listino delle tariffeTariffa base | Token di contesto, più di— | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0012 / 1K token Output · Token in output $0.005 / 1K token Input · Lettura dalla cache $0 / 1K token Input · Scrittura nella cache $0 / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
| ConfigurazioneFascia 1 di lunghezza della richiesta | Listino delle tariffe— | Token di contesto, più di0 | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0012 / 1K token Output · Token in output $0.005 / 1K token Input · Lettura dalla cache $0 / 1K token Input · Scrittura nella cache $0 / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "moonshotai/kimi-k2-0905", "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-k2-0905',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-k2-0905',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 o SSE
Conserva ogni risposta, file e parte di contenuto restituiti per intero.
Conserva ogni scelta con contenuto, chiamate agli strumenti e ragionamento. In SSE assembla i delta per indice di scelta e strumento e conserva il motivo finale di completamento e i dati di utilizzo.
Conserva gli ID e le intestazioni di richiesta/risposta. Non viene fornito alcun URL generico per recuperare un’attività testuale.
| Campo | Tipo |
|---|---|
Campochoices[].index | Tipointeger |
Campochoices[].message.content | Tipostring|null |
Campochoices[].message.tool_calls | Tipotool_call[] |
Campochoices[].message.reasoning_content | Tipostring |
Campochoices[].message.reasoning_details | Tipoobject|array |
Campochoices[].finish_reason | Tipostring|null |
Campousage | Tipoobject |
| Risposta | Condizione | Passaggio successivo |
|---|---|---|
Risposta400 · invalid_request_error | CondizioneCampi obbligatori, rappresentazione del materiale o valore del parametro non validi | Passaggio successivoCorreggi i campi indicati prima di una nuova richiesta di creazione. |
Ailoot Ultra moonshotai/kimi-k2-0905
Usa i percorsi dei metodi indicati sopra.
moonshotai/kimi-k2-0905Kimi K2 Instruct 0905 è il modello testuale aggiornato di Moonshot AI per programmazione, implementazione frontend e agenti. Estende il contesto originale di K2 da 128K a 256K e restituisce risposte, codice e contenuti di chiamate di funzione in base al compito e alle osservazioni fornite dall’applicazione.
Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito.
Kimi K2 Instruct 0905 è l’aggiornamento di settembre del modello basato su istruzioni Kimi K2 di Moonshot AI. È un modello testuale per conoscenza, ragionamento, programmazione e compiti guidati da strumenti, con 1.000 miliardi di parametri totali mixture-of-experts e 32 miliardi di parametri attivi. L’edizione esatta 0905 migliora la programmazione agentica e il lavoro frontend ed estende il contesto dai 128K del rilascio originale a 256K token.
Il produttore evidenzia sia il comportamento pratico sia l’aspetto del codice frontend, insieme a miglioramenti nei compiti reali degli agenti di programmazione. Prepara un brief software con implementazione pertinente, comportamento osservato e requisiti da soddisfare. Per un’interfaccia, identifica contenuto, stati visibili e interazioni, oltre alle caratteristiche di design importanti. Un risultato utile è codice legato a quei criteri, anziché una discussione generale su come un’interfaccia potrebbe funzionare.
Un’istruzione esemplificativa è: «Aggiorna questo componente per corrispondere al flusso del modulo descritto, preserva i nomi dei campi esistenti e spiega gli stati richiesti di errore e successo». Per il debug, fornisci un input rappresentativo e chiedi al modello di identificare la prima condizione errata prima di restituire una patch mirata. Riporta osservazioni effettive di rendering o convalida nella revisione successiva.
Il riepilogo 0905 descrive attenzione latente multi-testa e una mixture-of-experts sparsa, selezionando otto esperti su 384 per token insieme a un esperto condiviso. Il contesto di 256K supporta una documentazione del compito più ampia rispetto all’edizione K2 originale, pur contenendo insieme fonte, conversazione, osservazioni degli strumenti e risposta generata. Una finestra maggiore non deve essere interpretata come una disponibilità massima autonoma di output.
Organizza gli estratti del repository per file e il materiale documentale per sezione. Indica l’elaborato finale e le condizioni che devono restare invariate nei passaggi successivi. Per un confronto, chiedi il brano o frammento di codice che supporta ogni conclusione. Mantieni l’identità 0905 selezionata quando contesto esteso e aggiornamento di programmazione sono importanti per il compito.
Il produttore raccomanda temperatura 0.6 e fornisce una semplice istruzione di sistema per l’assistente nei compiti che non richiedono un ruolo specializzato. Definisci separatamente lingua e forma della risposta, per esempio spiegazione, confronto supportato da fonti o solo codice. Questo mantiene visibile il risultato finale desiderato anche quando l’applicazione usa più passaggi del modello.
La scheda esatta documenta strumenti disponibili forniti in ogni richiesta. Le funzioni hanno nomi, descrizioni e schemi dei parametri; il modello decide quando e come chiamarle. L’applicazione analizza gli argomenti JSON selezionati, esegue l’operazione e restituisce un risultato dello strumento associato all’identificatore della chiamata. La risposta successiva può quindi usare l’osservazione effettiva o continuare il compito.
Una patch generata, un’operazione scelta o un piano di ricerca sono proposte finché l’applicazione circostante non li esegue. Conserva il risultato di quell’operazione come evidenza per il passaggio successivo e il passaggio di consegne finale. Verifica i valori estratti rispetto al materiale sorgente e il codice rispetto al comportamento richiesto.
K2 Instruct 0905 resta separato da K2 Thinking e dalle successive edizioni multimodali K2.5 e K2.6. Non si devono dedurre per questo aggiornamento testuale denominato i loro input di immagini e video, le proprietà native INT4 del checkpoint thinking o i controlli preserve-thinking. L’output utile è un elaborato mirato di testo o codice fondato sul compito e sulle osservazioni effettivamente restituite.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti moonshotai/kimi-k2-0905 | Predefinito— |
Campomessages | Tipomessage[] | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campomessages[].role | Tipostring | RequisitoObbligatorio | Valori e limiti user, assistant | Predefinito— |
Campomessages[].content | Tipostring | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campomax_tokens | Tipointeger | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campostream | Tipoboolean | RequisitoFacoltativo | Valori e limiti | Predefinitofalse |
Testo · Testo UTF-8
Stringa messages[].content
| Parametro | Contratto |
|---|---|
Parametrocontent_type | Contrattoapplication/json |
Parametrorequired | Contrattomodel, messages, max_tokens |
Parametrooptional_controls | Contrattostream |
Parametromaterial_types | Contrattotext |
Parametrotext_file_material | ContrattoLeggi il documento UTF-8 effettivo e inserisci il testo nell’ingresso indicato o nella stringa del contenuto del messaggio. |
Ciclo di vita: synchronous_or_streamed
Le tariffe non aggiungono opzioni alla richiesta. I parametri supportati sono elencati nel metodo selezionato.
Associa ogni costo alle condizioni indicate. Usa una sola tariffa per ogni insieme di configurazioni alternative.
| Configurazione | Listino delle tariffe | Token di contesto, più di | Token di contesto, fino al limite incluso | Costo |
|---|---|---|---|---|
| ConfigurazioneTariffe di base dei token | Listino delle tariffeTariffa base | Token di contesto, più di— | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0012 / 1K token Output · Token in output $0.005 / 1K token Input · Lettura dalla cache $0 / 1K token Input · Scrittura nella cache $0 / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
| ConfigurazioneFascia 1 di lunghezza della richiesta | Listino delle tariffe— | Token di contesto, più di0 | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0012 / 1K token Output · Token in output $0.005 / 1K token Input · Lettura dalla cache $0 / 1K token Input · Scrittura nella cache $0 / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
{\n "model": "moonshotai/kimi-k2-0905",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-k2-0905', '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-k2-0905', '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 o SSE
Conserva ogni risposta, file e parte di contenuto restituiti per intero.
Conserva tutti i blocchi di contenuto, le firme di ragionamento e gli ID effettivi di utilizzo degli strumenti. Assembla tutti i delta dei blocchi SSE; il primo blocco di testo non è l’uscita completa.
Conserva gli ID e le intestazioni di richiesta/risposta. Non viene fornito alcun URL generico per recuperare un’attività testuale.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campomodel | Tipostring |
Campocontent[] | Tipotext|thinking|tool_use|other content block |
Campostop_reason | Tipostring|null |
Campousage | Tipoobject |
| Risposta | Condizione | Passaggio successivo |
|---|---|---|
Risposta400 · invalid_request_error | CondizioneCampi obbligatori, rappresentazione del materiale o valore del parametro non validi | Passaggio successivoCorreggi i campi indicati prima di una nuova richiesta di creazione. |
Ailoot Ultra moonshotai/kimi-k2-0905
Usa i percorsi dei metodi indicati sopra.
Esempio tecnico in inglese
Specify an accessible form correction\n\nPropose a focused HTML change for this form: <input id="email"><span>Email required</span><button>Send</button>. Requirements: a visible label must name the field, the error must be programmatically associated and the button must submit the form. Return the revised fragment and checks for label association and error text, preserving the email field ID.A revised HTML form fragment and two focused accessibility checks, with email still the field ID.Inspect label for/id and the error association; do not describe keyboard or screen-reader checks as already executed.