Kimi-Dev-72B är Moonshot AI:s kodspråkmodell för mjukvaruutvecklingsuppgifter, med särskilt fokus på att lösa problem i befintliga kodarkiv. Den tar emot text och producerar text, inklusive kodförslag, förklaringar och tester. Utformningen utgår från basmodellen Qwen 2.5 72B och utvecklar förmågorna som behövs för att omvandla en felrapport till en granskningsbar ändring.
BugFixer och TestWriter. Tillverkaren behandlar rättning av en implementation och skrivande av testet som reproducerar dess fel som kompletterande färdigheter. Båda använder samma tvåstegsstruktur: identifiera filen som behöver uppmärksamhet och gör sedan den relevanta kodändringen. Ett användbart rättningstest misslyckas när felet finns och klaras när den avsedda korrigeringen tillämpas. Detta ger modellen ett praktiskt fokus på sambandet mellan rapporten, implementationen och körbart underlag.
Mellanträning. Teamet rapporterar ungefär 150 miljarder token av ytterligare träning från högkvalitativt verkligt material, inklusive miljontals ärenden och commits från pull requests. Detta steg lär ut mönster för hur utvecklare utreder en rapport, redigerar kod och skriver enhetstester. Teamet utesluter också SWE-bench Verified-kodarkiv från träningssamlingen för att minska kontaminering.
Förstärkningsinlärning. Efter övervakad finjustering fokuserar förstärkningsinlärningssteget på kodändringar. Belöningen använder det slutliga exekveringsutfallet i ett containeriserat kodarkiv; producenten beskriver framgång som att hela testsviten klaras. Träningsprocessen filtrerar bort uppgifter där flera samplade försök alla misslyckas, introducerar gradvis svårare prompter och återanvänder nyligen lyckade exempel för att förstärka effektiva rättningsmönster.
Förbered ett verkligt ärende. Tillhandahåll förväntat beteende, observerat resultat och en minimal reproduktion och inkludera sedan relevanta källfiler, felutdata och befintliga tester. Håll filsökvägar och funktionsnamn oförändrade. Be modellen identifiera den sannolika filen och förklara hur felet följer av den tillhandahållna implementationen innan den presenterar en patch. Den resulterande leveransen bör ange vilken kod som ändras, varför ändringen behandlar rapporten och vilket befintligt beteende den måste bevara.
Förbered regressionstestet. Tillhandahåll projektets aktuella testkonventioner och representativa testfixturer. Begär ett test som utlöser det ursprungliga felet tillsammans med kontrollvillkoret som skiljer korrekt från felaktigt beteende. För en rapport om ett gränsfall anger du gränsvillkoret i stället för att begära allmän extra täckning. Ett användbart svar kan innehålla både en minimal ändring och ett riktat test, så att granskaren kan jämföra den föreslagna rättningen direkt med ärendet.
Självspel vid testning. Moonshots forskningsflöde låter också förslag på felrättning och testskrivning kontrollera varandra. Detta är en utvärderings- och orkestreringsteknik runt modellen: en testkandidat kan utmana en patch, och en patch kan kontrolleras mot testet. I en applikation kan samma idé vägleda en granskningsbegäran som efterfrågar ett motexempel till en föreslagen korrigering innan den slutliga ändringen accepteras.
Textsvaret är ett förslag tills det har tillämpats och körts i det faktiska kodarkivet. Filåtkomst, ändringar, containerkörning och testresultat kommer från den omgivande utvecklingsmiljön. Inkludera utdata från dessa kontroller i en uppföljande begäran så att modellen kan resonera om det observerade felet i stället för en föreställd körning. Bevara projektets begränsningar och begär den minsta motiverade ändringen när ärendet berör en mogen kodbas.
", "aboutText": "Kimi-Dev-72B är Moonshot AI:s kodspråkmodell för mjukvaruutvecklingsuppgifter, med särskilt fokus på att lösa problem i befintliga kodarkiv. Den tar emot text och producerar text, inklusive kodförslag, förklaringar och tester. Utformningen utgår från basmodellen Qwen 2.5 72B och utvecklar förmågorna som behövs för att omvandla en felrapport till en granskningsbar ändring.\n\nBugFixer och TestWriter. Tillverkaren behandlar rättning av en implementation och skrivande av testet som reproducerar dess fel som kompletterande färdigheter. Båda använder samma tvåstegsstruktur: identifiera filen som behöver uppmärksamhet och gör sedan den relevanta kodändringen. Ett användbart rättningstest misslyckas när felet finns och klaras när den avsedda korrigeringen tillämpas. Detta ger modellen ett praktiskt fokus på sambandet mellan rapporten, implementationen och körbart underlag.\n\nMellanträning. Teamet rapporterar ungefär 150 miljarder token av ytterligare träning från högkvalitativt verkligt material, inklusive miljontals ärenden och commits från pull requests. Detta steg lär ut mönster för hur utvecklare utreder en rapport, redigerar kod och skriver enhetstester. Teamet utesluter också SWE-bench Verified-kodarkiv från träningssamlingen för att minska kontaminering.\n\nFörstärkningsinlärning. Efter övervakad finjustering fokuserar förstärkningsinlärningssteget på kodändringar. Belöningen använder det slutliga exekveringsutfallet i ett containeriserat kodarkiv; producenten beskriver framgång som att hela testsviten klaras. Träningsprocessen filtrerar bort uppgifter där flera samplade försök alla misslyckas, introducerar gradvis svårare prompter och återanvänder nyligen lyckade exempel för att förstärka effektiva rättningsmönster.\n\nFörbered ett verkligt ärende. Tillhandahåll förväntat beteende, observerat resultat och en minimal reproduktion och inkludera sedan relevanta källfiler, felutdata och befintliga tester. Håll filsökvägar och funktionsnamn oförändrade. Be modellen identifiera den sannolika filen och förklara hur felet följer av den tillhandahållna implementationen innan den presenterar en patch. Den resulterande leveransen bör ange vilken kod som ändras, varför ändringen behandlar rapporten och vilket befintligt beteende den måste bevara.\n\nFörbered regressionstestet. Tillhandahåll projektets aktuella testkonventioner och representativa testfixturer. Begär ett test som utlöser det ursprungliga felet tillsammans med kontrollvillkoret som skiljer korrekt från felaktigt beteende. För en rapport om ett gränsfall anger du gränsvillkoret i stället för att begära allmän extra täckning. Ett användbart svar kan innehålla både en minimal ändring och ett riktat test, så att granskaren kan jämföra den föreslagna rättningen direkt med ärendet.\n\nSjälvspel vid testning. Moonshots forskningsflöde låter också förslag på felrättning och testskrivning kontrollera varandra. Detta är en utvärderings- och orkestreringsteknik runt modellen: en testkandidat kan utmana en patch, och en patch kan kontrolleras mot testet. I en applikation kan samma idé vägleda en granskningsbegäran som efterfrågar ett motexempel till en föreslagen korrigering innan den slutliga ändringen accepteras.\n\nTextsvaret är ett förslag tills det har tillämpats och körts i det faktiska kodarkivet. Filåtkomst, ändringar, containerkörning och testresultat kommer från den omgivande utvecklingsmiljön. Inkludera utdata från dessa kontroller i en uppföljande begäran så att modellen kan resonera om det observerade felet i stället för en föreställd körning. Bevara projektets begränsningar och begär den minsta motiverade ändringen när ärendet berör en mogen kodbas.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekniskt exempel på engelska
Fix a mutable default argument\n\nIssue in utils.py: def add_tag(tag, tags=[]): tags.append(tag); return tags. Separate calls unexpectedly share prior tags. Expected behavior: omitted tags starts a fresh list; an explicitly supplied list is still updated. Propose the smallest patch and a regression test using standard unittest that fails on the original. Keep the function name and argument order.A focused utils.py patch and unittest cases covering independent defaults and explicit-list mutation.Check the regression makes two independent calls and detects leakage between them.moonshotai/Kimi-Dev-72BKimi-Dev-72B är Moonshot AI:s kodmodell för att lösa mjukvaruproblem. Dess utformning förenar felrättning med skrivande av regressionstester: lokalisera relevanta filer, föreslå en patch och producera ett test som visar det ursprungliga felet.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Kimi-Dev-72B är Moonshot AI:s kodspråkmodell för mjukvaruutvecklingsuppgifter, med särskilt fokus på att lösa problem i befintliga kodarkiv. Den tar emot text och producerar text, inklusive kodförslag, förklaringar och tester. Utformningen utgår från basmodellen Qwen 2.5 72B och utvecklar förmågorna som behövs för att omvandla en felrapport till en granskningsbar ändring.
BugFixer och TestWriter. Tillverkaren behandlar rättning av en implementation och skrivande av testet som reproducerar dess fel som kompletterande färdigheter. Båda använder samma tvåstegsstruktur: identifiera filen som behöver uppmärksamhet och gör sedan den relevanta kodändringen. Ett användbart rättningstest misslyckas när felet finns och klaras när den avsedda korrigeringen tillämpas. Detta ger modellen ett praktiskt fokus på sambandet mellan rapporten, implementationen och körbart underlag.
Mellanträning. Teamet rapporterar ungefär 150 miljarder token av ytterligare träning från högkvalitativt verkligt material, inklusive miljontals ärenden och commits från pull requests. Detta steg lär ut mönster för hur utvecklare utreder en rapport, redigerar kod och skriver enhetstester. Teamet utesluter också SWE-bench Verified-kodarkiv från träningssamlingen för att minska kontaminering.
Förstärkningsinlärning. Efter övervakad finjustering fokuserar förstärkningsinlärningssteget på kodändringar. Belöningen använder det slutliga exekveringsutfallet i ett containeriserat kodarkiv; producenten beskriver framgång som att hela testsviten klaras. Träningsprocessen filtrerar bort uppgifter där flera samplade försök alla misslyckas, introducerar gradvis svårare prompter och återanvänder nyligen lyckade exempel för att förstärka effektiva rättningsmönster.
Förbered ett verkligt ärende. Tillhandahåll förväntat beteende, observerat resultat och en minimal reproduktion och inkludera sedan relevanta källfiler, felutdata och befintliga tester. Håll filsökvägar och funktionsnamn oförändrade. Be modellen identifiera den sannolika filen och förklara hur felet följer av den tillhandahållna implementationen innan den presenterar en patch. Den resulterande leveransen bör ange vilken kod som ändras, varför ändringen behandlar rapporten och vilket befintligt beteende den måste bevara.
Förbered regressionstestet. Tillhandahåll projektets aktuella testkonventioner och representativa testfixturer. Begär ett test som utlöser det ursprungliga felet tillsammans med kontrollvillkoret som skiljer korrekt från felaktigt beteende. För en rapport om ett gränsfall anger du gränsvillkoret i stället för att begära allmän extra täckning. Ett användbart svar kan innehålla både en minimal ändring och ett riktat test, så att granskaren kan jämföra den föreslagna rättningen direkt med ärendet.
Självspel vid testning. Moonshots forskningsflöde låter också förslag på felrättning och testskrivning kontrollera varandra. Detta är en utvärderings- och orkestreringsteknik runt modellen: en testkandidat kan utmana en patch, och en patch kan kontrolleras mot testet. I en applikation kan samma idé vägleda en granskningsbegäran som efterfrågar ett motexempel till en föreslagen korrigering innan den slutliga ändringen accepteras.
Textsvaret är ett förslag tills det har tillämpats och körts i det faktiska kodarkivet. Filåtkomst, ändringar, containerkörning och testresultat kommer från den omgivande utvecklingsmiljön. Inkludera utdata från dessa kontroller i en uppföljande begäran så att modellen kan resonera om det observerade felet i stället för en föreställd körning. Bevara projektets begränsningar och begär den minsta motiverade ändringen när ärendet berör en mogen kodbas.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser moonshotai/Kimi-Dev-72B | Standard— |
Fältmessages | Typmessage[] | KravObligatoriskt | Värden & gränser Minsta antal objekt: 1 | Standard— |
Fältmessages[].role | Typstring | KravObligatoriskt | Värden & gränser Exempel: system, user, assistant, tool, function Villkor: Dessa roller representeras uttryckligen av källkodens kompatibilitetstyper; den exakta rolluppsättningen är fortfarande modellspecifik. Beror på modellen | Standard— |
Fältmessages[].content | Typstring|content_part[]|null | KravValfritt | Värden & gränser | Standard— |
Fältmessages[].tool_calls | Typtool_call[] | KravValfritt | Värden & gränser | Standard— |
Fältmessages[].tool_call_id | Typstring | KravValfritt | Värden & gränser Gäller när: role=tool; använd det faktiska returnerade ID:t | Standard— |
Fältmessages[].name | Typstring | KravValfritt | Värden & gränser | Standard— |
Fältmessages[].reasoning_content | Typstring | KravValfritt | Värden & gränser Gäller när: Skicka tillbaka det faktiska returnerade resonemanget när modellen använder det | Standard— |
Fältmessages[].reasoning_details | Typobject|array | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältmax_tokens | Typinteger | KravValfritt | Värden & gränser Minimum: 1 Beror på modellen | Standard— |
Fältmax_completion_tokens | Typinteger | KravValfritt | Värden & gränser Minimum: 1 Beror på modellen | Standard— |
Fältstream | Typboolean | KravValfritt | Värden & gränser | Standardfalse |
Fältstream_options.include_usage | Typboolean | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttemperature | Typnumber | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttop_p | Typnumber | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältstop | Typstring|string[] | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttools | Typfunction_tool[] | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttools[].type | Typstring | KravValfritt | Värden & gränser function Beror på modellen | Standard— |
Fälttools[].function.name | Typstring | KravObligatoriskt | Värden & gränser Gäller när: verktyg av typen funktion har tillhandahållits | Standard— |
Fälttools[].function.description | Typstring | KravValfritt | Värden & gränser | Standard— |
Fälttools[].function.parameters | TypJSON_schema | KravValfritt | Värden & gränser | Standard— |
Fälttool_choice | Typstring|object | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältparallel_tool_calls | Typboolean | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältresponse_format | Typobject | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältreasoning_effort | Typstring | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältreasoning | Typobject | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältservice_tier | Typstring | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältinstructions | Typstring | KravValfritt | Värden & gränser Kompatibilitetsfält | Standard— |
Fältfunctions | Typfunction[] | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältfunction_call | Typstring|object | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältprompt_cache_options | Typobject | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältmodalities | Typstring[] | KravValfritt | Värden & gränser text | Standard— |
Fältprovider | Typobject | KravValfritt | Värden & gränser Villkor: provider.options avvisas på denna Ultra-textrutt | Standard— |
Fältcache_control.ttl | Typstring | KravValfritt | Värden & gränser Villkor: 1h avvisas på de faktiska platserna för promptcache | Standard— |
Text · UTF8-text
messages[].content
| Parameter | Avtal |
|---|---|
Parametercontent_type | Avtalapplication/json |
Parameterrequired | Avtalmodel, messages |
Parametermaterial_types | Avtaltext |
Parametermessages | Avtalmeddelandearray med strukturen role/content |
Parameterfile_material | Avtaldet faktiska UTF-8-dokumentet infogat som bokstavlig text; inget fil-ID härleds |
Parameteroptional_controls | Avtalstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Avtalmodellspecifikt; användarens funktionsverktyg skiljer sig från värdbaserade verktyg |
Parameteroutput_modalities | Avtaltext |
Parameterhosted_operations | Avtalfalse |
Parametermultimodal_input_binding | Avtalnull |
Livscykel: synchronous_or_streamed
Skicka det exakta modell-ID:t tillsammans med messages.
Kontextlängden är inte en utdatagräns.
En textfil kan tillhandahålla bokstavlig text; bild-/ljud-/filobjektsindata kräver exakt bindning.
Tariffuppgifter lägger inte till begäransalternativ. Parametrar som stöds anges för den valda metoden.
| Konfiguration | Prislista | Avgift |
|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Avgift Indata · Indatatoken $0.0006 / 1K token Utdata · Utdatatoken $0.00228 / 1K token Indata · Cacheläsning $0 / 1K token Indata · Skrivning till cache $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "moonshotai/Kimi-Dev-72B", "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-Dev-72B',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-Dev-72B',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
Behåll varje fullständigt returnerat svar, fil och innehållsdel.
Behåll varje svarsalternativ och dess innehåll/verktygsanrop/resonemang. Sätt i SSE samman deltauppdateringar efter svarsalternativets/verktygets index och behåll den slutliga avslutsorsaken och användningsuppgifterna.
Behåll begärans/svarets ID:n och huvuden. Ingen generell URL för hämtning av textjobb tillhandahålls.
| Fält | Typ |
|---|---|
Fältchoices[].index | Typinteger |
Fältchoices[].message.content | Typstring|null |
Fältchoices[].message.tool_calls | Typtool_call[] |
Fältchoices[].message.reasoning_content | Typstring |
Fältchoices[].message.reasoning_details | Typobject|array |
Fältchoices[].finish_reason | Typstring|null |
Fältusage | Typobject |
| Svar | Villkor | Nästa steg |
|---|---|---|
Svar400 · invalid_request_error | VillkorOgiltiga obligatoriska fält, ogiltig representation av underlaget eller ogiltigt parametervärde | Nästa stegKorrigera de angivna fälten före en ny begäran om att skapa. |
Ailoot Ultra moonshotai/Kimi-Dev-72B
Använd metodsökvägarna som visas ovan.
moonshotai/Kimi-Dev-72BKimi-Dev-72B är Moonshot AI:s kodmodell för att lösa mjukvaruproblem. Dess utformning förenar felrättning med skrivande av regressionstester: lokalisera relevanta filer, föreslå en patch och producera ett test som visar det ursprungliga felet.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Kimi-Dev-72B är Moonshot AI:s kodspråkmodell för mjukvaruutvecklingsuppgifter, med särskilt fokus på att lösa problem i befintliga kodarkiv. Den tar emot text och producerar text, inklusive kodförslag, förklaringar och tester. Utformningen utgår från basmodellen Qwen 2.5 72B och utvecklar förmågorna som behövs för att omvandla en felrapport till en granskningsbar ändring.
BugFixer och TestWriter. Tillverkaren behandlar rättning av en implementation och skrivande av testet som reproducerar dess fel som kompletterande färdigheter. Båda använder samma tvåstegsstruktur: identifiera filen som behöver uppmärksamhet och gör sedan den relevanta kodändringen. Ett användbart rättningstest misslyckas när felet finns och klaras när den avsedda korrigeringen tillämpas. Detta ger modellen ett praktiskt fokus på sambandet mellan rapporten, implementationen och körbart underlag.
Mellanträning. Teamet rapporterar ungefär 150 miljarder token av ytterligare träning från högkvalitativt verkligt material, inklusive miljontals ärenden och commits från pull requests. Detta steg lär ut mönster för hur utvecklare utreder en rapport, redigerar kod och skriver enhetstester. Teamet utesluter också SWE-bench Verified-kodarkiv från träningssamlingen för att minska kontaminering.
Förstärkningsinlärning. Efter övervakad finjustering fokuserar förstärkningsinlärningssteget på kodändringar. Belöningen använder det slutliga exekveringsutfallet i ett containeriserat kodarkiv; producenten beskriver framgång som att hela testsviten klaras. Träningsprocessen filtrerar bort uppgifter där flera samplade försök alla misslyckas, introducerar gradvis svårare prompter och återanvänder nyligen lyckade exempel för att förstärka effektiva rättningsmönster.
Förbered ett verkligt ärende. Tillhandahåll förväntat beteende, observerat resultat och en minimal reproduktion och inkludera sedan relevanta källfiler, felutdata och befintliga tester. Håll filsökvägar och funktionsnamn oförändrade. Be modellen identifiera den sannolika filen och förklara hur felet följer av den tillhandahållna implementationen innan den presenterar en patch. Den resulterande leveransen bör ange vilken kod som ändras, varför ändringen behandlar rapporten och vilket befintligt beteende den måste bevara.
Förbered regressionstestet. Tillhandahåll projektets aktuella testkonventioner och representativa testfixturer. Begär ett test som utlöser det ursprungliga felet tillsammans med kontrollvillkoret som skiljer korrekt från felaktigt beteende. För en rapport om ett gränsfall anger du gränsvillkoret i stället för att begära allmän extra täckning. Ett användbart svar kan innehålla både en minimal ändring och ett riktat test, så att granskaren kan jämföra den föreslagna rättningen direkt med ärendet.
Självspel vid testning. Moonshots forskningsflöde låter också förslag på felrättning och testskrivning kontrollera varandra. Detta är en utvärderings- och orkestreringsteknik runt modellen: en testkandidat kan utmana en patch, och en patch kan kontrolleras mot testet. I en applikation kan samma idé vägleda en granskningsbegäran som efterfrågar ett motexempel till en föreslagen korrigering innan den slutliga ändringen accepteras.
Textsvaret är ett förslag tills det har tillämpats och körts i det faktiska kodarkivet. Filåtkomst, ändringar, containerkörning och testresultat kommer från den omgivande utvecklingsmiljön. Inkludera utdata från dessa kontroller i en uppföljande begäran så att modellen kan resonera om det observerade felet i stället för en föreställd körning. Bevara projektets begränsningar och begär den minsta motiverade ändringen när ärendet berör en mogen kodbas.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser moonshotai/Kimi-Dev-72B | Standard— |
Fältmessages | Typmessage[] | KravObligatoriskt | Värden & gränser | Standard— |
Fältmessages[].role | Typstring | KravObligatoriskt | Värden & gränser user, assistant | Standard— |
Fältmessages[].content | Typstring | KravObligatoriskt | Värden & gränser | Standard— |
Fältmax_tokens | Typinteger | KravObligatoriskt | Värden & gränser | Standard— |
Fältstream | Typboolean | KravValfritt | Värden & gränser | Standardfalse |
Text · UTF-8-text
sträng i messages[].content
| Parameter | Avtal |
|---|---|
Parametercontent_type | Avtalapplication/json |
Parameterrequired | Avtalmodel, messages, max_tokens |
Parameteroptional_controls | Avtalstream |
Parametermaterial_types | Avtaltext |
Parametertext_file_material | AvtalLäs det faktiska UTF-8-dokumentet och placera texten i det angivna input-fältet eller i strängen för meddelandets innehåll. |
Livscykel: synchronous_or_streamed
Tariffuppgifter lägger inte till begäransalternativ. Parametrar som stöds anges för den valda metoden.
| Konfiguration | Prislista | Avgift |
|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Avgift Indata · Indatatoken $0.0006 / 1K token Utdata · Utdatatoken $0.00228 / 1K token Indata · Cacheläsning $0 / 1K token Indata · Skrivning till cache $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "moonshotai/Kimi-Dev-72B",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-Dev-72B', '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-Dev-72B', '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
Behåll varje fullständigt returnerat svar, fil och innehållsdel.
Behåll alla innehållsblock, resonemangssignaturer och faktiska ID:n för verktygsanvändning. Sätt samman alla SSE-deltauppdateringar för blocken; ett första textblock är inte hela utdata.
Behåll begärans/svarets ID:n och huvuden. Ingen generell URL för hämtning av textjobb tillhandahålls.
| Fält | Typ |
|---|---|
Fältid | Typstring |
Fältmodel | Typstring |
Fältcontent[] | Typtext|thinking|tool_use|other content block |
Fältstop_reason | Typstring|null |
Fältusage | Typobject |
| Svar | Villkor | Nästa steg |
|---|---|---|
Svar400 · invalid_request_error | VillkorOgiltiga obligatoriska fält, ogiltig representation av underlaget eller ogiltigt parametervärde | Nästa stegKorrigera de angivna fälten före en ny begäran om att skapa. |
Ailoot Ultra moonshotai/Kimi-Dev-72B
Använd metodsökvägarna som visas ovan.
Tekniskt exempel på engelska
Fix a mutable default argument\n\nIssue in utils.py: def add_tag(tag, tags=[]): tags.append(tag); return tags. Separate calls unexpectedly share prior tags. Expected behavior: omitted tags starts a fresh list; an explicitly supplied list is still updated. Propose the smallest patch and a regression test using standard unittest that fails on the original. Keep the function name and argument order.A focused utils.py patch and unittest cases covering independent defaults and explicit-list mutation.Check the regression makes two independent calls and detects leakage between them.