Kimi K2 Thinking är Moonshot AI:s resonemangsagentutgåva utvecklad från Kimi K2. Den arbetar igenom en uppgift samtidigt som den väljer funktioner som tillhandahålls av den omgivande applikationen och förenar mellanliggande analys med verktygsobservationer innan slutsvaret produceras. Dess publicerade expertblandningsprofil har en biljon parametrar totalt, 32 miljarder aktiva parametrar och en kontext på 256K. Den dokumenterade uppgiftsindatan och svaret är text.
Tillverkaren utvecklar K2 Thinking för forsknings-, kodnings- och skrivflöden som kräver många steg. Den definierande egenskapen är att resonemang varvas med funktionsanrop i stället för att tänkande och handling behandlas som två orelaterade stadier. En användbar uppgiftsbeskrivning anger frågan, tillgängliga källor eller verktyg, tillåtna åtgärder och resultatet som markerar slutförande.
För forskning ger du kriterierna för en relevant källa och kräver att slutsatsen citerar det erhållna underlaget. För kodning inkluderar du relevant implementation, felaktigt beteende och begränsningar och begär sedan slutpatchen och stödjande observationer. En illustrativ prompt är: ”Använd den tillhandahållna koden och verktygsresultaten för att identifiera orsaken, föreslå en fokuserad ändring och skilja genomförd validering från en kontroll som fortfarande behöver köras.”
K2 Thinking använder kvantiseringsmedveten träning under efterträningen och tillämpar inbyggd INT4-kvantisering av enbart vikter på expertblandningskomponenter. Detta är en skillnad mellan tillverkarens kontrollpunkter, inte ett skäl att ge modellen en annan K2-utgåvas precision eller modalitet. Modellens ursprungliga format förblir skilt från hur en viss applikation kör den.
Det exakta kortet använder verktygsanropsinställningarna för K2 Instruct. Ange tillgängliga funktionsnamn, beskrivningar och parameterscheman i varje förfrågan. Modellen bestämmer när och hur de ska anropas. Applikationen tolkar föreslagna argument, kör den valda funktionen och returnerar resultatet i ett tool-meddelande med motsvarande identifierare och namn. Nästa modellsteg kan använda observationen eller välja en annan operation.
Behåll originalobservationerna i konversationen och beskriv vad som räknas som ett färdigt resultat. Ett valt sökanrop är inte en hämtad källa förrän applikationen returnerar den och genererad kod är inte en lyckad körning. För ett strukturerat resultat kontrollerar du både fälten och deras överensstämmelse med det tillhandahållna underlaget.
Tillverkaren rekommenderar temperature 1.0 och tillhandahåller en enkel systeminstruktion för assistenten som standard när ingen särskild instruktion behövs. Ange slutsvarets språk och form separat: en kort slutsats, en analys med källreferenser eller ett kodresultat. Tankeinnehållet och slutsvaret har olika syften och bör förbli åtskiljbara.
Kontexten på 256K måste rymma instruktioner, källmaterial, konversation, resonemang och verktygsresultat. En lång verktygsstyrd uppgift kan samla mer kontext än dess ursprungliga fråga antyder. Håll underlaget relevant och bevara det nödvändiga slutresultatet genom uppföljningar. Kortets olika utvärderingsbudgetar för tänkande och exempelstorlek för komplettering är inte universella hårda utdatatak.
Ett användbart slutsvar kopplar sin slutsats till de faktiska källorna eller observationerna och identifierar information som förblir olöst. K2 Thinking är en separat textutgåva för resonemang; bild- och videoindata samt reglage för instant-läge eller bevarat tänkande som beskrivs för senare K2.5- och K2.6-utgåvor bör inte antas utifrån det gemensamma familjenamnet.
", "aboutText": "Kimi K2 Thinking är Moonshot AI:s resonemangsagentutgåva utvecklad från Kimi K2. Den arbetar igenom en uppgift samtidigt som den väljer funktioner som tillhandahålls av den omgivande applikationen och förenar mellanliggande analys med verktygsobservationer innan slutsvaret produceras. Dess publicerade expertblandningsprofil har en biljon parametrar totalt, 32 miljarder aktiva parametrar och en kontext på 256K. Den dokumenterade uppgiftsindatan och svaret är text.\n\n### Djupt resonemang och långa uppgifter\n\nTillverkaren utvecklar K2 Thinking för forsknings-, kodnings- och skrivflöden som kräver många steg. Den definierande egenskapen är att resonemang varvas med funktionsanrop i stället för att tänkande och handling behandlas som två orelaterade stadier. En användbar uppgiftsbeskrivning anger frågan, tillgängliga källor eller verktyg, tillåtna åtgärder och resultatet som markerar slutförande.\n\nFör forskning ger du kriterierna för en relevant källa och kräver att slutsatsen citerar det erhållna underlaget. För kodning inkluderar du relevant implementation, felaktigt beteende och begränsningar och begär sedan slutpatchen och stödjande observationer. En illustrativ prompt är: ”Använd den tillhandahållna koden och verktygsresultaten för att identifiera orsaken, föreslå en fokuserad ändring och skilja genomförd validering från en kontroll som fortfarande behöver köras.”\n\n### Tillverkarens kontrollpunkt och kvantisering\n\nK2 Thinking använder kvantiseringsmedveten träning under efterträningen och tillämpar inbyggd INT4-kvantisering av enbart vikter på expertblandningskomponenter. Detta är en skillnad mellan tillverkarens kontrollpunkter, inte ett skäl att ge modellen en annan K2-utgåvas precision eller modalitet. Modellens ursprungliga format förblir skilt från hur en viss applikation kör den.\n\n### Arbetsflöde för verktygsanrop\n\nDet exakta kortet använder verktygsanropsinställningarna för K2 Instruct. Ange tillgängliga funktionsnamn, beskrivningar och parameterscheman i varje förfrågan. Modellen bestämmer när och hur de ska anropas. Applikationen tolkar föreslagna argument, kör den valda funktionen och returnerar resultatet i ett tool-meddelande med motsvarande identifierare och namn. Nästa modellsteg kan använda observationen eller välja en annan operation.\n\nBehåll originalobservationerna i konversationen och beskriv vad som räknas som ett färdigt resultat. Ett valt sökanrop är inte en hämtad källa förrän applikationen returnerar den och genererad kod är inte en lyckad körning. För ett strukturerat resultat kontrollerar du både fälten och deras överensstämmelse med det tillhandahållna underlaget.\n\n### Promptar och svarsbudgetar\n\nTillverkaren rekommenderar temperature 1.0 och tillhandahåller en enkel systeminstruktion för assistenten som standard när ingen särskild instruktion behövs. Ange slutsvarets språk och form separat: en kort slutsats, en analys med källreferenser eller ett kodresultat. Tankeinnehållet och slutsvaret har olika syften och bör förbli åtskiljbara.\n\nKontexten på 256K måste rymma instruktioner, källmaterial, konversation, resonemang och verktygsresultat. En lång verktygsstyrd uppgift kan samla mer kontext än dess ursprungliga fråga antyder. Håll underlaget relevant och bevara det nödvändiga slutresultatet genom uppföljningar. Kortets olika utvärderingsbudgetar för tänkande och exempelstorlek för komplettering är inte universella hårda utdatatak.\n\nEtt användbart slutsvar kopplar sin slutsats till de faktiska källorna eller observationerna och identifierar information som förblir olöst. K2 Thinking är en separat textutgåva för resonemang; bild- och videoindata samt reglage för instant-läge eller bevarat tänkande som beskrivs för senare K2.5- och K2.6-utgåvor bör inte antas utifrån det gemensamma familjenamnet.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekniskt exempel på engelska
Continue debugging from a real observation\n\nUse this supplied development observation: a test expected rows ordered by created_at, but equal timestamps appeared in different orders across runs. Query text is 'ORDER BY created_at'. Propose a deterministic tie-breaker using the unique id field, explain its effect and specify the next test. Distinguish the reported test result from checks still proposed.A focused query change, causal explanation and a test for rows sharing the same timestamp.The revised ordering includes a unique tie-breaker, and the answer does not claim the new test has run.moonshotai/kimi-k2-thinkingKimi K2 Thinking är Moonshot AI:s textbaserade resonemangsagent som varvar analys med funktionsanrop. Kontexten på 256K token och producentens inbyggt INT4-kvantiserade modellversion stöder forskning, kodning och skrivande i flera steg, med slutliga svar förankrade i observationerna som tillhandahållna verktyg returnerar.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Kimi K2 Thinking är Moonshot AI:s resonemangsagentutgåva utvecklad från Kimi K2. Den arbetar igenom en uppgift samtidigt som den väljer funktioner som tillhandahålls av den omgivande applikationen och förenar mellanliggande analys med verktygsobservationer innan slutsvaret produceras. Dess publicerade expertblandningsprofil har en biljon parametrar totalt, 32 miljarder aktiva parametrar och en kontext på 256K. Den dokumenterade uppgiftsindatan och svaret är text.
Tillverkaren utvecklar K2 Thinking för forsknings-, kodnings- och skrivflöden som kräver många steg. Den definierande egenskapen är att resonemang varvas med funktionsanrop i stället för att tänkande och handling behandlas som två orelaterade stadier. En användbar uppgiftsbeskrivning anger frågan, tillgängliga källor eller verktyg, tillåtna åtgärder och resultatet som markerar slutförande.
För forskning ger du kriterierna för en relevant källa och kräver att slutsatsen citerar det erhållna underlaget. För kodning inkluderar du relevant implementation, felaktigt beteende och begränsningar och begär sedan slutpatchen och stödjande observationer. En illustrativ prompt är: ”Använd den tillhandahållna koden och verktygsresultaten för att identifiera orsaken, föreslå en fokuserad ändring och skilja genomförd validering från en kontroll som fortfarande behöver köras.”
K2 Thinking använder kvantiseringsmedveten träning under efterträningen och tillämpar inbyggd INT4-kvantisering av enbart vikter på expertblandningskomponenter. Detta är en skillnad mellan tillverkarens kontrollpunkter, inte ett skäl att ge modellen en annan K2-utgåvas precision eller modalitet. Modellens ursprungliga format förblir skilt från hur en viss applikation kör den.
Det exakta kortet använder verktygsanropsinställningarna för K2 Instruct. Ange tillgängliga funktionsnamn, beskrivningar och parameterscheman i varje förfrågan. Modellen bestämmer när och hur de ska anropas. Applikationen tolkar föreslagna argument, kör den valda funktionen och returnerar resultatet i ett tool-meddelande med motsvarande identifierare och namn. Nästa modellsteg kan använda observationen eller välja en annan operation.
Behåll originalobservationerna i konversationen och beskriv vad som räknas som ett färdigt resultat. Ett valt sökanrop är inte en hämtad källa förrän applikationen returnerar den och genererad kod är inte en lyckad körning. För ett strukturerat resultat kontrollerar du både fälten och deras överensstämmelse med det tillhandahållna underlaget.
Tillverkaren rekommenderar temperature 1.0 och tillhandahåller en enkel systeminstruktion för assistenten som standard när ingen särskild instruktion behövs. Ange slutsvarets språk och form separat: en kort slutsats, en analys med källreferenser eller ett kodresultat. Tankeinnehållet och slutsvaret har olika syften och bör förbli åtskiljbara.
Kontexten på 256K måste rymma instruktioner, källmaterial, konversation, resonemang och verktygsresultat. En lång verktygsstyrd uppgift kan samla mer kontext än dess ursprungliga fråga antyder. Håll underlaget relevant och bevara det nödvändiga slutresultatet genom uppföljningar. Kortets olika utvärderingsbudgetar för tänkande och exempelstorlek för komplettering är inte universella hårda utdatatak.
Ett användbart slutsvar kopplar sin slutsats till de faktiska källorna eller observationerna och identifierar information som förblir olöst. K2 Thinking är en separat textutgåva för resonemang; bild- och videoindata samt reglage för instant-läge eller bevarat tänkande som beskrivs för senare K2.5- och K2.6-utgåvor bör inte antas utifrån det gemensamma familjenamnet.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser moonshotai/kimi-k2-thinking | 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.
Matcha varje avgift mot de visade villkoren. Använd ett pris för varje uppsättning alternativa konfigurationer.
| Konfiguration | Prislista | Kontexttoken, fler än | Kontexttoken, upp till och med | Avgift |
|---|---|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Kontexttoken, fler än— | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.0012 / 1K token Utdata · Utdatatoken $0.005 / 1K token Indata · Cacheläsning $0.0003 / 1K token Indata · Skrivning till cache $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
| KonfigurationNivå 1 för förfrågans längd | Prislista— | Kontexttoken, fler än0 | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.0012 / 1K token Utdata · Utdatatoken $0.005 / 1K token Indata · Cacheläsning $0.0003 / 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-k2-thinking", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='moonshotai/kimi-k2-thinking',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='moonshotai/kimi-k2-thinking',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson eller SSE
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-k2-thinking
Använd metodsökvägarna som visas ovan.
moonshotai/kimi-k2-thinkingKimi K2 Thinking är Moonshot AI:s textbaserade resonemangsagent som varvar analys med funktionsanrop. Kontexten på 256K token och producentens inbyggt INT4-kvantiserade modellversion stöder forskning, kodning och skrivande i flera steg, med slutliga svar förankrade i observationerna som tillhandahållna verktyg returnerar.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Kimi K2 Thinking är Moonshot AI:s resonemangsagentutgåva utvecklad från Kimi K2. Den arbetar igenom en uppgift samtidigt som den väljer funktioner som tillhandahålls av den omgivande applikationen och förenar mellanliggande analys med verktygsobservationer innan slutsvaret produceras. Dess publicerade expertblandningsprofil har en biljon parametrar totalt, 32 miljarder aktiva parametrar och en kontext på 256K. Den dokumenterade uppgiftsindatan och svaret är text.
Tillverkaren utvecklar K2 Thinking för forsknings-, kodnings- och skrivflöden som kräver många steg. Den definierande egenskapen är att resonemang varvas med funktionsanrop i stället för att tänkande och handling behandlas som två orelaterade stadier. En användbar uppgiftsbeskrivning anger frågan, tillgängliga källor eller verktyg, tillåtna åtgärder och resultatet som markerar slutförande.
För forskning ger du kriterierna för en relevant källa och kräver att slutsatsen citerar det erhållna underlaget. För kodning inkluderar du relevant implementation, felaktigt beteende och begränsningar och begär sedan slutpatchen och stödjande observationer. En illustrativ prompt är: ”Använd den tillhandahållna koden och verktygsresultaten för att identifiera orsaken, föreslå en fokuserad ändring och skilja genomförd validering från en kontroll som fortfarande behöver köras.”
K2 Thinking använder kvantiseringsmedveten träning under efterträningen och tillämpar inbyggd INT4-kvantisering av enbart vikter på expertblandningskomponenter. Detta är en skillnad mellan tillverkarens kontrollpunkter, inte ett skäl att ge modellen en annan K2-utgåvas precision eller modalitet. Modellens ursprungliga format förblir skilt från hur en viss applikation kör den.
Det exakta kortet använder verktygsanropsinställningarna för K2 Instruct. Ange tillgängliga funktionsnamn, beskrivningar och parameterscheman i varje förfrågan. Modellen bestämmer när och hur de ska anropas. Applikationen tolkar föreslagna argument, kör den valda funktionen och returnerar resultatet i ett tool-meddelande med motsvarande identifierare och namn. Nästa modellsteg kan använda observationen eller välja en annan operation.
Behåll originalobservationerna i konversationen och beskriv vad som räknas som ett färdigt resultat. Ett valt sökanrop är inte en hämtad källa förrän applikationen returnerar den och genererad kod är inte en lyckad körning. För ett strukturerat resultat kontrollerar du både fälten och deras överensstämmelse med det tillhandahållna underlaget.
Tillverkaren rekommenderar temperature 1.0 och tillhandahåller en enkel systeminstruktion för assistenten som standard när ingen särskild instruktion behövs. Ange slutsvarets språk och form separat: en kort slutsats, en analys med källreferenser eller ett kodresultat. Tankeinnehållet och slutsvaret har olika syften och bör förbli åtskiljbara.
Kontexten på 256K måste rymma instruktioner, källmaterial, konversation, resonemang och verktygsresultat. En lång verktygsstyrd uppgift kan samla mer kontext än dess ursprungliga fråga antyder. Håll underlaget relevant och bevara det nödvändiga slutresultatet genom uppföljningar. Kortets olika utvärderingsbudgetar för tänkande och exempelstorlek för komplettering är inte universella hårda utdatatak.
Ett användbart slutsvar kopplar sin slutsats till de faktiska källorna eller observationerna och identifierar information som förblir olöst. K2 Thinking är en separat textutgåva för resonemang; bild- och videoindata samt reglage för instant-läge eller bevarat tänkande som beskrivs för senare K2.5- och K2.6-utgåvor bör inte antas utifrån det gemensamma familjenamnet.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser moonshotai/kimi-k2-thinking | 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.
Matcha varje avgift mot de visade villkoren. Använd ett pris för varje uppsättning alternativa konfigurationer.
| Konfiguration | Prislista | Kontexttoken, fler än | Kontexttoken, upp till och med | Avgift |
|---|---|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Kontexttoken, fler än— | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.0012 / 1K token Utdata · Utdatatoken $0.005 / 1K token Indata · Cacheläsning $0.0003 / 1K token Indata · Skrivning till cache $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
| KonfigurationNivå 1 för förfrågans längd | Prislista— | Kontexttoken, fler än0 | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.0012 / 1K token Utdata · Utdatatoken $0.005 / 1K token Indata · Cacheläsning $0.0003 / 1K token Indata · Skrivning till cache $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "moonshotai/kimi-k2-thinking",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'moonshotai/kimi-k2-thinking', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'moonshotai/kimi-k2-thinking', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON eller SSE
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-k2-thinking
Använd metodsökvägarna som visas ovan.
Tekniskt exempel på engelska
Continue debugging from a real observation\n\nUse this supplied development observation: a test expected rows ordered by created_at, but equal timestamps appeared in different orders across runs. Query text is 'ORDER BY created_at'. Propose a deterministic tie-breaker using the unique id field, explain its effect and specify the next test. Distinguish the reported test result from checks still proposed.A focused query change, causal explanation and a test for rows sharing the same timestamp.The revised ordering includes a unique tie-breaker, and the answer does not claim the new test has run.