Kimi K2.6 er Moonshot AIs agentmodell med innebygd multimodalitet for langvarige programmeringsoppgaver, programmeringsdrevet design og samordnet oppgaveutførelse. Den tar imot tekst, bilder og video og genererer tekst, blant annet forklaringer, kode og foreslåtte verktøykall. Mixture-of-experts-varianten oppgir totalt én billion parametere, 32 milliarder aktive parametere og en kontekst på 256K, med en MoonViT visuell koder.
Produsenten utvikler K2.6 for programmering fra start til slutt på tvers av språk og domener, inkludert arbeid i kodearkiver, frontendgrensesnitt og ytelsesoptimalisering. Gi relevant kode, forventet atferd, den observerte feilen og betingelsene endringen må bevare. For en visuell oppgave kombinerer du kravene med en lesbar skisse eller et skjermbilde og identifiserer om det viser den aktuelle tilstanden eller det ønskede resultatet.
En illustrerende instruksjon er: «Implementer dette grensesnittet fra den oppgitte visuelle spesifikasjonen, bevar feltnavnene og forklar atferden til hver påkrevd tilstand.» Den forventede leveransen er kode og den underbyggende forklaringen, etterfulgt av den faktiske observasjonen fra gjengivelse eller validering i applikasjonen. Genererte grensesnitt og tekstforslag er ikke handlinger som er utført uavhengig.
K2.6 støtter modusene thinking og instant. Thinking utvikler mellomliggende resonnering før det endelige svaret; instant-modus produserer et direkte svar. Produsentens anbefalinger for utrulling bruker temperatur 1.0 for thinking, 0.6 for instant og top-p 0.95. Dette er anbefalinger for den dokumenterte referansen, atskilt fra valget av stil eller lengde på det endelige svaret.
En spesifikk K2.6-funksjon er preserve-thinking, som beholder hele resonneringsinnholdet gjennom samhandling over flere samtalerunder. Den er deaktivert som standard og dokumentert for programmeringsagenter i thinking-modus. Når den brukes, tar den beholdte analysen opp kontekst sammen med verktøyobservasjoner og endelige svar. Hold oppgavens godkjente krav tydelige slik at en tidligere foreløpig tanke ikke blir et udokumentert faktum i det endelige artefaktet.
Det konkrete modellkortet demonstrerer bilde- og videoinndata. Merk flere medieelementer, bevar synlig tekst og angi detaljen eller hendelsen du vil ha forklart. For et diagram ber du om de observerte verdiene separat fra tolkningen. For video identifiserer du det relevante segmentet og endringen over tid som skal analyseres. Produsenten merker den demonstrerte videoflyten som eksperimentell i referansen; bilde- og videoforståelse produserer tekst fremfor genererte medier.
K2.6 veksler mellom tenkning og verktøykall over flere steg, og dokumenterer produsentens tilnærming med en agentsverm som deler en oppgave i samordnede, spesialiserte grener. Applikasjonen stiller verktøy til rådighet, utfører valgte operasjoner og returnerer observasjonene. Definer de tillatte handlingene og det endelige artefaktet før en agentoppgave starter, som en fullført kildesammenligning, en kodeendring eller et klargjort dokument.
Hold hver returnert observasjon knyttet til operasjonen og kilden som produserte den. En gren eller foreslått verktøyhandling blir bare nyttig bevis når resultatet er tilgjengelig for den videre oppgaven. De navngitte modusene og produsentens orkestreringsdemonstrasjoner innebærer ikke at et vanlig tekstsvar selvstendig utfører alle handlinger i bakgrunnen eller på tvers av applikasjoner.
K2.6 tar i bruk produsentens egen INT4-kvantiseringsmetode fra K2 Thinking. Dette er en dokumentert egenskap ved modellkontrollpunktet, forskjellig fra et løfte om en omkringliggende kjørekonfigurasjon. Konteksten på 256K må romme kilden, samtalen, eventuell beholdt resonnering og ønsket utdata samlet. Evalueringsbudsjettene i modellkortet er ikke universelle svargrenser.
Gjennomgå kode mot kravene, visuelle funn mot inndataene og kildeavhengige påstander mot autoritativt materiale. Hold K2.6 atskilt fra K2.5 og de tekstbaserte K2-utgavene, særlig når preserve-thinking og detaljer i visuelle arbeidsflyter er viktige for oppgaven.
", "aboutText": "Kimi K2.6 er Moonshot AIs agentmodell med innebygd multimodalitet for langvarige programmeringsoppgaver, programmeringsdrevet design og samordnet oppgaveutførelse. Den tar imot tekst, bilder og video og genererer tekst, blant annet forklaringer, kode og foreslåtte verktøykall. Mixture-of-experts-varianten oppgir totalt én billion parametere, 32 milliarder aktive parametere og en kontekst på 256K, med en MoonViT visuell koder.\n\n### Programmering og visuell design\n\nProdusenten utvikler K2.6 for programmering fra start til slutt på tvers av språk og domener, inkludert arbeid i kodearkiver, frontendgrensesnitt og ytelsesoptimalisering. Gi relevant kode, forventet atferd, den observerte feilen og betingelsene endringen må bevare. For en visuell oppgave kombinerer du kravene med en lesbar skisse eller et skjermbilde og identifiserer om det viser den aktuelle tilstanden eller det ønskede resultatet.\n\nEn illustrerende instruksjon er: «Implementer dette grensesnittet fra den oppgitte visuelle spesifikasjonen, bevar feltnavnene og forklar atferden til hver påkrevd tilstand.» Den forventede leveransen er kode og den underbyggende forklaringen, etterfulgt av den faktiske observasjonen fra gjengivelse eller validering i applikasjonen. Genererte grensesnitt og tekstforslag er ikke handlinger som er utført uavhengig.\n\n### Tenkning, umiddelbare svar og bevart resonnering\n\nK2.6 støtter modusene thinking og instant. Thinking utvikler mellomliggende resonnering før det endelige svaret; instant-modus produserer et direkte svar. Produsentens anbefalinger for utrulling bruker temperatur 1.0 for thinking, 0.6 for instant og top-p 0.95. Dette er anbefalinger for den dokumenterte referansen, atskilt fra valget av stil eller lengde på det endelige svaret.\n\nEn spesifikk K2.6-funksjon er preserve-thinking, som beholder hele resonneringsinnholdet gjennom samhandling over flere samtalerunder. Den er deaktivert som standard og dokumentert for programmeringsagenter i thinking-modus. Når den brukes, tar den beholdte analysen opp kontekst sammen med verktøyobservasjoner og endelige svar. Hold oppgavens godkjente krav tydelige slik at en tidligere foreløpig tanke ikke blir et udokumentert faktum i det endelige artefaktet.\n\n### Multimodale inndata\n\nDet konkrete modellkortet demonstrerer bilde- og videoinndata. Merk flere medieelementer, bevar synlig tekst og angi detaljen eller hendelsen du vil ha forklart. For et diagram ber du om de observerte verdiene separat fra tolkningen. For video identifiserer du det relevante segmentet og endringen over tid som skal analyseres. Produsenten merker den demonstrerte videoflyten som eksperimentell i referansen; bilde- og videoforståelse produserer tekst fremfor genererte medier.\n\n### Verktøy og orkestrering\n\nK2.6 veksler mellom tenkning og verktøykall over flere steg, og dokumenterer produsentens tilnærming med en agentsverm som deler en oppgave i samordnede, spesialiserte grener. Applikasjonen stiller verktøy til rådighet, utfører valgte operasjoner og returnerer observasjonene. Definer de tillatte handlingene og det endelige artefaktet før en agentoppgave starter, som en fullført kildesammenligning, en kodeendring eller et klargjort dokument.\n\nHold hver returnert observasjon knyttet til operasjonen og kilden som produserte den. En gren eller foreslått verktøyhandling blir bare nyttig bevis når resultatet er tilgjengelig for den videre oppgaven. De navngitte modusene og produsentens orkestreringsdemonstrasjoner innebærer ikke at et vanlig tekstsvar selvstendig utfører alle handlinger i bakgrunnen eller på tvers av applikasjoner.\n\n### Kontekst og utgavens omfang\n\nK2.6 tar i bruk produsentens egen INT4-kvantiseringsmetode fra K2 Thinking. Dette er en dokumentert egenskap ved modellkontrollpunktet, forskjellig fra et løfte om en omkringliggende kjørekonfigurasjon. Konteksten på 256K må romme kilden, samtalen, eventuell beholdt resonnering og ønsket utdata samlet. Evalueringsbudsjettene i modellkortet er ikke universelle svargrenser.\n\nGjennomgå kode mot kravene, visuelle funn mot inndataene og kildeavhengige påstander mot autoritativt materiale. Hold K2.6 atskilt fra K2.5 og de tekstbaserte K2-utgavene, særlig når preserve-thinking og detaljer i visuelle arbeidsflyter er viktige for oppgaven.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Design a bounded table-sort function\n\nImplement a JavaScript function sortRows(rows, direction) for objects with a numeric score field. Return a new array, preserve input order for equal scores and support only asc or desc; reject other directions. Include examples with tied scores and tests proving the original array is unchanged. Explain how the tie rule is preserved.Function code, tie-order examples and tests for both directions, invalid direction and input preservation.Check that reversing an ascending result does not accidentally reverse equal-score rows.moonshotai/kimi-k2.6Kimi K2.6 er Moonshot AIs multimodale agentmodell for langvarige programmeringsoppgaver, visuelt grensesnittarbeid og verktøystyrte oppgaver. Den kombinerer tekst, bilder og video med resonnerende eller umiddelbare svar, og dokumenterer valgfri bevaring av resonnering på tvers av samtalerunder i en kontekst på 256K.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Kimi K2.6 er Moonshot AIs agentmodell med innebygd multimodalitet for langvarige programmeringsoppgaver, programmeringsdrevet design og samordnet oppgaveutførelse. Den tar imot tekst, bilder og video og genererer tekst, blant annet forklaringer, kode og foreslåtte verktøykall. Mixture-of-experts-varianten oppgir totalt én billion parametere, 32 milliarder aktive parametere og en kontekst på 256K, med en MoonViT visuell koder.
Produsenten utvikler K2.6 for programmering fra start til slutt på tvers av språk og domener, inkludert arbeid i kodearkiver, frontendgrensesnitt og ytelsesoptimalisering. Gi relevant kode, forventet atferd, den observerte feilen og betingelsene endringen må bevare. For en visuell oppgave kombinerer du kravene med en lesbar skisse eller et skjermbilde og identifiserer om det viser den aktuelle tilstanden eller det ønskede resultatet.
En illustrerende instruksjon er: «Implementer dette grensesnittet fra den oppgitte visuelle spesifikasjonen, bevar feltnavnene og forklar atferden til hver påkrevd tilstand.» Den forventede leveransen er kode og den underbyggende forklaringen, etterfulgt av den faktiske observasjonen fra gjengivelse eller validering i applikasjonen. Genererte grensesnitt og tekstforslag er ikke handlinger som er utført uavhengig.
K2.6 støtter modusene thinking og instant. Thinking utvikler mellomliggende resonnering før det endelige svaret; instant-modus produserer et direkte svar. Produsentens anbefalinger for utrulling bruker temperatur 1.0 for thinking, 0.6 for instant og top-p 0.95. Dette er anbefalinger for den dokumenterte referansen, atskilt fra valget av stil eller lengde på det endelige svaret.
En spesifikk K2.6-funksjon er preserve-thinking, som beholder hele resonneringsinnholdet gjennom samhandling over flere samtalerunder. Den er deaktivert som standard og dokumentert for programmeringsagenter i thinking-modus. Når den brukes, tar den beholdte analysen opp kontekst sammen med verktøyobservasjoner og endelige svar. Hold oppgavens godkjente krav tydelige slik at en tidligere foreløpig tanke ikke blir et udokumentert faktum i det endelige artefaktet.
Det konkrete modellkortet demonstrerer bilde- og videoinndata. Merk flere medieelementer, bevar synlig tekst og angi detaljen eller hendelsen du vil ha forklart. For et diagram ber du om de observerte verdiene separat fra tolkningen. For video identifiserer du det relevante segmentet og endringen over tid som skal analyseres. Produsenten merker den demonstrerte videoflyten som eksperimentell i referansen; bilde- og videoforståelse produserer tekst fremfor genererte medier.
K2.6 veksler mellom tenkning og verktøykall over flere steg, og dokumenterer produsentens tilnærming med en agentsverm som deler en oppgave i samordnede, spesialiserte grener. Applikasjonen stiller verktøy til rådighet, utfører valgte operasjoner og returnerer observasjonene. Definer de tillatte handlingene og det endelige artefaktet før en agentoppgave starter, som en fullført kildesammenligning, en kodeendring eller et klargjort dokument.
Hold hver returnert observasjon knyttet til operasjonen og kilden som produserte den. En gren eller foreslått verktøyhandling blir bare nyttig bevis når resultatet er tilgjengelig for den videre oppgaven. De navngitte modusene og produsentens orkestreringsdemonstrasjoner innebærer ikke at et vanlig tekstsvar selvstendig utfører alle handlinger i bakgrunnen eller på tvers av applikasjoner.
K2.6 tar i bruk produsentens egen INT4-kvantiseringsmetode fra K2 Thinking. Dette er en dokumentert egenskap ved modellkontrollpunktet, forskjellig fra et løfte om en omkringliggende kjørekonfigurasjon. Konteksten på 256K må romme kilden, samtalen, eventuell beholdt resonnering og ønsket utdata samlet. Evalueringsbudsjettene i modellkortet er ikke universelle svargrenser.
Gjennomgå kode mot kravene, visuelle funn mot inndataene og kildeavhengige påstander mot autoritativt materiale. Hold K2.6 atskilt fra K2.5 og de tekstbaserte K2-utgavene, særlig når preserve-thinking og detaljer i visuelle arbeidsflyter er viktige for oppgaven.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser moonshotai/kimi-k2.6 | 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 $0.0019 / 1K tokener Utdata · Utgående tokener $0.008 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00032 / 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 $0.0019 / 1K tokener Utdata · Utgående tokener $0.008 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00032 / 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-k2.6", "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-k2.6',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-k2.6',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-k2.6
Bruk metodestiene som vises ovenfor.
moonshotai/kimi-k2.6Kimi K2.6 er Moonshot AIs multimodale agentmodell for langvarige programmeringsoppgaver, visuelt grensesnittarbeid og verktøystyrte oppgaver. Den kombinerer tekst, bilder og video med resonnerende eller umiddelbare svar, og dokumenterer valgfri bevaring av resonnering på tvers av samtalerunder i en kontekst på 256K.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Kimi K2.6 er Moonshot AIs agentmodell med innebygd multimodalitet for langvarige programmeringsoppgaver, programmeringsdrevet design og samordnet oppgaveutførelse. Den tar imot tekst, bilder og video og genererer tekst, blant annet forklaringer, kode og foreslåtte verktøykall. Mixture-of-experts-varianten oppgir totalt én billion parametere, 32 milliarder aktive parametere og en kontekst på 256K, med en MoonViT visuell koder.
Produsenten utvikler K2.6 for programmering fra start til slutt på tvers av språk og domener, inkludert arbeid i kodearkiver, frontendgrensesnitt og ytelsesoptimalisering. Gi relevant kode, forventet atferd, den observerte feilen og betingelsene endringen må bevare. For en visuell oppgave kombinerer du kravene med en lesbar skisse eller et skjermbilde og identifiserer om det viser den aktuelle tilstanden eller det ønskede resultatet.
En illustrerende instruksjon er: «Implementer dette grensesnittet fra den oppgitte visuelle spesifikasjonen, bevar feltnavnene og forklar atferden til hver påkrevd tilstand.» Den forventede leveransen er kode og den underbyggende forklaringen, etterfulgt av den faktiske observasjonen fra gjengivelse eller validering i applikasjonen. Genererte grensesnitt og tekstforslag er ikke handlinger som er utført uavhengig.
K2.6 støtter modusene thinking og instant. Thinking utvikler mellomliggende resonnering før det endelige svaret; instant-modus produserer et direkte svar. Produsentens anbefalinger for utrulling bruker temperatur 1.0 for thinking, 0.6 for instant og top-p 0.95. Dette er anbefalinger for den dokumenterte referansen, atskilt fra valget av stil eller lengde på det endelige svaret.
En spesifikk K2.6-funksjon er preserve-thinking, som beholder hele resonneringsinnholdet gjennom samhandling over flere samtalerunder. Den er deaktivert som standard og dokumentert for programmeringsagenter i thinking-modus. Når den brukes, tar den beholdte analysen opp kontekst sammen med verktøyobservasjoner og endelige svar. Hold oppgavens godkjente krav tydelige slik at en tidligere foreløpig tanke ikke blir et udokumentert faktum i det endelige artefaktet.
Det konkrete modellkortet demonstrerer bilde- og videoinndata. Merk flere medieelementer, bevar synlig tekst og angi detaljen eller hendelsen du vil ha forklart. For et diagram ber du om de observerte verdiene separat fra tolkningen. For video identifiserer du det relevante segmentet og endringen over tid som skal analyseres. Produsenten merker den demonstrerte videoflyten som eksperimentell i referansen; bilde- og videoforståelse produserer tekst fremfor genererte medier.
K2.6 veksler mellom tenkning og verktøykall over flere steg, og dokumenterer produsentens tilnærming med en agentsverm som deler en oppgave i samordnede, spesialiserte grener. Applikasjonen stiller verktøy til rådighet, utfører valgte operasjoner og returnerer observasjonene. Definer de tillatte handlingene og det endelige artefaktet før en agentoppgave starter, som en fullført kildesammenligning, en kodeendring eller et klargjort dokument.
Hold hver returnert observasjon knyttet til operasjonen og kilden som produserte den. En gren eller foreslått verktøyhandling blir bare nyttig bevis når resultatet er tilgjengelig for den videre oppgaven. De navngitte modusene og produsentens orkestreringsdemonstrasjoner innebærer ikke at et vanlig tekstsvar selvstendig utfører alle handlinger i bakgrunnen eller på tvers av applikasjoner.
K2.6 tar i bruk produsentens egen INT4-kvantiseringsmetode fra K2 Thinking. Dette er en dokumentert egenskap ved modellkontrollpunktet, forskjellig fra et løfte om en omkringliggende kjørekonfigurasjon. Konteksten på 256K må romme kilden, samtalen, eventuell beholdt resonnering og ønsket utdata samlet. Evalueringsbudsjettene i modellkortet er ikke universelle svargrenser.
Gjennomgå kode mot kravene, visuelle funn mot inndataene og kildeavhengige påstander mot autoritativt materiale. Hold K2.6 atskilt fra K2.5 og de tekstbaserte K2-utgavene, særlig når preserve-thinking og detaljer i visuelle arbeidsflyter er viktige for oppgaven.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser moonshotai/kimi-k2.6 | 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 $0.0019 / 1K tokener Utdata · Utgående tokener $0.008 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00032 / 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 $0.0019 / 1K tokener Utdata · Utgående tokener $0.008 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00032 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "moonshotai/kimi-k2.6",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-k2.6', '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-k2.6', '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-k2.6
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Design a bounded table-sort function\n\nImplement a JavaScript function sortRows(rows, direction) for objects with a numeric score field. Return a new array, preserve input order for equal scores and support only asc or desc; reject other directions. Include examples with tied scores and tests proving the original array is unchanged. Explain how the tie rule is preserved.Function code, tie-order examples and tests for both directions, invalid direction and input preservation.Check that reversing an ascending result does not accidentally reverse equal-score rows.