Kimi K2 Thinking은 Moonshot AI가 Kimi K2에서 발전시킨 추론 에이전트 버전입니다. 주변 애플리케이션이 제공한 함수 중에서 선택하며 작업을 진행하고, 중간 분석과 도구 관찰 결과를 결합한 뒤 최종 답변을 생성합니다. 공개된 전문가 혼합 프로필은 전체 파라미터 1조 개, 활성 파라미터 320억 개, 256K 컨텍스트를 가집니다. 문서화된 작업 입력과 답변은 텍스트입니다.
제조사는 여러 단계가 필요한 연구, 코딩, 글쓰기 워크플로를 위해 K2 Thinking을 개발합니다. 핵심 특징은 사고와 행동을 무관한 두 단계로 취급하지 않고 추론 사이에 함수 호출을 끼워 넣는 것입니다. 유용한 작업 지시에는 질문, 이용 가능한 출처나 도구, 허용된 행동, 완료를 판단할 결과가 들어갑니다.
연구 작업에서는 적합한 출처의 기준을 제공하고 결론에 확보한 증거를 인용하도록 요구하세요. 코딩 작업에서는 관련 구현, 실패 동작, 제약을 포함하고 최종 패치와 이를 뒷받침하는 관찰 결과를 요청하세요. 예시 프롬프트는 다음과 같습니다. “제공된 코드와 도구 결과를 사용해 원인을 파악하고 범위가 명확한 변경을 제안하세요. 완료된 검증과 아직 실행해야 할 검증을 구별하세요.”
K2 Thinking은 사후 학습에서 양자화 인식 학습을 사용하고, 전문가 혼합 구성 요소에 기본 INT4 가중치 전용 양자화를 적용합니다. 이는 제조사 체크포인트를 구별하는 특성이며 다른 K2 버전의 정밀도나 모달리티를 이 모델에 부여하는 근거가 아닙니다. 모델의 기본 형식은 특정 애플리케이션이 모델을 실행하는 방식과 별개입니다.
해당 모델 카드는 K2 Instruct의 도구 호출 설정을 사용합니다. 요청마다 이용 가능한 함수 이름, 설명, 파라미터 스키마를 제공하세요. 모델은 함수를 언제 어떻게 호출할지 결정합니다. 애플리케이션은 제안된 인수를 파싱하고 선택한 함수를 실행한 뒤, 대응하는 식별자와 이름이 있는 도구 메시지로 결과를 반환합니다. 다음 모델 단계는 그 관찰 결과를 사용하거나 다른 작업을 선택할 수 있습니다.
원래의 관찰 결과를 대화에 유지하고 어떤 결과를 완료로 볼지 설명하세요. 선택된 검색 호출은 애플리케이션이 출처를 반환하기 전까지 검색으로 확보된 출처가 아니며, 생성된 코드는 성공적인 실행이 아닙니다. 구조화된 결과에서는 필드와 제공된 증거에 대한 일치 여부를 모두 확인하세요.
제조사는 temperature 1.0을 권장하고, 특별한 지시가 필요 없을 때의 기본값으로 간단한 어시스턴트 시스템 지시를 제공합니다. 간결한 결론, 출처 참조가 있는 분석, 코드 산출물처럼 최종 답변의 언어와 형식을 별도로 지정하세요. 사고 내용과 최종 응답은 목적이 다르므로 구별할 수 있게 유지해야 합니다.
256K 컨텍스트에는 지시, 원문, 대화, 추론, 도구 반환 결과가 모두 들어가야 합니다. 도구를 활용하는 긴 작업은 최초 질문에서 예상한 것보다 많은 컨텍스트를 쌓을 수 있습니다. 관련 있는 증거를 유지하고 후속 요청에서도 필요한 결과를 보존하세요. 카드의 평가별 사고 예산과 완료 예시 크기는 모든 환경에 적용되는 고정 출력 상한이 아닙니다.
유용한 최종 답변은 결론을 실제 출처나 관찰 결과와 연결하고 아직 해결되지 않은 정보를 명시합니다. K2 Thinking은 별개의 텍스트 추론 버전입니다. 이후 K2.5와 K2.6 버전에 설명된 이미지·동영상 입력, instant 모드, preserve-thinking 제어가 같은 계열 이름만으로 제공된다고 가정해서는 안 됩니다.
", "aboutText": "Kimi K2 Thinking은 Moonshot AI가 Kimi K2에서 발전시킨 추론 에이전트 버전입니다. 주변 애플리케이션이 제공한 함수 중에서 선택하며 작업을 진행하고, 중간 분석과 도구 관찰 결과를 결합한 뒤 최종 답변을 생성합니다. 공개된 전문가 혼합 프로필은 전체 파라미터 1조 개, 활성 파라미터 320억 개, 256K 컨텍스트를 가집니다. 문서화된 작업 입력과 답변은 텍스트입니다.\n\n### 깊은 추론과 긴 작업\n\n제조사는 여러 단계가 필요한 연구, 코딩, 글쓰기 워크플로를 위해 K2 Thinking을 개발합니다. 핵심 특징은 사고와 행동을 무관한 두 단계로 취급하지 않고 추론 사이에 함수 호출을 끼워 넣는 것입니다. 유용한 작업 지시에는 질문, 이용 가능한 출처나 도구, 허용된 행동, 완료를 판단할 결과가 들어갑니다.\n\n연구 작업에서는 적합한 출처의 기준을 제공하고 결론에 확보한 증거를 인용하도록 요구하세요. 코딩 작업에서는 관련 구현, 실패 동작, 제약을 포함하고 최종 패치와 이를 뒷받침하는 관찰 결과를 요청하세요. 예시 프롬프트는 다음과 같습니다. “제공된 코드와 도구 결과를 사용해 원인을 파악하고 범위가 명확한 변경을 제안하세요. 완료된 검증과 아직 실행해야 할 검증을 구별하세요.”\n\n### 제조사 체크포인트와 양자화\n\nK2 Thinking은 사후 학습에서 양자화 인식 학습을 사용하고, 전문가 혼합 구성 요소에 기본 INT4 가중치 전용 양자화를 적용합니다. 이는 제조사 체크포인트를 구별하는 특성이며 다른 K2 버전의 정밀도나 모달리티를 이 모델에 부여하는 근거가 아닙니다. 모델의 기본 형식은 특정 애플리케이션이 모델을 실행하는 방식과 별개입니다.\n\n### 도구 호출 워크플로\n\n해당 모델 카드는 K2 Instruct의 도구 호출 설정을 사용합니다. 요청마다 이용 가능한 함수 이름, 설명, 파라미터 스키마를 제공하세요. 모델은 함수를 언제 어떻게 호출할지 결정합니다. 애플리케이션은 제안된 인수를 파싱하고 선택한 함수를 실행한 뒤, 대응하는 식별자와 이름이 있는 도구 메시지로 결과를 반환합니다. 다음 모델 단계는 그 관찰 결과를 사용하거나 다른 작업을 선택할 수 있습니다.\n\n원래의 관찰 결과를 대화에 유지하고 어떤 결과를 완료로 볼지 설명하세요. 선택된 검색 호출은 애플리케이션이 출처를 반환하기 전까지 검색으로 확보된 출처가 아니며, 생성된 코드는 성공적인 실행이 아닙니다. 구조화된 결과에서는 필드와 제공된 증거에 대한 일치 여부를 모두 확인하세요.\n\n### 프롬프트와 응답 예산\n\n제조사는 temperature 1.0을 권장하고, 특별한 지시가 필요 없을 때의 기본값으로 간단한 어시스턴트 시스템 지시를 제공합니다. 간결한 결론, 출처 참조가 있는 분석, 코드 산출물처럼 최종 답변의 언어와 형식을 별도로 지정하세요. 사고 내용과 최종 응답은 목적이 다르므로 구별할 수 있게 유지해야 합니다.\n\n256K 컨텍스트에는 지시, 원문, 대화, 추론, 도구 반환 결과가 모두 들어가야 합니다. 도구를 활용하는 긴 작업은 최초 질문에서 예상한 것보다 많은 컨텍스트를 쌓을 수 있습니다. 관련 있는 증거를 유지하고 후속 요청에서도 필요한 결과를 보존하세요. 카드의 평가별 사고 예산과 완료 예시 크기는 모든 환경에 적용되는 고정 출력 상한이 아닙니다.\n\n유용한 최종 답변은 결론을 실제 출처나 관찰 결과와 연결하고 아직 해결되지 않은 정보를 명시합니다. K2 Thinking은 별개의 텍스트 추론 버전입니다. 이후 K2.5와 K2.6 버전에 설명된 이미지·동영상 입력, instant 모드, preserve-thinking 제어가 같은 계열 이름만으로 제공된다고 가정해서는 안 됩니다.", "editorialOverlay": { "copy_fields": { "practical_html": "영어 기술 예제
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 Thinking은 분석과 함수 호출을 번갈아 수행하는 Moonshot AI의 텍스트 추론 에이전트입니다. 256K 컨텍스트와 네이티브 INT4 제조사 체크포인트로 다단계 연구, 코딩, 글쓰기를 지원하며 제공된 도구가 반환한 관찰 결과에 근거해 최종 답변을 작성합니다.
이 설명은 모델의 기능을 다룹니다. Ailoot에서 사용할 수 있는 입력, 출력 및 옵션은 아래에 선택한 메서드별로 표시됩니다.
Kimi K2 Thinking은 Moonshot AI가 Kimi K2에서 발전시킨 추론 에이전트 버전입니다. 주변 애플리케이션이 제공한 함수 중에서 선택하며 작업을 진행하고, 중간 분석과 도구 관찰 결과를 결합한 뒤 최종 답변을 생성합니다. 공개된 전문가 혼합 프로필은 전체 파라미터 1조 개, 활성 파라미터 320억 개, 256K 컨텍스트를 가집니다. 문서화된 작업 입력과 답변은 텍스트입니다.
제조사는 여러 단계가 필요한 연구, 코딩, 글쓰기 워크플로를 위해 K2 Thinking을 개발합니다. 핵심 특징은 사고와 행동을 무관한 두 단계로 취급하지 않고 추론 사이에 함수 호출을 끼워 넣는 것입니다. 유용한 작업 지시에는 질문, 이용 가능한 출처나 도구, 허용된 행동, 완료를 판단할 결과가 들어갑니다.
연구 작업에서는 적합한 출처의 기준을 제공하고 결론에 확보한 증거를 인용하도록 요구하세요. 코딩 작업에서는 관련 구현, 실패 동작, 제약을 포함하고 최종 패치와 이를 뒷받침하는 관찰 결과를 요청하세요. 예시 프롬프트는 다음과 같습니다. “제공된 코드와 도구 결과를 사용해 원인을 파악하고 범위가 명확한 변경을 제안하세요. 완료된 검증과 아직 실행해야 할 검증을 구별하세요.”
K2 Thinking은 사후 학습에서 양자화 인식 학습을 사용하고, 전문가 혼합 구성 요소에 기본 INT4 가중치 전용 양자화를 적용합니다. 이는 제조사 체크포인트를 구별하는 특성이며 다른 K2 버전의 정밀도나 모달리티를 이 모델에 부여하는 근거가 아닙니다. 모델의 기본 형식은 특정 애플리케이션이 모델을 실행하는 방식과 별개입니다.
해당 모델 카드는 K2 Instruct의 도구 호출 설정을 사용합니다. 요청마다 이용 가능한 함수 이름, 설명, 파라미터 스키마를 제공하세요. 모델은 함수를 언제 어떻게 호출할지 결정합니다. 애플리케이션은 제안된 인수를 파싱하고 선택한 함수를 실행한 뒤, 대응하는 식별자와 이름이 있는 도구 메시지로 결과를 반환합니다. 다음 모델 단계는 그 관찰 결과를 사용하거나 다른 작업을 선택할 수 있습니다.
원래의 관찰 결과를 대화에 유지하고 어떤 결과를 완료로 볼지 설명하세요. 선택된 검색 호출은 애플리케이션이 출처를 반환하기 전까지 검색으로 확보된 출처가 아니며, 생성된 코드는 성공적인 실행이 아닙니다. 구조화된 결과에서는 필드와 제공된 증거에 대한 일치 여부를 모두 확인하세요.
제조사는 temperature 1.0을 권장하고, 특별한 지시가 필요 없을 때의 기본값으로 간단한 어시스턴트 시스템 지시를 제공합니다. 간결한 결론, 출처 참조가 있는 분석, 코드 산출물처럼 최종 답변의 언어와 형식을 별도로 지정하세요. 사고 내용과 최종 응답은 목적이 다르므로 구별할 수 있게 유지해야 합니다.
256K 컨텍스트에는 지시, 원문, 대화, 추론, 도구 반환 결과가 모두 들어가야 합니다. 도구를 활용하는 긴 작업은 최초 질문에서 예상한 것보다 많은 컨텍스트를 쌓을 수 있습니다. 관련 있는 증거를 유지하고 후속 요청에서도 필요한 결과를 보존하세요. 카드의 평가별 사고 예산과 완료 예시 크기는 모든 환경에 적용되는 고정 출력 상한이 아닙니다.
유용한 최종 답변은 결론을 실제 출처나 관찰 결과와 연결하고 아직 해결되지 않은 정보를 명시합니다. K2 Thinking은 별개의 텍스트 추론 버전입니다. 이후 K2.5와 K2.6 버전에 설명된 이미지·동영상 입력, instant 모드, preserve-thinking 제어가 같은 계열 이름만으로 제공된다고 가정해서는 안 됩니다.
POST /v1/chat/completionstexttext| 필드 | 유형 | 요건 | 값과 한도 | 기본값 |
|---|---|---|---|---|
필드model | 유형string | 요건필수 | 값과 한도 moonshotai/kimi-k2-thinking | 기본값— |
필드messages | 유형message[] | 요건필수 | 값과 한도 최소 항목 수: 1 | 기본값— |
필드messages[].role | 유형string | 요건필수 | 값과 한도 예시: system, user, assistant, tool, function 조건: 이 역할들은 소스 코드의 호환 타입에 명시적으로 표현됩니다. 정확한 모델 역할 집합은 모델별로 다릅니다. 모델에 따라 다름 | 기본값— |
필드messages[].content | 유형string|content_part[]|null | 요건선택 사항 | 값과 한도 | 기본값— |
필드messages[].tool_calls | 유형tool_call[] | 요건선택 사항 | 값과 한도 | 기본값— |
필드messages[].tool_call_id | 유형string | 요건선택 사항 | 값과 한도 적용 조건: role=tool. 실제 반환된 ID를 사용하세요 | 기본값— |
필드messages[].name | 유형string | 요건선택 사항 | 값과 한도 | 기본값— |
필드messages[].reasoning_content | 유형string | 요건선택 사항 | 값과 한도 적용 조건: 이 모델이 추론을 사용하는 경우 실제 반환된 추론을 그대로 다음 요청에 다시 전달하세요 | 기본값— |
필드messages[].reasoning_details | 유형object|array | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드max_tokens | 유형integer | 요건선택 사항 | 값과 한도 최솟값: 1 모델에 따라 다름 | 기본값— |
필드max_completion_tokens | 유형integer | 요건선택 사항 | 값과 한도 최솟값: 1 모델에 따라 다름 | 기본값— |
필드stream | 유형boolean | 요건선택 사항 | 값과 한도 | 기본값false |
필드stream_options.include_usage | 유형boolean | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드temperature | 유형number | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드top_p | 유형number | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드stop | 유형string|string[] | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드tools | 유형function_tool[] | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드tools[].type | 유형string | 요건선택 사항 | 값과 한도 function 모델에 따라 다름 | 기본값— |
필드tools[].function.name | 유형string | 요건필수 | 값과 한도 적용 조건: 함수 도구 지정됨 | 기본값— |
필드tools[].function.description | 유형string | 요건선택 사항 | 값과 한도 | 기본값— |
필드tools[].function.parameters | 유형JSON_schema | 요건선택 사항 | 값과 한도 | 기본값— |
필드tool_choice | 유형string|object | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드parallel_tool_calls | 유형boolean | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드response_format | 유형object | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드reasoning_effort | 유형string | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드reasoning | 유형object | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드service_tier | 유형string | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드instructions | 유형string | 요건선택 사항 | 값과 한도 호환성 필드 | 기본값— |
필드functions | 유형function[] | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드function_call | 유형string|object | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드prompt_cache_options | 유형object | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드modalities | 유형string[] | 요건선택 사항 | 값과 한도 text | 기본값— |
필드provider | 유형object | 요건선택 사항 | 값과 한도 조건: 이 Ultra 텍스트 경로에서는 provider.options가 거부됩니다 | 기본값— |
필드cache_control.ttl | 유형string | 요건선택 사항 | 값과 한도 조건: 실제 프롬프트 캐시 지정 위치에서는 1h가 거부됩니다 | 기본값— |
텍스트 · UTF8 텍스트
messages[].content
| 매개변수 | 명세 |
|---|---|
매개변수content_type | 명세application/json |
매개변수required | 명세model, messages |
매개변수material_types | 명세text |
매개변수messages | 명세role/content 형식의 메시지 배열 |
매개변수file_material | 명세실제 UTF-8 문서를 텍스트로 그대로 삽입합니다. 파일 ID는 추정하지 않습니다 |
매개변수optional_controls | 명세stream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
매개변수control_scope | 명세모델별로 다름. 사용자 함수 도구와 호스팅 도구는 서로 다릅니다 |
매개변수output_modalities | 명세text |
매개변수hosted_operations | 명세false |
매개변수multimodal_input_binding | 명세null |
수명 주기: synchronous_or_streamed
정확한 모델 ID를 messages와 함께 보내세요.
컨텍스트 길이는 출력 상한이 아닙니다.
텍스트 파일은 텍스트를 그대로 제공할 수 있습니다. 이미지/오디오/파일 객체 입력에는 정확한 바인딩이 필요합니다.
요금 정보는 요청 옵션을 추가하지 않습니다. 지원되는 매개변수는 선택한 메서드에 표시됩니다.
각 요금을 표시된 조건과 대조하세요. 서로 대체되는 설정 묶음마다 하나의 요금만 적용하세요.
| 설정 | 요금표 | 컨텍스트 토큰 수 초과 기준 | 컨텍스트 토큰 수 이하 기준 | 요금 |
|---|---|---|---|---|
| 설정토큰의 기본 단가 | 요금표기본 요금 | 컨텍스트 토큰 수 초과 기준— | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.0012 / 1K 토큰 출력 · 출력 토큰 $0.005 / 1K 토큰 입력 · 캐시 읽기 $0.0003 / 1K 토큰 입력 · 캐시 쓰기 $0 / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
| 설정요청 길이 구간 1 | 요금표— | 컨텍스트 토큰 수 초과 기준0 | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.0012 / 1K 토큰 출력 · 출력 토큰 $0.005 / 1K 토큰 입력 · 캐시 읽기 $0.0003 / 1K 토큰 입력 · 캐시 쓰기 $0 / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
Ailoot는 요청 전에 예상 금액을 미리 확보합니다. 결과를 받은 뒤 측정된 사용량을 기준으로 최종 요금을 정산합니다. 스트리밍 정산에는 최종 사용량 기록을 사용합니다. 금액 확보와 정산 방식 →
set -eu\n: "${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 또는 SSE
반환된 완전한 응답, 파일, 콘텐츠 부분을 모두 보관하세요.
각 선택지와 그 콘텐츠·도구 호출·추론을 모두 보존하세요. SSE에서는 선택지/도구 인덱스별로 증분을 조합하고 최종 종료 사유와 사용량을 유지하세요.
요청/응답 ID와 헤더를 보존하세요. 텍스트 작업을 조회하는 범용 URL은 제공되지 않습니다.
| 필드 | 유형 |
|---|---|
필드choices[].index | 유형integer |
필드choices[].message.content | 유형string|null |
필드choices[].message.tool_calls | 유형tool_call[] |
필드choices[].message.reasoning_content | 유형string |
필드choices[].message.reasoning_details | 유형object|array |
필드choices[].finish_reason | 유형string|null |
필드usage | 유형object |
| 응답 | 조건 | 다음 단계 |
|---|---|---|
응답400 · invalid_request_error | 조건필수 필드, 자료 표현 방식 또는 파라미터 값이 올바르지 않음 | 다음 단계새 생성 요청 전에 표시된 필드를 수정하세요. |
Ailoot Ultra moonshotai/kimi-k2-thinking
위에 표시된 메서드 경로를 사용하세요.
moonshotai/kimi-k2-thinkingKimi K2 Thinking은 분석과 함수 호출을 번갈아 수행하는 Moonshot AI의 텍스트 추론 에이전트입니다. 256K 컨텍스트와 네이티브 INT4 제조사 체크포인트로 다단계 연구, 코딩, 글쓰기를 지원하며 제공된 도구가 반환한 관찰 결과에 근거해 최종 답변을 작성합니다.
이 설명은 모델의 기능을 다룹니다. Ailoot에서 사용할 수 있는 입력, 출력 및 옵션은 아래에 선택한 메서드별로 표시됩니다.
Kimi K2 Thinking은 Moonshot AI가 Kimi K2에서 발전시킨 추론 에이전트 버전입니다. 주변 애플리케이션이 제공한 함수 중에서 선택하며 작업을 진행하고, 중간 분석과 도구 관찰 결과를 결합한 뒤 최종 답변을 생성합니다. 공개된 전문가 혼합 프로필은 전체 파라미터 1조 개, 활성 파라미터 320억 개, 256K 컨텍스트를 가집니다. 문서화된 작업 입력과 답변은 텍스트입니다.
제조사는 여러 단계가 필요한 연구, 코딩, 글쓰기 워크플로를 위해 K2 Thinking을 개발합니다. 핵심 특징은 사고와 행동을 무관한 두 단계로 취급하지 않고 추론 사이에 함수 호출을 끼워 넣는 것입니다. 유용한 작업 지시에는 질문, 이용 가능한 출처나 도구, 허용된 행동, 완료를 판단할 결과가 들어갑니다.
연구 작업에서는 적합한 출처의 기준을 제공하고 결론에 확보한 증거를 인용하도록 요구하세요. 코딩 작업에서는 관련 구현, 실패 동작, 제약을 포함하고 최종 패치와 이를 뒷받침하는 관찰 결과를 요청하세요. 예시 프롬프트는 다음과 같습니다. “제공된 코드와 도구 결과를 사용해 원인을 파악하고 범위가 명확한 변경을 제안하세요. 완료된 검증과 아직 실행해야 할 검증을 구별하세요.”
K2 Thinking은 사후 학습에서 양자화 인식 학습을 사용하고, 전문가 혼합 구성 요소에 기본 INT4 가중치 전용 양자화를 적용합니다. 이는 제조사 체크포인트를 구별하는 특성이며 다른 K2 버전의 정밀도나 모달리티를 이 모델에 부여하는 근거가 아닙니다. 모델의 기본 형식은 특정 애플리케이션이 모델을 실행하는 방식과 별개입니다.
해당 모델 카드는 K2 Instruct의 도구 호출 설정을 사용합니다. 요청마다 이용 가능한 함수 이름, 설명, 파라미터 스키마를 제공하세요. 모델은 함수를 언제 어떻게 호출할지 결정합니다. 애플리케이션은 제안된 인수를 파싱하고 선택한 함수를 실행한 뒤, 대응하는 식별자와 이름이 있는 도구 메시지로 결과를 반환합니다. 다음 모델 단계는 그 관찰 결과를 사용하거나 다른 작업을 선택할 수 있습니다.
원래의 관찰 결과를 대화에 유지하고 어떤 결과를 완료로 볼지 설명하세요. 선택된 검색 호출은 애플리케이션이 출처를 반환하기 전까지 검색으로 확보된 출처가 아니며, 생성된 코드는 성공적인 실행이 아닙니다. 구조화된 결과에서는 필드와 제공된 증거에 대한 일치 여부를 모두 확인하세요.
제조사는 temperature 1.0을 권장하고, 특별한 지시가 필요 없을 때의 기본값으로 간단한 어시스턴트 시스템 지시를 제공합니다. 간결한 결론, 출처 참조가 있는 분석, 코드 산출물처럼 최종 답변의 언어와 형식을 별도로 지정하세요. 사고 내용과 최종 응답은 목적이 다르므로 구별할 수 있게 유지해야 합니다.
256K 컨텍스트에는 지시, 원문, 대화, 추론, 도구 반환 결과가 모두 들어가야 합니다. 도구를 활용하는 긴 작업은 최초 질문에서 예상한 것보다 많은 컨텍스트를 쌓을 수 있습니다. 관련 있는 증거를 유지하고 후속 요청에서도 필요한 결과를 보존하세요. 카드의 평가별 사고 예산과 완료 예시 크기는 모든 환경에 적용되는 고정 출력 상한이 아닙니다.
유용한 최종 답변은 결론을 실제 출처나 관찰 결과와 연결하고 아직 해결되지 않은 정보를 명시합니다. K2 Thinking은 별개의 텍스트 추론 버전입니다. 이후 K2.5와 K2.6 버전에 설명된 이미지·동영상 입력, instant 모드, preserve-thinking 제어가 같은 계열 이름만으로 제공된다고 가정해서는 안 됩니다.
POST /v1/messagestextjson, sse| 필드 | 유형 | 요건 | 값과 한도 | 기본값 |
|---|---|---|---|---|
필드model | 유형string | 요건필수 | 값과 한도 moonshotai/kimi-k2-thinking | 기본값— |
필드messages | 유형message[] | 요건필수 | 값과 한도 | 기본값— |
필드messages[].role | 유형string | 요건필수 | 값과 한도 user, assistant | 기본값— |
필드messages[].content | 유형string | 요건필수 | 값과 한도 | 기본값— |
필드max_tokens | 유형integer | 요건필수 | 값과 한도 | 기본값— |
필드stream | 유형boolean | 요건선택 사항 | 값과 한도 | 기본값false |
텍스트 · UTF-8 텍스트
messages[].content 문자열
| 매개변수 | 명세 |
|---|---|
매개변수content_type | 명세application/json |
매개변수required | 명세model, messages, max_tokens |
매개변수optional_controls | 명세stream |
매개변수material_types | 명세text |
매개변수text_file_material | 명세실제 UTF-8 문서를 읽고 그 텍스트를 지정된 입력 또는 메시지 콘텐츠 문자열에 넣으세요. |
수명 주기: synchronous_or_streamed
요금 정보는 요청 옵션을 추가하지 않습니다. 지원되는 매개변수는 선택한 메서드에 표시됩니다.
각 요금을 표시된 조건과 대조하세요. 서로 대체되는 설정 묶음마다 하나의 요금만 적용하세요.
| 설정 | 요금표 | 컨텍스트 토큰 수 초과 기준 | 컨텍스트 토큰 수 이하 기준 | 요금 |
|---|---|---|---|---|
| 설정토큰의 기본 단가 | 요금표기본 요금 | 컨텍스트 토큰 수 초과 기준— | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.0012 / 1K 토큰 출력 · 출력 토큰 $0.005 / 1K 토큰 입력 · 캐시 읽기 $0.0003 / 1K 토큰 입력 · 캐시 쓰기 $0 / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
| 설정요청 길이 구간 1 | 요금표— | 컨텍스트 토큰 수 초과 기준0 | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.0012 / 1K 토큰 출력 · 출력 토큰 $0.005 / 1K 토큰 입력 · 캐시 읽기 $0.0003 / 1K 토큰 입력 · 캐시 쓰기 $0 / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
Ailoot는 요청 전에 예상 금액을 미리 확보합니다. 결과를 받은 뒤 측정된 사용량을 기준으로 최종 요금을 정산합니다. 스트리밍 정산에는 최종 사용량 기록을 사용합니다. 금액 확보와 정산 방식 →
{\n "model": "moonshotai/kimi-k2-thinking",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 또는 SSE
반환된 완전한 응답, 파일, 콘텐츠 부분을 모두 보관하세요.
모든 콘텐츠 블록, 사고 서명, 실제 도구 사용 ID를 보존하세요. 모든 SSE 블록 증분을 조합하세요. 첫 텍스트 블록이 전체 출력은 아닙니다.
요청/응답 ID와 헤더를 보존하세요. 텍스트 작업을 조회하는 범용 URL은 제공되지 않습니다.
| 필드 | 유형 |
|---|---|
필드id | 유형string |
필드model | 유형string |
필드content[] | 유형text|thinking|tool_use|other content block |
필드stop_reason | 유형string|null |
필드usage | 유형object |
| 응답 | 조건 | 다음 단계 |
|---|---|---|
응답400 · invalid_request_error | 조건필수 필드, 자료 표현 방식 또는 파라미터 값이 올바르지 않음 | 다음 단계새 생성 요청 전에 표시된 필드를 수정하세요. |
Ailoot Ultra moonshotai/kimi-k2-thinking
위에 표시된 메서드 경로를 사용하세요.
영어 기술 예제
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.