Kimi K2 Instruct 0711 to oryginalny model tekstowy K2 firmy Moonshot AI po treningu uzupełniającym, do czatu ogólnego przeznaczenia i zadań agentowych. Producent odróżnia go od K2 Base, będącego modelem bazowym, i opisuje edycję instrukcyjną jako szybko reagującą, bez długiego namysłu. Przyjmuje tekst i generuje odpowiedzi, kod i treść wywołań narzędzi, z kontekstem o wielkości 128 tys. tokenów.
K2 to model mixture-of-experts o 1 bln parametrów łącznie i 32 mld aktywnych parametrów. Podsumowanie producenta wykorzystuje wielogłowicową uwagę latentną i rzadki routing ekspertów, wybierający ośmiu z 384 ekspertów na token wraz z ekspertem współdzielonym. Wstępny trening wykorzystuje 15,5 bln tokenów i podejście optymalizacyjne MuonClip, opracowane do stabilnego treningu w skali tego modelu.
Są to właściwości oryginalnej rodziny K2. Wydanie instrukcyjne zapewnia następnie zachowanie używane do czatu, programowania i autonomicznego rozwiązywania problemów z narzędziami aplikacji. Jego tożsamość pozostaje odrębna od późniejszego rozszerzenia kontekstu 0905, osobnego wydania Thinking i multimodalnych modeli K2.5 oraz K2.6.
Dla pytania dostarcz kontekst ustalający odpowiedź i wskaż potrzebną postać odpowiedzi. Dla zadania programistycznego uwzględnij istotną implementację, zaobserwowany błąd, oczekiwane zachowanie i ograniczenia do zachowania. Przykładowe żądanie brzmi: „Wyjaśnij, dlaczego te dane wejściowe powodują błąd, zaproponuj najmniejszą poprawkę i zwróć zmienioną funkcję wraz z potwierdzającym warunkiem w źródle”.
Dla pracy dokumentowej wskaż fragmenty i kryteria porównania. Poproś, aby wynik zachował nazwy własne, identyfikatory pól i jednostki oraz wskazywał informacje, których materiał nie zawiera. Pożądany artefakt powinien pozostać jawny podczas rewizji, zamiast zostać zastąpiony szerokim komentarzem.
Oryginalny przewodnik producenta zaleca temperaturę 0.6 i oferuje prostą instrukcję systemową asystenta jako ustawienie domyślne, gdy wyspecjalizowana rola nie jest potrzebna. Ten wariant generuje odpowiedź na zadanie bezpośrednio, zamiast narzucać rozszerzony kontrakt przeplatanego rozumowania późniejszego modelu Thinking. Ustal język odpowiedzi końcowej, obowiązkowe szczegóły i oczekiwaną długość niezależnie od zalecenia próbkowania.
K2 Instruct obsługuje funkcje dostarczane w każdym żądaniu wraz z nazwami, opisami i schematami parametrów. Model wybiera, kiedy i jak je wywołać. Aplikacja parsuje proponowane argumenty JSON i wykonuje wybraną operację; zwrócone obserwacje wchodzą do rozmowy z odpowiadającym identyfikatorem wywołania narzędzia i nazwą funkcji. Następna odpowiedź może wykorzystać te rzeczywiste wyniki, aby odpowiedzieć lub kontynuować zadanie.
Zdefiniuj, co robi każde narzędzie i jakie działania są dozwolone. Wyszukiwanie w dokumentach może zwrócić brakujące pole produktu, a narzędzie programistyczne kod źródłowy lub zaobserwowany błąd. Wybrana operacja nie jest dowodem wykonania, dopóki jej wynik nie jest dostępny. Zachowaj obserwację z zadaniem, aby końcowy wniosek mógł wskazać, co go potwierdza.
Oryginalne okno o wielkości 128 tys. tokenów zawiera razem tekst źródłowy, rozmowę, historię narzędzi i generowaną treść. Pozostaw miejsce na odpowiedź i uporządkuj długie repozytorium lub zbiór dokumentów wokół właściwego pytania. Przykładowy rozmiar odpowiedzi w karcie modelu nie ustala uniwersalnego sztywnego limitu odpowiedzi.
Przydatny wynik to sprawdzony tekst, propozycja kodu lub analiza oparta na źródłach. Sprawdzaj wartości względem dostarczonego materiału, a kod w docelowej aplikacji. Zachowaj bezpośredni wariant instrukcyjny edycji 0711, zamiast przypisywać mu późniejszy kontekst, wejście wizualne lub funkcje zachowywania rozumowania z innego wydania K2.
", "aboutText": "Kimi K2 Instruct 0711 to oryginalny model tekstowy K2 firmy Moonshot AI po treningu uzupełniającym, do czatu ogólnego przeznaczenia i zadań agentowych. Producent odróżnia go od K2 Base, będącego modelem bazowym, i opisuje edycję instrukcyjną jako szybko reagującą, bez długiego namysłu. Przyjmuje tekst i generuje odpowiedzi, kod i treść wywołań narzędzi, z kontekstem o wielkości 128 tys. tokenów.\n\n### Architektura i trening\n\nK2 to model mixture-of-experts o 1 bln parametrów łącznie i 32 mld aktywnych parametrów. Podsumowanie producenta wykorzystuje wielogłowicową uwagę latentną i rzadki routing ekspertów, wybierający ośmiu z 384 ekspertów na token wraz z ekspertem współdzielonym. Wstępny trening wykorzystuje 15,5 bln tokenów i podejście optymalizacyjne MuonClip, opracowane do stabilnego treningu w skali tego modelu.\n\nSą to właściwości oryginalnej rodziny K2. Wydanie instrukcyjne zapewnia następnie zachowanie używane do czatu, programowania i autonomicznego rozwiązywania problemów z narzędziami aplikacji. Jego tożsamość pozostaje odrębna od późniejszego rozszerzenia kontekstu 0905, osobnego wydania Thinking i multimodalnych modeli K2.5 oraz K2.6.\n\n### Przygotuj zadanie\n\nDla pytania dostarcz kontekst ustalający odpowiedź i wskaż potrzebną postać odpowiedzi. Dla zadania programistycznego uwzględnij istotną implementację, zaobserwowany błąd, oczekiwane zachowanie i ograniczenia do zachowania. Przykładowe żądanie brzmi: „Wyjaśnij, dlaczego te dane wejściowe powodują błąd, zaproponuj najmniejszą poprawkę i zwróć zmienioną funkcję wraz z potwierdzającym warunkiem w źródle”.\n\nDla pracy dokumentowej wskaż fragmenty i kryteria porównania. Poproś, aby wynik zachował nazwy własne, identyfikatory pól i jednostki oraz wskazywał informacje, których materiał nie zawiera. Pożądany artefakt powinien pozostać jawny podczas rewizji, zamiast zostać zastąpiony szerokim komentarzem.\n\n### Profil rozmowy\n\nOryginalny przewodnik producenta zaleca temperaturę 0.6 i oferuje prostą instrukcję systemową asystenta jako ustawienie domyślne, gdy wyspecjalizowana rola nie jest potrzebna. Ten wariant generuje odpowiedź na zadanie bezpośrednio, zamiast narzucać rozszerzony kontrakt przeplatanego rozumowania późniejszego modelu Thinking. Ustal język odpowiedzi końcowej, obowiązkowe szczegóły i oczekiwaną długość niezależnie od zalecenia próbkowania.\n\n### Narzędzia i obserwacje\n\nK2 Instruct obsługuje funkcje dostarczane w każdym żądaniu wraz z nazwami, opisami i schematami parametrów. Model wybiera, kiedy i jak je wywołać. Aplikacja parsuje proponowane argumenty JSON i wykonuje wybraną operację; zwrócone obserwacje wchodzą do rozmowy z odpowiadającym identyfikatorem wywołania narzędzia i nazwą funkcji. Następna odpowiedź może wykorzystać te rzeczywiste wyniki, aby odpowiedzieć lub kontynuować zadanie.\n\nZdefiniuj, co robi każde narzędzie i jakie działania są dozwolone. Wyszukiwanie w dokumentach może zwrócić brakujące pole produktu, a narzędzie programistyczne kod źródłowy lub zaobserwowany błąd. Wybrana operacja nie jest dowodem wykonania, dopóki jej wynik nie jest dostępny. Zachowaj obserwację z zadaniem, aby końcowy wniosek mógł wskazać, co go potwierdza.\n\n### Kontekst i przegląd wyniku\n\nOryginalne okno o wielkości 128 tys. tokenów zawiera razem tekst źródłowy, rozmowę, historię narzędzi i generowaną treść. Pozostaw miejsce na odpowiedź i uporządkuj długie repozytorium lub zbiór dokumentów wokół właściwego pytania. Przykładowy rozmiar odpowiedzi w karcie modelu nie ustala uniwersalnego sztywnego limitu odpowiedzi.\n\nPrzydatny wynik to sprawdzony tekst, propozycja kodu lub analiza oparta na źródłach. Sprawdzaj wartości względem dostarczonego materiału, a kod w docelowej aplikacji. Zachowaj bezpośredni wariant instrukcyjny edycji 0711, zamiast przypisywać mu późniejszy kontekst, wejście wizualne lub funkcje zachowywania rozumowania z innego wydania K2.", "editorialOverlay": { "copy_fields": { "practical_html": "Przykład techniczny po angielsku
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 to oryginalny model tekstowy K2 firmy Moonshot AI po treningu uzupełniającym, do czatu, programowania i agentów sterowanych narzędziami. Kontekst o wielkości 128 tys. tokenów i profil szybkich odpowiedzi bez długiego namysłu generują odpowiedzi, kod i wybrane wywołania funkcji bez późniejszego przepływu K2 Thinking.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Kimi K2 Instruct 0711 to oryginalny model tekstowy K2 firmy Moonshot AI po treningu uzupełniającym, do czatu ogólnego przeznaczenia i zadań agentowych. Producent odróżnia go od K2 Base, będącego modelem bazowym, i opisuje edycję instrukcyjną jako szybko reagującą, bez długiego namysłu. Przyjmuje tekst i generuje odpowiedzi, kod i treść wywołań narzędzi, z kontekstem o wielkości 128 tys. tokenów.
K2 to model mixture-of-experts o 1 bln parametrów łącznie i 32 mld aktywnych parametrów. Podsumowanie producenta wykorzystuje wielogłowicową uwagę latentną i rzadki routing ekspertów, wybierający ośmiu z 384 ekspertów na token wraz z ekspertem współdzielonym. Wstępny trening wykorzystuje 15,5 bln tokenów i podejście optymalizacyjne MuonClip, opracowane do stabilnego treningu w skali tego modelu.
Są to właściwości oryginalnej rodziny K2. Wydanie instrukcyjne zapewnia następnie zachowanie używane do czatu, programowania i autonomicznego rozwiązywania problemów z narzędziami aplikacji. Jego tożsamość pozostaje odrębna od późniejszego rozszerzenia kontekstu 0905, osobnego wydania Thinking i multimodalnych modeli K2.5 oraz K2.6.
Dla pytania dostarcz kontekst ustalający odpowiedź i wskaż potrzebną postać odpowiedzi. Dla zadania programistycznego uwzględnij istotną implementację, zaobserwowany błąd, oczekiwane zachowanie i ograniczenia do zachowania. Przykładowe żądanie brzmi: „Wyjaśnij, dlaczego te dane wejściowe powodują błąd, zaproponuj najmniejszą poprawkę i zwróć zmienioną funkcję wraz z potwierdzającym warunkiem w źródle”.
Dla pracy dokumentowej wskaż fragmenty i kryteria porównania. Poproś, aby wynik zachował nazwy własne, identyfikatory pól i jednostki oraz wskazywał informacje, których materiał nie zawiera. Pożądany artefakt powinien pozostać jawny podczas rewizji, zamiast zostać zastąpiony szerokim komentarzem.
Oryginalny przewodnik producenta zaleca temperaturę 0.6 i oferuje prostą instrukcję systemową asystenta jako ustawienie domyślne, gdy wyspecjalizowana rola nie jest potrzebna. Ten wariant generuje odpowiedź na zadanie bezpośrednio, zamiast narzucać rozszerzony kontrakt przeplatanego rozumowania późniejszego modelu Thinking. Ustal język odpowiedzi końcowej, obowiązkowe szczegóły i oczekiwaną długość niezależnie od zalecenia próbkowania.
K2 Instruct obsługuje funkcje dostarczane w każdym żądaniu wraz z nazwami, opisami i schematami parametrów. Model wybiera, kiedy i jak je wywołać. Aplikacja parsuje proponowane argumenty JSON i wykonuje wybraną operację; zwrócone obserwacje wchodzą do rozmowy z odpowiadającym identyfikatorem wywołania narzędzia i nazwą funkcji. Następna odpowiedź może wykorzystać te rzeczywiste wyniki, aby odpowiedzieć lub kontynuować zadanie.
Zdefiniuj, co robi każde narzędzie i jakie działania są dozwolone. Wyszukiwanie w dokumentach może zwrócić brakujące pole produktu, a narzędzie programistyczne kod źródłowy lub zaobserwowany błąd. Wybrana operacja nie jest dowodem wykonania, dopóki jej wynik nie jest dostępny. Zachowaj obserwację z zadaniem, aby końcowy wniosek mógł wskazać, co go potwierdza.
Oryginalne okno o wielkości 128 tys. tokenów zawiera razem tekst źródłowy, rozmowę, historię narzędzi i generowaną treść. Pozostaw miejsce na odpowiedź i uporządkuj długie repozytorium lub zbiór dokumentów wokół właściwego pytania. Przykładowy rozmiar odpowiedzi w karcie modelu nie ustala uniwersalnego sztywnego limitu odpowiedzi.
Przydatny wynik to sprawdzony tekst, propozycja kodu lub analiza oparta na źródłach. Sprawdzaj wartości względem dostarczonego materiału, a kod w docelowej aplikacji. Zachowaj bezpośredni wariant instrukcyjny edycji 0711, zamiast przypisywać mu późniejszy kontekst, wejście wizualne lub funkcje zachowywania rozumowania z innego wydania K2.
POST /v1/chat/completionstexttext| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity moonshotai/kimi-k2 | 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 $0.00114 / 1K tokenów Wyjście · Tokeny wyjściowe $0.0046 / 1K tokenów Wejście · Odczyt cache — / 1K tokenów Wejście · Zapis do cache — / 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 $0.00114 / 1K tokenów Wyjście · Tokeny wyjściowe $0.0046 / 1K tokenów Wejście · Odczyt cache — / 1K tokenów Wejście · Zapis do cache — / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
set -eu\n: "${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", "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 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
Użyj ścieżek metod podanych powyżej.
moonshotai/kimi-k2Kimi K2 Instruct 0711 to oryginalny model tekstowy K2 firmy Moonshot AI po treningu uzupełniającym, do czatu, programowania i agentów sterowanych narzędziami. Kontekst o wielkości 128 tys. tokenów i profil szybkich odpowiedzi bez długiego namysłu generują odpowiedzi, kod i wybrane wywołania funkcji bez późniejszego przepływu K2 Thinking.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Kimi K2 Instruct 0711 to oryginalny model tekstowy K2 firmy Moonshot AI po treningu uzupełniającym, do czatu ogólnego przeznaczenia i zadań agentowych. Producent odróżnia go od K2 Base, będącego modelem bazowym, i opisuje edycję instrukcyjną jako szybko reagującą, bez długiego namysłu. Przyjmuje tekst i generuje odpowiedzi, kod i treść wywołań narzędzi, z kontekstem o wielkości 128 tys. tokenów.
K2 to model mixture-of-experts o 1 bln parametrów łącznie i 32 mld aktywnych parametrów. Podsumowanie producenta wykorzystuje wielogłowicową uwagę latentną i rzadki routing ekspertów, wybierający ośmiu z 384 ekspertów na token wraz z ekspertem współdzielonym. Wstępny trening wykorzystuje 15,5 bln tokenów i podejście optymalizacyjne MuonClip, opracowane do stabilnego treningu w skali tego modelu.
Są to właściwości oryginalnej rodziny K2. Wydanie instrukcyjne zapewnia następnie zachowanie używane do czatu, programowania i autonomicznego rozwiązywania problemów z narzędziami aplikacji. Jego tożsamość pozostaje odrębna od późniejszego rozszerzenia kontekstu 0905, osobnego wydania Thinking i multimodalnych modeli K2.5 oraz K2.6.
Dla pytania dostarcz kontekst ustalający odpowiedź i wskaż potrzebną postać odpowiedzi. Dla zadania programistycznego uwzględnij istotną implementację, zaobserwowany błąd, oczekiwane zachowanie i ograniczenia do zachowania. Przykładowe żądanie brzmi: „Wyjaśnij, dlaczego te dane wejściowe powodują błąd, zaproponuj najmniejszą poprawkę i zwróć zmienioną funkcję wraz z potwierdzającym warunkiem w źródle”.
Dla pracy dokumentowej wskaż fragmenty i kryteria porównania. Poproś, aby wynik zachował nazwy własne, identyfikatory pól i jednostki oraz wskazywał informacje, których materiał nie zawiera. Pożądany artefakt powinien pozostać jawny podczas rewizji, zamiast zostać zastąpiony szerokim komentarzem.
Oryginalny przewodnik producenta zaleca temperaturę 0.6 i oferuje prostą instrukcję systemową asystenta jako ustawienie domyślne, gdy wyspecjalizowana rola nie jest potrzebna. Ten wariant generuje odpowiedź na zadanie bezpośrednio, zamiast narzucać rozszerzony kontrakt przeplatanego rozumowania późniejszego modelu Thinking. Ustal język odpowiedzi końcowej, obowiązkowe szczegóły i oczekiwaną długość niezależnie od zalecenia próbkowania.
K2 Instruct obsługuje funkcje dostarczane w każdym żądaniu wraz z nazwami, opisami i schematami parametrów. Model wybiera, kiedy i jak je wywołać. Aplikacja parsuje proponowane argumenty JSON i wykonuje wybraną operację; zwrócone obserwacje wchodzą do rozmowy z odpowiadającym identyfikatorem wywołania narzędzia i nazwą funkcji. Następna odpowiedź może wykorzystać te rzeczywiste wyniki, aby odpowiedzieć lub kontynuować zadanie.
Zdefiniuj, co robi każde narzędzie i jakie działania są dozwolone. Wyszukiwanie w dokumentach może zwrócić brakujące pole produktu, a narzędzie programistyczne kod źródłowy lub zaobserwowany błąd. Wybrana operacja nie jest dowodem wykonania, dopóki jej wynik nie jest dostępny. Zachowaj obserwację z zadaniem, aby końcowy wniosek mógł wskazać, co go potwierdza.
Oryginalne okno o wielkości 128 tys. tokenów zawiera razem tekst źródłowy, rozmowę, historię narzędzi i generowaną treść. Pozostaw miejsce na odpowiedź i uporządkuj długie repozytorium lub zbiór dokumentów wokół właściwego pytania. Przykładowy rozmiar odpowiedzi w karcie modelu nie ustala uniwersalnego sztywnego limitu odpowiedzi.
Przydatny wynik to sprawdzony tekst, propozycja kodu lub analiza oparta na źródłach. Sprawdzaj wartości względem dostarczonego materiału, a kod w docelowej aplikacji. Zachowaj bezpośredni wariant instrukcyjny edycji 0711, zamiast przypisywać mu późniejszy kontekst, wejście wizualne lub funkcje zachowywania rozumowania z innego wydania K2.
POST /v1/messagestextjson, sse| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity moonshotai/kimi-k2 | 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 $0.00114 / 1K tokenów Wyjście · Tokeny wyjściowe $0.0046 / 1K tokenów Wejście · Odczyt cache — / 1K tokenów Wejście · Zapis do cache — / 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 $0.00114 / 1K tokenów Wyjście · Tokeny wyjściowe $0.0046 / 1K tokenów Wejście · Odczyt cache — / 1K tokenów Wejście · Zapis do cache — / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
{\n "model": "moonshotai/kimi-k2",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 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
Użyj ścieżek metod podanych powyżej.
Przykład techniczny po angielsku
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.