Kimi K2 Instruct 0711 er Moonshot AIs opprinnelige ettertrente K2-tekstmodell for allsidig chat og agentoppgaver. Produsenten skiller den fra K2 Base, som er grunnmodellen, og beskriver instruksjonsutgaven som refleksrask uten lang tenkning. Den tar imot tekst og genererer svar, kode og innhold til verktøykall, med en kontekst på 128K.
K2 er en mixture-of-experts-modell med totalt én billion parametere og 32 milliarder aktive parametere. Produsentens sammendrag bruker latent oppmerksomhet med flere hoder og sparsom ekspertruting, og velger åtte av 384 eksperter per token med en delt ekspert. Forhåndstreningen bruker 15,5 billioner tokener og optimaliseringstilnærmingen MuonClip, utviklet for stabil trening i modellens skala.
Dette er egenskaper ved den opprinnelige K2-familien. Instruksjonsutgivelsen gir deretter atferden som brukes til chat, programmering og autonom problemløsing med applikasjonsverktøy. Identiteten forblir forskjellig fra den senere 0905-kontekstutvidelsen, den separate Thinking-utgivelsen og de multimodale K2.5- og K2.6-modellene.
For et spørsmål gir du konteksten som fastslår svaret, og identifiserer svarformen du trenger. For en programmeringsoppgave inkluderer du relevant implementasjon, observert feil, forventet atferd og begrensninger som skal bevares. En illustrerende forespørsel er: «Forklar hvorfor disse inndataene feiler, foreslå den minste rettelsen og returner den endrede funksjonen med den underbyggende betingelsen i kildekoden.»
For dokumentarbeid navngir du passasjene og kriteriene for en sammenligning. Be resultatet bevare egennavn, feltidentifikatorer og enheter, og identifisere informasjon materialet ikke inneholder. Det ønskede artefaktet bør forbli eksplisitt gjennom revisjoner fremfor å erstattes av brede kommentarer.
Den opprinnelige produsentveiledningen anbefaler temperatur 0.6 og tilbyr en enkel assistentsysteminstruksjon som standard når en spesialisert rolle er unødvendig. Denne varianten produserer oppgavesvaret direkte fremfor å pålegge den senere Thinking-modellens utvidede kontrakt for vekslende resonnering. Angi språket, de obligatoriske detaljene og den forventede lengden på det endelige svaret uavhengig av samplingsanbefalingen.
K2 Instruct støtter funksjoner oppgitt i hver forespørsel med navn, beskrivelser og parameterskjemaer. Modellen velger når og hvordan de skal kalles. Applikasjonen tolker de foreslåtte JSON-argumentene og utfører den valgte operasjonen; returnerte observasjoner går inn i samtalen med samsvarende verktøykallidentifikator og funksjonsnavn. Det påfølgende svaret kan bruke disse faktiske resultatene til å svare eller fortsette en oppgave.
Definer hva hvert verktøy gjør, og hvilke handlinger som er tillatt. Et dokumentoppslag kan returnere det manglende produktfeltet, mens et utviklingsverktøy kan returnere kildekode eller en observert feil. En valgt operasjon er ikke bevis på utførelse før resultatet er tilgjengelig. Bevar observasjonen sammen med oppgaven slik at en endelig konklusjon kan identifisere hva som underbygger den.
Det opprinnelige vinduet på 128K inneholder kildetekst, samtale, verktøyhistorikk og generert innhold samlet. Sett av plass til svaret og organiser et langt kodearkiv eller en dokumentsamling rundt det faktiske spørsmålet. Fullføringsstørrelsen i eksemplet i modellkortet fastslår ikke et universelt absolutt svartak.
Det nyttige resultatet er en gjennomgått tekst, et kodeforslag eller en kildebasert analyse. Kontroller verdier mot det oppgitte materialet og kode i den tiltenkte applikasjonen. Bevar den direkte instruksjonsvarianten til 0711-utgaven fremfor å tilskrive den senere funksjoner for kontekst, visuell inndata eller bevaring av resonnering fra en annen K2-utgivelse.
", "aboutText": "Kimi K2 Instruct 0711 er Moonshot AIs opprinnelige ettertrente K2-tekstmodell for allsidig chat og agentoppgaver. Produsenten skiller den fra K2 Base, som er grunnmodellen, og beskriver instruksjonsutgaven som refleksrask uten lang tenkning. Den tar imot tekst og genererer svar, kode og innhold til verktøykall, med en kontekst på 128K.\n\n### Arkitektur og trening\n\nK2 er en mixture-of-experts-modell med totalt én billion parametere og 32 milliarder aktive parametere. Produsentens sammendrag bruker latent oppmerksomhet med flere hoder og sparsom ekspertruting, og velger åtte av 384 eksperter per token med en delt ekspert. Forhåndstreningen bruker 15,5 billioner tokener og optimaliseringstilnærmingen MuonClip, utviklet for stabil trening i modellens skala.\n\nDette er egenskaper ved den opprinnelige K2-familien. Instruksjonsutgivelsen gir deretter atferden som brukes til chat, programmering og autonom problemløsing med applikasjonsverktøy. Identiteten forblir forskjellig fra den senere 0905-kontekstutvidelsen, den separate Thinking-utgivelsen og de multimodale K2.5- og K2.6-modellene.\n\n### Forbered oppgaven\n\nFor et spørsmål gir du konteksten som fastslår svaret, og identifiserer svarformen du trenger. For en programmeringsoppgave inkluderer du relevant implementasjon, observert feil, forventet atferd og begrensninger som skal bevares. En illustrerende forespørsel er: «Forklar hvorfor disse inndataene feiler, foreslå den minste rettelsen og returner den endrede funksjonen med den underbyggende betingelsen i kildekoden.»\n\nFor dokumentarbeid navngir du passasjene og kriteriene for en sammenligning. Be resultatet bevare egennavn, feltidentifikatorer og enheter, og identifisere informasjon materialet ikke inneholder. Det ønskede artefaktet bør forbli eksplisitt gjennom revisjoner fremfor å erstattes av brede kommentarer.\n\n### Chatvariant\n\nDen opprinnelige produsentveiledningen anbefaler temperatur 0.6 og tilbyr en enkel assistentsysteminstruksjon som standard når en spesialisert rolle er unødvendig. Denne varianten produserer oppgavesvaret direkte fremfor å pålegge den senere Thinking-modellens utvidede kontrakt for vekslende resonnering. Angi språket, de obligatoriske detaljene og den forventede lengden på det endelige svaret uavhengig av samplingsanbefalingen.\n\n### Verktøy og observasjoner\n\nK2 Instruct støtter funksjoner oppgitt i hver forespørsel med navn, beskrivelser og parameterskjemaer. Modellen velger når og hvordan de skal kalles. Applikasjonen tolker de foreslåtte JSON-argumentene og utfører den valgte operasjonen; returnerte observasjoner går inn i samtalen med samsvarende verktøykallidentifikator og funksjonsnavn. Det påfølgende svaret kan bruke disse faktiske resultatene til å svare eller fortsette en oppgave.\n\nDefiner hva hvert verktøy gjør, og hvilke handlinger som er tillatt. Et dokumentoppslag kan returnere det manglende produktfeltet, mens et utviklingsverktøy kan returnere kildekode eller en observert feil. En valgt operasjon er ikke bevis på utførelse før resultatet er tilgjengelig. Bevar observasjonen sammen med oppgaven slik at en endelig konklusjon kan identifisere hva som underbygger den.\n\n### Kontekst og resultatgjennomgang\n\nDet opprinnelige vinduet på 128K inneholder kildetekst, samtale, verktøyhistorikk og generert innhold samlet. Sett av plass til svaret og organiser et langt kodearkiv eller en dokumentsamling rundt det faktiske spørsmålet. Fullføringsstørrelsen i eksemplet i modellkortet fastslår ikke et universelt absolutt svartak.\n\nDet nyttige resultatet er en gjennomgått tekst, et kodeforslag eller en kildebasert analyse. Kontroller verdier mot det oppgitte materialet og kode i den tiltenkte applikasjonen. Bevar den direkte instruksjonsvarianten til 0711-utgaven fremfor å tilskrive den senere funksjoner for kontekst, visuell inndata eller bevaring av resonnering fra en annen K2-utgivelse.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Fix an empty-input crash\n\nFix this Python function: def first_name(names): return names[0].strip(). For an empty list it must return None; otherwise preserve the existing trimming behavior, including returning an empty string for whitespace-only input. Return a minimal implementation and tests for an empty list, a padded name and a whitespace-only name.A revised first_name function and three tests with explicit expected values.Check that only an empty list returns None and that a whitespace-only first value still returns an empty string.moonshotai/kimi-k2Kimi K2 Instruct 0711 er Moonshot AIs opprinnelige ettertrente K2-tekstmodell for chat, programmering og verktøystyrte agenter. Konteksten på 128K og den refleksraske svarprofilen produserer svar, kode og valgte funksjonskall uten den senere K2 Thinking-arbeidsflyten.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Kimi K2 Instruct 0711 er Moonshot AIs opprinnelige ettertrente K2-tekstmodell for allsidig chat og agentoppgaver. Produsenten skiller den fra K2 Base, som er grunnmodellen, og beskriver instruksjonsutgaven som refleksrask uten lang tenkning. Den tar imot tekst og genererer svar, kode og innhold til verktøykall, med en kontekst på 128K.
K2 er en mixture-of-experts-modell med totalt én billion parametere og 32 milliarder aktive parametere. Produsentens sammendrag bruker latent oppmerksomhet med flere hoder og sparsom ekspertruting, og velger åtte av 384 eksperter per token med en delt ekspert. Forhåndstreningen bruker 15,5 billioner tokener og optimaliseringstilnærmingen MuonClip, utviklet for stabil trening i modellens skala.
Dette er egenskaper ved den opprinnelige K2-familien. Instruksjonsutgivelsen gir deretter atferden som brukes til chat, programmering og autonom problemløsing med applikasjonsverktøy. Identiteten forblir forskjellig fra den senere 0905-kontekstutvidelsen, den separate Thinking-utgivelsen og de multimodale K2.5- og K2.6-modellene.
For et spørsmål gir du konteksten som fastslår svaret, og identifiserer svarformen du trenger. For en programmeringsoppgave inkluderer du relevant implementasjon, observert feil, forventet atferd og begrensninger som skal bevares. En illustrerende forespørsel er: «Forklar hvorfor disse inndataene feiler, foreslå den minste rettelsen og returner den endrede funksjonen med den underbyggende betingelsen i kildekoden.»
For dokumentarbeid navngir du passasjene og kriteriene for en sammenligning. Be resultatet bevare egennavn, feltidentifikatorer og enheter, og identifisere informasjon materialet ikke inneholder. Det ønskede artefaktet bør forbli eksplisitt gjennom revisjoner fremfor å erstattes av brede kommentarer.
Den opprinnelige produsentveiledningen anbefaler temperatur 0.6 og tilbyr en enkel assistentsysteminstruksjon som standard når en spesialisert rolle er unødvendig. Denne varianten produserer oppgavesvaret direkte fremfor å pålegge den senere Thinking-modellens utvidede kontrakt for vekslende resonnering. Angi språket, de obligatoriske detaljene og den forventede lengden på det endelige svaret uavhengig av samplingsanbefalingen.
K2 Instruct støtter funksjoner oppgitt i hver forespørsel med navn, beskrivelser og parameterskjemaer. Modellen velger når og hvordan de skal kalles. Applikasjonen tolker de foreslåtte JSON-argumentene og utfører den valgte operasjonen; returnerte observasjoner går inn i samtalen med samsvarende verktøykallidentifikator og funksjonsnavn. Det påfølgende svaret kan bruke disse faktiske resultatene til å svare eller fortsette en oppgave.
Definer hva hvert verktøy gjør, og hvilke handlinger som er tillatt. Et dokumentoppslag kan returnere det manglende produktfeltet, mens et utviklingsverktøy kan returnere kildekode eller en observert feil. En valgt operasjon er ikke bevis på utførelse før resultatet er tilgjengelig. Bevar observasjonen sammen med oppgaven slik at en endelig konklusjon kan identifisere hva som underbygger den.
Det opprinnelige vinduet på 128K inneholder kildetekst, samtale, verktøyhistorikk og generert innhold samlet. Sett av plass til svaret og organiser et langt kodearkiv eller en dokumentsamling rundt det faktiske spørsmålet. Fullføringsstørrelsen i eksemplet i modellkortet fastslår ikke et universelt absolutt svartak.
Det nyttige resultatet er en gjennomgått tekst, et kodeforslag eller en kildebasert analyse. Kontroller verdier mot det oppgitte materialet og kode i den tiltenkte applikasjonen. Bevar den direkte instruksjonsvarianten til 0711-utgaven fremfor å tilskrive den senere funksjoner for kontekst, visuell inndata eller bevaring av resonnering fra en annen K2-utgivelse.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser moonshotai/kimi-k2 | 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 $0.00114 / 1K tokener Utdata · Utgående tokener $0.0046 / 1K tokener Inndata · Lesing fra hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer — / 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 $0.00114 / 1K tokener Utdata · Utgående tokener $0.0046 / 1K tokener Inndata · Lesing fra hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${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", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='moonshotai/kimi-k2',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='moonshotai/kimi-k2',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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
Bruk metodestiene som vises ovenfor.
moonshotai/kimi-k2Kimi K2 Instruct 0711 er Moonshot AIs opprinnelige ettertrente K2-tekstmodell for chat, programmering og verktøystyrte agenter. Konteksten på 128K og den refleksraske svarprofilen produserer svar, kode og valgte funksjonskall uten den senere K2 Thinking-arbeidsflyten.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Kimi K2 Instruct 0711 er Moonshot AIs opprinnelige ettertrente K2-tekstmodell for allsidig chat og agentoppgaver. Produsenten skiller den fra K2 Base, som er grunnmodellen, og beskriver instruksjonsutgaven som refleksrask uten lang tenkning. Den tar imot tekst og genererer svar, kode og innhold til verktøykall, med en kontekst på 128K.
K2 er en mixture-of-experts-modell med totalt én billion parametere og 32 milliarder aktive parametere. Produsentens sammendrag bruker latent oppmerksomhet med flere hoder og sparsom ekspertruting, og velger åtte av 384 eksperter per token med en delt ekspert. Forhåndstreningen bruker 15,5 billioner tokener og optimaliseringstilnærmingen MuonClip, utviklet for stabil trening i modellens skala.
Dette er egenskaper ved den opprinnelige K2-familien. Instruksjonsutgivelsen gir deretter atferden som brukes til chat, programmering og autonom problemløsing med applikasjonsverktøy. Identiteten forblir forskjellig fra den senere 0905-kontekstutvidelsen, den separate Thinking-utgivelsen og de multimodale K2.5- og K2.6-modellene.
For et spørsmål gir du konteksten som fastslår svaret, og identifiserer svarformen du trenger. For en programmeringsoppgave inkluderer du relevant implementasjon, observert feil, forventet atferd og begrensninger som skal bevares. En illustrerende forespørsel er: «Forklar hvorfor disse inndataene feiler, foreslå den minste rettelsen og returner den endrede funksjonen med den underbyggende betingelsen i kildekoden.»
For dokumentarbeid navngir du passasjene og kriteriene for en sammenligning. Be resultatet bevare egennavn, feltidentifikatorer og enheter, og identifisere informasjon materialet ikke inneholder. Det ønskede artefaktet bør forbli eksplisitt gjennom revisjoner fremfor å erstattes av brede kommentarer.
Den opprinnelige produsentveiledningen anbefaler temperatur 0.6 og tilbyr en enkel assistentsysteminstruksjon som standard når en spesialisert rolle er unødvendig. Denne varianten produserer oppgavesvaret direkte fremfor å pålegge den senere Thinking-modellens utvidede kontrakt for vekslende resonnering. Angi språket, de obligatoriske detaljene og den forventede lengden på det endelige svaret uavhengig av samplingsanbefalingen.
K2 Instruct støtter funksjoner oppgitt i hver forespørsel med navn, beskrivelser og parameterskjemaer. Modellen velger når og hvordan de skal kalles. Applikasjonen tolker de foreslåtte JSON-argumentene og utfører den valgte operasjonen; returnerte observasjoner går inn i samtalen med samsvarende verktøykallidentifikator og funksjonsnavn. Det påfølgende svaret kan bruke disse faktiske resultatene til å svare eller fortsette en oppgave.
Definer hva hvert verktøy gjør, og hvilke handlinger som er tillatt. Et dokumentoppslag kan returnere det manglende produktfeltet, mens et utviklingsverktøy kan returnere kildekode eller en observert feil. En valgt operasjon er ikke bevis på utførelse før resultatet er tilgjengelig. Bevar observasjonen sammen med oppgaven slik at en endelig konklusjon kan identifisere hva som underbygger den.
Det opprinnelige vinduet på 128K inneholder kildetekst, samtale, verktøyhistorikk og generert innhold samlet. Sett av plass til svaret og organiser et langt kodearkiv eller en dokumentsamling rundt det faktiske spørsmålet. Fullføringsstørrelsen i eksemplet i modellkortet fastslår ikke et universelt absolutt svartak.
Det nyttige resultatet er en gjennomgått tekst, et kodeforslag eller en kildebasert analyse. Kontroller verdier mot det oppgitte materialet og kode i den tiltenkte applikasjonen. Bevar den direkte instruksjonsvarianten til 0711-utgaven fremfor å tilskrive den senere funksjoner for kontekst, visuell inndata eller bevaring av resonnering fra en annen K2-utgivelse.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser moonshotai/kimi-k2 | 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 $0.00114 / 1K tokener Utdata · Utgående tokener $0.0046 / 1K tokener Inndata · Lesing fra hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer — / 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 $0.00114 / 1K tokener Utdata · Utgående tokener $0.0046 / 1K tokener Inndata · Lesing fra hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "moonshotai/kimi-k2",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'moonshotai/kimi-k2', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'moonshotai/kimi-k2', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Fix an empty-input crash\n\nFix this Python function: def first_name(names): return names[0].strip(). For an empty list it must return None; otherwise preserve the existing trimming behavior, including returning an empty string for whitespace-only input. Return a minimal implementation and tests for an empty list, a padded name and a whitespace-only name.A revised first_name function and three tests with explicit expected values.Check that only an empty list returns None and that a whitespace-only first value still returns an empty string.