Kimi K2 Thinking er Moonshot AIs resonneringsagentutgave utviklet fra Kimi K2. Den arbeider gjennom en oppgave mens den velger funksjoner fra applikasjonen rundt, og kombinerer mellomliggende analyse med verktøyobservasjoner før sluttsvaret produseres. Den publiserte profilen med en blanding av eksperter har én billion parametere totalt, 32 milliarder aktive parametere og en kontekst på 256K. De dokumenterte oppgaveinndataene og svaret er tekst.
Produsenten utvikler K2 Thinking til forsknings-, kode- og skrivearbeidsflyter som krever mange trinn. Det definerende kjennetegnet er å veksle mellom resonnering og funksjonskall i stedet for å behandle tenking og handling som to uavhengige stadier. En nyttig oppgavebeskrivelse angir spørsmålet, tilgjengelige kilder eller verktøy, tillatte handlinger og resultatet som markerer ferdigstillelse.
For forskning gir du kriteriene for en relevant kilde og krever at konklusjonen viser til kildebelegget som er hentet. For koding inkluderer du den relevante implementasjonen, den feilende oppførselen og begrensningene og ber deretter om den endelige patchen og støttende observasjoner. En illustrativ prompt er: «Bruk den oppgitte koden og verktøyresultatene til å identifisere årsaken, foreslå en avgrenset endring og skille ferdig validering fra en kontroll som fortsatt må kjøres.»
K2 Thinking bruker kvantiseringsbevisst trening under ettertreningen, med innebygd INT4-kvantisering av bare vekter i komponentene som bruker en blanding av eksperter. Dette er et særtrekk ved produsentens sjekkpunkt, ikke en grunn til å tilskrive modellen presisjonen eller modaliteten til en annen K2-utgave. Det opprinnelige modellformatet er fortsatt adskilt fra hvordan en bestemt applikasjon kjører det.
Det konkrete kortet bruker innstillingene for verktøykall fra K2 Instruct. Oppgi tilgjengelige funksjonsnavn, beskrivelser og parameterskjemaer i hver forespørsel. Modellen avgjør når og hvordan de skal kalles. Applikasjonen tolker de foreslåtte argumentene, utfører den valgte funksjonen og returnerer resultatet i en verktøymelding med tilhørende identifikator og navn. Modellens neste steg kan bruke denne observasjonen eller velge en annen operasjon.
Behold de opprinnelige observasjonene i samtalen, og beskriv hva som teller som et ferdig resultat. Et valgt søkekall er ikke en innhentet kilde før applikasjonen returnerer den, og generert kode er ikke en vellykket kjøring. For et strukturert resultat kontrollerer du både feltene og samsvaret deres med det oppgitte kildebelegget.
Produsenten anbefaler temperatur 1.0 og gir en enkel systeminstruks for assistenten som standard når ingen spesialinstruks trengs. Angi sluttsvarets språk og form separat: en kort konklusjon, en analyse med kildereferanser eller en kodeleveranse. Tankeinnholdet og sluttsvaret har ulike formål og bør kunne skilles fra hverandre.
Konteksten på 256K må romme instrukser, kildemateriale, samtale, resonnering og verktøyresultater. En lang verktøystyrt oppgave kan akkumulere mer kontekst enn det opprinnelige spørsmålet antyder. Hold kildebelegget relevant, og bevar ønsket resultat gjennom oppfølgingene. Modellkortets ulike tenkebudsjetter ved evaluering og størrelsen på eksempelkompletteringen er ikke universelle harde utdatagrenser.
Et nyttig sluttsvar knytter konklusjonen til de faktiske kildene eller observasjonene og identifiserer informasjon som fortsatt er uavklart. K2 Thinking er en separat utgave for tekstresonnering; bilde- og videoinndata og kontroller for instant-modus eller bevart tenking som beskrives for senere K2.5- og K2.6-utgivelser, skal ikke antas ut fra det delte familienavnet.
", "aboutText": "Kimi K2 Thinking er Moonshot AIs resonneringsagentutgave utviklet fra Kimi K2. Den arbeider gjennom en oppgave mens den velger funksjoner fra applikasjonen rundt, og kombinerer mellomliggende analyse med verktøyobservasjoner før sluttsvaret produseres. Den publiserte profilen med en blanding av eksperter har én billion parametere totalt, 32 milliarder aktive parametere og en kontekst på 256K. De dokumenterte oppgaveinndataene og svaret er tekst.\n\n### Dyp resonnering og lange oppgaver\n\nProdusenten utvikler K2 Thinking til forsknings-, kode- og skrivearbeidsflyter som krever mange trinn. Det definerende kjennetegnet er å veksle mellom resonnering og funksjonskall i stedet for å behandle tenking og handling som to uavhengige stadier. En nyttig oppgavebeskrivelse angir spørsmålet, tilgjengelige kilder eller verktøy, tillatte handlinger og resultatet som markerer ferdigstillelse.\n\nFor forskning gir du kriteriene for en relevant kilde og krever at konklusjonen viser til kildebelegget som er hentet. For koding inkluderer du den relevante implementasjonen, den feilende oppførselen og begrensningene og ber deretter om den endelige patchen og støttende observasjoner. En illustrativ prompt er: «Bruk den oppgitte koden og verktøyresultatene til å identifisere årsaken, foreslå en avgrenset endring og skille ferdig validering fra en kontroll som fortsatt må kjøres.»\n\n### Produsentsjekkpunkt og kvantisering\n\nK2 Thinking bruker kvantiseringsbevisst trening under ettertreningen, med innebygd INT4-kvantisering av bare vekter i komponentene som bruker en blanding av eksperter. Dette er et særtrekk ved produsentens sjekkpunkt, ikke en grunn til å tilskrive modellen presisjonen eller modaliteten til en annen K2-utgave. Det opprinnelige modellformatet er fortsatt adskilt fra hvordan en bestemt applikasjon kjører det.\n\n### Arbeidsflyt for verktøykall\n\nDet konkrete kortet bruker innstillingene for verktøykall fra K2 Instruct. Oppgi tilgjengelige funksjonsnavn, beskrivelser og parameterskjemaer i hver forespørsel. Modellen avgjør når og hvordan de skal kalles. Applikasjonen tolker de foreslåtte argumentene, utfører den valgte funksjonen og returnerer resultatet i en verktøymelding med tilhørende identifikator og navn. Modellens neste steg kan bruke denne observasjonen eller velge en annen operasjon.\n\nBehold de opprinnelige observasjonene i samtalen, og beskriv hva som teller som et ferdig resultat. Et valgt søkekall er ikke en innhentet kilde før applikasjonen returnerer den, og generert kode er ikke en vellykket kjøring. For et strukturert resultat kontrollerer du både feltene og samsvaret deres med det oppgitte kildebelegget.\n\n### Prompting og svarbudsjetter\n\nProdusenten anbefaler temperatur 1.0 og gir en enkel systeminstruks for assistenten som standard når ingen spesialinstruks trengs. Angi sluttsvarets språk og form separat: en kort konklusjon, en analyse med kildereferanser eller en kodeleveranse. Tankeinnholdet og sluttsvaret har ulike formål og bør kunne skilles fra hverandre.\n\nKonteksten på 256K må romme instrukser, kildemateriale, samtale, resonnering og verktøyresultater. En lang verktøystyrt oppgave kan akkumulere mer kontekst enn det opprinnelige spørsmålet antyder. Hold kildebelegget relevant, og bevar ønsket resultat gjennom oppfølgingene. Modellkortets ulike tenkebudsjetter ved evaluering og størrelsen på eksempelkompletteringen er ikke universelle harde utdatagrenser.\n\nEt nyttig sluttsvar knytter konklusjonen til de faktiske kildene eller observasjonene og identifiserer informasjon som fortsatt er uavklart. K2 Thinking er en separat utgave for tekstresonnering; bilde- og videoinndata og kontroller for instant-modus eller bevart tenking som beskrives for senere K2.5- og K2.6-utgivelser, skal ikke antas ut fra det delte familienavnet.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Continue debugging from a real observation\n\nUse this supplied development observation: a test expected rows ordered by created_at, but equal timestamps appeared in different orders across runs. Query text is 'ORDER BY created_at'. Propose a deterministic tie-breaker using the unique id field, explain its effect and specify the next test. Distinguish the reported test result from checks still proposed.A focused query change, causal explanation and a test for rows sharing the same timestamp.The revised ordering includes a unique tie-breaker, and the answer does not claim the new test has run.moonshotai/kimi-k2-thinkingKimi K2 Thinking er Moonshot AIs tekstbaserte resonneringsagent som veksler mellom analyse og funksjonskall. Konteksten på 256K og produsentens opprinnelige INT4-modellkontrollpunkt støtter forskning, programmering og skriving over flere steg, med endelige svar forankret i observasjonene som returneres av oppgitte verktøy.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Kimi K2 Thinking er Moonshot AIs resonneringsagentutgave utviklet fra Kimi K2. Den arbeider gjennom en oppgave mens den velger funksjoner fra applikasjonen rundt, og kombinerer mellomliggende analyse med verktøyobservasjoner før sluttsvaret produseres. Den publiserte profilen med en blanding av eksperter har én billion parametere totalt, 32 milliarder aktive parametere og en kontekst på 256K. De dokumenterte oppgaveinndataene og svaret er tekst.
Produsenten utvikler K2 Thinking til forsknings-, kode- og skrivearbeidsflyter som krever mange trinn. Det definerende kjennetegnet er å veksle mellom resonnering og funksjonskall i stedet for å behandle tenking og handling som to uavhengige stadier. En nyttig oppgavebeskrivelse angir spørsmålet, tilgjengelige kilder eller verktøy, tillatte handlinger og resultatet som markerer ferdigstillelse.
For forskning gir du kriteriene for en relevant kilde og krever at konklusjonen viser til kildebelegget som er hentet. For koding inkluderer du den relevante implementasjonen, den feilende oppførselen og begrensningene og ber deretter om den endelige patchen og støttende observasjoner. En illustrativ prompt er: «Bruk den oppgitte koden og verktøyresultatene til å identifisere årsaken, foreslå en avgrenset endring og skille ferdig validering fra en kontroll som fortsatt må kjøres.»
K2 Thinking bruker kvantiseringsbevisst trening under ettertreningen, med innebygd INT4-kvantisering av bare vekter i komponentene som bruker en blanding av eksperter. Dette er et særtrekk ved produsentens sjekkpunkt, ikke en grunn til å tilskrive modellen presisjonen eller modaliteten til en annen K2-utgave. Det opprinnelige modellformatet er fortsatt adskilt fra hvordan en bestemt applikasjon kjører det.
Det konkrete kortet bruker innstillingene for verktøykall fra K2 Instruct. Oppgi tilgjengelige funksjonsnavn, beskrivelser og parameterskjemaer i hver forespørsel. Modellen avgjør når og hvordan de skal kalles. Applikasjonen tolker de foreslåtte argumentene, utfører den valgte funksjonen og returnerer resultatet i en verktøymelding med tilhørende identifikator og navn. Modellens neste steg kan bruke denne observasjonen eller velge en annen operasjon.
Behold de opprinnelige observasjonene i samtalen, og beskriv hva som teller som et ferdig resultat. Et valgt søkekall er ikke en innhentet kilde før applikasjonen returnerer den, og generert kode er ikke en vellykket kjøring. For et strukturert resultat kontrollerer du både feltene og samsvaret deres med det oppgitte kildebelegget.
Produsenten anbefaler temperatur 1.0 og gir en enkel systeminstruks for assistenten som standard når ingen spesialinstruks trengs. Angi sluttsvarets språk og form separat: en kort konklusjon, en analyse med kildereferanser eller en kodeleveranse. Tankeinnholdet og sluttsvaret har ulike formål og bør kunne skilles fra hverandre.
Konteksten på 256K må romme instrukser, kildemateriale, samtale, resonnering og verktøyresultater. En lang verktøystyrt oppgave kan akkumulere mer kontekst enn det opprinnelige spørsmålet antyder. Hold kildebelegget relevant, og bevar ønsket resultat gjennom oppfølgingene. Modellkortets ulike tenkebudsjetter ved evaluering og størrelsen på eksempelkompletteringen er ikke universelle harde utdatagrenser.
Et nyttig sluttsvar knytter konklusjonen til de faktiske kildene eller observasjonene og identifiserer informasjon som fortsatt er uavklart. K2 Thinking er en separat utgave for tekstresonnering; bilde- og videoinndata og kontroller for instant-modus eller bevart tenking som beskrives for senere K2.5- og K2.6-utgivelser, skal ikke antas ut fra det delte familienavnet.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser moonshotai/kimi-k2-thinking | 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 $0.0003 / 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 $0.005 / 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-thinking", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='moonshotai/kimi-k2-thinking',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='moonshotai/kimi-k2-thinking',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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-thinking
Bruk metodestiene som vises ovenfor.
moonshotai/kimi-k2-thinkingKimi K2 Thinking er Moonshot AIs tekstbaserte resonneringsagent som veksler mellom analyse og funksjonskall. Konteksten på 256K og produsentens opprinnelige INT4-modellkontrollpunkt støtter forskning, programmering og skriving over flere steg, med endelige svar forankret i observasjonene som returneres av oppgitte verktøy.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Kimi K2 Thinking er Moonshot AIs resonneringsagentutgave utviklet fra Kimi K2. Den arbeider gjennom en oppgave mens den velger funksjoner fra applikasjonen rundt, og kombinerer mellomliggende analyse med verktøyobservasjoner før sluttsvaret produseres. Den publiserte profilen med en blanding av eksperter har én billion parametere totalt, 32 milliarder aktive parametere og en kontekst på 256K. De dokumenterte oppgaveinndataene og svaret er tekst.
Produsenten utvikler K2 Thinking til forsknings-, kode- og skrivearbeidsflyter som krever mange trinn. Det definerende kjennetegnet er å veksle mellom resonnering og funksjonskall i stedet for å behandle tenking og handling som to uavhengige stadier. En nyttig oppgavebeskrivelse angir spørsmålet, tilgjengelige kilder eller verktøy, tillatte handlinger og resultatet som markerer ferdigstillelse.
For forskning gir du kriteriene for en relevant kilde og krever at konklusjonen viser til kildebelegget som er hentet. For koding inkluderer du den relevante implementasjonen, den feilende oppførselen og begrensningene og ber deretter om den endelige patchen og støttende observasjoner. En illustrativ prompt er: «Bruk den oppgitte koden og verktøyresultatene til å identifisere årsaken, foreslå en avgrenset endring og skille ferdig validering fra en kontroll som fortsatt må kjøres.»
K2 Thinking bruker kvantiseringsbevisst trening under ettertreningen, med innebygd INT4-kvantisering av bare vekter i komponentene som bruker en blanding av eksperter. Dette er et særtrekk ved produsentens sjekkpunkt, ikke en grunn til å tilskrive modellen presisjonen eller modaliteten til en annen K2-utgave. Det opprinnelige modellformatet er fortsatt adskilt fra hvordan en bestemt applikasjon kjører det.
Det konkrete kortet bruker innstillingene for verktøykall fra K2 Instruct. Oppgi tilgjengelige funksjonsnavn, beskrivelser og parameterskjemaer i hver forespørsel. Modellen avgjør når og hvordan de skal kalles. Applikasjonen tolker de foreslåtte argumentene, utfører den valgte funksjonen og returnerer resultatet i en verktøymelding med tilhørende identifikator og navn. Modellens neste steg kan bruke denne observasjonen eller velge en annen operasjon.
Behold de opprinnelige observasjonene i samtalen, og beskriv hva som teller som et ferdig resultat. Et valgt søkekall er ikke en innhentet kilde før applikasjonen returnerer den, og generert kode er ikke en vellykket kjøring. For et strukturert resultat kontrollerer du både feltene og samsvaret deres med det oppgitte kildebelegget.
Produsenten anbefaler temperatur 1.0 og gir en enkel systeminstruks for assistenten som standard når ingen spesialinstruks trengs. Angi sluttsvarets språk og form separat: en kort konklusjon, en analyse med kildereferanser eller en kodeleveranse. Tankeinnholdet og sluttsvaret har ulike formål og bør kunne skilles fra hverandre.
Konteksten på 256K må romme instrukser, kildemateriale, samtale, resonnering og verktøyresultater. En lang verktøystyrt oppgave kan akkumulere mer kontekst enn det opprinnelige spørsmålet antyder. Hold kildebelegget relevant, og bevar ønsket resultat gjennom oppfølgingene. Modellkortets ulike tenkebudsjetter ved evaluering og størrelsen på eksempelkompletteringen er ikke universelle harde utdatagrenser.
Et nyttig sluttsvar knytter konklusjonen til de faktiske kildene eller observasjonene og identifiserer informasjon som fortsatt er uavklart. K2 Thinking er en separat utgave for tekstresonnering; bilde- og videoinndata og kontroller for instant-modus eller bevart tenking som beskrives for senere K2.5- og K2.6-utgivelser, skal ikke antas ut fra det delte familienavnet.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser moonshotai/kimi-k2-thinking | 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 $0.0003 / 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 $0.005 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.0003 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "moonshotai/kimi-k2-thinking",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'moonshotai/kimi-k2-thinking', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'moonshotai/kimi-k2-thinking', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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-thinking
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Continue debugging from a real observation\n\nUse this supplied development observation: a test expected rows ordered by created_at, but equal timestamps appeared in different orders across runs. Query text is 'ORDER BY created_at'. Propose a deterministic tie-breaker using the unique id field, explain its effect and specify the next test. Distinguish the reported test result from checks still proposed.A focused query change, causal explanation and a test for rows sharing the same timestamp.The revised ordering includes a unique tie-breaker, and the answer does not claim the new test has run.