Kimi K2 Instruct 0711은 범용 채팅과 에이전트 작업을 위한 Moonshot AI의 최초 후속 학습 K2 텍스트 모델입니다. 제조사는 기반 모델인 K2 Base와 구분하며 지시 버전을 긴 사고 없이 빠르게 직접 응답하는 모델로 설명합니다. 텍스트를 입력받아 답변, 코드, 도구 호출 내용을 생성하며 컨텍스트는 128K입니다.
K2는 총 1조 파라미터와 활성 파라미터 320억 개의 전문가 혼합 모델입니다. 제조사 요약은 다중 헤드 잠재 어텐션과 희소 전문가 라우팅을 사용하며 공유 전문가 외에 전문가 384개 중 토큰당 8개를 선택합니다. 사전 학습에는 15조 5,000억 토큰과 이 모델 규모의 안정적인 학습을 위해 개발된 MuonClip 최적화 방식이 사용됩니다.
이는 최초 K2 제품군의 속성입니다. 지시 릴리스는 애플리케이션 도구를 사용한 채팅, 코딩, 자율 문제 해결에 필요한 동작을 제공합니다. 해당 버전은 이후 0905의 컨텍스트 확장, 별도 Thinking 릴리스, 멀티모달 K2.5 및 K2.6 모델과 구분됩니다.
질문에는 답변의 근거가 되는 맥락을 제공하고 필요한 응답 형식을 지정하세요. 코딩 작업에는 관련 구현, 관찰된 실패, 예상 동작, 유지할 제약을 포함하세요. 예를 들어 “이 입력이 실패하는 이유를 설명하고 최소한의 수정을 제안한 다음 근거가 되는 소스 조건과 함께 변경된 함수를 반환하세요.”라고 요청할 수 있습니다.
문서 작업에서는 구절과 비교 기준을 명시하세요. 고유명사, 필드 식별자, 단위를 유지하고 자료에 없는 정보를 식별하도록 요청하세요. 수정 과정에서도 원하는 산출물을 명확히 유지하여 포괄적인 해설로 대체되지 않게 하세요.
최초 제조사 안내는 temperature 0.6을 권장하며 전문화된 역할이 필요하지 않을 때 간단한 어시스턴트 시스템 지침을 기본값으로 제공합니다. 이 모델은 이후 Thinking 모델의 확장된 교차 추론 계약을 적용하는 대신 작업 응답을 직접 생성합니다. 최종 답변의 언어, 필수 세부 사항, 예상 길이는 샘플링 권고와 별도로 설정하세요.
K2 Instruct는 이름, 설명, 매개변수 스키마를 갖추고 요청마다 제공되는 함수를 지원합니다. 모델은 호출 시점과 방법을 선택합니다. 애플리케이션이 제안된 JSON 인수를 파싱하고 선택된 작업을 실행하면 반환된 관찰 결과가 대응하는 도구 호출 식별자 및 함수 이름과 함께 대화에 들어옵니다. 다음 응답은 실제 결과를 사용해 답변하거나 작업을 이어 갈 수 있습니다.
각 도구의 역할과 허용되는 작업을 정의하세요. 문서 조회는 누락된 제품 필드를 반환할 수 있고 개발 도구는 소스 코드나 관찰된 오류를 반환할 수 있습니다. 선택된 작업은 결과를 얻기 전까지 실행의 근거가 아닙니다. 최종 결론이 무엇에 근거하는지 알 수 있도록 관찰 결과를 작업과 함께 유지하세요.
최초의 128K 창에는 원본 텍스트, 대화, 도구 기록, 생성 콘텐츠가 함께 들어갑니다. 답변 공간을 확보하고 긴 저장소 또는 문서 집합을 실제 질문을 중심으로 정리하세요. 모델 카드의 예시 완성 크기는 보편적인 엄격한 답변 상한을 확립하지 않습니다.
유용한 결과는 검토된 텍스트, 코드 제안, 원본 기반 분석입니다. 값을 제공된 자료와 대조하고 의도한 애플리케이션에서 코드를 확인하세요. 다른 K2 릴리스의 이후 컨텍스트, 시각 입력, 추론 보존 기능을 부여하지 말고 0711 버전의 직접 지시 응답 특성을 유지하세요.
", "aboutText": "Kimi K2 Instruct 0711은 범용 채팅과 에이전트 작업을 위한 Moonshot AI의 최초 후속 학습 K2 텍스트 모델입니다. 제조사는 기반 모델인 K2 Base와 구분하며 지시 버전을 긴 사고 없이 빠르게 직접 응답하는 모델로 설명합니다. 텍스트를 입력받아 답변, 코드, 도구 호출 내용을 생성하며 컨텍스트는 128K입니다.\n\n### 아키텍처와 학습\n\nK2는 총 1조 파라미터와 활성 파라미터 320억 개의 전문가 혼합 모델입니다. 제조사 요약은 다중 헤드 잠재 어텐션과 희소 전문가 라우팅을 사용하며 공유 전문가 외에 전문가 384개 중 토큰당 8개를 선택합니다. 사전 학습에는 15조 5,000억 토큰과 이 모델 규모의 안정적인 학습을 위해 개발된 MuonClip 최적화 방식이 사용됩니다.\n\n이는 최초 K2 제품군의 속성입니다. 지시 릴리스는 애플리케이션 도구를 사용한 채팅, 코딩, 자율 문제 해결에 필요한 동작을 제공합니다. 해당 버전은 이후 0905의 컨텍스트 확장, 별도 Thinking 릴리스, 멀티모달 K2.5 및 K2.6 모델과 구분됩니다.\n\n### 작업 준비\n\n질문에는 답변의 근거가 되는 맥락을 제공하고 필요한 응답 형식을 지정하세요. 코딩 작업에는 관련 구현, 관찰된 실패, 예상 동작, 유지할 제약을 포함하세요. 예를 들어 “이 입력이 실패하는 이유를 설명하고 최소한의 수정을 제안한 다음 근거가 되는 소스 조건과 함께 변경된 함수를 반환하세요.”라고 요청할 수 있습니다.\n\n문서 작업에서는 구절과 비교 기준을 명시하세요. 고유명사, 필드 식별자, 단위를 유지하고 자료에 없는 정보를 식별하도록 요청하세요. 수정 과정에서도 원하는 산출물을 명확히 유지하여 포괄적인 해설로 대체되지 않게 하세요.\n\n### 채팅 특성\n\n최초 제조사 안내는 temperature 0.6을 권장하며 전문화된 역할이 필요하지 않을 때 간단한 어시스턴트 시스템 지침을 기본값으로 제공합니다. 이 모델은 이후 Thinking 모델의 확장된 교차 추론 계약을 적용하는 대신 작업 응답을 직접 생성합니다. 최종 답변의 언어, 필수 세부 사항, 예상 길이는 샘플링 권고와 별도로 설정하세요.\n\n### 도구와 관찰 결과\n\nK2 Instruct는 이름, 설명, 매개변수 스키마를 갖추고 요청마다 제공되는 함수를 지원합니다. 모델은 호출 시점과 방법을 선택합니다. 애플리케이션이 제안된 JSON 인수를 파싱하고 선택된 작업을 실행하면 반환된 관찰 결과가 대응하는 도구 호출 식별자 및 함수 이름과 함께 대화에 들어옵니다. 다음 응답은 실제 결과를 사용해 답변하거나 작업을 이어 갈 수 있습니다.\n\n각 도구의 역할과 허용되는 작업을 정의하세요. 문서 조회는 누락된 제품 필드를 반환할 수 있고 개발 도구는 소스 코드나 관찰된 오류를 반환할 수 있습니다. 선택된 작업은 결과를 얻기 전까지 실행의 근거가 아닙니다. 최종 결론이 무엇에 근거하는지 알 수 있도록 관찰 결과를 작업과 함께 유지하세요.\n\n### 컨텍스트와 결과 검토\n\n최초의 128K 창에는 원본 텍스트, 대화, 도구 기록, 생성 콘텐츠가 함께 들어갑니다. 답변 공간을 확보하고 긴 저장소 또는 문서 집합을 실제 질문을 중심으로 정리하세요. 모델 카드의 예시 완성 크기는 보편적인 엄격한 답변 상한을 확립하지 않습니다.\n\n유용한 결과는 검토된 텍스트, 코드 제안, 원본 기반 분석입니다. 값을 제공된 자료와 대조하고 의도한 애플리케이션에서 코드를 확인하세요. 다른 K2 릴리스의 이후 컨텍스트, 시각 입력, 추론 보존 기능을 부여하지 말고 0711 버전의 직접 지시 응답 특성을 유지하세요.", "editorialOverlay": { "copy_fields": { "practical_html": "영어 기술 예제
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 0711은 채팅, 코딩, 도구 기반 에이전트를 위한 Moonshot AI의 최초 후속 학습 K2 텍스트 모델입니다. 128K 컨텍스트와 빠른 직접 응답 특성을 갖추고 있으며 이후 K2 Thinking 워크플로 없이 답변, 코드, 선택된 함수 호출을 생성합니다.
이 설명은 모델의 기능을 다룹니다. Ailoot에서 사용할 수 있는 입력, 출력 및 옵션은 아래에 선택한 메서드별로 표시됩니다.
Kimi K2 Instruct 0711은 범용 채팅과 에이전트 작업을 위한 Moonshot AI의 최초 후속 학습 K2 텍스트 모델입니다. 제조사는 기반 모델인 K2 Base와 구분하며 지시 버전을 긴 사고 없이 빠르게 직접 응답하는 모델로 설명합니다. 텍스트를 입력받아 답변, 코드, 도구 호출 내용을 생성하며 컨텍스트는 128K입니다.
K2는 총 1조 파라미터와 활성 파라미터 320억 개의 전문가 혼합 모델입니다. 제조사 요약은 다중 헤드 잠재 어텐션과 희소 전문가 라우팅을 사용하며 공유 전문가 외에 전문가 384개 중 토큰당 8개를 선택합니다. 사전 학습에는 15조 5,000억 토큰과 이 모델 규모의 안정적인 학습을 위해 개발된 MuonClip 최적화 방식이 사용됩니다.
이는 최초 K2 제품군의 속성입니다. 지시 릴리스는 애플리케이션 도구를 사용한 채팅, 코딩, 자율 문제 해결에 필요한 동작을 제공합니다. 해당 버전은 이후 0905의 컨텍스트 확장, 별도 Thinking 릴리스, 멀티모달 K2.5 및 K2.6 모델과 구분됩니다.
질문에는 답변의 근거가 되는 맥락을 제공하고 필요한 응답 형식을 지정하세요. 코딩 작업에는 관련 구현, 관찰된 실패, 예상 동작, 유지할 제약을 포함하세요. 예를 들어 “이 입력이 실패하는 이유를 설명하고 최소한의 수정을 제안한 다음 근거가 되는 소스 조건과 함께 변경된 함수를 반환하세요.”라고 요청할 수 있습니다.
문서 작업에서는 구절과 비교 기준을 명시하세요. 고유명사, 필드 식별자, 단위를 유지하고 자료에 없는 정보를 식별하도록 요청하세요. 수정 과정에서도 원하는 산출물을 명확히 유지하여 포괄적인 해설로 대체되지 않게 하세요.
최초 제조사 안내는 temperature 0.6을 권장하며 전문화된 역할이 필요하지 않을 때 간단한 어시스턴트 시스템 지침을 기본값으로 제공합니다. 이 모델은 이후 Thinking 모델의 확장된 교차 추론 계약을 적용하는 대신 작업 응답을 직접 생성합니다. 최종 답변의 언어, 필수 세부 사항, 예상 길이는 샘플링 권고와 별도로 설정하세요.
K2 Instruct는 이름, 설명, 매개변수 스키마를 갖추고 요청마다 제공되는 함수를 지원합니다. 모델은 호출 시점과 방법을 선택합니다. 애플리케이션이 제안된 JSON 인수를 파싱하고 선택된 작업을 실행하면 반환된 관찰 결과가 대응하는 도구 호출 식별자 및 함수 이름과 함께 대화에 들어옵니다. 다음 응답은 실제 결과를 사용해 답변하거나 작업을 이어 갈 수 있습니다.
각 도구의 역할과 허용되는 작업을 정의하세요. 문서 조회는 누락된 제품 필드를 반환할 수 있고 개발 도구는 소스 코드나 관찰된 오류를 반환할 수 있습니다. 선택된 작업은 결과를 얻기 전까지 실행의 근거가 아닙니다. 최종 결론이 무엇에 근거하는지 알 수 있도록 관찰 결과를 작업과 함께 유지하세요.
최초의 128K 창에는 원본 텍스트, 대화, 도구 기록, 생성 콘텐츠가 함께 들어갑니다. 답변 공간을 확보하고 긴 저장소 또는 문서 집합을 실제 질문을 중심으로 정리하세요. 모델 카드의 예시 완성 크기는 보편적인 엄격한 답변 상한을 확립하지 않습니다.
유용한 결과는 검토된 텍스트, 코드 제안, 원본 기반 분석입니다. 값을 제공된 자료와 대조하고 의도한 애플리케이션에서 코드를 확인하세요. 다른 K2 릴리스의 이후 컨텍스트, 시각 입력, 추론 보존 기능을 부여하지 말고 0711 버전의 직접 지시 응답 특성을 유지하세요.
POST /v1/chat/completionstexttext| 필드 | 유형 | 요건 | 값과 한도 | 기본값 |
|---|---|---|---|---|
필드model | 유형string | 요건필수 | 값과 한도 moonshotai/kimi-k2 | 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 $0.00114 / 1K 토큰 출력 · 출력 토큰 $0.0046 / 1K 토큰 입력 · 캐시 읽기 — / 1K 토큰 입력 · 캐시 쓰기 — / 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 $0.00114 / 1K 토큰 출력 · 출력 토큰 $0.0046 / 1K 토큰 입력 · 캐시 읽기 — / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
Ailoot는 요청 전에 예상 금액을 미리 확보합니다. 결과를 받은 뒤 측정된 사용량을 기준으로 최종 요금을 정산합니다. 스트리밍 정산에는 최종 사용량 기록을 사용합니다. 금액 확보와 정산 방식 →
set -eu\n: "${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", "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 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
위에 표시된 메서드 경로를 사용하세요.
moonshotai/kimi-k2Kimi K2 Instruct 0711은 채팅, 코딩, 도구 기반 에이전트를 위한 Moonshot AI의 최초 후속 학습 K2 텍스트 모델입니다. 128K 컨텍스트와 빠른 직접 응답 특성을 갖추고 있으며 이후 K2 Thinking 워크플로 없이 답변, 코드, 선택된 함수 호출을 생성합니다.
이 설명은 모델의 기능을 다룹니다. Ailoot에서 사용할 수 있는 입력, 출력 및 옵션은 아래에 선택한 메서드별로 표시됩니다.
Kimi K2 Instruct 0711은 범용 채팅과 에이전트 작업을 위한 Moonshot AI의 최초 후속 학습 K2 텍스트 모델입니다. 제조사는 기반 모델인 K2 Base와 구분하며 지시 버전을 긴 사고 없이 빠르게 직접 응답하는 모델로 설명합니다. 텍스트를 입력받아 답변, 코드, 도구 호출 내용을 생성하며 컨텍스트는 128K입니다.
K2는 총 1조 파라미터와 활성 파라미터 320억 개의 전문가 혼합 모델입니다. 제조사 요약은 다중 헤드 잠재 어텐션과 희소 전문가 라우팅을 사용하며 공유 전문가 외에 전문가 384개 중 토큰당 8개를 선택합니다. 사전 학습에는 15조 5,000억 토큰과 이 모델 규모의 안정적인 학습을 위해 개발된 MuonClip 최적화 방식이 사용됩니다.
이는 최초 K2 제품군의 속성입니다. 지시 릴리스는 애플리케이션 도구를 사용한 채팅, 코딩, 자율 문제 해결에 필요한 동작을 제공합니다. 해당 버전은 이후 0905의 컨텍스트 확장, 별도 Thinking 릴리스, 멀티모달 K2.5 및 K2.6 모델과 구분됩니다.
질문에는 답변의 근거가 되는 맥락을 제공하고 필요한 응답 형식을 지정하세요. 코딩 작업에는 관련 구현, 관찰된 실패, 예상 동작, 유지할 제약을 포함하세요. 예를 들어 “이 입력이 실패하는 이유를 설명하고 최소한의 수정을 제안한 다음 근거가 되는 소스 조건과 함께 변경된 함수를 반환하세요.”라고 요청할 수 있습니다.
문서 작업에서는 구절과 비교 기준을 명시하세요. 고유명사, 필드 식별자, 단위를 유지하고 자료에 없는 정보를 식별하도록 요청하세요. 수정 과정에서도 원하는 산출물을 명확히 유지하여 포괄적인 해설로 대체되지 않게 하세요.
최초 제조사 안내는 temperature 0.6을 권장하며 전문화된 역할이 필요하지 않을 때 간단한 어시스턴트 시스템 지침을 기본값으로 제공합니다. 이 모델은 이후 Thinking 모델의 확장된 교차 추론 계약을 적용하는 대신 작업 응답을 직접 생성합니다. 최종 답변의 언어, 필수 세부 사항, 예상 길이는 샘플링 권고와 별도로 설정하세요.
K2 Instruct는 이름, 설명, 매개변수 스키마를 갖추고 요청마다 제공되는 함수를 지원합니다. 모델은 호출 시점과 방법을 선택합니다. 애플리케이션이 제안된 JSON 인수를 파싱하고 선택된 작업을 실행하면 반환된 관찰 결과가 대응하는 도구 호출 식별자 및 함수 이름과 함께 대화에 들어옵니다. 다음 응답은 실제 결과를 사용해 답변하거나 작업을 이어 갈 수 있습니다.
각 도구의 역할과 허용되는 작업을 정의하세요. 문서 조회는 누락된 제품 필드를 반환할 수 있고 개발 도구는 소스 코드나 관찰된 오류를 반환할 수 있습니다. 선택된 작업은 결과를 얻기 전까지 실행의 근거가 아닙니다. 최종 결론이 무엇에 근거하는지 알 수 있도록 관찰 결과를 작업과 함께 유지하세요.
최초의 128K 창에는 원본 텍스트, 대화, 도구 기록, 생성 콘텐츠가 함께 들어갑니다. 답변 공간을 확보하고 긴 저장소 또는 문서 집합을 실제 질문을 중심으로 정리하세요. 모델 카드의 예시 완성 크기는 보편적인 엄격한 답변 상한을 확립하지 않습니다.
유용한 결과는 검토된 텍스트, 코드 제안, 원본 기반 분석입니다. 값을 제공된 자료와 대조하고 의도한 애플리케이션에서 코드를 확인하세요. 다른 K2 릴리스의 이후 컨텍스트, 시각 입력, 추론 보존 기능을 부여하지 말고 0711 버전의 직접 지시 응답 특성을 유지하세요.
POST /v1/messagestextjson, sse| 필드 | 유형 | 요건 | 값과 한도 | 기본값 |
|---|---|---|---|---|
필드model | 유형string | 요건필수 | 값과 한도 moonshotai/kimi-k2 | 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 $0.00114 / 1K 토큰 출력 · 출력 토큰 $0.0046 / 1K 토큰 입력 · 캐시 읽기 — / 1K 토큰 입력 · 캐시 쓰기 — / 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 $0.00114 / 1K 토큰 출력 · 출력 토큰 $0.0046 / 1K 토큰 입력 · 캐시 읽기 — / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
Ailoot는 요청 전에 예상 금액을 미리 확보합니다. 결과를 받은 뒤 측정된 사용량을 기준으로 최종 요금을 정산합니다. 스트리밍 정산에는 최종 사용량 기록을 사용합니다. 금액 확보와 정산 방식 →
{\n "model": "moonshotai/kimi-k2",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 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
위에 표시된 메서드 경로를 사용하세요.
영어 기술 예제
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.