Kimi K2 Instruct 0905 to wrześniowa aktualizacja modelu instrukcyjnego Kimi K2 firmy Moonshot AI. Jest modelem tekstowym do wiedzy, rozumowania, programowania i zadań sterowanych narzędziami, o 1 bln parametrów mixture-of-experts łącznie i 32 mld aktywnych parametrów. Konkretna edycja 0905 poprawia programowanie agentowe i pracę frontendową oraz rozszerza kontekst ze 128 tys. tokenów oryginalnego wydania do 256 tys. tokenów.
Producent podkreśla zarówno praktyczne zachowanie, jak i wygląd kodu frontendowego, wraz z ulepszeniami rzeczywistych zadań agentów programistycznych. Przygotuj opis zadania programistycznego z istotną implementacją, zaobserwowanym zachowaniem i wymaganiami, które musi spełniać. Dla interfejsu wskaż treść, widoczne stany i interakcje, a także istotne cechy projektu. Przydatny wynik to kod powiązany z tymi kryteriami, a nie ogólna dyskusja o tym, jak interfejs mógłby działać.
Przykładowa instrukcja brzmi: „Zaktualizuj ten komponent zgodnie z opisanym przepływem formularza, zachowaj istniejące nazwy pól i wyjaśnij wymagane stany błędu i powodzenia”. Dla diagnostyki podaj reprezentatywne dane wejściowe i poproś model o wskazanie pierwszego nieprawidłowego warunku przed zwróceniem ukierunkowanej poprawki. Przekazuj rzeczywiste obserwacje renderowania lub walidacji do kolejnej rewizji.
Podsumowanie 0905 opisuje wielogłowicową uwagę latentną i rzadką mieszankę ekspertów, wybierającą ośmiu z 384 ekspertów na token obok eksperta współdzielonego. Kontekst o wielkości 256 tys. tokenów obsługuje większy zapis zadania niż oryginalna edycja K2, nadal mieszcząc razem źródła, rozmowę, obserwacje narzędzi i wygenerowaną odpowiedź. Większego okna nie należy odczytywać jako niezależnego maksymalnego limitu wyjścia.
Uporządkuj fragmenty repozytorium według plików, a materiał dokumentowy według sekcji. Określ końcowy artefakt i warunki, które muszą pozostać niezmienione w kolejnych turach. Dla porównania poproś o fragment tekstu lub kodu potwierdzający każdy wniosek. Zachowaj wybraną tożsamość 0905, gdy rozszerzony kontekst i aktualizacja programistyczna są ważne dla zadania.
Producent zaleca temperaturę 0.6 i dostarcza prostą instrukcję systemową asystenta dla zadań niewymagających wyspecjalizowanej roli. Zdefiniuj język i postać odpowiedzi oddzielnie, na przykład wyjaśnienie, porównanie poparte źródłami lub sam kod. Utrzymuje to widoczność pożądanego wyniku końcowego nawet wtedy, gdy aplikacja wykorzystuje kilka kroków modelu.
Konkretna karta dokumentuje dostępne narzędzia dostarczane w każdym żądaniu. Funkcje mają nazwy, opisy i schematy parametrów; model decyduje, kiedy i jak je wywołać. Aplikacja parsuje wybrane argumenty JSON, wykonuje operację i zwraca wynik narzędzia powiązany z identyfikatorem wywołania. Kolejna odpowiedź może następnie wykorzystać rzeczywistą obserwację lub kontynuować zadanie.
Wygenerowana poprawka, wybrana operacja lub plan wyszukiwania pozostają propozycją, dopóki otaczająca aplikacja ich nie wykona. Zachowaj wynik tej operacji jako dowód dla kolejnego kroku i końcowego przekazania. Sprawdzaj wyodrębnione wartości względem materiału źródłowego, a kod względem żądanego zachowania.
K2 Instruct 0905 pozostaje odrębny od K2 Thinking i późniejszych multimodalnych edycji K2.5 oraz K2.6. Ich wejść obrazowych/wideo, właściwości natywnego checkpointu rozumowania INT4 i mechanizmów preserve-thinking nie należy zakładać dla tej nazwanej aktualizacji tekstowej. Przydatny wynik to ukierunkowany artefakt tekstowy lub kod oparty na zadaniu i rzeczywiście zwróconych obserwacjach.
", "aboutText": "Kimi K2 Instruct 0905 to wrześniowa aktualizacja modelu instrukcyjnego Kimi K2 firmy Moonshot AI. Jest modelem tekstowym do wiedzy, rozumowania, programowania i zadań sterowanych narzędziami, o 1 bln parametrów mixture-of-experts łącznie i 32 mld aktywnych parametrów. Konkretna edycja 0905 poprawia programowanie agentowe i pracę frontendową oraz rozszerza kontekst ze 128 tys. tokenów oryginalnego wydania do 256 tys. tokenów.\n\n### Co zmienia ta edycja\n\nProducent podkreśla zarówno praktyczne zachowanie, jak i wygląd kodu frontendowego, wraz z ulepszeniami rzeczywistych zadań agentów programistycznych. Przygotuj opis zadania programistycznego z istotną implementacją, zaobserwowanym zachowaniem i wymaganiami, które musi spełniać. Dla interfejsu wskaż treść, widoczne stany i interakcje, a także istotne cechy projektu. Przydatny wynik to kod powiązany z tymi kryteriami, a nie ogólna dyskusja o tym, jak interfejs mógłby działać.\n\nPrzykładowa instrukcja brzmi: „Zaktualizuj ten komponent zgodnie z opisanym przepływem formularza, zachowaj istniejące nazwy pól i wyjaśnij wymagane stany błędu i powodzenia”. Dla diagnostyki podaj reprezentatywne dane wejściowe i poproś model o wskazanie pierwszego nieprawidłowego warunku przed zwróceniem ukierunkowanej poprawki. Przekazuj rzeczywiste obserwacje renderowania lub walidacji do kolejnej rewizji.\n\n### Wariant modelu i długi kontekst\n\nPodsumowanie 0905 opisuje wielogłowicową uwagę latentną i rzadką mieszankę ekspertów, wybierającą ośmiu z 384 ekspertów na token obok eksperta współdzielonego. Kontekst o wielkości 256 tys. tokenów obsługuje większy zapis zadania niż oryginalna edycja K2, nadal mieszcząc razem źródła, rozmowę, obserwacje narzędzi i wygenerowaną odpowiedź. Większego okna nie należy odczytywać jako niezależnego maksymalnego limitu wyjścia.\n\nUporządkuj fragmenty repozytorium według plików, a materiał dokumentowy według sekcji. Określ końcowy artefakt i warunki, które muszą pozostać niezmienione w kolejnych turach. Dla porównania poproś o fragment tekstu lub kodu potwierdzający każdy wniosek. Zachowaj wybraną tożsamość 0905, gdy rozszerzony kontekst i aktualizacja programistyczna są ważne dla zadania.\n\n### Czat i wywoływanie funkcji\n\nProducent zaleca temperaturę 0.6 i dostarcza prostą instrukcję systemową asystenta dla zadań niewymagających wyspecjalizowanej roli. Zdefiniuj język i postać odpowiedzi oddzielnie, na przykład wyjaśnienie, porównanie poparte źródłami lub sam kod. Utrzymuje to widoczność pożądanego wyniku końcowego nawet wtedy, gdy aplikacja wykorzystuje kilka kroków modelu.\n\nKonkretna karta dokumentuje dostępne narzędzia dostarczane w każdym żądaniu. Funkcje mają nazwy, opisy i schematy parametrów; model decyduje, kiedy i jak je wywołać. Aplikacja parsuje wybrane argumenty JSON, wykonuje operację i zwraca wynik narzędzia powiązany z identyfikatorem wywołania. Kolejna odpowiedź może następnie wykorzystać rzeczywistą obserwację lub kontynuować zadanie.\n\n### Wyniki możliwe do przeglądu\n\nWygenerowana poprawka, wybrana operacja lub plan wyszukiwania pozostają propozycją, dopóki otaczająca aplikacja ich nie wykona. Zachowaj wynik tej operacji jako dowód dla kolejnego kroku i końcowego przekazania. Sprawdzaj wyodrębnione wartości względem materiału źródłowego, a kod względem żądanego zachowania.\n\nK2 Instruct 0905 pozostaje odrębny od K2 Thinking i późniejszych multimodalnych edycji K2.5 oraz K2.6. Ich wejść obrazowych/wideo, właściwości natywnego checkpointu rozumowania INT4 i mechanizmów preserve-thinking nie należy zakładać dla tej nazwanej aktualizacji tekstowej. Przydatny wynik to ukierunkowany artefakt tekstowy lub kod oparty na zadaniu i rzeczywiście zwróconych obserwacjach.", "editorialOverlay": { "copy_fields": { "practical_html": "Przykład techniczny po angielsku
Specify an accessible form correction\n\nPropose a focused HTML change for this form: <input id="email"><span>Email required</span><button>Send</button>. Requirements: a visible label must name the field, the error must be programmatically associated and the button must submit the form. Return the revised fragment and checks for label association and error text, preserving the email field ID.A revised HTML form fragment and two focused accessibility checks, with email still the field ID.Inspect label for/id and the error association; do not describe keyboard or screen-reader checks as already executed.moonshotai/kimi-k2-0905Kimi K2 Instruct 0905 to zaktualizowany model tekstowy firmy Moonshot AI do programowania, implementacji frontendu i agentów. Rozszerza oryginalny kontekst K2 ze 128 tys. do 256 tys. tokenów i zwraca odpowiedzi, kod i treść wywołań funkcji na podstawie zadania oraz obserwacji dostarczonych przez aplikację.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Kimi K2 Instruct 0905 to wrześniowa aktualizacja modelu instrukcyjnego Kimi K2 firmy Moonshot AI. Jest modelem tekstowym do wiedzy, rozumowania, programowania i zadań sterowanych narzędziami, o 1 bln parametrów mixture-of-experts łącznie i 32 mld aktywnych parametrów. Konkretna edycja 0905 poprawia programowanie agentowe i pracę frontendową oraz rozszerza kontekst ze 128 tys. tokenów oryginalnego wydania do 256 tys. tokenów.
Producent podkreśla zarówno praktyczne zachowanie, jak i wygląd kodu frontendowego, wraz z ulepszeniami rzeczywistych zadań agentów programistycznych. Przygotuj opis zadania programistycznego z istotną implementacją, zaobserwowanym zachowaniem i wymaganiami, które musi spełniać. Dla interfejsu wskaż treść, widoczne stany i interakcje, a także istotne cechy projektu. Przydatny wynik to kod powiązany z tymi kryteriami, a nie ogólna dyskusja o tym, jak interfejs mógłby działać.
Przykładowa instrukcja brzmi: „Zaktualizuj ten komponent zgodnie z opisanym przepływem formularza, zachowaj istniejące nazwy pól i wyjaśnij wymagane stany błędu i powodzenia”. Dla diagnostyki podaj reprezentatywne dane wejściowe i poproś model o wskazanie pierwszego nieprawidłowego warunku przed zwróceniem ukierunkowanej poprawki. Przekazuj rzeczywiste obserwacje renderowania lub walidacji do kolejnej rewizji.
Podsumowanie 0905 opisuje wielogłowicową uwagę latentną i rzadką mieszankę ekspertów, wybierającą ośmiu z 384 ekspertów na token obok eksperta współdzielonego. Kontekst o wielkości 256 tys. tokenów obsługuje większy zapis zadania niż oryginalna edycja K2, nadal mieszcząc razem źródła, rozmowę, obserwacje narzędzi i wygenerowaną odpowiedź. Większego okna nie należy odczytywać jako niezależnego maksymalnego limitu wyjścia.
Uporządkuj fragmenty repozytorium według plików, a materiał dokumentowy według sekcji. Określ końcowy artefakt i warunki, które muszą pozostać niezmienione w kolejnych turach. Dla porównania poproś o fragment tekstu lub kodu potwierdzający każdy wniosek. Zachowaj wybraną tożsamość 0905, gdy rozszerzony kontekst i aktualizacja programistyczna są ważne dla zadania.
Producent zaleca temperaturę 0.6 i dostarcza prostą instrukcję systemową asystenta dla zadań niewymagających wyspecjalizowanej roli. Zdefiniuj język i postać odpowiedzi oddzielnie, na przykład wyjaśnienie, porównanie poparte źródłami lub sam kod. Utrzymuje to widoczność pożądanego wyniku końcowego nawet wtedy, gdy aplikacja wykorzystuje kilka kroków modelu.
Konkretna karta dokumentuje dostępne narzędzia dostarczane w każdym żądaniu. Funkcje mają nazwy, opisy i schematy parametrów; model decyduje, kiedy i jak je wywołać. Aplikacja parsuje wybrane argumenty JSON, wykonuje operację i zwraca wynik narzędzia powiązany z identyfikatorem wywołania. Kolejna odpowiedź może następnie wykorzystać rzeczywistą obserwację lub kontynuować zadanie.
Wygenerowana poprawka, wybrana operacja lub plan wyszukiwania pozostają propozycją, dopóki otaczająca aplikacja ich nie wykona. Zachowaj wynik tej operacji jako dowód dla kolejnego kroku i końcowego przekazania. Sprawdzaj wyodrębnione wartości względem materiału źródłowego, a kod względem żądanego zachowania.
K2 Instruct 0905 pozostaje odrębny od K2 Thinking i późniejszych multimodalnych edycji K2.5 oraz K2.6. Ich wejść obrazowych/wideo, właściwości natywnego checkpointu rozumowania INT4 i mechanizmów preserve-thinking nie należy zakładać dla tej nazwanej aktualizacji tekstowej. Przydatny wynik to ukierunkowany artefakt tekstowy lub kod oparty na zadaniu i rzeczywiście zwróconych obserwacjach.
POST /v1/chat/completionstexttext| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity moonshotai/kimi-k2-0905 | Domyślnie— |
Polemessages | Typmessage[] | WymaganieWymagane | Wartości i limity Minimalna liczba elementów: 1 | Domyślnie— |
Polemessages[].role | Typstring | WymaganieWymagane | Wartości i limity Przykłady: system, user, assistant, tool, function Warunki: Te role są jawnie reprezentowane przez typy zgodności w kodzie źródłowym; dokładny zestaw ról pozostaje właściwy dla danego modelu. Zależy od modelu | Domyślnie— |
Polemessages[].content | Typstring|content_part[]|null | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Polemessages[].tool_calls | Typtool_call[] | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Polemessages[].tool_call_id | Typstring | WymaganieOpcjonalne | Wartości i limity Obowiązuje, gdy: role=tool; użyj rzeczywiście zwróconego ID | Domyślnie— |
Polemessages[].name | Typstring | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Polemessages[].reasoning_content | Typstring | WymaganieOpcjonalne | Wartości i limity Obowiązuje, gdy: Przekazuj z powrotem rzeczywiście zwróconą treść rozumowania, gdy ten model jej używa | Domyślnie— |
Polemessages[].reasoning_details | Typobject|array | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polemax_tokens | Typinteger | WymaganieOpcjonalne | Wartości i limity Minimum: 1 Zależy od modelu | Domyślnie— |
Polemax_completion_tokens | Typinteger | WymaganieOpcjonalne | Wartości i limity Minimum: 1 Zależy od modelu | Domyślnie— |
Polestream | Typboolean | WymaganieOpcjonalne | Wartości i limity | Domyślniefalse |
Polestream_options.include_usage | Typboolean | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poletemperature | Typnumber | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poletop_p | Typnumber | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polestop | Typstring|string[] | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poletools | Typfunction_tool[] | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poletools[].type | Typstring | WymaganieOpcjonalne | Wartości i limity function Zależy od modelu | Domyślnie— |
Poletools[].function.name | Typstring | WymaganieWymagane | Wartości i limity Obowiązuje, gdy: udostępnione narzędzie funkcji | Domyślnie— |
Poletools[].function.description | Typstring | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Poletools[].function.parameters | TypJSON_schema | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Poletool_choice | Typstring|object | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleparallel_tool_calls | Typboolean | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleresponse_format | Typobject | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polereasoning_effort | Typstring | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polereasoning | Typobject | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleservice_tier | Typstring | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleinstructions | Typstring | WymaganieOpcjonalne | Wartości i limity Pole zgodności | Domyślnie— |
Polefunctions | Typfunction[] | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polefunction_call | Typstring|object | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleprompt_cache_options | Typobject | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polemodalities | Typstring[] | WymaganieOpcjonalne | Wartości i limity text | Domyślnie— |
Poleprovider | Typobject | WymaganieOpcjonalne | Wartości i limity Warunki: provider.options jest odrzucane na tej tekstowej trasie Ultra | Domyślnie— |
Polecache_control.ttl | Typstring | WymaganieOpcjonalne | Wartości i limity Warunki: 1h jest odrzucane w rzeczywistych miejscach pamięci podręcznej promptów | Domyślnie— |
Tekst · tekst UTF8
messages[].content
| Parametr | Kontrakt |
|---|---|
Parametrcontent_type | Kontraktapplication/json |
Parametrrequired | Kontraktmodel, messages |
Parametrmaterial_types | Kontrakttext |
Parametrmessages | Kontrakttablica wiadomości o strukturze role/content |
Parametrfile_material | Kontraktrzeczywisty dokument UTF-8 wstawiony jako dosłowny tekst; bez wywnioskowanego ID pliku |
Parametroptional_controls | Kontraktstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametrcontrol_scope | Kontraktwłaściwe dla modelu; narzędzia funkcji użytkownika różnią się od narzędzi hostowanych |
Parametroutput_modalities | Kontrakttext |
Parametrhosted_operations | Kontraktfalse |
Parametrmultimodal_input_binding | Kontraktnull |
Cykl życia: synchronous_or_streamed
Wyślij dokładne ID modelu wraz z messages.
Długość kontekstu nie jest limitem wyjścia.
Plik tekstowy może dostarczyć dosłowny tekst; wejścia obrazowe/dźwiękowe/obiekty plików wymagają dokładnego powiązania.
Informacje taryfowe nie dodają opcji żądania. Obsługiwane parametry podano przy wybranej metodzie.
Dopasuj każdą opłatę do pokazanych warunków. Użyj jednej stawki dla każdego zestawu alternatywnych konfiguracji.
| Konfiguracja | Tabela stawek | Tokeny kontekstu, więcej niż | Tokeny kontekstu, do podanej wartości włącznie | Opłata |
|---|---|---|---|---|
| KonfiguracjaPodstawowe stawki za tokeny | Tabela stawekStawka podstawowa | Tokeny kontekstu, więcej niż— | Tokeny kontekstu, do podanej wartości włącznieBez górnej granicy | Opłata Wejście · Tokeny wejściowe $0.0012 / 1K tokenów Wyjście · Tokeny wyjściowe $0.005 / 1K tokenów Wejście · Odczyt cache $0 / 1K tokenów Wejście · Zapis do cache $0 / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
| KonfiguracjaPrzedział długości żądania 1 | Tabela stawek— | Tokeny kontekstu, więcej niż0 | Tokeny kontekstu, do podanej wartości włącznieBez górnej granicy | Opłata Wejście · Tokeny wejściowe $0.0012 / 1K tokenów Wyjście · Tokeny wyjściowe $0.005 / 1K tokenów Wejście · Odczyt cache $0 / 1K tokenów Wejście · Zapis do cache $0 / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "moonshotai/kimi-k2-0905", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='moonshotai/kimi-k2-0905',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='moonshotai/kimi-k2-0905',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson lub SSE
Zachowaj każdą kompletną zwróconą odpowiedź, plik i część treści.
Zachowaj każdy wariant i jego treść/wywołania narzędzi/rozumowanie. W SSE składaj przyrosty według indeksu wariantu/narzędzia, zachowując końcowy powód zakończenia i dane użycia.
Zachowaj ID i nagłówki żądań/odpowiedzi. Nie udostępniono ogólnego URL pobierania zadania tekstowego.
| Pole | Typ |
|---|---|
Polechoices[].index | Typinteger |
Polechoices[].message.content | Typstring|null |
Polechoices[].message.tool_calls | Typtool_call[] |
Polechoices[].message.reasoning_content | Typstring |
Polechoices[].message.reasoning_details | Typobject|array |
Polechoices[].finish_reason | Typstring|null |
Poleusage | Typobject |
| Odpowiedź | Warunek | Następny krok |
|---|---|---|
Odpowiedź400 · invalid_request_error | WarunekNieprawidłowe wymagane pola, sposób reprezentacji materiału lub wartość parametru | Następny krokPopraw wskazane pola przed nowym żądaniem utworzenia. |
Ailoot Ultra moonshotai/kimi-k2-0905
Użyj ścieżek metod podanych powyżej.
moonshotai/kimi-k2-0905Kimi K2 Instruct 0905 to zaktualizowany model tekstowy firmy Moonshot AI do programowania, implementacji frontendu i agentów. Rozszerza oryginalny kontekst K2 ze 128 tys. do 256 tys. tokenów i zwraca odpowiedzi, kod i treść wywołań funkcji na podstawie zadania oraz obserwacji dostarczonych przez aplikację.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Kimi K2 Instruct 0905 to wrześniowa aktualizacja modelu instrukcyjnego Kimi K2 firmy Moonshot AI. Jest modelem tekstowym do wiedzy, rozumowania, programowania i zadań sterowanych narzędziami, o 1 bln parametrów mixture-of-experts łącznie i 32 mld aktywnych parametrów. Konkretna edycja 0905 poprawia programowanie agentowe i pracę frontendową oraz rozszerza kontekst ze 128 tys. tokenów oryginalnego wydania do 256 tys. tokenów.
Producent podkreśla zarówno praktyczne zachowanie, jak i wygląd kodu frontendowego, wraz z ulepszeniami rzeczywistych zadań agentów programistycznych. Przygotuj opis zadania programistycznego z istotną implementacją, zaobserwowanym zachowaniem i wymaganiami, które musi spełniać. Dla interfejsu wskaż treść, widoczne stany i interakcje, a także istotne cechy projektu. Przydatny wynik to kod powiązany z tymi kryteriami, a nie ogólna dyskusja o tym, jak interfejs mógłby działać.
Przykładowa instrukcja brzmi: „Zaktualizuj ten komponent zgodnie z opisanym przepływem formularza, zachowaj istniejące nazwy pól i wyjaśnij wymagane stany błędu i powodzenia”. Dla diagnostyki podaj reprezentatywne dane wejściowe i poproś model o wskazanie pierwszego nieprawidłowego warunku przed zwróceniem ukierunkowanej poprawki. Przekazuj rzeczywiste obserwacje renderowania lub walidacji do kolejnej rewizji.
Podsumowanie 0905 opisuje wielogłowicową uwagę latentną i rzadką mieszankę ekspertów, wybierającą ośmiu z 384 ekspertów na token obok eksperta współdzielonego. Kontekst o wielkości 256 tys. tokenów obsługuje większy zapis zadania niż oryginalna edycja K2, nadal mieszcząc razem źródła, rozmowę, obserwacje narzędzi i wygenerowaną odpowiedź. Większego okna nie należy odczytywać jako niezależnego maksymalnego limitu wyjścia.
Uporządkuj fragmenty repozytorium według plików, a materiał dokumentowy według sekcji. Określ końcowy artefakt i warunki, które muszą pozostać niezmienione w kolejnych turach. Dla porównania poproś o fragment tekstu lub kodu potwierdzający każdy wniosek. Zachowaj wybraną tożsamość 0905, gdy rozszerzony kontekst i aktualizacja programistyczna są ważne dla zadania.
Producent zaleca temperaturę 0.6 i dostarcza prostą instrukcję systemową asystenta dla zadań niewymagających wyspecjalizowanej roli. Zdefiniuj język i postać odpowiedzi oddzielnie, na przykład wyjaśnienie, porównanie poparte źródłami lub sam kod. Utrzymuje to widoczność pożądanego wyniku końcowego nawet wtedy, gdy aplikacja wykorzystuje kilka kroków modelu.
Konkretna karta dokumentuje dostępne narzędzia dostarczane w każdym żądaniu. Funkcje mają nazwy, opisy i schematy parametrów; model decyduje, kiedy i jak je wywołać. Aplikacja parsuje wybrane argumenty JSON, wykonuje operację i zwraca wynik narzędzia powiązany z identyfikatorem wywołania. Kolejna odpowiedź może następnie wykorzystać rzeczywistą obserwację lub kontynuować zadanie.
Wygenerowana poprawka, wybrana operacja lub plan wyszukiwania pozostają propozycją, dopóki otaczająca aplikacja ich nie wykona. Zachowaj wynik tej operacji jako dowód dla kolejnego kroku i końcowego przekazania. Sprawdzaj wyodrębnione wartości względem materiału źródłowego, a kod względem żądanego zachowania.
K2 Instruct 0905 pozostaje odrębny od K2 Thinking i późniejszych multimodalnych edycji K2.5 oraz K2.6. Ich wejść obrazowych/wideo, właściwości natywnego checkpointu rozumowania INT4 i mechanizmów preserve-thinking nie należy zakładać dla tej nazwanej aktualizacji tekstowej. Przydatny wynik to ukierunkowany artefakt tekstowy lub kod oparty na zadaniu i rzeczywiście zwróconych obserwacjach.
POST /v1/messagestextjson, sse| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity moonshotai/kimi-k2-0905 | Domyślnie— |
Polemessages | Typmessage[] | WymaganieWymagane | Wartości i limity | Domyślnie— |
Polemessages[].role | Typstring | WymaganieWymagane | Wartości i limity user, assistant | Domyślnie— |
Polemessages[].content | Typstring | WymaganieWymagane | Wartości i limity | Domyślnie— |
Polemax_tokens | Typinteger | WymaganieWymagane | Wartości i limity | Domyślnie— |
Polestream | Typboolean | WymaganieOpcjonalne | Wartości i limity | Domyślniefalse |
Tekst · tekst UTF-8
ciąg messages[].content
| Parametr | Kontrakt |
|---|---|
Parametrcontent_type | Kontraktapplication/json |
Parametrrequired | Kontraktmodel, messages, max_tokens |
Parametroptional_controls | Kontraktstream |
Parametrmaterial_types | Kontrakttext |
Parametrtext_file_material | KontraktOdczytaj rzeczywisty dokument UTF-8 i umieść jego tekst we wskazanym polu input lub w ciągu treści wiadomości. |
Cykl życia: synchronous_or_streamed
Informacje taryfowe nie dodają opcji żądania. Obsługiwane parametry podano przy wybranej metodzie.
Dopasuj każdą opłatę do pokazanych warunków. Użyj jednej stawki dla każdego zestawu alternatywnych konfiguracji.
| Konfiguracja | Tabela stawek | Tokeny kontekstu, więcej niż | Tokeny kontekstu, do podanej wartości włącznie | Opłata |
|---|---|---|---|---|
| KonfiguracjaPodstawowe stawki za tokeny | Tabela stawekStawka podstawowa | Tokeny kontekstu, więcej niż— | Tokeny kontekstu, do podanej wartości włącznieBez górnej granicy | Opłata Wejście · Tokeny wejściowe $0.0012 / 1K tokenów Wyjście · Tokeny wyjściowe $0.005 / 1K tokenów Wejście · Odczyt cache $0 / 1K tokenów Wejście · Zapis do cache $0 / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
| KonfiguracjaPrzedział długości żądania 1 | Tabela stawek— | Tokeny kontekstu, więcej niż0 | Tokeny kontekstu, do podanej wartości włącznieBez górnej granicy | Opłata Wejście · Tokeny wejściowe $0.0012 / 1K tokenów Wyjście · Tokeny wyjściowe $0.005 / 1K tokenów Wejście · Odczyt cache $0 / 1K tokenów Wejście · Zapis do cache $0 / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
{\n "model": "moonshotai/kimi-k2-0905",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'moonshotai/kimi-k2-0905', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'moonshotai/kimi-k2-0905', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON lub SSE
Zachowaj każdą kompletną zwróconą odpowiedź, plik i część treści.
Zachowaj wszystkie bloki treści, sygnatury myślenia i rzeczywiste ID użycia narzędzi. Złóż wszystkie przyrosty bloków SSE; pierwszy blok tekstowy nie jest pełnym wyjściem.
Zachowaj ID i nagłówki żądań/odpowiedzi. Nie udostępniono ogólnego URL pobierania zadania tekstowego.
| Pole | Typ |
|---|---|
Poleid | Typstring |
Polemodel | Typstring |
Polecontent[] | Typtext|thinking|tool_use|other content block |
Polestop_reason | Typstring|null |
Poleusage | Typobject |
| Odpowiedź | Warunek | Następny krok |
|---|---|---|
Odpowiedź400 · invalid_request_error | WarunekNieprawidłowe wymagane pola, sposób reprezentacji materiału lub wartość parametru | Następny krokPopraw wskazane pola przed nowym żądaniem utworzenia. |
Ailoot Ultra moonshotai/kimi-k2-0905
Użyj ścieżek metod podanych powyżej.
Przykład techniczny po angielsku
Specify an accessible form correction\n\nPropose a focused HTML change for this form: <input id="email"><span>Email required</span><button>Send</button>. Requirements: a visible label must name the field, the error must be programmatically associated and the button must submit the form. Return the revised fragment and checks for label association and error text, preserving the email field ID.A revised HTML form fragment and two focused accessibility checks, with email still the field ID.Inspect label for/id and the error association; do not describe keyboard or screen-reader checks as already executed.