Kimi K2 Instruct 0711 är Moonshot AI:s ursprungliga eftertränade K2-textmodell för allmän chatt och agentuppgifter. Tillverkaren skiljer den från K2 Base, som är grundmodellen, och beskriver instruktionsutgåvan som reflexsnabb utan långvarigt tänkande. Den tar emot text och genererar svar, kod och verktygsanropsinnehåll, med en kontext på 128K token.
K2 är en mixture-of-experts-modell med totalt en biljon parametrar och 32 miljarder aktiva parametrar. Tillverkarens sammanfattning använder latent uppmärksamhet med flera huvuden och gles expertroutning, med åtta av 384 experter valda per token tillsammans med en delad expert. Förträningen använder 15,5 biljoner token och optimeringsmetoden MuonClip, utvecklad för stabil träning i modellens skala.
Detta är egenskaper hos den ursprungliga K2-familjen. Instruktionsutgåvan tillför sedan beteendet som används för chatt, kodning och autonom problemlösning med applikationsverktyg. Dess identitet förblir skild från den senare kontextutökningen 0905, den separata Thinking-utgåvan och de multimodala modellerna K2.5 och K2.6.
För en fråga tillhandahåller du kontexten som fastställer svaret och identifierar svarsformen som du behöver. För en koduppgift inkluderar du relevant implementation, observerat fel, förväntat beteende och begränsningar som ska bevaras. En illustrativ begäran är: ”Förklara varför dessa indata misslyckas, föreslå den minsta korrigeringen och returnera den ändrade funktionen med det stödjande villkoret i källkoden.”
För dokumentarbete anger du avsnitten och kriterierna för en jämförelse. Begär att resultatet bevarar egennamn, fältidentifierare och enheter och identifierar information som materialet inte innehåller. Den önskade leveransen bör förbli tydlig genom revisioner i stället för att ersättas med breda kommentarer.
Producentens ursprungliga guide rekommenderar temperatur 0.6 och erbjuder en enkel systeminstruktion för assistenten som standard när en specialiserad roll inte behövs. Den här varianten producerar uppgiftens svar direkt i stället för att införa den senare Thinking-modellens utökade kontrakt för varvat resonemang. Ange det slutliga svarets språk, obligatoriska detaljer och förväntade längd oberoende av samplingsrekommendationen.
K2 Instruct stöder funktioner som tillhandahålls i varje begäran med namn, beskrivningar och parameterscheman. Modellen väljer när och hur de ska anropas. Applikationen tolkar de föreslagna JSON-argumenten och kör den valda operationen; returnerade observationer förs in i samtalet med matchande verktygsanropsidentifierare och funktionsnamn. Följande svar kan använda dessa faktiska resultat för att besvara eller fortsätta en uppgift.
Definiera vad varje verktyg gör och vilka åtgärder som är tillåtna. En dokumentuppslagning kan returnera det saknade produktfältet, medan ett utvecklingsverktyg kan returnera källkod eller ett observerat fel. En vald operation är inte ett bevis på att den har utförts förrän resultatet är tillgängligt. Bevara observationen tillsammans med uppgiften så att en slutlig slutsats kan identifiera vad som stöder den.
Det ursprungliga fönstret på 128K token innehåller källtext, samtal, verktygshistorik och genererat innehåll tillsammans. Reservera plats för svaret och organisera ett långt kodarkiv eller en dokumentsamling kring den faktiska frågan. Modellkortets exempelstorlek för komplettering fastställer ingen universell strikt svarsgräns.
Det användbara resultatet är en granskad text, ett kodförslag eller en källbaserad analys. Kontrollera värden mot det tillhandahållna materialet och kod i dess avsedda applikation. Behåll utgåvan 0711:s direkta instruktionsvariant intakt i stället för att tillskriva den senare kontext, bildindata eller funktioner för bevarande av resonemang från en annan K2-utgåva.
", "aboutText": "Kimi K2 Instruct 0711 är Moonshot AI:s ursprungliga eftertränade K2-textmodell för allmän chatt och agentuppgifter. Tillverkaren skiljer den från K2 Base, som är grundmodellen, och beskriver instruktionsutgåvan som reflexsnabb utan långvarigt tänkande. Den tar emot text och genererar svar, kod och verktygsanropsinnehåll, med en kontext på 128K token.\n\n### Arkitektur och träning\n\nK2 är en mixture-of-experts-modell med totalt en biljon parametrar och 32 miljarder aktiva parametrar. Tillverkarens sammanfattning använder latent uppmärksamhet med flera huvuden och gles expertroutning, med åtta av 384 experter valda per token tillsammans med en delad expert. Förträningen använder 15,5 biljoner token och optimeringsmetoden MuonClip, utvecklad för stabil träning i modellens skala.\n\nDetta är egenskaper hos den ursprungliga K2-familjen. Instruktionsutgåvan tillför sedan beteendet som används för chatt, kodning och autonom problemlösning med applikationsverktyg. Dess identitet förblir skild från den senare kontextutökningen 0905, den separata Thinking-utgåvan och de multimodala modellerna K2.5 och K2.6.\n\n### Förbered uppgiften\n\nFör en fråga tillhandahåller du kontexten som fastställer svaret och identifierar svarsformen som du behöver. För en koduppgift inkluderar du relevant implementation, observerat fel, förväntat beteende och begränsningar som ska bevaras. En illustrativ begäran är: ”Förklara varför dessa indata misslyckas, föreslå den minsta korrigeringen och returnera den ändrade funktionen med det stödjande villkoret i källkoden.”\n\nFör dokumentarbete anger du avsnitten och kriterierna för en jämförelse. Begär att resultatet bevarar egennamn, fältidentifierare och enheter och identifierar information som materialet inte innehåller. Den önskade leveransen bör förbli tydlig genom revisioner i stället för att ersättas med breda kommentarer.\n\n### Chattvariant\n\nProducentens ursprungliga guide rekommenderar temperatur 0.6 och erbjuder en enkel systeminstruktion för assistenten som standard när en specialiserad roll inte behövs. Den här varianten producerar uppgiftens svar direkt i stället för att införa den senare Thinking-modellens utökade kontrakt för varvat resonemang. Ange det slutliga svarets språk, obligatoriska detaljer och förväntade längd oberoende av samplingsrekommendationen.\n\n### Verktyg och observationer\n\nK2 Instruct stöder funktioner som tillhandahålls i varje begäran med namn, beskrivningar och parameterscheman. Modellen väljer när och hur de ska anropas. Applikationen tolkar de föreslagna JSON-argumenten och kör den valda operationen; returnerade observationer förs in i samtalet med matchande verktygsanropsidentifierare och funktionsnamn. Följande svar kan använda dessa faktiska resultat för att besvara eller fortsätta en uppgift.\n\nDefiniera vad varje verktyg gör och vilka åtgärder som är tillåtna. En dokumentuppslagning kan returnera det saknade produktfältet, medan ett utvecklingsverktyg kan returnera källkod eller ett observerat fel. En vald operation är inte ett bevis på att den har utförts förrän resultatet är tillgängligt. Bevara observationen tillsammans med uppgiften så att en slutlig slutsats kan identifiera vad som stöder den.\n\n### Kontext och resultatgranskning\n\nDet ursprungliga fönstret på 128K token innehåller källtext, samtal, verktygshistorik och genererat innehåll tillsammans. Reservera plats för svaret och organisera ett långt kodarkiv eller en dokumentsamling kring den faktiska frågan. Modellkortets exempelstorlek för komplettering fastställer ingen universell strikt svarsgräns.\n\nDet användbara resultatet är en granskad text, ett kodförslag eller en källbaserad analys. Kontrollera värden mot det tillhandahållna materialet och kod i dess avsedda applikation. Behåll utgåvan 0711:s direkta instruktionsvariant intakt i stället för att tillskriva den senare kontext, bildindata eller funktioner för bevarande av resonemang från en annan K2-utgåva.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekniskt exempel på engelska
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 är Moonshot AI:s ursprungliga eftertränade K2-textmodell för chatt, kodning och verktygsstyrda agenter. Kontexten på 128K token och den reflexsnabba svarsvarianten producerar svar, kod och valda funktionsanrop utan det senare K2 Thinking-flödet.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Kimi K2 Instruct 0711 är Moonshot AI:s ursprungliga eftertränade K2-textmodell för allmän chatt och agentuppgifter. Tillverkaren skiljer den från K2 Base, som är grundmodellen, och beskriver instruktionsutgåvan som reflexsnabb utan långvarigt tänkande. Den tar emot text och genererar svar, kod och verktygsanropsinnehåll, med en kontext på 128K token.
K2 är en mixture-of-experts-modell med totalt en biljon parametrar och 32 miljarder aktiva parametrar. Tillverkarens sammanfattning använder latent uppmärksamhet med flera huvuden och gles expertroutning, med åtta av 384 experter valda per token tillsammans med en delad expert. Förträningen använder 15,5 biljoner token och optimeringsmetoden MuonClip, utvecklad för stabil träning i modellens skala.
Detta är egenskaper hos den ursprungliga K2-familjen. Instruktionsutgåvan tillför sedan beteendet som används för chatt, kodning och autonom problemlösning med applikationsverktyg. Dess identitet förblir skild från den senare kontextutökningen 0905, den separata Thinking-utgåvan och de multimodala modellerna K2.5 och K2.6.
För en fråga tillhandahåller du kontexten som fastställer svaret och identifierar svarsformen som du behöver. För en koduppgift inkluderar du relevant implementation, observerat fel, förväntat beteende och begränsningar som ska bevaras. En illustrativ begäran är: ”Förklara varför dessa indata misslyckas, föreslå den minsta korrigeringen och returnera den ändrade funktionen med det stödjande villkoret i källkoden.”
För dokumentarbete anger du avsnitten och kriterierna för en jämförelse. Begär att resultatet bevarar egennamn, fältidentifierare och enheter och identifierar information som materialet inte innehåller. Den önskade leveransen bör förbli tydlig genom revisioner i stället för att ersättas med breda kommentarer.
Producentens ursprungliga guide rekommenderar temperatur 0.6 och erbjuder en enkel systeminstruktion för assistenten som standard när en specialiserad roll inte behövs. Den här varianten producerar uppgiftens svar direkt i stället för att införa den senare Thinking-modellens utökade kontrakt för varvat resonemang. Ange det slutliga svarets språk, obligatoriska detaljer och förväntade längd oberoende av samplingsrekommendationen.
K2 Instruct stöder funktioner som tillhandahålls i varje begäran med namn, beskrivningar och parameterscheman. Modellen väljer när och hur de ska anropas. Applikationen tolkar de föreslagna JSON-argumenten och kör den valda operationen; returnerade observationer förs in i samtalet med matchande verktygsanropsidentifierare och funktionsnamn. Följande svar kan använda dessa faktiska resultat för att besvara eller fortsätta en uppgift.
Definiera vad varje verktyg gör och vilka åtgärder som är tillåtna. En dokumentuppslagning kan returnera det saknade produktfältet, medan ett utvecklingsverktyg kan returnera källkod eller ett observerat fel. En vald operation är inte ett bevis på att den har utförts förrän resultatet är tillgängligt. Bevara observationen tillsammans med uppgiften så att en slutlig slutsats kan identifiera vad som stöder den.
Det ursprungliga fönstret på 128K token innehåller källtext, samtal, verktygshistorik och genererat innehåll tillsammans. Reservera plats för svaret och organisera ett långt kodarkiv eller en dokumentsamling kring den faktiska frågan. Modellkortets exempelstorlek för komplettering fastställer ingen universell strikt svarsgräns.
Det användbara resultatet är en granskad text, ett kodförslag eller en källbaserad analys. Kontrollera värden mot det tillhandahållna materialet och kod i dess avsedda applikation. Behåll utgåvan 0711:s direkta instruktionsvariant intakt i stället för att tillskriva den senare kontext, bildindata eller funktioner för bevarande av resonemang från en annan K2-utgåva.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser moonshotai/kimi-k2 | 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 $0.00114 / 1K token Utdata · Utdatatoken $0.0046 / 1K token Indata · Cacheläsning — / 1K token Indata · Skrivning till cache — / 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 $0.00114 / 1K token Utdata · Utdatatoken $0.0046 / 1K token Indata · Cacheläsning — / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
set -eu\n: "${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", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='moonshotai/kimi-k2',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='moonshotai/kimi-k2',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson eller SSE
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
Använd metodsökvägarna som visas ovan.
moonshotai/kimi-k2Kimi K2 Instruct 0711 är Moonshot AI:s ursprungliga eftertränade K2-textmodell för chatt, kodning och verktygsstyrda agenter. Kontexten på 128K token och den reflexsnabba svarsvarianten producerar svar, kod och valda funktionsanrop utan det senare K2 Thinking-flödet.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Kimi K2 Instruct 0711 är Moonshot AI:s ursprungliga eftertränade K2-textmodell för allmän chatt och agentuppgifter. Tillverkaren skiljer den från K2 Base, som är grundmodellen, och beskriver instruktionsutgåvan som reflexsnabb utan långvarigt tänkande. Den tar emot text och genererar svar, kod och verktygsanropsinnehåll, med en kontext på 128K token.
K2 är en mixture-of-experts-modell med totalt en biljon parametrar och 32 miljarder aktiva parametrar. Tillverkarens sammanfattning använder latent uppmärksamhet med flera huvuden och gles expertroutning, med åtta av 384 experter valda per token tillsammans med en delad expert. Förträningen använder 15,5 biljoner token och optimeringsmetoden MuonClip, utvecklad för stabil träning i modellens skala.
Detta är egenskaper hos den ursprungliga K2-familjen. Instruktionsutgåvan tillför sedan beteendet som används för chatt, kodning och autonom problemlösning med applikationsverktyg. Dess identitet förblir skild från den senare kontextutökningen 0905, den separata Thinking-utgåvan och de multimodala modellerna K2.5 och K2.6.
För en fråga tillhandahåller du kontexten som fastställer svaret och identifierar svarsformen som du behöver. För en koduppgift inkluderar du relevant implementation, observerat fel, förväntat beteende och begränsningar som ska bevaras. En illustrativ begäran är: ”Förklara varför dessa indata misslyckas, föreslå den minsta korrigeringen och returnera den ändrade funktionen med det stödjande villkoret i källkoden.”
För dokumentarbete anger du avsnitten och kriterierna för en jämförelse. Begär att resultatet bevarar egennamn, fältidentifierare och enheter och identifierar information som materialet inte innehåller. Den önskade leveransen bör förbli tydlig genom revisioner i stället för att ersättas med breda kommentarer.
Producentens ursprungliga guide rekommenderar temperatur 0.6 och erbjuder en enkel systeminstruktion för assistenten som standard när en specialiserad roll inte behövs. Den här varianten producerar uppgiftens svar direkt i stället för att införa den senare Thinking-modellens utökade kontrakt för varvat resonemang. Ange det slutliga svarets språk, obligatoriska detaljer och förväntade längd oberoende av samplingsrekommendationen.
K2 Instruct stöder funktioner som tillhandahålls i varje begäran med namn, beskrivningar och parameterscheman. Modellen väljer när och hur de ska anropas. Applikationen tolkar de föreslagna JSON-argumenten och kör den valda operationen; returnerade observationer förs in i samtalet med matchande verktygsanropsidentifierare och funktionsnamn. Följande svar kan använda dessa faktiska resultat för att besvara eller fortsätta en uppgift.
Definiera vad varje verktyg gör och vilka åtgärder som är tillåtna. En dokumentuppslagning kan returnera det saknade produktfältet, medan ett utvecklingsverktyg kan returnera källkod eller ett observerat fel. En vald operation är inte ett bevis på att den har utförts förrän resultatet är tillgängligt. Bevara observationen tillsammans med uppgiften så att en slutlig slutsats kan identifiera vad som stöder den.
Det ursprungliga fönstret på 128K token innehåller källtext, samtal, verktygshistorik och genererat innehåll tillsammans. Reservera plats för svaret och organisera ett långt kodarkiv eller en dokumentsamling kring den faktiska frågan. Modellkortets exempelstorlek för komplettering fastställer ingen universell strikt svarsgräns.
Det användbara resultatet är en granskad text, ett kodförslag eller en källbaserad analys. Kontrollera värden mot det tillhandahållna materialet och kod i dess avsedda applikation. Behåll utgåvan 0711:s direkta instruktionsvariant intakt i stället för att tillskriva den senare kontext, bildindata eller funktioner för bevarande av resonemang från en annan K2-utgåva.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser moonshotai/kimi-k2 | 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 $0.00114 / 1K token Utdata · Utdatatoken $0.0046 / 1K token Indata · Cacheläsning — / 1K token Indata · Skrivning till cache — / 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 $0.00114 / 1K token Utdata · Utdatatoken $0.0046 / 1K token Indata · Cacheläsning — / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "moonshotai/kimi-k2",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'moonshotai/kimi-k2', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'moonshotai/kimi-k2', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON eller SSE
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
Använd metodsökvägarna som visas ovan.
Tekniskt exempel på engelska
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.