Kimi K2 Instruct 0905 er Moonshot AIs septemberoppdatering av instruksjonsmodellen Kimi K2. Den er en tekstmodell for kunnskap, resonnering, programmering og verktøystyrte oppgaver, med totalt én billion mixture-of-experts-parametere og 32 milliarder aktive parametere. Den konkrete 0905-utgaven forbedrer agentbasert programmering og frontendarbeid og utvider konteksten fra den opprinnelige utgivelsens 128K til 256K tokener.
Produsenten fremhever både den praktiske atferden og utseendet til frontendkode, sammen med forbedringer i programmeringsagentoppgaver fra virkeligheten. Forbered en programvarebeskrivelse med relevant implementasjon, observert atferd og kravene den må oppfylle. For et grensesnitt identifiserer du innholdet, synlige tilstander og interaksjoner samt designfunksjonene som er viktige. Et nyttig resultat er kode knyttet til disse kriteriene fremfor en generell diskusjon om hvordan et grensesnitt kan fungere.
En illustrerende instruksjon er: «Oppdater denne komponenten slik at den samsvarer med den beskrevne skjemaflyten, bevar eksisterende feltnavn og forklar de påkrevde feil- og suksesstilstandene.» For feilsøking gir du representative inndata og ber modellen identifisere den første uriktige betingelsen før den returnerer en målrettet kodeendring. Gi faktiske observasjoner fra gjengivelse eller validering som grunnlag for neste revisjon.
Sammendraget for 0905 beskriver latent oppmerksomhet med flere hoder og en sparsom ekspertblanding, der åtte av 384 eksperter velges per token sammen med en delt ekspert. Konteksten på 256K støtter en større oppgavehistorikk enn den opprinnelige K2-utgaven, mens den fortsatt inneholder kilden, samtalen, verktøyobservasjonene og det genererte svaret samlet. Et større vindu skal ikke forstås som en uavhengig maksimal utdataramme.
Organiser utdrag fra kodearkivet etter fil og dokumentmateriale etter avsnitt. Angi det endelige artefaktet og betingelsene som skal forbli uendret gjennom oppfølginger. For en sammenligning ber du om passasjen eller kodefragmentet som underbygger hver konklusjon. Behold den valgte 0905-identiteten når den utvidede konteksten og programmeringsoppdateringen er viktige for oppgaven.
Produsenten anbefaler temperatur 0.6 og gir en enkel assistentsysteminstruksjon for oppgaver som ikke trenger en spesialisert rolle. Definer svarspråket og formen separat, som en forklaring, en kildeunderbygget sammenligning eller bare kode. Dette holder det ønskede endelige resultatet synlig selv når applikasjonen bruker flere modellsteg.
Det konkrete modellkortet dokumenterer tilgjengelige verktøy oppgitt i hver forespørsel. Funksjoner har navn, beskrivelser og parameterskjemaer; modellen bestemmer når og hvordan de skal kalles. Applikasjonen tolker de valgte JSON-argumentene, utfører operasjonen og returnerer et verktøyresultat knyttet til kallidentifikatoren. Neste svar kan da bruke den faktiske observasjonen eller fortsette oppgaven.
En generert kodeendring, valgt operasjon eller søkeplan er et forslag inntil den omkringliggende applikasjonen utfører den. Behold resultatet av operasjonen som bevisgrunnlag for neste steg og den endelige overleveringen. Kontroller uttrukne verdier mot kildematerialet og kode mot den ønskede atferden.
K2 Instruct 0905 forblir separat fra K2 Thinking og de senere multimodale K2.5- og K2.6-utgavene. Bilde-/videoinndataene deres, egenskapene ved det opprinnelige INT4-resonneringskontrollpunktet og preserve-thinking-kontrollene skal ikke utledes for denne navngitte tekstoppdateringen. Nyttige utdata er et målrettet tekst- eller kodeartefakt forankret i oppgaven og observasjonene som faktisk ble returnert.
", "aboutText": "Kimi K2 Instruct 0905 er Moonshot AIs septemberoppdatering av instruksjonsmodellen Kimi K2. Den er en tekstmodell for kunnskap, resonnering, programmering og verktøystyrte oppgaver, med totalt én billion mixture-of-experts-parametere og 32 milliarder aktive parametere. Den konkrete 0905-utgaven forbedrer agentbasert programmering og frontendarbeid og utvider konteksten fra den opprinnelige utgivelsens 128K til 256K tokener.\n\n### Hva endres i denne utgaven\n\nProdusenten fremhever både den praktiske atferden og utseendet til frontendkode, sammen med forbedringer i programmeringsagentoppgaver fra virkeligheten. Forbered en programvarebeskrivelse med relevant implementasjon, observert atferd og kravene den må oppfylle. For et grensesnitt identifiserer du innholdet, synlige tilstander og interaksjoner samt designfunksjonene som er viktige. Et nyttig resultat er kode knyttet til disse kriteriene fremfor en generell diskusjon om hvordan et grensesnitt kan fungere.\n\nEn illustrerende instruksjon er: «Oppdater denne komponenten slik at den samsvarer med den beskrevne skjemaflyten, bevar eksisterende feltnavn og forklar de påkrevde feil- og suksesstilstandene.» For feilsøking gir du representative inndata og ber modellen identifisere den første uriktige betingelsen før den returnerer en målrettet kodeendring. Gi faktiske observasjoner fra gjengivelse eller validering som grunnlag for neste revisjon.\n\n### Modellvariant og lang kontekst\n\nSammendraget for 0905 beskriver latent oppmerksomhet med flere hoder og en sparsom ekspertblanding, der åtte av 384 eksperter velges per token sammen med en delt ekspert. Konteksten på 256K støtter en større oppgavehistorikk enn den opprinnelige K2-utgaven, mens den fortsatt inneholder kilden, samtalen, verktøyobservasjonene og det genererte svaret samlet. Et større vindu skal ikke forstås som en uavhengig maksimal utdataramme.\n\nOrganiser utdrag fra kodearkivet etter fil og dokumentmateriale etter avsnitt. Angi det endelige artefaktet og betingelsene som skal forbli uendret gjennom oppfølginger. For en sammenligning ber du om passasjen eller kodefragmentet som underbygger hver konklusjon. Behold den valgte 0905-identiteten når den utvidede konteksten og programmeringsoppdateringen er viktige for oppgaven.\n\n### Chat og funksjonskall\n\nProdusenten anbefaler temperatur 0.6 og gir en enkel assistentsysteminstruksjon for oppgaver som ikke trenger en spesialisert rolle. Definer svarspråket og formen separat, som en forklaring, en kildeunderbygget sammenligning eller bare kode. Dette holder det ønskede endelige resultatet synlig selv når applikasjonen bruker flere modellsteg.\n\nDet konkrete modellkortet dokumenterer tilgjengelige verktøy oppgitt i hver forespørsel. Funksjoner har navn, beskrivelser og parameterskjemaer; modellen bestemmer når og hvordan de skal kalles. Applikasjonen tolker de valgte JSON-argumentene, utfører operasjonen og returnerer et verktøyresultat knyttet til kallidentifikatoren. Neste svar kan da bruke den faktiske observasjonen eller fortsette oppgaven.\n\n### Resultater som kan gjennomgås\n\nEn generert kodeendring, valgt operasjon eller søkeplan er et forslag inntil den omkringliggende applikasjonen utfører den. Behold resultatet av operasjonen som bevisgrunnlag for neste steg og den endelige overleveringen. Kontroller uttrukne verdier mot kildematerialet og kode mot den ønskede atferden.\n\nK2 Instruct 0905 forblir separat fra K2 Thinking og de senere multimodale K2.5- og K2.6-utgavene. Bilde-/videoinndataene deres, egenskapene ved det opprinnelige INT4-resonneringskontrollpunktet og preserve-thinking-kontrollene skal ikke utledes for denne navngitte tekstoppdateringen. Nyttige utdata er et målrettet tekst- eller kodeartefakt forankret i oppgaven og observasjonene som faktisk ble returnert.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
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 er Moonshot AIs oppdaterte tekstmodell for programmering, frontendimplementasjon og agenter. Den utvider den opprinnelige K2-konteksten fra 128K til 256K og returnerer svar, kode og innhold til funksjonskall basert på oppgaven og observasjonene applikasjonen oppgir.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Kimi K2 Instruct 0905 er Moonshot AIs septemberoppdatering av instruksjonsmodellen Kimi K2. Den er en tekstmodell for kunnskap, resonnering, programmering og verktøystyrte oppgaver, med totalt én billion mixture-of-experts-parametere og 32 milliarder aktive parametere. Den konkrete 0905-utgaven forbedrer agentbasert programmering og frontendarbeid og utvider konteksten fra den opprinnelige utgivelsens 128K til 256K tokener.
Produsenten fremhever både den praktiske atferden og utseendet til frontendkode, sammen med forbedringer i programmeringsagentoppgaver fra virkeligheten. Forbered en programvarebeskrivelse med relevant implementasjon, observert atferd og kravene den må oppfylle. For et grensesnitt identifiserer du innholdet, synlige tilstander og interaksjoner samt designfunksjonene som er viktige. Et nyttig resultat er kode knyttet til disse kriteriene fremfor en generell diskusjon om hvordan et grensesnitt kan fungere.
En illustrerende instruksjon er: «Oppdater denne komponenten slik at den samsvarer med den beskrevne skjemaflyten, bevar eksisterende feltnavn og forklar de påkrevde feil- og suksesstilstandene.» For feilsøking gir du representative inndata og ber modellen identifisere den første uriktige betingelsen før den returnerer en målrettet kodeendring. Gi faktiske observasjoner fra gjengivelse eller validering som grunnlag for neste revisjon.
Sammendraget for 0905 beskriver latent oppmerksomhet med flere hoder og en sparsom ekspertblanding, der åtte av 384 eksperter velges per token sammen med en delt ekspert. Konteksten på 256K støtter en større oppgavehistorikk enn den opprinnelige K2-utgaven, mens den fortsatt inneholder kilden, samtalen, verktøyobservasjonene og det genererte svaret samlet. Et større vindu skal ikke forstås som en uavhengig maksimal utdataramme.
Organiser utdrag fra kodearkivet etter fil og dokumentmateriale etter avsnitt. Angi det endelige artefaktet og betingelsene som skal forbli uendret gjennom oppfølginger. For en sammenligning ber du om passasjen eller kodefragmentet som underbygger hver konklusjon. Behold den valgte 0905-identiteten når den utvidede konteksten og programmeringsoppdateringen er viktige for oppgaven.
Produsenten anbefaler temperatur 0.6 og gir en enkel assistentsysteminstruksjon for oppgaver som ikke trenger en spesialisert rolle. Definer svarspråket og formen separat, som en forklaring, en kildeunderbygget sammenligning eller bare kode. Dette holder det ønskede endelige resultatet synlig selv når applikasjonen bruker flere modellsteg.
Det konkrete modellkortet dokumenterer tilgjengelige verktøy oppgitt i hver forespørsel. Funksjoner har navn, beskrivelser og parameterskjemaer; modellen bestemmer når og hvordan de skal kalles. Applikasjonen tolker de valgte JSON-argumentene, utfører operasjonen og returnerer et verktøyresultat knyttet til kallidentifikatoren. Neste svar kan da bruke den faktiske observasjonen eller fortsette oppgaven.
En generert kodeendring, valgt operasjon eller søkeplan er et forslag inntil den omkringliggende applikasjonen utfører den. Behold resultatet av operasjonen som bevisgrunnlag for neste steg og den endelige overleveringen. Kontroller uttrukne verdier mot kildematerialet og kode mot den ønskede atferden.
K2 Instruct 0905 forblir separat fra K2 Thinking og de senere multimodale K2.5- og K2.6-utgavene. Bilde-/videoinndataene deres, egenskapene ved det opprinnelige INT4-resonneringskontrollpunktet og preserve-thinking-kontrollene skal ikke utledes for denne navngitte tekstoppdateringen. Nyttige utdata er et målrettet tekst- eller kodeartefakt forankret i oppgaven og observasjonene som faktisk ble returnert.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser moonshotai/kimi-k2-0905 | Standard— |
Feltmessages | Typemessage[] | KravPåkrevd | Verdier & grenser Minste antall elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrevd | Verdier & grenser Eksempler: system, user, assistant, tool, function Vilkår: Disse rollene representeres eksplisitt av kompatibilitetstyper i kildekoden; det eksakte rollesettet for modellen er fortsatt modellspesifikt. Avhenger av modellen | Standard— |
Feltmessages[].content | Typestring|content_part[]|null | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].tool_calls | Typetool_call[] | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].tool_call_id | Typestring | KravValgfritt | Verdier & grenser Gjelder når: role=tool; bruk faktisk returnert ID | Standard— |
Feltmessages[].name | Typestring | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].reasoning_content | Typestring | KravValgfritt | Verdier & grenser Gjelder når: Send den faktisk returnerte resonneringen tilbake der denne modellen bruker den | Standard— |
Feltmessages[].reasoning_details | Typeobject|array | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltmax_tokens | Typeinteger | KravValgfritt | Verdier & grenser Minimum: 1 Avhenger av modellen | Standard— |
Feltmax_completion_tokens | Typeinteger | KravValgfritt | Verdier & grenser Minimum: 1 Avhenger av modellen | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
Feltstream_options.include_usage | Typeboolean | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttemperature | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttop_p | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltstop | Typestring|string[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttools | Typefunction_tool[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttools[].type | Typestring | KravValgfritt | Verdier & grenser function Avhenger av modellen | Standard— |
Felttools[].function.name | Typestring | KravPåkrevd | Verdier & grenser Gjelder når: funksjonsverktøy oppgitt | Standard— |
Felttools[].function.description | Typestring | KravValgfritt | Verdier & grenser | Standard— |
Felttools[].function.parameters | TypeJSON_schema | KravValgfritt | Verdier & grenser | Standard— |
Felttool_choice | Typestring|object | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltparallel_tool_calls | Typeboolean | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltresponse_format | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltreasoning_effort | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltreasoning | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltservice_tier | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltinstructions | Typestring | KravValgfritt | Verdier & grenser Kompatibilitetsfelt | Standard— |
Feltfunctions | Typefunction[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltfunction_call | Typestring|object | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltprompt_cache_options | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltmodalities | Typestring[] | KravValgfritt | Verdier & grenser text | Standard— |
Feltprovider | Typeobject | KravValgfritt | Verdier & grenser Vilkår: provider.options avvises på denne Ultra-tekstruten | Standard— |
Feltcache_control.ttl | Typestring | KravValgfritt | Verdier & grenser Vilkår: 1h avvises på faktiske steder for mellomlagring av ledetekster | Standard— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Avtale |
|---|---|
Parametercontent_type | Avtaleapplication/json |
Parameterrequired | Avtalemodel, messages |
Parametermaterial_types | Avtaletext |
Parametermessages | Avtalemeldingstabell med role/content-struktur |
Parameterfile_material | Avtalefaktisk UTF-8-dokument satt inn som bokstavelig tekst; ingen fil-ID utledes |
Parameteroptional_controls | Avtalestream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Avtalemodellspesifikt; brukerens funksjonsverktøy skiller seg fra driftede verktøy |
Parameteroutput_modalities | Avtaletext |
Parameterhosted_operations | Avtalefalse |
Parametermultimodal_input_binding | Avtalenull |
Livssyklus: synchronous_or_streamed
Send eksakt modell-ID sammen med messages.
Kontekstlengde er ikke en outputgrense.
En tekstfil kan levere bokstavelig tekst; bilde-, lyd- og filobjektinput trenger eksakt binding.
Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.
Knytt hver kostnad til de viste vilkårene. Bruk én sats for hvert sett med alternative konfigurasjoner.
| Konfigurasjon | Prisplan | Konteksttokener, mer enn | Konteksttokener, opptil og med | Kostnad |
|---|---|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Konteksttokener, mer enn— | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0012 / 1K tokener Utdata · Utgående tokener $0.005 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonNivå 1 for forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0012 / 1K tokener Utdata · Utgående tokener $0.005 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${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 eller SSE
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Behold hvert svaralternativ med innhold, verktøykall og resonnering. Sett sammen endringer i SSE etter svaralternativets/verktøyets indeks, og behold endelig avslutningsgrunn og bruksdata.
Behold forespørsels-/svar-ID-er og headere. Ingen generell URL for henting av tekstjobber oppgis.
| Felt | Type |
|---|---|
Feltchoices[].index | Typeinteger |
Feltchoices[].message.content | Typestring|null |
Feltchoices[].message.tool_calls | Typetool_call[] |
Feltchoices[].message.reasoning_content | Typestring |
Feltchoices[].message.reasoning_details | Typeobject|array |
Feltchoices[].finish_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |
Ailoot Ultra moonshotai/kimi-k2-0905
Bruk metodestiene som vises ovenfor.
moonshotai/kimi-k2-0905Kimi K2 Instruct 0905 er Moonshot AIs oppdaterte tekstmodell for programmering, frontendimplementasjon og agenter. Den utvider den opprinnelige K2-konteksten fra 128K til 256K og returnerer svar, kode og innhold til funksjonskall basert på oppgaven og observasjonene applikasjonen oppgir.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Kimi K2 Instruct 0905 er Moonshot AIs septemberoppdatering av instruksjonsmodellen Kimi K2. Den er en tekstmodell for kunnskap, resonnering, programmering og verktøystyrte oppgaver, med totalt én billion mixture-of-experts-parametere og 32 milliarder aktive parametere. Den konkrete 0905-utgaven forbedrer agentbasert programmering og frontendarbeid og utvider konteksten fra den opprinnelige utgivelsens 128K til 256K tokener.
Produsenten fremhever både den praktiske atferden og utseendet til frontendkode, sammen med forbedringer i programmeringsagentoppgaver fra virkeligheten. Forbered en programvarebeskrivelse med relevant implementasjon, observert atferd og kravene den må oppfylle. For et grensesnitt identifiserer du innholdet, synlige tilstander og interaksjoner samt designfunksjonene som er viktige. Et nyttig resultat er kode knyttet til disse kriteriene fremfor en generell diskusjon om hvordan et grensesnitt kan fungere.
En illustrerende instruksjon er: «Oppdater denne komponenten slik at den samsvarer med den beskrevne skjemaflyten, bevar eksisterende feltnavn og forklar de påkrevde feil- og suksesstilstandene.» For feilsøking gir du representative inndata og ber modellen identifisere den første uriktige betingelsen før den returnerer en målrettet kodeendring. Gi faktiske observasjoner fra gjengivelse eller validering som grunnlag for neste revisjon.
Sammendraget for 0905 beskriver latent oppmerksomhet med flere hoder og en sparsom ekspertblanding, der åtte av 384 eksperter velges per token sammen med en delt ekspert. Konteksten på 256K støtter en større oppgavehistorikk enn den opprinnelige K2-utgaven, mens den fortsatt inneholder kilden, samtalen, verktøyobservasjonene og det genererte svaret samlet. Et større vindu skal ikke forstås som en uavhengig maksimal utdataramme.
Organiser utdrag fra kodearkivet etter fil og dokumentmateriale etter avsnitt. Angi det endelige artefaktet og betingelsene som skal forbli uendret gjennom oppfølginger. For en sammenligning ber du om passasjen eller kodefragmentet som underbygger hver konklusjon. Behold den valgte 0905-identiteten når den utvidede konteksten og programmeringsoppdateringen er viktige for oppgaven.
Produsenten anbefaler temperatur 0.6 og gir en enkel assistentsysteminstruksjon for oppgaver som ikke trenger en spesialisert rolle. Definer svarspråket og formen separat, som en forklaring, en kildeunderbygget sammenligning eller bare kode. Dette holder det ønskede endelige resultatet synlig selv når applikasjonen bruker flere modellsteg.
Det konkrete modellkortet dokumenterer tilgjengelige verktøy oppgitt i hver forespørsel. Funksjoner har navn, beskrivelser og parameterskjemaer; modellen bestemmer når og hvordan de skal kalles. Applikasjonen tolker de valgte JSON-argumentene, utfører operasjonen og returnerer et verktøyresultat knyttet til kallidentifikatoren. Neste svar kan da bruke den faktiske observasjonen eller fortsette oppgaven.
En generert kodeendring, valgt operasjon eller søkeplan er et forslag inntil den omkringliggende applikasjonen utfører den. Behold resultatet av operasjonen som bevisgrunnlag for neste steg og den endelige overleveringen. Kontroller uttrukne verdier mot kildematerialet og kode mot den ønskede atferden.
K2 Instruct 0905 forblir separat fra K2 Thinking og de senere multimodale K2.5- og K2.6-utgavene. Bilde-/videoinndataene deres, egenskapene ved det opprinnelige INT4-resonneringskontrollpunktet og preserve-thinking-kontrollene skal ikke utledes for denne navngitte tekstoppdateringen. Nyttige utdata er et målrettet tekst- eller kodeartefakt forankret i oppgaven og observasjonene som faktisk ble returnert.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser moonshotai/kimi-k2-0905 | Standard— |
Feltmessages | Typemessage[] | KravPåkrevd | Verdier & grenser | Standard— |
Feltmessages[].role | Typestring | KravPåkrevd | Verdier & grenser user, assistant | Standard— |
Feltmessages[].content | Typestring | KravPåkrevd | Verdier & grenser | Standard— |
Feltmax_tokens | Typeinteger | KravPåkrevd | Verdier & grenser | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
Tekst · UTF-8-tekst
messages[].content-streng
| Parameter | Avtale |
|---|---|
Parametercontent_type | Avtaleapplication/json |
Parameterrequired | Avtalemodel, messages, max_tokens |
Parameteroptional_controls | Avtalestream |
Parametermaterial_types | Avtaletext |
Parametertext_file_material | AvtaleLes det faktiske UTF-8-dokumentet og legg teksten i den angitte input- eller meldingsinnholdsstrengen. |
Livssyklus: synchronous_or_streamed
Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.
Knytt hver kostnad til de viste vilkårene. Bruk én sats for hvert sett med alternative konfigurasjoner.
| Konfigurasjon | Prisplan | Konteksttokener, mer enn | Konteksttokener, opptil og med | Kostnad |
|---|---|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Konteksttokener, mer enn— | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0012 / 1K tokener Utdata · Utgående tokener $0.005 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonNivå 1 for forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0012 / 1K tokener Utdata · Utgående tokener $0.005 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "moonshotai/kimi-k2-0905",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 eller SSE
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Behold alle innholdsblokker, resonneringssignaturer og faktiske ID-er for verktøybruk. Sett sammen alle SSE-blokkendringer; den første tekstblokken er ikke hele resultatet.
Behold forespørsels-/svar-ID-er og headere. Ingen generell URL for henting av tekstjobber oppgis.
| Felt | Type |
|---|---|
Feltid | Typestring |
Feltmodel | Typestring |
Feltcontent[] | Typetext|thinking|tool_use|other content block |
Feltstop_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |
Ailoot Ultra moonshotai/kimi-k2-0905
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
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.