Kimi K2.5 er Moonshot AIs agentmodell med innebygd multimodalitet, bygget ved fortsatt forhåndstrening på omtrent femten billioner blandede visuelle tokener og teksttokener oppå Kimi K2 Base. Den kombinerer språk og syn med samtale- og agentarbeidsflyter. Inndataene kan inneholde tekst, bilder og video; utdataene er tekst som en forklaring, kode eller en foreslått verktøyoperasjon.
Produsentens sammendrag oppgir en mixture-of-experts-arkitektur med totalt én billion parametere og 32 milliarder aktiverte parametere, en kontekst på 256K og en MoonViT visuell koder med 400 millioner parametere. K2.5 tar i bruk produsentens egen INT4-kvantiseringsmetode dokumentert for K2 Thinking. Dette er egenskaper ved det publiserte modellkontrollpunktet fra produsenten, forskjellig fra en påstand om alle omkringliggende kjørekonfigurasjoner.
Et kjennetegn ved bruken er kodegenerering fra visuelle spesifikasjoner, blant annet grensesnittdesign og videoarbeidsflyter. Gi lesbare medier, relevant kildekode og tiltenkt atferd. Identifiser hvilke visuelle detaljer som er obligatoriske, og hvordan resultatet skal reagere på brukerinteraksjon. En nyttig oppgavebeskrivelse er: «Implementer den oppgitte layouten, bevar disse etikettene og forklar hvordan de synlige tilstandene samsvarer med kravene.»
For en bildeanalyseoppgave ber du om den synlige detaljen som underbygger hvert funn, og skiller uttrekk fra tolkning. For video angir du segmentet og handlingen eller endringen som skal forklares. Produsenten merker den demonstrerte videoflyten som eksperimentell; forståelse av mediene produserer et tekstlig resultat fremfor å gjengi en ny video eller selv utføre en visuell handling.
K2.5 støtter modusene thinking og instant. Thinking utvikler resonnering før et endelig svar; instant-modus svarer direkte. Produsentens referanseutrulling anbefaler temperatur 1.0 for thinking, 0.6 for instant og top-p 0.95. Angi ønsket svarform separat fra dette resonneringsvalget, for eksempel en uttrukket datapost, et beslutningsnotat eller et komplett kodeartefakt.
For et vanskelig spørsmål gir du hele betingelsen og de relevante kildene. En dokumentoppgave kan be om en sammenligning med det underbyggende utdraget ved hver konklusjon. En programmeringsoppgave kan identifisere inndataene som feiler, begrensningene og endringen som skal foreslås. Utdataene bør forbli sporbare til oppgaven fremfor å behandle et langt resonneringsspor som et fullført resultat.
K2.5 bruker samme design med vekslende tenkning og verktøykall over flere steg som K2 Thinking. Applikasjonen stiller funksjoner med beskrivelser og skjemaer til rådighet, utfører valgte operasjoner og returnerer observasjoner. Hold resultatene knyttet til kallene sine slik at neste steg kan bruke faktiske bevis.
Produsenten beskriver også en arbeidsflyt med en agentsverm som deler et komplekst mål i samordnede domenespesifikke deloppgaver. Forbered et slikt mål med definerte utdata, tillatte handlinger og kriterier for fullføring. Det endelige artefaktet bør integrere observasjonene som faktisk ble innhentet; en generert plan eller en foreslått gren er forskjellig fra utført arbeid.
Fordel kilden, medierepresentasjonen, historikken, resonneringen og det endelige svaret innenfor den dokumenterte konteksten på 256K. Eksempelforespørselen og tokenbudsjettene for evaluering i modellkortet er ikke uavhengig fastslåtte universelle utdatatak. Merk kilder og medier slik at et resultat kan vise tilbake til bevisgrunnlaget.
Den nyttige leveransen er en bildeforankret forklaring, et kodeforslag eller et kildeunderbygget analytisk resultat. Kontroller verdier mot inndataene og undersøk kode i den tiltenkte applikasjonen. K2.5 forblir en egen multimodal utgivelse; de senere preserve-thinking-kontrollene til K2.6 og de tidligere promptvariantene til tekstbaserte K2 skal ikke erstatte den dokumenterte arbeidsflyten til denne utgaven.
", "aboutText": "Kimi K2.5 er Moonshot AIs agentmodell med innebygd multimodalitet, bygget ved fortsatt forhåndstrening på omtrent femten billioner blandede visuelle tokener og teksttokener oppå Kimi K2 Base. Den kombinerer språk og syn med samtale- og agentarbeidsflyter. Inndataene kan inneholde tekst, bilder og video; utdataene er tekst som en forklaring, kode eller en foreslått verktøyoperasjon.\n\n### Modellvariant\n\nProdusentens sammendrag oppgir en mixture-of-experts-arkitektur med totalt én billion parametere og 32 milliarder aktiverte parametere, en kontekst på 256K og en MoonViT visuell koder med 400 millioner parametere. K2.5 tar i bruk produsentens egen INT4-kvantiseringsmetode dokumentert for K2 Thinking. Dette er egenskaper ved det publiserte modellkontrollpunktet fra produsenten, forskjellig fra en påstand om alle omkringliggende kjørekonfigurasjoner.\n\n### Programmering med visuelle bevis\n\nEt kjennetegn ved bruken er kodegenerering fra visuelle spesifikasjoner, blant annet grensesnittdesign og videoarbeidsflyter. Gi lesbare medier, relevant kildekode og tiltenkt atferd. Identifiser hvilke visuelle detaljer som er obligatoriske, og hvordan resultatet skal reagere på brukerinteraksjon. En nyttig oppgavebeskrivelse er: «Implementer den oppgitte layouten, bevar disse etikettene og forklar hvordan de synlige tilstandene samsvarer med kravene.»\n\nFor en bildeanalyseoppgave ber du om den synlige detaljen som underbygger hvert funn, og skiller uttrekk fra tolkning. For video angir du segmentet og handlingen eller endringen som skal forklares. Produsenten merker den demonstrerte videoflyten som eksperimentell; forståelse av mediene produserer et tekstlig resultat fremfor å gjengi en ny video eller selv utføre en visuell handling.\n\n### Resonnerende og umiddelbare svar\n\nK2.5 støtter modusene thinking og instant. Thinking utvikler resonnering før et endelig svar; instant-modus svarer direkte. Produsentens referanseutrulling anbefaler temperatur 1.0 for thinking, 0.6 for instant og top-p 0.95. Angi ønsket svarform separat fra dette resonneringsvalget, for eksempel en uttrukket datapost, et beslutningsnotat eller et komplett kodeartefakt.\n\nFor et vanskelig spørsmål gir du hele betingelsen og de relevante kildene. En dokumentoppgave kan be om en sammenligning med det underbyggende utdraget ved hver konklusjon. En programmeringsoppgave kan identifisere inndataene som feiler, begrensningene og endringen som skal foreslås. Utdataene bør forbli sporbare til oppgaven fremfor å behandle et langt resonneringsspor som et fullført resultat.\n\n### Vekslende verktøybruk og agentoppgaver\n\nK2.5 bruker samme design med vekslende tenkning og verktøykall over flere steg som K2 Thinking. Applikasjonen stiller funksjoner med beskrivelser og skjemaer til rådighet, utfører valgte operasjoner og returnerer observasjoner. Hold resultatene knyttet til kallene sine slik at neste steg kan bruke faktiske bevis.\n\nProdusenten beskriver også en arbeidsflyt med en agentsverm som deler et komplekst mål i samordnede domenespesifikke deloppgaver. Forbered et slikt mål med definerte utdata, tillatte handlinger og kriterier for fullføring. Det endelige artefaktet bør integrere observasjonene som faktisk ble innhentet; en generert plan eller en foreslått gren er forskjellig fra utført arbeid.\n\n### Kontekst og gjennomgang\n\nFordel kilden, medierepresentasjonen, historikken, resonneringen og det endelige svaret innenfor den dokumenterte konteksten på 256K. Eksempelforespørselen og tokenbudsjettene for evaluering i modellkortet er ikke uavhengig fastslåtte universelle utdatatak. Merk kilder og medier slik at et resultat kan vise tilbake til bevisgrunnlaget.\n\nDen nyttige leveransen er en bildeforankret forklaring, et kodeforslag eller et kildeunderbygget analytisk resultat. Kontroller verdier mot inndataene og undersøk kode i den tiltenkte applikasjonen. K2.5 forblir en egen multimodal utgivelse; de senere preserve-thinking-kontrollene til K2.6 og de tidligere promptvariantene til tekstbaserte K2 skal ikke erstatte den dokumenterte arbeidsflyten til denne utgaven.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Draft an accessible tab interaction\n\nProvide HTML and JavaScript for three text-only tabs: Overview, Details and Returns. Exactly one panel is visible. Mouse clicks and Left/Right arrow keys change tabs; Home selects the first and End the last. Preserve those labels and include the key accessibility attributes. Return the bounded component and a short interaction-check list without claiming execution.A self-contained tab component proposal and checks for click, arrow, Home and End behavior.The selected tab, focus behavior and visible panel remain consistent after each supported interaction.moonshotai/kimi-k2.5Kimi K2.5 er Moonshot AIs agentmodell med innebygd multimodalitet for bildeforankret programmering, resonnering og verktøystøttet arbeid. Den kombinerer tekst, bilder og video med modusene thinking og instant, en kontekst på 256K og en produsentarbeidsflyt for samordnede agentdeloppgaver.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Kimi K2.5 er Moonshot AIs agentmodell med innebygd multimodalitet, bygget ved fortsatt forhåndstrening på omtrent femten billioner blandede visuelle tokener og teksttokener oppå Kimi K2 Base. Den kombinerer språk og syn med samtale- og agentarbeidsflyter. Inndataene kan inneholde tekst, bilder og video; utdataene er tekst som en forklaring, kode eller en foreslått verktøyoperasjon.
Produsentens sammendrag oppgir en mixture-of-experts-arkitektur med totalt én billion parametere og 32 milliarder aktiverte parametere, en kontekst på 256K og en MoonViT visuell koder med 400 millioner parametere. K2.5 tar i bruk produsentens egen INT4-kvantiseringsmetode dokumentert for K2 Thinking. Dette er egenskaper ved det publiserte modellkontrollpunktet fra produsenten, forskjellig fra en påstand om alle omkringliggende kjørekonfigurasjoner.
Et kjennetegn ved bruken er kodegenerering fra visuelle spesifikasjoner, blant annet grensesnittdesign og videoarbeidsflyter. Gi lesbare medier, relevant kildekode og tiltenkt atferd. Identifiser hvilke visuelle detaljer som er obligatoriske, og hvordan resultatet skal reagere på brukerinteraksjon. En nyttig oppgavebeskrivelse er: «Implementer den oppgitte layouten, bevar disse etikettene og forklar hvordan de synlige tilstandene samsvarer med kravene.»
For en bildeanalyseoppgave ber du om den synlige detaljen som underbygger hvert funn, og skiller uttrekk fra tolkning. For video angir du segmentet og handlingen eller endringen som skal forklares. Produsenten merker den demonstrerte videoflyten som eksperimentell; forståelse av mediene produserer et tekstlig resultat fremfor å gjengi en ny video eller selv utføre en visuell handling.
K2.5 støtter modusene thinking og instant. Thinking utvikler resonnering før et endelig svar; instant-modus svarer direkte. Produsentens referanseutrulling anbefaler temperatur 1.0 for thinking, 0.6 for instant og top-p 0.95. Angi ønsket svarform separat fra dette resonneringsvalget, for eksempel en uttrukket datapost, et beslutningsnotat eller et komplett kodeartefakt.
For et vanskelig spørsmål gir du hele betingelsen og de relevante kildene. En dokumentoppgave kan be om en sammenligning med det underbyggende utdraget ved hver konklusjon. En programmeringsoppgave kan identifisere inndataene som feiler, begrensningene og endringen som skal foreslås. Utdataene bør forbli sporbare til oppgaven fremfor å behandle et langt resonneringsspor som et fullført resultat.
K2.5 bruker samme design med vekslende tenkning og verktøykall over flere steg som K2 Thinking. Applikasjonen stiller funksjoner med beskrivelser og skjemaer til rådighet, utfører valgte operasjoner og returnerer observasjoner. Hold resultatene knyttet til kallene sine slik at neste steg kan bruke faktiske bevis.
Produsenten beskriver også en arbeidsflyt med en agentsverm som deler et komplekst mål i samordnede domenespesifikke deloppgaver. Forbered et slikt mål med definerte utdata, tillatte handlinger og kriterier for fullføring. Det endelige artefaktet bør integrere observasjonene som faktisk ble innhentet; en generert plan eller en foreslått gren er forskjellig fra utført arbeid.
Fordel kilden, medierepresentasjonen, historikken, resonneringen og det endelige svaret innenfor den dokumenterte konteksten på 256K. Eksempelforespørselen og tokenbudsjettene for evaluering i modellkortet er ikke uavhengig fastslåtte universelle utdatatak. Merk kilder og medier slik at et resultat kan vise tilbake til bevisgrunnlaget.
Den nyttige leveransen er en bildeforankret forklaring, et kodeforslag eller et kildeunderbygget analytisk resultat. Kontroller verdier mot inndataene og undersøk kode i den tiltenkte applikasjonen. K2.5 forblir en egen multimodal utgivelse; de senere preserve-thinking-kontrollene til K2.6 og de tidligere promptvariantene til tekstbaserte K2 skal ikke erstatte den dokumenterte arbeidsflyten til denne utgaven.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser moonshotai/kimi-k2.5 | 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 $0.006 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.0003 / 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 $0.006 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.0003 / 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-k2.5", "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-k2.5',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-k2.5',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-k2.5
Bruk metodestiene som vises ovenfor.
moonshotai/kimi-k2.5Kimi K2.5 er Moonshot AIs agentmodell med innebygd multimodalitet for bildeforankret programmering, resonnering og verktøystøttet arbeid. Den kombinerer tekst, bilder og video med modusene thinking og instant, en kontekst på 256K og en produsentarbeidsflyt for samordnede agentdeloppgaver.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Kimi K2.5 er Moonshot AIs agentmodell med innebygd multimodalitet, bygget ved fortsatt forhåndstrening på omtrent femten billioner blandede visuelle tokener og teksttokener oppå Kimi K2 Base. Den kombinerer språk og syn med samtale- og agentarbeidsflyter. Inndataene kan inneholde tekst, bilder og video; utdataene er tekst som en forklaring, kode eller en foreslått verktøyoperasjon.
Produsentens sammendrag oppgir en mixture-of-experts-arkitektur med totalt én billion parametere og 32 milliarder aktiverte parametere, en kontekst på 256K og en MoonViT visuell koder med 400 millioner parametere. K2.5 tar i bruk produsentens egen INT4-kvantiseringsmetode dokumentert for K2 Thinking. Dette er egenskaper ved det publiserte modellkontrollpunktet fra produsenten, forskjellig fra en påstand om alle omkringliggende kjørekonfigurasjoner.
Et kjennetegn ved bruken er kodegenerering fra visuelle spesifikasjoner, blant annet grensesnittdesign og videoarbeidsflyter. Gi lesbare medier, relevant kildekode og tiltenkt atferd. Identifiser hvilke visuelle detaljer som er obligatoriske, og hvordan resultatet skal reagere på brukerinteraksjon. En nyttig oppgavebeskrivelse er: «Implementer den oppgitte layouten, bevar disse etikettene og forklar hvordan de synlige tilstandene samsvarer med kravene.»
For en bildeanalyseoppgave ber du om den synlige detaljen som underbygger hvert funn, og skiller uttrekk fra tolkning. For video angir du segmentet og handlingen eller endringen som skal forklares. Produsenten merker den demonstrerte videoflyten som eksperimentell; forståelse av mediene produserer et tekstlig resultat fremfor å gjengi en ny video eller selv utføre en visuell handling.
K2.5 støtter modusene thinking og instant. Thinking utvikler resonnering før et endelig svar; instant-modus svarer direkte. Produsentens referanseutrulling anbefaler temperatur 1.0 for thinking, 0.6 for instant og top-p 0.95. Angi ønsket svarform separat fra dette resonneringsvalget, for eksempel en uttrukket datapost, et beslutningsnotat eller et komplett kodeartefakt.
For et vanskelig spørsmål gir du hele betingelsen og de relevante kildene. En dokumentoppgave kan be om en sammenligning med det underbyggende utdraget ved hver konklusjon. En programmeringsoppgave kan identifisere inndataene som feiler, begrensningene og endringen som skal foreslås. Utdataene bør forbli sporbare til oppgaven fremfor å behandle et langt resonneringsspor som et fullført resultat.
K2.5 bruker samme design med vekslende tenkning og verktøykall over flere steg som K2 Thinking. Applikasjonen stiller funksjoner med beskrivelser og skjemaer til rådighet, utfører valgte operasjoner og returnerer observasjoner. Hold resultatene knyttet til kallene sine slik at neste steg kan bruke faktiske bevis.
Produsenten beskriver også en arbeidsflyt med en agentsverm som deler et komplekst mål i samordnede domenespesifikke deloppgaver. Forbered et slikt mål med definerte utdata, tillatte handlinger og kriterier for fullføring. Det endelige artefaktet bør integrere observasjonene som faktisk ble innhentet; en generert plan eller en foreslått gren er forskjellig fra utført arbeid.
Fordel kilden, medierepresentasjonen, historikken, resonneringen og det endelige svaret innenfor den dokumenterte konteksten på 256K. Eksempelforespørselen og tokenbudsjettene for evaluering i modellkortet er ikke uavhengig fastslåtte universelle utdatatak. Merk kilder og medier slik at et resultat kan vise tilbake til bevisgrunnlaget.
Den nyttige leveransen er en bildeforankret forklaring, et kodeforslag eller et kildeunderbygget analytisk resultat. Kontroller verdier mot inndataene og undersøk kode i den tiltenkte applikasjonen. K2.5 forblir en egen multimodal utgivelse; de senere preserve-thinking-kontrollene til K2.6 og de tidligere promptvariantene til tekstbaserte K2 skal ikke erstatte den dokumenterte arbeidsflyten til denne utgaven.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser moonshotai/kimi-k2.5 | 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 $0.006 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.0003 / 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 $0.006 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.0003 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "moonshotai/kimi-k2.5",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-k2.5', '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-k2.5', '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-k2.5
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Draft an accessible tab interaction\n\nProvide HTML and JavaScript for three text-only tabs: Overview, Details and Returns. Exactly one panel is visible. Mouse clicks and Left/Right arrow keys change tabs; Home selects the first and End the last. Preserve those labels and include the key accessibility attributes. Return the bounded component and a short interaction-check list without claiming execution.A self-contained tab component proposal and checks for click, arrow, Home and End behavior.The selected tab, focus behavior and visible panel remain consistent after each supported interaction.