371 lines
217 KiB
JSON
371 lines
217 KiB
JSON
{
|
||
"id": "conv_20251107_164523_152",
|
||
"title": "今天早上kimi-k2模型开源了thinking模型，我记得你是kimik2的非thinking版对...",
|
||
"created_at": "2025-11-07T16:45:23.153122",
|
||
"updated_at": "2025-11-07T17:09:49.851701",
|
||
"messages": [
|
||
{
|
||
"role": "user",
|
||
"content": "今天早上kimi-k2模型开源了thinking模型，我记得你是kimik2的非thinking版对吗？和帮我查一下这个新的thinking模型的信息",
|
||
"timestamp": "2025-11-07T16:47:15.829226"
|
||
},
|
||
{
|
||
"role": "assistant",
|
||
"content": "我来帮您查找一下kimi-k2新开源的thinking模型信息。让我先搜索相关的信息。",
|
||
"timestamp": "2025-11-07T16:47:18.281819"
|
||
},
|
||
{
|
||
"role": "assistant",
|
||
"content": "",
|
||
"timestamp": "2025-11-07T16:47:18.284189",
|
||
"tool_calls": [
|
||
{
|
||
"id": "web_search:0",
|
||
"index": 0,
|
||
"type": "function",
|
||
"function": {
|
||
"name": "web_search",
|
||
"arguments": "{\"query\": \"kimi k2 thinking模型开源 2024\", \"time_range\": \"day\", \"max_results\": 10}"
|
||
}
|
||
}
|
||
]
|
||
},
|
||
{
|
||
"role": "tool",
|
||
"content": "{\"success\": true, \"summary\": \"🔍 搜索查询: kimi k2 thinking模型开源 2024\\n📅 搜索时间: 2025-11-07T16:47:23.659805\\n🎯 过滤条件: Topic: general | Time Range: day\\n\\n📝 AI摘要:\\nKimi K2 Thinking is an open-source model released in 2024, known for its advanced reasoning and autonomous capabilities. It has outperformed GPT-5 in various benchmarks. Access it via Hugging Face or API.\\n\\n---\\n\\n📊 搜索结果:\\n\\n1. 月之暗面开源Kimi K2 Thinking模型 - 36氪\\n 🔗 https://www.36kr.com/newsflashes/3541750175068041\\n 📄 36氪获悉，11月6日晚间，月之暗面发布并开源思考模型Kimi K2 Thinking，Agent和推理能力全面提升。据介绍，Kimi K2 Thinking具备边思考边使用工具的能力，无需用户干预，\\n\\n2. Open Source is Winning, Thanks to Kimi K2 Thinking! - YouTube\\n 🔗 https://www.youtube.com/watch?v=AuTtTWlcBZo\\n 📄 # China's NEW 1 Trillion Reasoning AI - Kimi K2 Thinking\\n\\n1littlecoder\\n82 likes\\n1269 views\\n6 Nov 2025\\nHello, Kimi K2 Thinking!\\nThe Open-Source Thinking Agent Model is here.\\n\\nKimi K2 Thinking Launch \\n\\n...\\n\\n3. 开源新王！首次干翻GPT-5，实测Kimi K2 Thinking，中国AI杀疯了\\n 🔗 https://tech.ifeng.com/c/8o5a0eddnXO\\n 📄 它是一个推理的混合专家（MoE）模型，总参数量1T，激活参数32B，上下文长度256K。 K2 Thinking 能在智能体工具调用中交错思考，同时在保持任务目标的同时，持续进行200 到300 次\\n\\n4. Kimi K2 Thinking Is The BEST Open Source Model - YouTube\\n 🔗 https://www.youtube.com/watch?v=5t3kWhDjCig\\n 📄 AI Integration & Consulting: \\nJoin the Discord: \\n\\nIn this video, we take a look at the newly released Kimi K2 Thinking model from Moonshot AI. As a thinking variant of the massive 1T parameter K2 mode...\\n\\n5. Kimi K2 Thinking is Here and It Beats GPT-5! - Analytics Vidhya\\n 🔗 https://www.analyticsvidhya.com/blog/2025/11/kimi-k2-thinking/\\n 📄 Out of all the Chinese AI models available today, Moonshot’s Kimi is my personal favorite! Whether it’s generating slides from a single prompt or performing agentic web browsing, Kimi truly does it al...\\n\\n6. Kimi K2 Thinking - Simon Willison's Weblog\\n 🔗 https://simonwillison.net/2025/Nov/6/kimi-k2-thinking/\\n 📄 # Simon Willison’s Weblog\\n\\nKimi K2 Thinking. Chinese AI lab Moonshot's Kimi K2 established itself as one of the largest open weight models - 1 trillion parameters - back in July. They've now released ...\\n\\n7. Kimi released Kimi K2 Thinking, an open-source trillion-parameter ...\\n 🔗 https://www.reddit.com/r/LocalLLaMA/comments/1oq1arc/kimi_released_kimi_k2_thinking_an_opensource/\\n 📄 It is a mixture-of-experts (MoE) language model, featuring 32 billion activated parameters and a total of 1 trillion parameters.\\n\\n8. China's open-source model outperforms gpt-5 - Facebook\\n 🔗 https://www.facebook.com/groups/developerkaki/posts/2656788134667083/\\n 📄 Meet Kimi K2 Thinking, a 1T MoE model that activates 32B parameters, and can execute 200–300 sequential tool calls.\\n\\n100% open-source.\\n\\nImage 2: May be an image of text\\n\\nImage 3\\n\\nAll reactions:\\n\\n27\\n\\n...\\n\\n9. Kimi K2 Thinking Crushes GPT-5, Claude 4.5 Sonnet in Key ...\\n 🔗 https://analyticsindiamag.com/ai-news-updates/kimi-k2-thinking-crushes-gpt-5-claude-4-5-sonnet-in-key-benchmarks/\\n 📄 🚀 Hello, Kimi K2 Thinking! \\nThe Open-Source Thinking Agent Model is here. \\n \\n🔹 SOTA on HLE (44.9%) and BrowseComp (60.2%) \\n🔹 Executes up to 200 – 300 sequential tool calls without human interferen...\\n\\n10. Kimi.ai (@Kimi_Moonshot) / Posts / X\\n 🔗 https://x.com/Kimi_Moonshot\\n 📄 372\\n\\n1.4K\\n\\n5.6K\\n\\n1.9M\\n\\nKimi.ai reposted\\n\\nImage 10\\n\\nArtificial Analysis\\n\\n@ArtificialAnlys\\n\\n·\\n\\n8h\\n\\nMoonshotAI has released Kimi K2 Thinking, a new reasoning variant of Kimi K2 that achieves #1 in the Ta...\", \"filters\": {\"topic\": \"general\", \"time_range\": \"day\"}, \"query\": \"kimi k2 thinking模型开源 2024\", \"results\": [{\"index\": 1, \"title\": \"月之暗面开源Kimi K2 Thinking模型 - 36氪\", \"url\": \"https://www.36kr.com/newsflashes/3541750175068041\", \"content\": \"36氪获悉，11月6日晚间，月之暗面发布并开源思考模型Kimi K2 Thinking，Agent和推理能力全面提升。据介绍，Kimi K2 Thinking具备边思考边使用工具的能力，无需用户干预，\", \"score\": 0.73322314, \"published_date\": \"\"}, {\"index\": 2, \"title\": \"Open Source is Winning, Thanks to Kimi K2 Thinking! - YouTube\", \"url\": \"https://www.youtube.com/watch?v=AuTtTWlcBZo\", \"content\": \"# China's NEW 1 Trillion Reasoning AI - Kimi K2 Thinking\\n\\n1littlecoder\\n82 likes\\n1269 views\\n6 Nov 2025\\nHello, Kimi K2 Thinking!\\nThe Open-Source Thinking Agent Model is here.\\n\\nKimi K2 Thinking Launch \\n\\nKimi K2 Open weights\\n\\nAccess Kimi K2 Thinking here - \\n\\n❤️ If you want to support the channel ❤️\\nSupport here:\\nPatreon - \\nKo-Fi - \\n\\n🧭 Follow me on 🧭\\nTwitter - \\n3 comments\", \"score\": 0.6821721, \"published_date\": \"\"}, {\"index\": 3, \"title\": \"开源新王！首次干翻GPT-5，实测Kimi K2 Thinking，中国AI杀疯了\", \"url\": \"https://tech.ifeng.com/c/8o5a0eddnXO\", \"content\": \"它是一个推理的混合专家（MoE）模型，总参数量1T，激活参数32B，上下文长度256K。 K2 Thinking 能在智能体工具调用中交错思考，同时在保持任务目标的同时，持续进行200 到300 次\", \"score\": 0.6063825, \"published_date\": \"\"}, {\"index\": 4, \"title\": \"Kimi K2 Thinking Is The BEST Open Source Model - YouTube\", \"url\": \"https://www.youtube.com/watch?v=5t3kWhDjCig\", \"content\": \"AI Integration & Consulting: \\nJoin the Discord: \\n\\nIn this video, we take a look at the newly released Kimi K2 Thinking model from Moonshot AI. As a thinking variant of the massive 1T parameter K2 model, it's positioned as a high-performance agentic model capable of outperforming both open and closed-source alternatives. We start with a technical overview, then move into hands-on testing across logic, coding, creative writing, and reasoning tasks to evaluate its real-world capabilities. [...] # Kimi K2 Thinking Is The BEST Open Source Model - First Look & Testing\\n\\nBijan Bowen\\n338 likes\\n7578 views\\n6 Nov 2025\\nTimestamps:\\n\\n00:00 - Intro\\n00:56 - Technical Look\\n03:51 - Browser OS Test\\n07:56 - Disturbing RP & Logic Test\\n10:21 - Python FPS Game Test\\n12:22 - Game Improvement Test\\n13:00 - 3D Racing Game Test\\n14:03 - Creative Writing Test\\n14:54 - Bijan Reads Poetry\\n18:45 - High Pressure Repair Website\\n21:00 - PC Repair Website Test\\n22:03 - Freestyle Test\\n24:38 - Closing Thoughts [...] HF Link: \\n59 comments\", \"score\": 0.5849357, \"published_date\": \"\"}, {\"index\": 5, \"title\": \"Kimi K2 Thinking is Here and It Beats GPT-5! - Analytics Vidhya\", \"url\": \"https://www.analyticsvidhya.com/blog/2025/11/kimi-k2-thinking/\", \"content\": \"Out of all the Chinese AI models available today, Moonshot’s Kimi is my personal favorite! Whether it’s generating slides from a single prompt or performing agentic web browsing, Kimi truly does it all. Just when we thought Kimi K2 was their best model, Moonshot launched an even more powerful upgrade: Kimi K2 Thinking. It is an open-source thinking agent model designed to reason, plan, and act autonomously. Built on test-time scaling, K2 Thinking dynamically expands its reasoning steps and tool [...] The performance of Kimi K2 Thinking proves that Chinese AI models are not just catching up, they’re setting new standards in reasoning, agentic search, and coding. Across benchmarks like HLE, BrowseComp, and SWE-Bench Verified, it rivals or exceeds leading Western models, often with open-source access and no paywall. [...] You can access the model via the chatbot.\\n Weights and code are available on Hugging Face.\\n Via API, you can simply use it by switching the `model` parameter:\\n\\n```\\n$ curl \\\\ -H \\\"Content-Type: application/json\\\" \\\\ -H \\\"Authorization: Bearer $MOONSHOT_API_KEY\\\" \\\\ -d '{ \\\"model\\\": \\\"kimi-k2-thinking\\\", \\\"messages\\\": [ {\\\"role\\\": \\\"user\\\", \\\"content\\\": \\\"hello\\\"} ], \\\"temperature\\\": 1.0 }'\\n```\\n\\nFor more details on API use, checkout this guide.\\n\\nAlso Read: Kimi OK Computer: A Hands-On Guide to the Free AI Agent\", \"score\": 0.5674818, \"published_date\": \"\"}, {\"index\": 6, \"title\": \"Kimi K2 Thinking - Simon Willison's Weblog\", \"url\": \"https://simonwillison.net/2025/Nov/6/kimi-k2-thinking/\", \"content\": \"# Simon Willison’s Weblog\\n\\nKimi K2 Thinking. Chinese AI lab Moonshot's Kimi K2 established itself as one of the largest open weight models - 1 trillion parameters - back in July. They've now released the Thinking version, also a trillion parameters (MoE, 32B active) and also under their custom modified (so not quite open source) MIT license. [...] Starting with Kimi K2, we built it as a thinking agent that reasons step-by-step while dynamically invoking tools. It sets a new state-of-the-art on Humanity's Last Exam (HLE), BrowseComp, and other benchmarks by dramatically scaling multi-step reasoning depth and maintaining stable tool-use across 200–300 sequential calls. At the same time, K2 Thinking is a native INT4 quantization model with 256k context window, achieving lossless reductions in inference latency and GPU memory usage. [...] This one is only 594GB on Hugging Face - Kimi K2 was 1.03TB - which I think is due to the new INT4 quantization. This makes the model both cheaper and faster to host.\\n\\nSo far the only people hosting it are Moonshot themselves. I tried it out both via their own API and via the OpenRouter proxy to it, via the llm-moonshot plugin (by NickMystic) and my llm-openrouter plugin respectively.\", \"score\": 0.54594, \"published_date\": \"\"}, {\"index\": 7, \"title\": \"Kimi released Kimi K2 Thinking, an open-source trillion-parameter ...\", \"url\": \"https://www.reddit.com/r/LocalLLaMA/comments/1oq1arc/kimi_released_kimi_k2_thinking_an_opensource/\", \"content\": \"It is a mixture-of-experts (MoE) language model, featuring 32 billion activated parameters and a total of 1 trillion parameters.\", \"score\": 0.5376489, \"published_date\": \"\"}, {\"index\": 8, \"title\": \"China's open-source model outperforms gpt-5 - Facebook\", \"url\": \"https://www.facebook.com/groups/developerkaki/posts/2656788134667083/\", \"content\": \"Meet Kimi K2 Thinking, a 1T MoE model that activates 32B parameters, and can execute 200–300 sequential tool calls.\\n\\n100% open-source.\\n\\nImage 2: May be an image of text\\n\\nImage 3\\n\\nAll reactions:\\n\\n27\\n\\n3 comments\\n\\n3 shares\\n\\nLike\\n\\nComment\\n\\nShare\\n\\nMost relevant\\n\\n[](\\n\\nAfam Awal\\n\\nAdding this into my bucket list to try later.\\n\\n 4h \\n\\nImage 4\\n\\nView 1 reply\\n\\n[](\\n\\nM Syafiq San\\n\\nMenarik nih.\\n\\n 10m \\n\\nSee more on Facebook\\n\\nSee more on Facebook\\n\\nEmail or phone number\\n\\n \\n\\nPassword\\n\\n \\n\\nLog In [...] Forgot password?\\n\\nor\\n\\nCreate new account [...] Developer Kaki | China's new open-source model outperforms GPT-5 and Claude Sonnet 4.5 in reasoning, agentic search, and coding, while being ~90% cheaper | Facebook\\n\\nLog In\\n\\nLog In\\n\\nForgot Account?\\n\\nImage 1\\n\\nChina's open-source model outperforms gpt-5\\n\\nSummarized by AI from the post below\\n\\n[](\\n\\nDeveloper Kaki · \\n\\nJoin\\n\\nAiman Asyraf\\n\\n · 4h · \\n\\nChina's new open-source model outperforms GPT-5 and Claude Sonnet 4.5 in reasoning, agentic search, and coding, while being ~90% cheaper.\", \"score\": 0.532839, \"published_date\": \"\"}, {\"index\": 9, \"title\": \"Kimi K2 Thinking Crushes GPT-5, Claude 4.5 Sonnet in Key ...\", \"url\": \"https://analyticsindiamag.com/ai-news-updates/kimi-k2-thinking-crushes-gpt-5-claude-4-5-sonnet-in-key-benchmarks/\", \"content\": \"🚀 Hello, Kimi K2 Thinking! \\nThe Open-Source Thinking Agent Model is here. \\n \\n🔹 SOTA on HLE (44.9%) and BrowseComp (60.2%) \\n🔹 Executes up to 200 – 300 sequential tool calls without human interference \\n🔹 Excels in reasoning, agentic search, and coding \\n🔹 256K context window \\n \\nBuilt… pic.twitter.com/lZCNBIgbV2\\n\\nMoonshot said the model’s architecture activates 32 billion parameters per inference out of a total of one trillion parameters and supports up to 2,56,000 token context windows. [...] These rates are competitive even against MiniMax-M2’s $0.30 input and $1.20 output pricing, and remain an order of magnitude lower than GPT-5, which is priced at $1.25 for input and $10 for output.\\n\\nThe open-source model is available under a Modified MIT License, permitting free commercial use with one attribution condition for high-scale deployments. [...] The launch of Kimi K2 Thinking comes at a time when Chinese open-source AI firms are competing more closely with US proprietary systems. Moonshot AI views the model as a crucial step toward making powerful AI technology more accessible.\\n\\n📣 Want to advertise in AIM? Book here\\n\\nPicture of Siddharth Jindal\\n\\nBeware of Chinese Open-Source LLMs\\n\\nHere’s-Your-Guide-to-Understanding-China’s-AI-Model-Ecosystem_Supreeth (1)\\n\\nChina Open Sources TinyGPT-V\\nAIM Print and TV\", \"score\": 0.52393246, \"published_date\": \"\"}, {\"index\": 10, \"title\": \"Kimi.ai (@Kimi_Moonshot) / Posts / X\", \"url\": \"https://x.com/Kimi_Moonshot\", \"content\": \"372\\n\\n1.4K\\n\\n5.6K\\n\\n1.9M\\n\\nKimi.ai reposted\\n\\nImage 10\\n\\nArtificial Analysis\\n\\n@ArtificialAnlys\\n\\n·\\n\\n8h\\n\\nMoonshotAI has released Kimi K2 Thinking, a new reasoning variant of Kimi K2 that achieves #1 in the Tau2 Bench Telecom agentic benchmark and is potentially the new leading open weights model Kimi K2 Thinking is one of the largest open weights models ever, at 1T total parameters\\n\\nShow more [...] Image 11: Bar chart titled Tau-Bench Telecom Agent Tool Use displays model performance scores on y-axis from 0 to 100 percent with various colored bars for different models including high scores around 93 percent for Kimi K2 Thinking indicated by arrow labels at bottom list models like Claude 3.5 Sonnet GPT-4o and others with scores in green orange blue and other colors watermark Artificial Analysis at top right\\n\\n38\\n\\n180\\n\\n1.1K\\n\\n121K\\n\\nImage 12: Square profile picture\\n\\nKimi.ai\\n\\n@Kimi_Moonshot\\n\\n· [...] Image 22: Screenshot displays a terminal window with a pip install command for vllm extra index url from wheels vllm nightly including options for tensor parallel size 4 trust remote code and linking to Kimi Linear 48B A3B Instruct model alongside a Hugging Face card showing moonshotai repository for the model with blue and orange gradient background.\\n\\nQuote\\n\\nImage 23: Square profile picture\\n\\nKimi.ai\\n\\n@Kimi_Moonshot\\n\\n·\\n\\nOct 30\", \"score\": 0.46832922, \"published_date\": \"\"}], \"total_results\": 10}",
|
||
"timestamp": "2025-11-07T16:47:23.661679",
|
||
"tool_call_id": "web_search:0",
|
||
"name": "web_search"
|
||
},
|
||
{
|
||
"role": "assistant",
|
||
"content": "让我提取一些更详细的信息来了解更多技术细节。",
|
||
"timestamp": "2025-11-07T16:47:25.843646"
|
||
},
|
||
{
|
||
"role": "assistant",
|
||
"content": "",
|
||
"timestamp": "2025-11-07T16:47:25.846647",
|
||
"tool_calls": [
|
||
{
|
||
"id": "extract_webpage:1",
|
||
"index": 0,
|
||
"type": "function",
|
||
"function": {
|
||
"name": "extract_webpage",
|
||
"arguments": "{\"url\": \"https://tech.ifeng.com/c/8o5a0eddnXO\"}"
|
||
}
|
||
}
|
||
]
|
||
},
|
||
{
|
||
"role": "tool",
|
||
"content": "{\"success\": true, \"url\": \"https://tech.ifeng.com/c/8o5a0eddnXO\", \"content\": \"🌐 网页内容 (5931 字符):\\n📍 URL: https://tech.ifeng.com/c/8o5a0eddnXO\\n==================================================\\n## [科技频道](//itech.ifeng.com)\\n\\n# 开源新王！首次干翻GPT-5，实测Kimi K2 Thinking，中国AI杀疯了\\n\\n\\n\\n\\n\\n\\n迄今为止最大最好的开源模型，总参数达 1 万亿，屠榜多个基准测试，Kimi K2 Thinking 来了。\\n\\n\\n\\n\\n\\nKimi K2 Thinking 在 TAU 榜单（智能体工具调用能力测试）上排名第一，超过 OpenAI 和 Anthropic 的旗舰模型\\n\\n一登场就是斩获多个测试榜单的第一名，Kimi 也不玩开源只和开源比那一套，而是直接把 GPT-5、Claude 4.5 Sonnet 这样的闭源模型放一起，非常自信。\\n\\n\\n\\n\\n\\n智谱、MiniMax 自然语言处理部门负责人、以及 HuggingFace 联合创始人纷纷在评论区留言祝贺\\n\\n除了在工具使用的榜单上拿第一，人类最后考试（HLE）、BrowseComp、还有其他基准测试，Kimi K2 Thinking 基本上都占据了先进模型的前排位置。\\n\\n\\n\\n\\n\\n在跨学科专家级问题的 HLE 榜单、以及自主搜索的三个榜单上，排名第一；编程能力的三个榜单，得分也接近最好的 Claude 或 GPT 模型\\n\\n无论是对智能体能力要求极高的编程任务、还是通用的推理写作、深度搜索等方面，Kimi K2 Thinking 的性能表现可以说是，目前最接近封闭模型的开源模型。\\n\\n延续了 7 月份，发布 K2 时，将其定位为自主智能路线图的一部分，Kimi K2 Thinking 也是主打 **Agentic Intelligence（智能体智能）** 。它是一个推理的混合专家（MoE）模型，总参数量 1T，激活参数 32B，上下文长度 256K。\\n\\nK2 Thinking 能在智能体工具调用中交错思考，同时在保持任务目标的同时，持续进行 200 到 300 次顺序工具调用。\\n\\n尽管工具调用在类似的闭源模型上，已经成为某种程度上的标准，但 **K2 Thinking 可能是第一个，具有如此多工具调用能力的开源模型。**\\n\\n对比 K2 0905，K2 Thinking 在具体的任务上的提升，我们总结了 Kimi 的技术博客，有这些亮点。\\n\\n解决需要百步推理的复杂难题：它能将一个庞大的目标分解为数百个子任务，然后像一个项目经理一样，逐一执行。\\n\\n官方举例称，它曾通过 23 个交错的推理和工具调用，成功解决了一个博士级的数学难题。\\n\\n更准确地找到详细的信息：通过执行动态的思考 → 搜索 → 浏览器使用 → 思考 → 代码循环，K2 Thinkging 在面对模糊或冷门的搜索需求，能自己上网反复搜索、浏览网页、验证证据，直到找到精准答案。\\n\\n直接把想法变成可用的产品：K2 Thinking 特别擅长前端代码（如 HTML、React），和其他 Vibe Coding 产品一样，能直接把我们的想法写成一个功能完善、响应迅速的网页或软件产品。\\n\\n写出更有人味的文章：逻辑严谨的专业长文，想象力丰富的创意故事，甚至是需要同理心的情感建议，K2 Thinking 在聊天问答这些通用能力上，能做到更扎实、更细腻的推理写作。\\n\\n\\n\\n\\n\\n目前，Kimi K2 Thinking 已经在 Kimi 官网的聊天模式上线。\\n\\n但需要注意的是，Kimi 解释说为了保证用户能获得快速、轻量级的体验，当前的网页聊天版本，有选择性地减少了部分工具的使用和调用次数。因此，直接在 kimi.com 上聊天，可能暂时无法完全复现上述基准测试中的极限分数。\\n\\n\\n\\n\\n\\n测试中提醒「高峰算力不足，请耐心等待」\\n\\n此外，能充分发挥 Kimi K2 Thinking 能力的完整智能体模式（Full Agentic Mode）将很快更新。开发者也可以通过 Kimi k2 thinking API 来体验。\\n\\n我们也快速上手，实测了几个常见的项目，一起来看看实际的体验如何。\\n\\n首先是编程任务，我们先让他做了一个技能五子棋的小游戏，要求是在普通的五子棋规则上，玩家可以使用技能。\\n\\n\\n\\n\\n\\n速度很快，出乎我的意料，一两分钟的时间，它就实现了全部的代码，并且真的可以使用这些技能。\\n\\n然后是骑自行车的鹈鹕，这个经典的测试大模型编程能力的项目，检验它的 SVG 代码生成。\\n\\n\\n\\n\\n\\n虽然 K2 Thinking 写着推理模型，但是它的推理速度非常快，这段动态的 SVG 代码生成也只花了 1 分钟不到。虽然这个鹈鹕好像有点不太对劲。\\n\\n开启长思考，即 K2 Thinking 的同时，能启用网络搜索，当我们要它完成一个天气卡片时，能看到 Kimi 会一边自动检索网络上的公开资料，一边完成代码的实现。\\n\\n\\n\\n\\n\\n确实能调用浏览器的获取位置接口，但是在最后 Kimi 也提到，需要输入对应的地图 API 和 天气信息 API 等数据\\n\\n现在已经是全民 vibe coding 的时代了，普通用户还是程序员，都能从 K2 Thinking 的编程能力里，更快速地实现自己的想法。\\n\\n在智能体搜索这个任务上，我们问了他一些专业领域的问题，测试它如何分解复杂问题、主动搜索、并整合难找的网络信息的能力。\\n\\n\\n\\n\\n\\n可以看到，Kimi 搜索的信息是比较全面的，当我规定了 2025 年以后，它网页搜索的资料，也大多集中在最近这段时间以来的报道。\\n\\n\\n\\n\\n\\n上下滑动查看更多内容\\n\\n最后它给出的报告，也详细的提到了三种 2025 的算法，以及主要的公司等内容。\\n\\n其实工具调用，应该是 Kimi K2 Thinking 非常重要的能力，但是在我们的体验中，发现大多数时候，他只是调用网络搜索工具，而没有看到 200 多个工具流。（我的任务太简单，还有可能是高峰期。）\\n\\n我们在输入一个物流逻辑问题时，很明显是可以调用 Python 等代码解释器来辅助计算，但是 Kimi 只是和其他深度思考的模型一样，一步步地推理。\\n\\n关于 K2 Thinking 的写作能力，我们找了一个表面上看起来是两难的问题给它。\\n\\n\\n\\n\\n\\n上下滑动查看更多内容\\n\\n这个回答有够人性化吗。在我看来，很明显不是空洞的套话，还提供了周到且具体的思考，也帮助我们平衡了原则和现实两个方面，还有可操作的后续步骤。\\n\\n在 AI 模型军备竞赛的今天，单纯的问答，很明显已经无法满足，我们复杂的专业需求。像人类专家一样，通过一步一步的推理思考，主动使用各种工具，来解决极其复杂的难题，成了所有大模型的标配。\\n\\n根据 Kimi 官方文档和技术分析的介绍，这次的思考能力突破关键在训练方式，即高效的量化技术（INT4 QAT），这也是一个值得关注的行业亮点。\\n\\nK2 Thinking 在后训练阶段采用了量化感知训练 (QAT)，让模型能以 INT4 精度本地运行，推理速度提升约 2 倍，同时保持最佳性能。\\n\\n也就是说，它不是训练完再压缩，而是在训练过程中就贯穿低精度运算模型。这带来了两个巨大优势，一个是推理速度的提升，一个是长链条推理，不会因为量化而造成逻辑崩溃。\\n\\n\\n\\n\\n\\n使用正确的量化技术，能节省 GPU 显存并加快推理速度\\n\\n此外，它的所有基准测试成绩都是在 INT4 精度下报告的。说白了，这是一种「所见即所得」的性能，而不是实验室精心调制的数据， **K2 Thinking 生来就能跑得动** 。\\n\\n我们的实测也能看到，Kimi K2 Thinking 确实不仅仅是一个营销噱头，工具调用、量化技术、以及超长规划，让它在智能体方向上，推理速度上，都有不错的表现。\\n\\n虽然在某些方面，例如稳定的结果输出、以及对提示词更宽松的要求，还是比不上闭源模型。 **但是开源能做到这样，我的心里只有两个字，佩服。**\\n\\n\\n\\n\\n\\n过去两年，国产模型的竞争大概是从 Qwen、百度这些模型，对 ChatGPT 的疯狂追赶；到横空出世的 DeepSeek 把推理成本降低的同时，还做到了和 o3 等推理模型，相媲美的表现。\\n\\n让国产 AI 开始走上了，完全不同于国外闭源模型的路线。OpenAI 发布一个 GPT-5 预热了大半年，Anthropic 的 Claude 系列模型发布周期也在长达几个月。\\n\\n而 Kimi 在今年七月发布了 K2，九月发布了 K2 Instruct，十一月就迎来了 K2 Thinking；更不用说还有智谱、MiniMax、以及前段时间模型七连发的 Qwen。就连还在期待中的 DeepSeek R2，也更新 V3.2、OCR 等广受好评的模型。\\n\\n并且，这些模型全部开源。在海外社交媒体平台上，一年前大家可能只知道中国有 DeepSeek，而现在，Qwen 已经是 Hugging Face 上模型下载榜单的 Top 10，Kimi 和智谱（Z.ai）的 GLM 系列模型、以及 MiniMax 都成了大多数用户青睐的模型。\\n\\nK2 Thinking 的发布，我想是一个新的转折点，就是当我们的开源模型，也能拿到和闭源模型一样的基准分数时，闭源模型还可以讲什么样的故事来营销自己呢。\\n\\n\\n\\n\\n\\nGemini 3 据说在今年年底前将发布，而 OpenAI 似乎也害怕再像当时的 nano banana 一样，抢走他的市场，计划推出 GPT-5.1。\\n\\n军备竞赛还在继续，国产开源的力量，开始让我们看到，一个好用的 AI，不是屠榜多少测试，是在具有真实用户需求的领域，能真正地提供某些东西，并且惠及到所有人。\\n\\n“特别声明：以上作品内容(包括在内的视频、图片或音频)为凤凰网旗下自媒体平台“大风号”用户上传并发布，本平台仅提供信息存储空间服务。\\n\\nNotice: The content above (including the videos, pictures and audios if any) is uploaded and posted by the user of Dafeng Hao, which is a social media platform and merely provides information storage space services.”\\n==================================================\"}",
|
||
"timestamp": "2025-11-07T16:47:29.223882",
|
||
"tool_call_id": "extract_webpage:1",
|
||
"name": "extract_webpage"
|
||
},
|
||
{
|
||
"role": "assistant",
|
||
"content": "",
|
||
"timestamp": "2025-11-07T16:47:31.600859",
|
||
"tool_calls": [
|
||
{
|
||
"id": "extract_webpage:2",
|
||
"index": 0,
|
||
"type": "function",
|
||
"function": {
|
||
"name": "extract_webpage",
|
||
"arguments": "{\"url\": \"https://www.36kr.com/newsflashes/3541750175068041\"}"
|
||
}
|
||
}
|
||
]
|
||
},
|
||
{
|
||
"role": "tool",
|
||
"content": "{\"success\": true, \"url\": \"https://www.36kr.com/newsflashes/3541750175068041\", \"content\": \"🌐 网页内容 (836 字符):\\n📍 URL: https://www.36kr.com/newsflashes/3541750175068041\\n==================================================\\n![]()\\n\\n# 月之暗面开源Kimi K2 Thinking模型\\n\\n### 下一篇\\n\\n11月6日，世界气象组织发布《2025年全球气候状况最新通报》指出，极端高温的天气特征在2025年持续，2025年将成为有记录以来第二或第三热的年份。报告显示，2025年1月至8月，全球近地表平均气温较工业化前平均水平高出1.42℃±0.12℃。温室气体浓度与海洋热含量在2024年已创下历史新高。而根据初步数据，这两项关键指标在2025年仍将继续攀升。（央视新闻）\\n\\n9小时前\\n\\n8点1氪｜山姆客服回应APP支付跳转色情页面；俞敏洪确认孙东旭离职，称“没有任何龃龉和隔阂”；小红书拿下支付牌照\\n\\n历史第一人，马斯克锁定万亿薪酬包，但得先完成这些「不可能任务」\\n\\n![阿里云]()\\n![火山引擎]()\\n![高德]()\\n![个推]()\\n![星球日报]()\\n![鲸准]()\\n![氪空间]()\\n![富途牛牛]()\\n![企服点评]()\\n![人人都是产品经理]()\\n![领氪]()\\n\\n![36氪]()\\n\\n\\n\\n推送和解读前沿、有料的科技创投资讯\\n\\n\\n\\n一级市场金融信息和系统服务提供商\\n\\n\\n\\n聚焦全球优秀创业者，项目融资率接近97%，领跑行业\\n==================================================\"}",
|
||
"timestamp": "2025-11-07T16:47:41.971406",
|
||
"tool_call_id": "extract_webpage:2",
|
||
"name": "extract_webpage"
|
||
},
|
||
{
|
||
"role": "assistant",
|
||
"content": "",
|
||
"timestamp": "2025-11-07T16:47:45.406745",
|
||
"tool_calls": [
|
||
{
|
||
"id": "extract_webpage:3",
|
||
"index": 0,
|
||
"type": "function",
|
||
"function": {
|
||
"name": "extract_webpage",
|
||
"arguments": "{\"url\": \"https://www.analyticsvidhya.com/blog/2025/11/kimi-k2-thinking/\"}"
|
||
}
|
||
}
|
||
]
|
||
},
|
||
{
|
||
"role": "tool",
|
||
"content": "{\"success\": true, \"url\": \"https://www.analyticsvidhya.com/blog/2025/11/kimi-k2-thinking/\", \"content\": \"🌐 网页内容 (29892 字符):\\n📍 URL: https://www.analyticsvidhya.com/blog/2025/11/kimi-k2-thinking/\\n==================================================\\n[Master Generative AI with 10+ Real-world Projects in 2025!\\n\\n* d\\n:* h\\n:* m\\n:* s](https://www.analyticsvidhya.com/pinnacleplus/pinnacleplus-projects?utm_source=blog_india&utm_medium=desktop_flashstrip&utm_campaign=15-Feb-2025||&utm_content=projects)\\n\\n\\n\\n[Interview Prep](https://www.analyticsvidhya.com/blog/category/interview-questions/?ref=category)\\n\\n[Prompt Engg](https://www.analyticsvidhya.com/blog/category/prompt-engineering/?ref=category)\\n\\n[AI Agents](https://www.analyticsvidhya.com/blog/category/ai-agent/?ref=category)\\n\\n[Machine Learning](https://www.analyticsvidhya.com/blog/category/machine-learning/?ref=category)\\n\\n[Deep Learning](https://www.analyticsvidhya.com/blog/category/deep-learning/?ref=category)\\n\\n[GenAI Tools](https://www.analyticsvidhya.com/blog/category/ai-tools/?ref=category)\\n\\n[AIML Projects](https://www.analyticsvidhya.com/blog/category/project/?ref=category)\\n\\n#### Reading list\\n\\n[How to Become a Data Analyst in 2025: A Complete RoadMap](https://www.analyticsvidhya.com/blog/2023/12/step-by-step-guide-to-becoming-a-data-analyst/)\\n\\n[A Comprehensive Learning Path to Tableau in 2025](https://www.analyticsvidhya.com/blog/2015/07/learning-path-tableau-worlds-fastest-growing-visualization-tool/)\\n\\n[A Comprehensive NLP Learning Path 2025](https://www.analyticsvidhya.com/blog/2023/12/nlp-learning-path/)\\n\\n[Learning Path to Become a Data Scientist in 2025](https://www.analyticsvidhya.com/blog/2020/12/a-comprehensive-learning-path-to-become-a-data-scientist/)\\n\\n[Step-by-Step Roadmap to Become a Data Engineer in 2025](https://www.analyticsvidhya.com/blog/2023/01/step-by-step-roadmap-to-become-a-data-engineer/)\\n\\n[A Comprehensive MLOps Learning Path: 2025 Edition](https://www.analyticsvidhya.com/blog/2023/12/a-comprehensive-mlops-learning-path/)\\n\\n[Roadmap to Become an AI Engineer in 2025](https://www.analyticsvidhya.com/blog/2024/04/roadmap-to-become-an-ai-engineer/)\\n\\n[A Comprehensive Learning Path to Master Computer Vision in 2025](https://www.analyticsvidhya.com/blog/2020/01/computer-vision-learning-path/)\\n\\n[Best Roadmap to Learn Generative AI in 2025](https://www.analyticsvidhya.com/blog/2023/05/from-novice-to-pro-the-epic-journey-of-mastering-generative-ai/)\\n\\n[GenAI Roadmap for Enterprises](https://www.analyticsvidhya.com/blog/2024/05/genai-roadmap-for-enterprises/)\\n\\n[Large Language Models Demystified: A Beginner’s Roadmap](https://www.analyticsvidhya.com/blog/2023/10/large-language-models-demystified/)\\n\\n[Learning Path to Become a Prompt Engineering Specialist](https://www.analyticsvidhya.com/blog/2024/07/prompt-engineer/)\\n\\n# Kimi K2 Thinking is Here and It Beats GPT-5!\\n\\n[Nitika Sharma](https://www.analyticsvidhya.com/blog/author/nitika-sharma/) Last Updated : 07 Nov, 2025\\n\\n 4 min read\\n\\nOut of all the Chinese AI models available today, Moonshot’s Kimi is my personal favorite! Whether it’s [generating slides](https://www.analyticsvidhya.com/blog/2025/09/kimi-slides/) from a single prompt or performing agentic web browsing, Kimi truly does it all. Just when we thought [Kimi K2](https://www.analyticsvidhya.com/blog/kimi-k2/) was their best model, Moonshot launched an even more powerful upgrade: Kimi K2 Thinking. It is an open-source thinking agent model designed to reason, plan, and act autonomously. Built on test-time scaling, K2 Thinking dynamically expands its reasoning steps and tool interactions as needed, solving complex math, physics, and logic problems step by step, conducting broad, multi-turn web searches with precision, and generating code and content with enhanced structure, creativity, and accuracy. All while setting new benchmarks in agentic performance!\\n\\n## Table of contents\\n\\n* [Kimi K2 Thinking Performance](#h-kimi-k2-thinking-performance)\\n* [How to Access Kimi K2 Thinking?](#h-how-to-access-kimi-k2-thinking)\\n* [Trying Kimi K2 Thinking on Diverse Prompts](#h-trying-kimi-k2-thinking-on-diverse-prompts)\\n + [Task 1: Critical Thinking](#h-task-1-critical-thinking)\\n + [Task 2: Research and Analysis](#h-task-2-research-and-analysis)\\n + [Task 3: Coding](#h-task-3-coding)\\n* [Conclusion](#h-conclusion)\\n\\n## Kimi K2 Thinking Performance\\n\\nBased on the latest benchmark results, Kimi K2 Thinking demonstrates a compelling performance profile, often leading or competing closely with top models like GPT-5 and Claude across key agent capabilities.\\n\\n* In agentic reasoning, K2 sets a new high bar with 44.9% on Humanity’s Last Exam (with tools), outpacing both GPT-5 (41.7%) and Claude (32.0%).\\n* It also dominates in agentic search, achieving 60.2% on BrowseComp and 56.3% on Seal-0, significantly ahead of its rivals.\\n* In coding tasks, K2 shows strong versatility: it leads on SWE-Bench Verified (71.3%) and LiveCodeBench V6 (83.1%), while trailing slightly behind GPT-5 on SWE-Multilingual (61.1% vs. 68.0%).\\n\\n## How to Access Kimi K2 Thinking?\\n\\n* You can access the model via the [chatbot](https://www.kimi.com/chat/).\\n* Weights and code are available on [Hugging Face.](https://huggingface.co/moonshotai)\\n* Via API, you can simply use it by switching the `model` parameter:\\n\\n```\\n$ curl https://api.moonshot.cn/v1/chat/completions \\\\ -H \\\"Content-Type: application/json\\\" \\\\ -H \\\"Authorization: Bearer $MOONSHOT_API_KEY\\\" \\\\ -d '{ \\\"model\\\": \\\"kimi-k2-thinking\\\", \\\"messages\\\": [ {\\\"role\\\": \\\"user\\\", \\\"content\\\": \\\"hello\\\"} ], \\\"temperature\\\": 1.0 }'\\n```\\n\\nFor more details on API use, checkout this [guide](https://platform.moonshot.ai/docs/guide/use-kimi-k2-thinking-model#basic-use-case).\\n\\nAlso Read: [Kimi OK Computer: A Hands-On Guide to the Free AI Agent](https://www.analyticsvidhya.com/blog/2025/10/kimi-ok-computer/)\\n\\n## Trying Kimi K2 Thinking on Diverse Prompts\\n\\n### Task 1: Critical Thinking\\n\\n**Prompt:** “*Simulate a structured debate between Nikola Tesla and Thomas Edison on the ethics of AI today. Ground their arguments in their actual writings, then extend their worldviews to comment on issues like deepfakes, automation, and open-source models.*“\\n\\n**Output:**\\n\\n[Find full output here!](https://www.kimi.com/share/19a5a9fb-b3a2-8870-8000-00002a8a6378)\\n\\n****My Take:****\\n\\nKimi K2 Thinking delivered an outstanding performance on the task of simulating a historically grounded debate between Nikola Tesla and Thomas Edison on the ethics of modern AI. It accurately reflected each inventor’s documented philosophies. Tesla’s idealism, emphasis on open knowledge, and vision of technology serving humanity, versus Edison’s pragmatism, commercial protectionism, and belief in controlled innovation. Extended these worldviews coherently to contemporary issues like deepfakes, job-displacing automation, and the open-source vs. proprietary AI debate.\\n\\nThe response was structured as a formal, multi-round dialogue with opening statements, issue-specific rebuttals, and closing arguments, all rendered in tones true to their historical personas. Rather than offering generic takes, the model wove in real historical references (e.g., Tesla’s 1898 radio-controlled boat, Edison’s AC/DC smear campaigns) and used them as metaphors for modern AI dilemmas, demonstrating deep reasoning, creative synthesis, and rhetorical sophistication.\\n\\n### Task 2: Research and Analysis\\n\\n**Prompt:** “*Analyze how the Inflation Reduction Act of 2022 has affected residential solar adoption in Texas over the past two years. Use real government data, utility reports, and local news to estimate the change in installation rates and identify the top three counties driving growth.*“\\n\\n**Output:**\\n\\n[Find full answer here!](https://www.kimi.com/share/19a5aad1-5962-8374-8000-0000e352be0f)\\n\\n**My Take:**\\n\\nKimi K2 Thinking successfully identified the character Rudy Cox from a complex, multi-part puzzle involving an actor’s education, sports career, film roles, and TV appearances. It methodically searched for clues, cross-referenced data across sources, and eliminated incorrect candidates to arrive at the correct answer.\\n\\nThe model handled ambiguity, linked unrelated facts like a university’s founding date and a minor sci-fi film and verified each detail against public records. It demonstrated strong, step-by-step reasoning under real-world information constraints, matching its performance on agentic search benchmarks.\\n\\n### Task 3: Coding\\n\\n**Prompt:** “*Build a CLI tool in Python that auto-generates a daily dev log from my Git commits, Jira tickets, and a short voice note I upload each evening. It should summarize progress, flag blockers, and output a Markdown report*“\\n\\n**Output:**\\n\\n[Find full output here!](https://www.kimi.com/share/19a5ad63-76f2-8dcf-8000-0000c3a05b66)\\n\\n**My View:**\\n\\nKimi K2 Thinking gave a practical response to the CLI tool request. It first analyzed the task. Then, it identified key parts: config, Git, Jira, voice transcription, and report generation.\\n\\nIt provided a full Python script using Click. The script included setup steps and required dependencies. It supported core features like detecting blockers from voice notes and generating AI summaries.\\n\\nFor the prototype, it offered a simplified single-file version. This version focused on Git commits. It included clear instructions for adding Jira and voice support later.\\n\\nThe tool showed strong agentic coding skills. It handled multiple data sources, managed API calls and produced structured Markdown output as requested.\\n\\nAlso Read: [I Tested Kimi K2 For API-based Workflow](https://www.analyticsvidhya.com/blog/2025/07/kimi-k2-for-api-based-workflow/)\\n\\n## Conclusion\\n\\nThe performance of Kimi K2 Thinking proves that Chinese AI models are not just catching up, they’re setting new standards in reasoning, agentic search, and coding. Across benchmarks like HLE, BrowseComp, and SWE-Bench Verified, it rivals or exceeds leading Western models, often with open-source access and no paywall.\\n\\nYou don’t need [GPT-5](https://www.analyticsvidhya.com/blog/2025/08/gpt-5-is-here/) or Claude’s premium tiers to achieve deep, tool-augmented results. You just need to know how to ask. Whether it’s solving complex research problems, building tools from scratch, or navigating real-world information with precision, K2 Thinking delivers. The future of AI isn’t locked behind subscriptions; it’s open, capable, and already here!\\n\\n[Nitika Sharma](https://www.analyticsvidhya.com/blog/author/nitika-sharma/)\\n\\nHello, I am Nitika, a tech-savvy Content Creator and Marketer. Creativity and learning new things come naturally to me. I have expertise in creating result-driven content strategies. I am well versed in SEO Management, Keyword Operations, Web Content Writing, Communication, Content Strategy, Editing, and Writing.\\n\\n[Beginner](https://www.analyticsvidhya.com/blog/category/beginner/)[GenAI Tools](https://www.analyticsvidhya.com/blog/category/ai-tools/)[Generative AI](https://www.analyticsvidhya.com/blog/category/generative-ai/)\\n\\n#### Login to continue reading and enjoy expert-curated content.\\n\\n## Free Courses\\n\\n[4.9\\n\\n#### GenAI to Build Exciting Games\\n\\nLearn to build fun, interactive GenAI games using real tools.](https://www.analyticsvidhya.com/courses/genai-to-build-exciting-games/?utm_source=blog&utm_medium=free_course_recommendation)\\n\\n[4.8\\n\\n#### Building Database Agents\\n\\nLearn to build secure, SQL-powered Database Agents with LLMs.](https://www.analyticsvidhya.com/courses/building-database-agent/?utm_source=blog&utm_medium=free_course_recommendation)\\n\\n[4.8\\n\\n#### Nano Banana: Image Magic with Gemini 2.5 Flash\\n\\nCreate, edit, and brand visuals fast with Google’s Nano-Banana.](https://www.analyticsvidhya.com/courses/nano-banana-image-magic-gemini-flash/?utm_source=blog&utm_medium=free_course_recommendation)\\n\\n[4.8\\n\\n#### MCP: Unlock AI integrations with real-world demos\\n\\nLearn MCP: Unlock AI integrations with real-world demos](https://www.analyticsvidhya.com/courses/mcp-unlock-ai-integrations-real-world-demos/?utm_source=blog&utm_medium=free_course_recommendation)\\n\\n[4.6\\n\\n#### ChatGPT as Your Assistant\\n\\nLearn ChatGPT for productivity, tasks, and prompt engineering.](https://www.analyticsvidhya.com/courses/chatgpt-assistant/?utm_source=blog&utm_medium=free_course_recommendation)\\n\\n#### Recommended Articles\\n\\n* [GPT-4 vs. Llama 3.1 – Which Model is Better?](https://www.analyticsvidhya.com/blog/2024/08/gpt-4-vs-llama-3-1/)\\n* [Llama-3.1-Storm-8B: The 8B LLM Powerhouse Surpa...](https://www.analyticsvidhya.com/blog/2024/08/llama-3-1-storm-8b/)\\n* [A Comprehensive Guide to Building Agentic RAG S...](https://www.analyticsvidhya.com/blog/2024/07/building-agentic-rag-systems-with-langgraph/)\\n* [Top 10 Machine Learning Algorithms in 2025](https://www.analyticsvidhya.com/blog/2017/09/common-machine-learning-algorithms/)\\n* [45 Questions to Test a Data Scientist on Basics...](https://www.analyticsvidhya.com/blog/2017/01/must-know-questions-deep-learning/)\\n* [90+ Python Interview Questions and Answers (202...](https://www.analyticsvidhya.com/blog/2022/07/python-coding-interview-questions-for-freshers/)\\n* [8 Easy Ways to Access ChatGPT for Free](https://www.analyticsvidhya.com/blog/2023/12/chatgpt-4-for-free/)\\n* [Prompt Engineering: Definition, Examples, Tips ...](https://www.analyticsvidhya.com/blog/2023/06/what-is-prompt-engineering/)\\n* [What is LangChain?](https://www.analyticsvidhya.com/blog/2024/06/langchain-guide/)\\n* [What is Retrieval-Augmented Generation (RAG)?](https://www.analyticsvidhya.com/blog/2023/09/retrieval-augmented-generation-rag-in-ai/)\\n\\n### Responses From Readers\\n\\n[Cancel reply](/blog/2025/11/kimi-k2-thinking/#respond)\\n\\n[## Become an Author\\n\\nShare insights, grow your voice, and inspire the data community.](https://www.analyticsvidhya.com/become-an-author) [* Reach a Global Audience\\n* Share Your Expertise with the World\\n* Build Your Brand & Audience\\n\\n* Join a Thriving AI Community\\n* Level Up Your AI Game\\n* Expand Your Influence in Genrative AI](https://www.analyticsvidhya.com/become-an-author)\\n\\n## Flagship Programs\\n\\n [GenAI Pinnacle Program](https://www.analyticsvidhya.com/genaipinnacle/?ref=footer)| [GenAI Pinnacle Plus Program](https://www.analyticsvidhya.com/pinnacleplus/?ref=blogflashstripfooter)| [AI/ML BlackBelt Program](https://www.analyticsvidhya.com/bbplus?ref=footer)| [Agentic AI Pioneer Program](https://www.analyticsvidhya.com/agenticaipioneer?ref=footer)\\n\\n## Free Courses\\n\\n [Generative AI](https://www.analyticsvidhya.com/courses/genai-a-way-of-life/?ref=footer)| [DeepSeek](https://www.analyticsvidhya.com/courses/getting-started-with-deepseek/?ref=footer)| [OpenAI Agent SDK](https://www.analyticsvidhya.com/courses/demystifying-openai-agents-sdk/?ref=footer)| [LLM Applications using Prompt Engineering](https://www.analyticsvidhya.com/courses/building-llm-applications-using-prompt-engineering-free/?ref=footer)| [DeepSeek from Scratch](https://www.analyticsvidhya.com/courses/deepseek-from-scratch/?ref=footer)| [Stability.AI](https://www.analyticsvidhya.com/courses/exploring-stability-ai/?ref=footer)| [SSM & MAMBA](https://www.analyticsvidhya.com/courses/building-smarter-llms-with-mamba-and-state-space-model/?ref=footer)| [RAG Systems using LlamaIndex](https://www.analyticsvidhya.com/courses/building-first-rag-systems-using-llamaindex/?ref=footer)| [Building LLMs for Code](https://www.analyticsvidhya.com/courses/building-large-language-models-for-code/?ref=footer)| [Python](https://www.analyticsvidhya.com/courses/introduction-to-data-science/?ref=footer)| [Microsoft Excel](https://www.analyticsvidhya.com/courses/microsoft-excel-formulas-functions/?ref=footer)| [Machine Learning](https://www.analyticsvidhya.com/courses/Machine-Learning-Certification-Course-for-Beginners/?ref=footer)| [Deep Learning](https://www.analyticsvidhya.com/courses/getting-started-with-deep-learning/?ref=footer)| [Mastering Multimodal RAG](https://www.analyticsvidhya.com/courses/mastering-multimodal-rag-and-embeddings-with-amazon-nova-and-bedrock/?ref=footer)| [Introduction to Transformer Model](https://www.analyticsvidhya.com/courses/introduction-to-transformers-and-attention-mechanisms/?ref=footer)| [Bagging & Boosting](https://www.analyticsvidhya.com/courses/bagging-boosting-ML-Algorithms/?ref=footer)| [Loan Prediction](https://www.analyticsvidhya.com/courses/loan-prediction-practice-problem-using-python/?ref=footer)| [Time Series Forecasting](https://www.analyticsvidhya.com/courses/creating-time-series-forecast-using-python/?ref=footer)| [Tableau](https://www.analyticsvidhya.com/courses/tableau-for-beginners/?ref=footer)| [Business Analytics](https://www.analyticsvidhya.com/courses/introduction-to-analytics/?ref=footer)| [Vibe Coding in Windsurf](https://www.analyticsvidhya.com/courses/guide-to-vibe-coding-in-windsurf/?ref=footer)| [Model Deployment using FastAPI](https://www.analyticsvidhya.com/courses/model-deployment-using-fastapi/?ref=footer)| [Building Data Analyst AI Agent](https://www.analyticsvidhya.com/courses/building-data-analyst-AI-agent/?ref=footer)| [Getting started with OpenAI o3-mini](https://www.analyticsvidhya.com/courses/getting-started-with-openai-o3-mini/?ref=footer)| [Introduction to Transformers and Attention Mechanisms](https://www.analyticsvidhya.com/courses/introduction-to-transformers-and-attention-mechanisms/?ref=footer)\\n\\n## Popular Categories\\n\\n [AI Agents](https://www.analyticsvidhya.com/blog/category/ai-agent/?ref=footer)| [Generative AI](https://www.analyticsvidhya.com/blog/category/generative-ai/?ref=footer)| [Prompt Engineering](https://www.analyticsvidhya.com/blog/category/prompt-engineering/?ref=footer)| [Generative AI Application](https://www.analyticsvidhya.com/blog/category/generative-ai-application/?ref=footer)| [News](https://news.google.com/publications/CAAqBwgKMJiWzAswyLHjAw?hl=en-IN&gl=IN&ceid=IN%3Aen)| [Technical Guides](https://www.analyticsvidhya.com/blog/category/guide/?ref=footer)| [AI Tools](https://www.analyticsvidhya.com/blog/category/ai-tools/?ref=footer)| [Interview Preparation](https://www.analyticsvidhya.com/blog/category/interview-questions/?ref=footer)| [Research Papers](https://www.analyticsvidhya.com/blog/category/research-paper/?ref=footer)| [Success Stories](https://www.analyticsvidhya.com/blog/category/success-story/?ref=footer)| [Quiz](https://www.analyticsvidhya.com/blog/category/quiz/?ref=footer)| [Use Cases](https://www.analyticsvidhya.com/blog/category/use-cases/?ref=footer)| [Listicles](https://www.analyticsvidhya.com/blog/category/listicle/?ref=footer)\\n\\n## Generative AI Tools and Techniques\\n\\n [GANs](https://www.analyticsvidhya.com/blog/2021/10/an-end-to-end-introduction-to-generative-adversarial-networksgans/?ref=footer)| [VAEs](https://www.analyticsvidhya.com/blog/2023/07/an-overview-of-variational-autoencoders/?ref=footer)| [Transformers](https://www.analyticsvidhya.com/blog/2019/06/understanding-transformers-nlp-state-of-the-art-models?ref=footer)| [StyleGAN](https://www.analyticsvidhya.com/blog/2021/05/stylegan-explained-in-less-than-five-minutes/?ref=footer)| [Pix2Pix](https://www.analyticsvidhya.com/blog/2023/10/pix2pix-unleashed-transforming-images-with-creative-superpower?ref=footer)| [Autoencoders](https://www.analyticsvidhya.com/blog/2021/06/autoencoders-a-gentle-introduction?ref=footer)| [GPT](https://www.analyticsvidhya.com/blog/2022/10/generative-pre-training-gpt-for-natural-language-understanding/?ref=footer)| [BERT](https://www.analyticsvidhya.com/blog/2022/11/comprehensive-guide-to-bert/?ref=footer)| [Word2Vec](https://www.analyticsvidhya.com/blog/2017/06/word-embeddings-count-word2veec/?ref=footer)| [LSTM](https://www.analyticsvidhya.com/blog/2021/03/introduction-to-long-short-term-memory-lstm?ref=footer)| [Attention Mechanisms](https://www.analyticsvidhya.com/blog/2019/11/comprehensive-guide-attention-mechanism-deep-learning/?ref=footer)| [Diffusion Models](https://www.analyticsvidhya.com/blog/2024/09/what-are-diffusion-models/?ref=footer)| [LLMs](https://www.analyticsvidhya.com/blog/2023/03/an-introduction-to-large-language-models-llms/?ref=footer)| [SLMs](https://www.analyticsvidhya.com/blog/2024/05/what-are-small-language-models-slms/?ref=footer)| [Encoder Decoder Models](https://www.analyticsvidhya.com/blog/2023/10/advanced-encoders-and-decoders-in-generative-ai/?ref=footer)| [Prompt Engineering](https://www.analyticsvidhya.com/blog/2023/06/what-is-prompt-engineering/?ref=footer)| [LangChain](https://www.analyticsvidhya.com/blog/2024/06/langchain-guide/?ref=footer)| [LlamaIndex](https://www.analyticsvidhya.com/blog/2023/10/rag-pipeline-with-the-llama-index/?ref=footer)| [RAG](https://www.analyticsvidhya.com/blog/2023/09/retrieval-augmented-generation-rag-in-ai/?ref=footer)| [Fine-tuning](https://www.analyticsvidhya.com/blog/2023/08/fine-tuning-large-language-models/?ref=footer)| [LangChain AI Agent](https://www.analyticsvidhya.com/blog/2024/07/langchains-agent-framework/?ref=footer)| [Multimodal Models](https://www.analyticsvidhya.com/blog/2023/12/what-are-multimodal-models/?ref=footer)| [RNNs](https://www.analyticsvidhya.com/blog/2022/03/a-brief-overview-of-recurrent-neural-networks-rnn/?ref=footer)| [DCGAN](https://www.analyticsvidhya.com/blog/2021/07/deep-convolutional-generative-adversarial-network-dcgan-for-beginners/?ref=footer)| [ProGAN](https://www.analyticsvidhya.com/blog/2021/05/progressive-growing-gan-progan/?ref=footer)| [Text-to-Image Models](https://www.analyticsvidhya.com/blog/2024/02/llm-driven-text-to-image-with-diffusiongpt/?ref=footer)| [DDPM](https://www.analyticsvidhya.com/blog/2024/08/different-components-of-diffusion-models/?ref=footer)| [Document Question Answering](https://www.analyticsvidhya.com/blog/2024/04/a-hands-on-guide-to-creating-a-pdf-based-qa-assistant-with-llama-and-llamaindex/?ref=footer)| [Imagen](https://www.analyticsvidhya.com/blog/2024/09/google-imagen-3/?ref=footer)| [T5 (Text-to-Text Transfer Transformer)](https://www.analyticsvidhya.com/blog/2024/05/text-summarization-using-googles-t5-base/?ref=footer)| [Seq2seq Models](https://www.analyticsvidhya.com/blog/2020/08/a-simple-introduction-to-sequence-to-sequence-models/?ref=footer)| [WaveNet](https://www.analyticsvidhya.com/blog/2020/01/how-to-perform-automatic-music-generation/?ref=footer)| [Attention Is All You Need (Transformer Architecture)](https://www.analyticsvidhya.com/blog/2019/11/comprehensive-guide-attention-mechanism-deep-learning/?ref=footer) | [WindSurf](https://www.analyticsvidhya.com/blog/2024/11/windsurf-editor/?ref=footer)| [Cursor](https://www.analyticsvidhya.com/blog/2025/03/vibe-coding-with-cursor-ai/?ref=footer)\\n\\n## Popular GenAI Models\\n\\n [Llama 4](https://www.analyticsvidhya.com/blog/2025/04/meta-llama-4/?ref=footer)| [Llama 3.1](https://www.analyticsvidhya.com/blog/2024/07/meta-llama-3-1/?ref=footer)| [GPT 4.5](https://www.analyticsvidhya.com/blog/2025/02/openai-gpt-4-5/?ref=footer)| [GPT 4.1](https://www.analyticsvidhya.com/blog/2025/04/open-ai-gpt-4-1/?ref=footer)| [GPT 4o](https://www.analyticsvidhya.com/blog/2025/03/updated-gpt-4o/?ref=footer)| [o3-mini](https://www.analyticsvidhya.com/blog/2025/02/openai-o3-mini/?ref=footer)| [Sora](https://www.analyticsvidhya.com/blog/2024/12/openai-sora/?ref=footer)| [DeepSeek R1](https://www.analyticsvidhya.com/blog/2025/01/deepseek-r1/?ref=footer)| [DeepSeek V3](https://www.analyticsvidhya.com/blog/2025/01/ai-application-with-deepseek-v3/?ref=footer)| [Janus Pro](https://www.analyticsvidhya.com/blog/2025/01/deepseek-janus-pro-7b/?ref=footer)| [Veo 2](https://www.analyticsvidhya.com/blog/2024/12/googles-veo-2/?ref=footer)| [Gemini 2.5 Pro](https://www.analyticsvidhya.com/blog/2025/03/gemini-2-5-pro-experimental/?ref=footer)| [Gemini 2.0](https://www.analyticsvidhya.com/blog/2025/02/gemini-2-0-everything-you-need-to-know-about-googles-latest-llms/?ref=footer)| [Gemma 3](https://www.analyticsvidhya.com/blog/2025/03/gemma-3/?ref=footer)| [Claude Sonnet 3.7](https://www.analyticsvidhya.com/blog/2025/02/claude-sonnet-3-7/?ref=footer)| [Claude 3.5 Sonnet](https://www.analyticsvidhya.com/blog/2024/06/claude-3-5-sonnet/?ref=footer)| [Phi 4](https://www.analyticsvidhya.com/blog/2025/02/microsoft-phi-4-multimodal/?ref=footer)| [Phi 3.5](https://www.analyticsvidhya.com/blog/2024/09/phi-3-5-slms/?ref=footer)| [Mistral Small 3.1](https://www.analyticsvidhya.com/blog/2025/03/mistral-small-3-1/?ref=footer)| [Mistral NeMo](https://www.analyticsvidhya.com/blog/2024/08/mistral-nemo/?ref=footer)| [Mistral-7b](https://www.analyticsvidhya.com/blog/2024/01/making-the-most-of-mistral-7b-with-finetuning/?ref=footer)| [Bedrock](https://www.analyticsvidhya.com/blog/2024/02/building-end-to-end-generative-ai-models-with-aws-bedrock/?ref=footer)| [Vertex AI](https://www.analyticsvidhya.com/blog/2024/02/build-deploy-and-manage-ml-models-with-google-vertex-ai/?ref=footer)| [Qwen QwQ 32B](https://www.analyticsvidhya.com/blog/2025/03/qwens-qwq-32b/?ref=footer)| [Qwen 2](https://www.analyticsvidhya.com/blog/2024/06/qwen2/?ref=footer)| [Qwen 2.5 VL](https://www.analyticsvidhya.com/blog/2025/01/qwen2-5-vl-vision-model/?ref=footer)| [Qwen Chat](https://www.analyticsvidhya.com/blog/2025/03/qwen-chat/?ref=footer)| [Grok 3](https://www.analyticsvidhya.com/blog/2025/02/grok-3/?ref=footer)\\n\\n## AI Development Frameworks\\n\\n [n8n](https://www.analyticsvidhya.com/blog/2025/03/content-creator-agent-with-n8n/?ref=footer)| [LangChain](https://www.analyticsvidhya.com/blog/2024/06/langchain-guide/?ref=footer)| [Agent SDK](https://www.analyticsvidhya.com/blog/2025/03/open-ai-responses-api/?ref=footer)| [A2A by Google](https://www.analyticsvidhya.com/blog/2025/04/agent-to-agent-protocol/?ref=footer)| [SmolAgents](https://www.analyticsvidhya.com/blog/2025/01/smolagents/?ref=footer)| [LangGraph](https://www.analyticsvidhya.com/blog/2024/07/langgraph-revolutionizing-ai-agent/?ref=footer)| [CrewAI](https://www.analyticsvidhya.com/blog/2024/01/building-collaborative-ai-agents-with-crewai/?ref=footer)| [Agno](https://www.analyticsvidhya.com/blog/2025/03/agno-framework/?ref=footer)| [LangFlow](https://www.analyticsvidhya.com/blog/2023/06/langflow-ui-for-langchain-to-develop-applications-with-llms/?ref=footer)| [AutoGen](https://www.analyticsvidhya.com/blog/2023/11/launching-into-autogen-exploring-the-basics-of-a-multi-agent-framework/?ref=footer)| [LlamaIndex](https://www.analyticsvidhya.com/blog/2024/08/implementing-ai-agents-using-llamaindex/?ref=footer)| [Swarm](https://www.analyticsvidhya.com/blog/2024/12/managing-multi-agent-systems-with-openai-swarm/?ref=footer)| [AutoGPT](https://www.analyticsvidhya.com/blog/2023/05/learn-everything-about-autogpt/?ref=footer)\\n\\n## Data Science Tools and Techniques\\n\\n [Python](https://www.analyticsvidhya.com/blog/2016/01/complete-tutorial-learn-data-science-python-scratch-2/?ref=footer)| [R](https://www.analyticsvidhya.com/blog/2016/02/complete-tutorial-learn-data-science-scratch/?ref=footer)| [SQL](https://www.analyticsvidhya.com/blog/2022/01/learning-sql-from-basics-to-advance/?ref=footer)| [Jupyter Notebooks](https://www.analyticsvidhya.com/blog/2018/05/starters-guide-jupyter-notebook/?ref=footer)| [TensorFlow](https://www.analyticsvidhya.com/blog/2021/11/tensorflow-for-beginners-with-examples-and-python-implementation/?ref=footer)| [Scikit-learn](https://www.analyticsvidhya.com/blog/2021/08/complete-guide-on-how-to-learn-scikit-learn-for-data-science/?ref=footer)| [PyTorch](https://www.analyticsvidhya.com/blog/2018/02/pytorch-tutorial/?ref=footer)| [Tableau](https://www.analyticsvidhya.com/blog/2021/09/a-complete-guide-to-tableau-for-beginners-in-data-visualization/?ref=footer)| [Apache Spark](https://www.analyticsvidhya.com/blog/2022/08/introduction-to-on-apache-spark-and-its-datasets/?ref=footer)| [Matplotlib](https://www.analyticsvidhya.com/blog/2021/10/introduction-to-matplotlib-using-python-for-beginners/?ref=footer)| [Seaborn](https://www.analyticsvidhya.com/blog/2021/02/a-beginners-guide-to-seaborn-the-simplest-way-to-learn/?ref=footer)| [Pandas](https://www.analyticsvidhya.com/blog/2021/03/pandas-functions-for-data-analysis-and-manipulation/?ref=footer)| [Hadoop](https://www.analyticsvidhya.com/blog/2022/05/an-introduction-to-hadoop-ecosystem-for-big-data/?ref=footer)| [Docker](https://www.analyticsvidhya.com/blog/2021/10/end-to-end-guide-to-docker-for-aspiring-data-engineers/?ref=footer)| [Git](https://www.analyticsvidhya.com/blog/2021/09/git-and-github-tutorial-for-beginners/?ref=footer)| [Keras](https://www.analyticsvidhya.com/blog/2016/10/tutorial-optimizing-neural-networks-using-keras-with-image-recognition-case-study/?ref=footer)| [Apache Kafka](https://www.analyticsvidhya.com/blog/2022/12/introduction-to-apache-kafka-fundamentals-and-working/?ref=footer)| [AWS](https://www.analyticsvidhya.com/blog/2020/09/what-is-aws-amazon-web-services-data-science/?ref=footer)| [NLP](https://www.analyticsvidhya.com/blog/2017/01/ultimate-guide-to-understand-implement-natural-language-processing-codes-in-python/?ref=footer)| [Random Forest](https://www.analyticsvidhya.com/blog/2021/06/understanding-random-forest/?ref=footer)| [Computer Vision](https://www.analyticsvidhya.com/blog/2020/01/computer-vision-learning-path/?ref=footer)| [Data Visualization](https://www.analyticsvidhya.com/blog/2021/04/a-complete-beginners-guide-to-data-visualization/?ref=footer)| [Data Exploration](https://www.analyticsvidhya.com/blog/2016/01/guide-data-exploration/?ref=footer)| [Big Data](https://www.analyticsvidhya.com/blog/2021/05/what-is-big-data-introduction-uses-and-applications/?ref=footer)| [Common Machine Learning Algorithms](https://www.analyticsvidhya.com/blog/2017/09/common-machine-learning-algorithms/?ref=footer)| [Machine Learning](https://www.analyticsvidhya.com/blog/category/Machine-Learning/?ref=footer)| [Google Data Science Agent](https://www.analyticsvidhya.com/blog/2025/03/gemini-data-science-agent/?ref=footer)\\n\\n## Continue your learning for FREE\\n\\n[Forgot your password?](https://id.analyticsvidhya.com/auth/password/reset/?utm_source=newhomepage)\\n\\n## Enter email address to continue\\n\\n## Enter OTP sent to\\n\\nWrong OTP.\\n\\n### Enter the OTP\\n\\nResend OTP\\n\\nResend OTP in 45s\\n==================================================\"}",
|
||
"timestamp": "2025-11-07T16:47:47.214178",
|
||
"tool_call_id": "extract_webpage:3",
|
||
"name": "extract_webpage"
|
||
},
|
||
{
|
||
"role": "assistant",
|
||
"content": "根据我查到的信息，我来为您详细介绍一下Kimi K2 Thinking这个新开源的模型：\n\n## Kimi K2 Thinking 简介\n\n是的，您说得对！我是Kimi的非thinking版本，而Kimi K2 Thinking是月之暗面（Moonshot AI）在11月6日刚刚开源发布的全新推理模型。\n\n## 主要技术特点\n\n**模型规模：**\n- 总参数量：1万亿（1T）参数\n- 激活参数：320亿（32B）参数\n- 模型类型：混合专家（MoE）架构\n- 上下文长度：256K tokens\n\n**核心技术：**\n- 采用INT4量化感知训练（QAT），推理速度提升约2倍\n- 支持边思考边使用工具的能力\n- 可执行200-300次连续的工具调用无需人工干预\n\n## 性能表现\n\nKimi K2 Thinking在多个基准测试中表现卓越：\n\n**推理能力：**\n- Humanity's Last Exam (HLE)：44.9%，超过GPT-5的41.7%\n- 在智能体工具调用能力测试中排名第一\n\n**搜索能力：**\n- BrowseComp：60.2%\n- Seal-0：56.3%\n- 显著领先于竞争对手\n\n**编程能力：**\n- SWE-Bench Verified：71.3%\n- LiveCodeBench V6：83.1%\n- 在编程任务上表现强劲\n\n## 核心能力\n\n1. **复杂推理**：能将庞大目标分解为数百个子任务，像项目经理一样逐一执行\n2. **自主搜索**：通过思考→搜索→浏览→验证的循环，主动寻找精准答案\n3. **代码生成**：特别擅长前端代码，能快速生成功能完善的应用\n4. **人性化写作**：逻辑严谨的专业长文和富有想象力的创意故事\n\n## 获取方式\n\n**开源地址：**\n- Hugging Face：moonshotai仓库\n- 官网：kimi.com\n- API：通过Moonshot API使用，模型参数设为\"kimi-k2-thinking\"\n\n**使用成本：**\n- 相比GPT-5便宜约90%\n- 支持商业使用（修改版MIT许可证）\n\n这个模型确实代表了当前开源AI的新高度，在推理、搜索和编程等多个维度都能与顶级闭源模型竞争，甚至在某些方面超越它们。作为开源模型能做到这种程度确实令人印象深刻！",
|
||
"timestamp": "2025-11-07T16:48:12.452010"
|
||
},
|
||
{
|
||
"role": "user",
|
||
"content": "火山引擎可以调用这个模型了吗？",
|
||
"timestamp": "2025-11-07T16:48:27.653929"
|
||
},
|
||
{
|
||
"role": "assistant",
|
||
"content": "我来帮您查询一下火山引擎是否已经支持Kimi K2 Thinking模型。",
|
||
"timestamp": "2025-11-07T16:48:35.864721"
|
||
},
|
||
{
|
||
"role": "assistant",
|
||
"content": "",
|
||
"timestamp": "2025-11-07T16:48:35.869398",
|
||
"tool_calls": [
|
||
{
|
||
"id": "web_search:4",
|
||
"index": 0,
|
||
"type": "function",
|
||
"function": {
|
||
"name": "web_search",
|
||
"arguments": "{\"query\": \"火山引擎 Kimi K2 Thinking 模型调用 API 2024\", \"time_range\": \"week\", \"max_results\": 8}"
|
||
}
|
||
}
|
||
]
|
||
},
|
||
{
|
||
"role": "tool",
|
||
"content": "{\"success\": true, \"summary\": \"🔍 搜索查询: 火山引擎 Kimi K2 Thinking 模型调用 API 2024\\n📅 搜索时间: 2025-11-07T16:48:41.241192\\n🎯 过滤条件: Topic: general | Time Range: week\\n\\n📝 AI摘要:\\nKimi K2 Thinking is a powerful open-source model with advanced reasoning and tool-use capabilities. It has outperformed closed models in various benchmarks and is available via API on Kimi's platform. Pricing varies based on input and output token usage.\\n\\n---\\n\\n📊 搜索结果:\\n\\n1. Kimi-k2 Thinking - 月之暗面推出的思考模型 - AI工具集\\n 🔗 https://ai-bot.cn/kimi-k2-thinking/\\n 📄 Kimi K2 Thinking 模型现已在 kimi.com 和最新版 Kimi APP的常规对话模式中正式上线。Kimi 的 Agent 模式将很快升级为 Kimi K2 Thinking 模型，为用户提供更强大的多轮思考和工具调用能力。Kimi K2 Thinking 的 API 已在 Kimi 开放平台上线，开发者可通过该平台访问。\\n\\n## Kimi-k2 Thinking的主要功能 [....\\n\\n2. 开源新王！首次干翻GPT-5，实测Kimi K2 Thinking，中国AI 杀疯了\\n 🔗 https://www.ifanr.com/1643694\\n 📄 开启长思考，即 K2 Thinking 的同时，能启用网络搜索，当我们要它完成一个天气卡片时，能看到 Kimi 会一边自动检索网络上的公开资料，一边完成代码的实现。\\n\\n▲确实能调用浏览器的获取位置接口，但是在最后 Kimi 也提到，需要输入对应的地图 API 和 天气信息 API 等数据\\n\\n现在已经是全民 vibe coding 的时代了，普通用户还是程序员，都能从 K2 Thinking 的编程...\\n\\n3. Kimi K2 Thinking突袭！智能体&推理能力超GPT-5，网友 - 量子位\\n 🔗 https://www.qbitai.com/2025/11/349957.html\\n 📄 在人类最后的考试（HLE）、测试自主网络浏览能力的BrowseComp，和复杂信息收集推理基准测试SEAL-0等评测基准中，Kimi K2 Thinking都刷新了SOTA，超越GPT-5、Claude Sonnet 4.5（Thinking）等闭源模型。\\n\\nKimi K2 Thinking的代码和权重均遵循最为宽松的MIT协议。新模型也已第一时间上线kimi.com和最新版Kimi手机应用，即刻...\\n\\n4. 使用kimi-k2-thinking思考模型 - Moonshot AI 开放平台- 月之暗面\\n 🔗 https://platform.moonshot.cn/docs/guide/use-kimi-k2-thinking-model\\n 📄 Kimi 开放平台，提供万亿参数K2 大模型API，支持256K 长上下文和Tool Calling。专业代码生成、智能对话，助力开发者构建AI 应用。\\n\\n5. Kimi K2思考模型来了！实测3分钟做精美网页，IMO数学题翻车 - 智东西\\n 🔗 https://zhidx.com/p/513846.html\\n 📄 免费注册\\n\\n关注我们\\n\\n智东西\\n\\n车东西\\n\\n芯东西\\n\\n智猩猩\\n\\n智东西\\n\\n车东西\\n\\n芯东西\\n\\n智猩猩\\n\\n公开课 \\n\\n智猩猩\\n\\n公开课小程序\\n\\n线下大会\\n\\nAI生产力创新奖\\n\\n快讯 头条 人工智能 芯东西 AIoT 云与智慧城市 机器人 VR/AR 手机通信 活动\\n\\n云鹏\\n\\n专注消费电子、移动通信。\\n\\n标签\\n\\n更多\\n\\n三星iPhone特斯拉苹果小米5G华为大众百度360英特尔微软IDx通用高通腾...\\n\\n6. AI快讯_互联网科技-AITOP100,专注ai人工智能!\\n 🔗 https://www.aitop100.cn/daily-ai-news\\n 📄 Poe平台放大招：API开放+全模型覆盖，订阅就能用，还兼容OpenAI接口！\\n\\n Claude神器升级：PDF、图像、代码文件随便传，AI应用和数据无缝合作！\\n\\n 开源了！MOSS-TTSD凭百万小时训练成AI播客新标杆，还支持双语和音色克隆！\\n\\n 马斯克的Grok出新功能：能生成6秒AI视频，却引来了一堆争议！\\n\\n Kimi K2高速版来了：输出速度飙到每秒40Tokens，还有限时5...\\n\\n7. 增长超200%，MaaS能让企业级AI“照进现实”么？丨ToB产业观察 - 网易\\n 🔗 https://www.163.com/dy/article/KDP1KVQI05118O92.html\\n 📄 火山引擎则凭借公有云优势占据市场主导，2025年上半年以49.2%的Token调用量份额位居第一，其豆包大模型日均Tokens调用量达16.4万亿。 相对公有云的模式来说，选择私有化部署的\\n\\n8. 归档 - 小林的博客-AI学长\\n 🔗 https://m.zooyoo.cc/archive\\n 📄 DgYDVR0PAQH/BAQDAgeAMB0GA1UdJQQWMBQGCCsGAQUFBwMBBggrBgEFBQcDAjAM \\nBgNVHRMBAf8EAjAAMB0GA1UdDgQWBBTeuAx+nXsSrMoo/Yoxlu+9B05TZTAfBgNV \\nHSMEGDAWgBSfK1/PPCFPnQS37SssxMZwi9LXDTAyBggrBgEFBQcBAQQmMCQwIgYI ...\", \"filters\": {\"topic\": \"general\", \"time_range\": \"week\"}, \"query\": \"火山引擎 Kimi K2 Thinking 模型调用 API 2024\", \"results\": [{\"index\": 1, \"title\": \"Kimi-k2 Thinking - 月之暗面推出的思考模型 - AI工具集\", \"url\": \"https://ai-bot.cn/kimi-k2-thinking/\", \"content\": \"Kimi K2 Thinking 模型现已在 kimi.com 和最新版 Kimi APP的常规对话模式中正式上线。Kimi 的 Agent 模式将很快升级为 Kimi K2 Thinking 模型，为用户提供更强大的多轮思考和工具调用能力。Kimi K2 Thinking 的 API 已在 Kimi 开放平台上线，开发者可通过该平台访问。\\n\\n## Kimi-k2 Thinking的主要功能 [...] 输入完整上下文：调用模型时需包含所有思考内容（`reasoning_content` 字段），便于模型基于完整推理逻辑进行分析。\\n 设置足够大的 `max_tokens`：建议设置 `max_tokens≥16000`，确保模型能完整输出推理过程和结果。\\n 温度参数设为 1.0：将 `temperature` 设置为 1.0，能获得最佳性能和推理稳定性。\\n 启用流式输出：使用流式输出（`stream=True`），提升用户体验并避免因输出内容过多导致的网络超时问题。\\n\\n## Kimi-k2 Thinking的使用价格\\n\\n 标准 API：\\n\\n + 输入：每百万 Token 输入收费 4 元。\\n + 输出：每百万 Token 输出收费 16 元。\\n + 命中缓存的输入：收费 1 元。\\n Turbo API（速度高达 100 Token/s）：\\n\\n + 输入：每百万 Token 输入收费 8 元。\\n + 输出：每百万 Token 输出收费 58 元。\\n + 命中缓存的输入：收费 1 元。\\n\\n## Kimi-k2 Thinking的项目地址 [...] 推理能力：在“人类最后的考试”（Humanity’s Last Exam）中，涵盖100多个专业领域，Kimi K2 Thinking 取得44.9%的SOTA（State-of-the-Art）成绩，展现出强大的推理与问题解决能力。\\n 自主搜索与浏览能力：在OpenAI发布的BrowseComp基准测试中，Kimi K2 Thinking以60.2%的成绩成为新的SOTA模型，远超人类平均29.2%的成绩，表现出极强的信息检索和钻研能力。\\n 复杂信息收集与推理：在SEAL-0基准测试中，Kimi K2 Thinking展现卓越的复杂信息收集和推理能力，能高效地处理和分析大量信息。\\n Agentic编程能力：在多语言软件工程基准SWE-Multilingual、SWE-bench验证集和Terminal终端使用等基准测试中，Kimi K2 Thinking的表现进一步提升，在处理HTML、React等前端任务时表现出色。\\n\\n## Kimi-k2 Thinking的API使用须知\", \"score\": 0.64020914, \"published_date\": \"\"}, {\"index\": 2, \"title\": \"开源新王！首次干翻GPT-5，实测Kimi K2 Thinking，中国AI 杀疯了\", \"url\": \"https://www.ifanr.com/1643694\", \"content\": \"开启长思考，即 K2 Thinking 的同时，能启用网络搜索，当我们要它完成一个天气卡片时，能看到 Kimi 会一边自动检索网络上的公开资料，一边完成代码的实现。\\n\\n▲确实能调用浏览器的获取位置接口，但是在最后 Kimi 也提到，需要输入对应的地图 API 和 天气信息 API 等数据\\n\\n现在已经是全民 vibe coding 的时代了，普通用户还是程序员，都能从 K2 Thinking 的编程能力里，更快速地实现自己的想法。\\n\\n在智能体搜索这个任务上，我们问了他一些专业领域的问题，测试它如何分解复杂问题、主动搜索、并整合难找的网络信息的能力。\\n\\n可以看到，Kimi 搜索的信息是比较全面的，当我规定了 2025 年以后，它网页搜索的资料，也大多集中在最近这段时间以来的报道。\\n\\n最后它给出的报告，也详细的提到了三种 2025 的算法，以及主要的公司等内容。\\n\\n其实工具调用，应该是 Kimi K2 Thinking 非常重要的能力，但是在我们的体验中，发现大多数时候，他只是调用网络搜索工具，而没有看到 200 多个工具流。 [...] 无论是对智能体能力要求极高的编程任务、还是通用的推理写作、深度搜索等方面，Kimi K2 Thinking 的性能表现可以说是，目前最接近封闭模型的开源模型。\\n\\n延续了 7 月份，发布 K2 时，将其定位为自主智能路线图的一部分，Kimi K2 Thinking 也是主打 Agentic Intelligence（智能体智能）。它是一个推理的混合专家（MoE）模型，总参数量 1T，激活参数 32B，上下文长度 256K。\\n\\nK2 Thinking 能在智能体工具调用中交错思考，同时在保持任务目标的同时，持续进行 200 到 300 次顺序工具调用。尽管工具调用在类似的闭源模型上，已经成为某种程度上的标准，但 K2 Thinking 可能是第一个，具有如此多工具调用能力的开源模型。\\n\\n对比 K2 0905，K2 Thinking 在具体的任务上的提升，我们总结了 Kimi 的技术博客，有这些亮点。\\n\\n目前，Kimi K2 Thinking 已经在 Kimi 官网的聊天模式上线。 [...] # 开源新王！首次干翻 GPT-5，实测 Kimi K2 Thinking，中国 AI 杀疯了\\n\\n迄今为止最大最好的开源模型，总参数达 1 万亿，屠榜多个基准测试，Kimi K2 Thinking 来了。\\n\\n▲ Kimi K2 Thinking 在 TAU 榜单（智能体工具调用能力测试）上排名第一，超过 OpenAI 和 Anthropic 的旗舰模型\\n\\n一登场就是斩获多个测试榜单的第一名，Kimi 也不玩开源只和开源比那一套，而是直接把 GPT-5、Claude 4.5 Sonnet 这样的闭源模型放一起，非常自信。\\n\\n▲ 智谱、MiniMax 自然语言处理部门负责人、以及 HuggingFace 联合创始人纷纷在评论区留言祝贺\\n\\n除了在工具使用的榜单上拿第一，人类最后考试（HLE）、BrowseComp、还有其他基准测试，Kimi K2 Thinking 基本上都占据了先进模型的前排位置。\\n\\n▲ 在跨学科专家级问题的 HLE 榜单、以及自主搜索的三个榜单上，排名第一；编程能力的三个榜单，得分也接近最好的 Claude 或 GPT 模型\", \"score\": 0.5863576, \"published_date\": \"\"}, {\"index\": 3, \"title\": \"Kimi K2 Thinking突袭！智能体&推理能力超GPT-5，网友 - 量子位\", \"url\": \"https://www.qbitai.com/2025/11/349957.html\", \"content\": \"在人类最后的考试（HLE）、测试自主网络浏览能力的BrowseComp，和复杂信息收集推理基准测试SEAL-0等评测基准中，Kimi K2 Thinking都刷新了SOTA，超越GPT-5、Claude Sonnet 4.5（Thinking）等闭源模型。\\n\\nKimi K2 Thinking的代码和权重均遵循最为宽松的MIT协议。新模型也已第一时间上线kimi.com和最新版Kimi手机应用，即刻就能实测体验。API可通过Kimi开放平台访问。\\n\\n# 技术细节\\n\\n官方提到，K2 Thinking是月之暗面在Test-Time Scaling（测试时扩展）领域的最新进展，通过同时扩展思考Token和工具调用轮次，模型实现了更强的Agent和推理性能。\\n\\n智能体、推理能力全面提升\\n\\n体现在测试上，在人类最后的考试（HLE）中，允许使用工具——搜索、Python、网络浏览工具的同等情况下，Kimi K2 Thinking取得了44.9%的SOTA成绩。\\n\\n官方还放出了一个通过23次推理和工具调用，K2 Thinking成功解决博士级别数学问题的示例。 [...] # Kimi K2 Thinking突袭！智能体&推理能力超GPT-5，网友：再次缩小开源闭源差距\\n\\n鱼羊 2025-11-07 09:42:41 来源：量子位\\n\\n> 鱼羊 发自 凹非寺\\n>\\n> 量子位 | 公众号 QbitAI\\n\\nKimi K2 Thinking，现已发布并开源！\\n\\n主打一个“模型即Agent”，不仅是Kimi“迄今能力最强的开源思考模型”，还掌握边思考，边使用工具的能力——\\n\\n无需人工干预，即可执行200-300次连续工具调用。\\n\\n作为今年最受关注的开源模型系列之一，Kimi K2的Thinking版本一上线，就成为热议对象：再次缩小了开源模型与闭源模型的差距。\\n\\n 1TB参数，激活参数32B，采用INT4而非FP8。\\n 256K上下文窗口。\\n 更多专家，更少head，更多思考。\\n\\n△与DeepSeek R1的架构对比，图源x@rasbt [...] 这一次，Kimi K2 Thinking很快就开始上手编写代码了。\\n\\n这个表现你觉得如何？\\n\\n如果你也已经上手实测，欢迎在评论区与我们分享更多测试结果~\\n\\n项目地址： \\n \\n技术博客链接： \\n\\n参考链接： \\n \\n \\n\\n— 完 —\\n\\n版权所有，未经授权不得以任何形式转载及使用，违者必究。\\n\\nAgent Kimi\\n\\n[鱼羊](#)\\n\\n 比NanoBanana更擅长中文和细节控制！兔展&北大Uniworld V2刷新SOTA2025-11-05\\n Qwen拿半成品刷下AIME’25满分，给别人留点面子吧……2025-11-04\\n 杨振宁教授千古！中国AI计算机产业因他而不同2025-10-18\\n OpenAI最新业务：找了个黑洞物理科学家2025-10-17\\n\\n### 相关阅读\\n\\n#### 实测OPPO大模型手机：路人甲一抹就没，电话粥一键总结\\n\\n系统级功能都是Agent级\\n\\n明敏2024-01-12\\n\\nAgent OPPO 大模型生态 端侧大模型\\n\\n#### OpenAI翁丽莲的Agent公式，一定是正确的吗？\\n\\n“Agent最重要的能力是和环境的互动能力”\", \"score\": 0.55391616, \"published_date\": \"\"}, {\"index\": 4, \"title\": \"使用kimi-k2-thinking思考模型 - Moonshot AI 开放平台- 月之暗面\", \"url\": \"https://platform.moonshot.cn/docs/guide/use-kimi-k2-thinking-model\", \"content\": \"Kimi 开放平台，提供万亿参数K2 大模型API，支持256K 长上下文和Tool Calling。专业代码生成、智能对话，助力开发者构建AI 应用。\", \"score\": 0.49992734, \"published_date\": \"\"}, {\"index\": 5, \"title\": \"Kimi K2思考模型来了！实测3分钟做精美网页，IMO数学题翻车 - 智东西\", \"url\": \"https://zhidx.com/p/513846.html\", \"content\": \"免费注册\\n\\n关注我们\\n\\n智东西\\n\\n车东西\\n\\n芯东西\\n\\n智猩猩\\n\\n智东西\\n\\n车东西\\n\\n芯东西\\n\\n智猩猩\\n\\n公开课 \\n\\n智猩猩\\n\\n公开课小程序\\n\\n线下大会\\n\\nAI生产力创新奖\\n\\n快讯 头条 人工智能 芯东西 AIoT 云与智慧城市 机器人 VR/AR 手机通信 活动\\n\\n云鹏\\n\\n专注消费电子、移动通信。\\n\\n标签\\n\\n更多\\n\\n三星iPhone特斯拉苹果小米5G华为大众百度360英特尔微软IDx通用高通腾讯谷歌\\n\\nKimi K2思考模型来了！实测3分钟做精美网页，IMO数学题翻车\\n\\n人工智能 智东西2025/11/06\\n\\n智东西（公众号：zhidxcom） \\n 作者 | 云鹏 \\n 编辑 | 李水青\\n\\n智东西11月6日消息，刚刚，月之暗面正式发布了Kimi-k2 thinking模型，其为具有通用Agentic能力和推理能力的思考模型，擅长深度推理，可以通过多轮工具调用，解决各类复杂的难题。\\n\\n▲月之暗面官方发布页面 [...] Kimi K2首次发布是在7月11日，该模型总参数10000亿，激活参数320亿。Kimi K2-0905于9月5日发布，其核心升级了Agentic Coding能力、支持256K上下文、API支持60-100Token/s的输出速度、支持Claude Code。\\n\\n价格方面，kimi-k2-thinking每百万tokens的输入价格（缓存未命中）为4元、输出价格为16元；“高速版”kimi-k2-thinking-turbo每百万tokens的输入价格（缓存未命中）为8元、输出价格为58元，适用于需要深度推理和追求极致高速的场景。\\n\\n▲Kimi K2系列模型价格\\n\\n在实际体验环节，我们主要测试了Kimi-k2 thinking在编程、数学和逻辑推理能力三个方面的表现。\\n\\n在编程方面，我们令其生成一个开源模型分享网站的HTML网页原型，包括顶部导航栏、主体展示区、设计风格要求，还要求其构思两个特色功能。 [...] 从生成结果来看，我们对网页主要部分提出的要求都可以很好地被执行，包括导航栏有哪些部分、主题展示区由哪些模块组成，简洁现代的设计风格也有较好体现，一键复现、模型对比这两个特色功能也做了出来。\\n\\n▲网页编程\\n\\n整体网页的完成度是比较高的，并且不论是搜索框、按钮、筛选标签都是可以实际选中交互操作的，点击后会有对应的提示，比如点击上传模型，会提示需要准备的问题件、文件大小限制等信息。\\n\\n▲网页按钮功能说明\\n\\n生成网页项目的tokens总计消耗为9K，大约花费了3分钟左右的时间。不过在尝试多次生成结果时，偶尔会遇到崩溃状况。\\n\\n在数学能力方面，今年国际数学奥林匹克竞赛（IMO）第六题被认为最具挑战性：\\n\\nKimi-k2 thinking在解题过程中，思考过程有21188字，经过4分钟左右时间，给出了错误答案4048块，正确答案为2112块。\\n\\n▲Kimi-k2 thinking解答2025 IMO数学竞赛题第六题\\n\\n这一过程总共消耗了23.5K的tokens。\", \"score\": 0.3794479, \"published_date\": \"\"}, {\"index\": 6, \"title\": \"AI快讯_互联网科技-AITOP100,专注ai人工智能!\", \"url\": \"https://www.aitop100.cn/daily-ai-news\", \"content\": \"Poe平台放大招：API开放+全模型覆盖，订阅就能用，还兼容OpenAI接口！\\n\\n Claude神器升级：PDF、图像、代码文件随便传，AI应用和数据无缝合作！\\n\\n 开源了！MOSS-TTSD凭百万小时训练成AI播客新标杆，还支持双语和音色克隆！\\n\\n 马斯克的Grok出新功能：能生成6秒AI视频，却引来了一堆争议！\\n\\n Kimi K2高速版来了：输出速度飙到每秒40Tokens，还有限时5折优惠！\\n\\n 开发者福音！Augment推出CLI工具Auggie，工作流能彻底革新了！\\n\\n 阶跃星辰Step 3模型开源：3210亿参数，性能成本兼顾，还支持多模态！\\n\\n 来源：AI top1002025-08-01 18:12:23\\n\\n 生成图片\\n ## 每日AI资讯-2025年08月01日 [...] 近日，腾讯混元翻译模型 Hunyuan-MT-7B 正式开源，以 7 亿参数 的轻量级设计，在国际权威赛事 WMT2025 中斩获 31 个语种中的 30 项冠军，力压众多参数量更大的竞品。该模型支持 33 种语言及 5 种民汉方言互译，推理速度提升 30%，重新定义了“小模型大能量”的技术标杆，推动翻译技术向更高效、更普惠的方向迈进。\\n\\n 来源：AI TOP1009天前\\n\\n 生成图片\\n ## 即梦AI开放API：企业级图像视频生成迎来“一站式”解决方案\\n\\n 即梦AI联合火山引擎正式开放系列模型API服务，涵盖文生图3.0/3.1、图生图3.0、视频生成3.0pro、数字人OmniHuman及动作模仿DreamActor M1等前沿模型。基于字节跳动自研的Seedream和Seedance模型优化而来，这些工具已通过大规模验证，可为企业提供“一站式”图像与视频生成解决方案，开发者自助下单即可快速接入，助力商业场景高效落地。\\n\\n 来源：AI TOP1009天前\\n\\n 生成图片\\n ## Youtu-Agent框架开源：腾讯优图推出模块化AI智能体开发工具 [...] 生成图片\\n ## 今日AI快讯-2025年09月05日\\n\\n 拍我AI接入当前火爆的谷歌Nano Banana模型，并推出为期六天的免费体验活动\\n\\n 月之暗面升级Kimi K2模型：编程能力增强，上下文扩展至256K，高速API开放\\n\\n 来源：AI top1006天前\\n\\n 生成图片\\n ## 每日AI资讯-2025年09月05日\\n\\n 来源：AI TOP1006天前\\n\\n 生成图片\\n ## OpenAI杀入招聘战场：2026年AI招聘平台剑指LinkedIn，一场颠覆行业的较量即将打响\\n\\n 科技圈风云突变！OpenAI 宣布 2026 年中期推出“OpenAI Jobs Platform”，剑指招聘巨头 LinkedIn。这一动作不仅是其技术向产业纵深渗透的关键落子，更引发对就业市场重塑的深度思考。在AI与招聘碰撞的背后，是颠覆还是噱头？又将面临哪些挑战？这场较量，正拉开招聘行业“AI革命”的大幕。\\n\\n 来源：AI TOP1006天前\\n\\n 生成图片\\n ## 「天行者计划」全球AIGC科幻影像创意大赛入围公示-【社会组】\\n\\n 来源：AI TOP1006天前\", \"score\": 0.3492669, \"published_date\": \"\"}, {\"index\": 7, \"title\": \"增长超200%，MaaS能让企业级AI“照进现实”么？丨ToB产业观察 - 网易\", \"url\": \"https://www.163.com/dy/article/KDP1KVQI05118O92.html\", \"content\": \"火山引擎则凭借公有云优势占据市场主导，2025年上半年以49.2%的Token调用量份额位居第一，其豆包大模型日均Tokens调用量达16.4万亿。 相对公有云的模式来说，选择私有化部署的\", \"score\": 0.33079588, \"published_date\": \"\"}, {\"index\": 8, \"title\": \"归档 - 小林的博客-AI学长\", \"url\": \"https://m.zooyoo.cc/archive\", \"content\": \"DgYDVR0PAQH/BAQDAgeAMB0GA1UdJQQWMBQGCCsGAQUFBwMBBggrBgEFBQcDAjAM \\nBgNVHRMBAf8EAjAAMB0GA1UdDgQWBBTeuAx+nXsSrMoo/Yoxlu+9B05TZTAfBgNV \\nHSMEGDAWgBSfK1/PPCFPnQS37SssxMZwi9LXDTAyBggrBgEFBQcBAQQmMCQwIgYI \\nKwYBBQUHMAKGFmh0dHA6Ly9lNS5pLmxlbmNyLm9yZy8wHAYDVR0RBBUwE4IRYWku \\nbGluYmludGFsay5jb20wEwYDVR0gBAwwCjAIBgZngQwBAgEwLQYDVR0fBCYwJDAi \\noCCgHoYcaHR0cDovL2U1LmMubGVuY3Iub3JnLzY0LmNybDCCAQQGCisGAQQB1nkC \\nBAIEgfUEgfIA8AB2ABLxTjS9U3JMhAYZw48/ehP457Vih4icbTAFhOvlhiY6AAAB [...] gfUwDgYDVR0PAQH/BAQDAgGGMB0GA1UdJQQWMBQGCCsGAQUFBwMCBggrBgEFBQcD \\nATASBgNVHRMBAf8ECDAGAQH/AgEAMB0GA1UdDgQWBBSfK1/PPCFPnQS37SssxMZw \\ni9LXDTAfBgNVHSMEGDAWgBR5tFnme7bl5AFzgAiIyBpY9umbbjAyBggrBgEFBQcB \\nAQQmMCQwIgYIKwYBBQUHMAKGFmh0dHA6Ly94MS5pLmxlbmNyLm9yZy8wEwYDVR0g \\nBAwwCjAIBgZngQwBAgEwJwYDVR0fBCAwHjAcoBqgGIYWaHR0cDovL3gxLmMubGVu \\nY3Iub3JnLzANBgkqhkiG9w0BAQsFAAOCAgEAH3KdNEVCQdqk0LKyuNImTKdRJY1C \\n2uw2SJajuhqkyGPY8C+zzsufZ+mgnhnq1A2KVQOSykOEnUbx1cy637rBAihx97r+ [...] ZXQgU2VjdXJpdHkgUmVzZWFyY2ggR3JvdXAxFTATBgNVBAMTDElTUkcgUm9vdCBY \\nMTCCAiIwDQYJKoZIhvcNAQEBBQADggIPADCCAgoCggIBAK3oJHP0FDfzm54rVygc \\nh77ct984kIxuPOZXoHj3dcKi/vVqbvYATyjb3miGbESTtrFj/RQSa78f0uoxmyF+ \\n0TM8ukj13Xnfs7j/EvEhmkvBioZxaUpmZmyPfjxwv60pIgbz5MDmgK7iS4+3mX6U \\nA5/TR5d8mUgjU+g4rk8Kb4Mu0UlXjIB0ttov0DiNewNwIRt18jA8+o+u3dpjq+sW \\nT8KOEUt+zwvo/7V3LvSye0rgTBIlDHCNAymg4VMk7BPZ7hm/ELNKjD+Jo2FR3qyH \\nB5T0Y3HsLuJvW5iB4YlcNHlsdu87kGJ55tukmi8mxdAQ4Q7e2RCOFvu396j3x+UC\", \"score\": 0.047306996, \"published_date\": \"\"}], \"total_results\": 8}",
|
||
"timestamp": "2025-11-07T16:48:41.242901",
|
||
"tool_call_id": "web_search:4",
|
||
"name": "web_search"
|
||
},
|
||
{
|
||
"role": "assistant",
|
||
"content": "",
|
||
"timestamp": "2025-11-07T16:48:47.168672",
|
||
"tool_calls": [
|
||
{
|
||
"id": "web_search:5",
|
||
"index": 0,
|
||
"type": "function",
|
||
"function": {
|
||
"name": "web_search",
|
||
"arguments": "{\"query\": \"火山引擎 月之暗面 Kimi 模型 API 调用 支持\", \"time_range\": \"week\", \"max_results\": 8}"
|
||
}
|
||
}
|
||
]
|
||
},
|
||
{
|
||
"role": "tool",
|
||
"content": "{\"success\": true, \"summary\": \"🔍 搜索查询: 火山引擎 月之暗面 Kimi 模型 API 调用 支持\\n📅 搜索时间: 2025-11-07T16:48:52.374107\\n🎯 过滤条件: Topic: general | Time Range: week\\n\\n📝 AI摘要:\\nVolc Engine's platform provides model training and inference services. Kimi K2 model offers enhanced programming and context capabilities. The model supports up to 256K context length.\\n\\n---\\n\\n📊 搜索结果:\\n\\n1. 火山方舟大模型服务平台 - Volc Engine\\n 🔗 https://www.volcengine.com/docs/82379\\n 📄 知识检索\\n\\n知识问答\\n\\n退订知识库\\n\\n文档管理\\n\\n导入文档\\n\\n标签配置\\n\\n删除文档\\n\\n切片管理\\n\\n新增切片\\n\\n编辑切片\\n\\n查阅切片\\n\\n删除切片\\n\\n知识服务管理\\n\\n创建知识服务\\n\\n知识服务管理\\n\\n知识库配额说明\\n\\nAPI参考\\n\\n签名鉴权与调用示例\\n\\nAPI 列表\\n\\nSDK参考\\n\\nPython SDK\\n\\n安装与初始化\\n\\n核心流程\\n\\nSDK 列表\\n\\n最佳实践\\n\\n稀疏+稠密向量混合检索\\n\\n文档图片检索生成...\\n\\n2. AI快讯_互联网科技-AITOP100,专注ai人工智能!\\n 🔗 https://www.aitop100.cn/daily-ai-news\\n 📄 生成图片\\n ## 今日AI快讯-2025年09月05日\\n\\n 拍我AI接入当前火爆的谷歌Nano Banana模型，并推出为期六天的免费体验活动\\n\\n 月之暗面升级Kimi K2模型：编程能力增强，上下文扩展至256K，高速API开放\\n\\n 来源：AI top1006天前\\n\\n 生成图片\\n ## 每日AI资讯-2025年09月05日\\n\\n 来源：AI TOP1006天前\\n\\n 生成图片\\n ## O...\\n\\n3. 中国AI逆袭全球！3年追平美国，9大巨头暗战曝光，谁将称王？ - 网易\\n 🔗 https://www.163.com/dy/article/KDI6SFQV05389VEO.html\\n 📄 百川智能的开源策略取得显著成效：Baichuan-7B/13B 两款开源大模型在多个权威评测榜单上名列前茅，累计下载量已超过六百万次；Baichuan2-13B 在 MMLU、CMMLU、MedQA、USMLE 等权威评估基准中领先 LLaMA2。\\n\\n其他 “小龙” 的特色定位\\n\\n 零一万物：专注于 AGI 方向，强调 “通用人工智能” 的技术路线\\n 阶跃星辰：国内为数不多形成从理解到生成、从文本...\\n\\n4. 开源新王！首次干翻GPT-5，实测Kimi K2 Thinking，中国AI杀疯了\\n 🔗 https://tech.ifeng.com/c/8o5a0eddnXO\\n 📄 开启长思考，即 K2 Thinking 的同时，能启用网络搜索，当我们要它完成一个天气卡片时，能看到 Kimi 会一边自动检索网络上的公开资料，一边完成代码的实现。\\n\\n确实能调用浏览器的获取位置接口，但是在最后 Kimi 也提到，需要输入对应的地图 API 和 天气信息 API 等数据\\n\\n现在已经是全民 vibe coding 的时代了，普通用户还是程序员，都能从 K2 Thinking 的编程能...\\n\\n5. AI Agent现翻倍式增长，RaaS模式成行业发展核心动力\\n 🔗 https://jimo.studio/blog/ai-agent-doubling-growth-raas-model-becomes-core-industry-driver/\\n 📄 今日凌晨，谷歌正式宣布对其Gemini 2.5系列模型进行全系升级，包括推出Gemini 2.5 Pro和Gemini 2.5 Flash正式版，以及发布Gemini 2.5 Flash-Lite预览\\n Tue Jun 17 2025\\n\\n ### 月之暗面发布开源大模型Kimi-Dev-72B，引领AI智能体平台技术新高度\\n\\n 今日凌晨，月之暗面推出了一款专为软件工程优化的开源代码大模型——K...\\n\\n6. 博客 - 积墨AI\\n 🔗 https://jimo.studio/blog/\\n 📄 今日凌晨，谷歌正式宣布对其Gemini 2.5系列模型进行全系升级，包括推出Gemini 2.5 Pro和Gemini 2.5 Flash正式版，以及发布Gemini 2.5 Flash-Lite预览\\n 2025年6月17日\\n\\n ### 月之暗面发布开源大模型Kimi-Dev-72B，引领AI智能体平台技术新高度\\n\\n 今日凌晨，月之暗面推出了一款专为软件工程优化的开源代码大模型——Kimi-D...\\n\\n7. 云计算频道-中文科技资讯\\n 🔗 http://www.citnews.com.cn/HPC/\\n 📄 <20><><EFBFBD><EFBFBD><EFBFBD><EFBFBD>С<EFBFBD><D0A1>ҵAI<41><49><EFBFBD>ء<EFBFBD><D8A1><EFBFBD><EFBFBD><EFBFBD><EFBFBD>á<EFBFBD><C3A1>ò<EFBFBD><C3B2><EFBFBD><EFBFBD><EFBFBD><EFBFBD>ò<EFBFBD><C3B2>á<EFBFBD><C3A1><EFBFBD>ʹ<EFBFBD>㣬<EFBFBD><E3A3AC><EFBFBD><EFBFBD>2025<32><35><EFBFBD>ܴ<EFBFBD><DCB4><EFBFBD><EFBFBD>ѱ<EFBFBD><D1B1><EFBFBD><EFBFBD>ƾ<EFBFBD>·<EFBFBD><C2B7><EFBFBD><EFBFBD>9<EFBFBD><39>24<32>գ<EFBFBD><D5A3><EFBFBD>С<EFBFBD><D0A1>ҵAIӦ<49>ù<EFBFBD>ģ<EFBFBD><C4A3><EFBFBD><EFBFBD>չ<EFBFBD><D5B9>̳<EFBFBD><CCB3><EFBFBD><EFBFBD><EFBFBD><EFBFBD>С<EFBFBD><D0A1><EFBFBD><EFBFBD><EFBFBD>С<EFBFBD><D0A1><EFBFBD>̳<EFBFBD>۽<EFBFBD>AIʱ<49><CAB1><EFBFBD>Ĺؼ<C4B9>ת<EFBFBD>ͽڵ㣬<DAB5><E3A3AC><EFBFBD><EFBFBD>AIӦ<49><D3A6><EFBFBD><EFBFBD><EFBFBD>صĺ<D8B5><C4BA><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD>ʵ<EFBFBD><CAB5><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD>Ӽ<EFBFBD><D3BC><EFBFBD>·<EFBFBD><C2B7><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD>֧<EFBFBD>ţ<EFBFBD>Ϊ<EFBFBD><CEAA>ҵ<EFBFBD><D2B5><EFBFBD>ܻ<EFBFBD>ת<EFBFBD><D7AA><EFBFBD>ṩ<EFBFBD><E1B9A9><EFBFBD>...\\n\\n8. AI每日热搜播报 - 小宇宙\\n 🔗 https://www.xiaoyuzhoufm.com/podcast/686a9cae0aba9f882432de03\\n 📄 Gemini整合通用助手、图像编辑、视频生成、知识库管理（NotebookLM）、本地CLI工具等，提升生产力和创造力，登顶免费榜。 ## 今日头条 2. \\\\\\\\雷军宣布小米17系列对标iPhone，首发骁龙8至尊版\\\\\\\\ 小米17系列跳过16命名，直接升级17，首发第五代骁龙8至尊版，定位“最强标准版旗舰”。Pro Max为影像旗舰，正面挑战苹果市场地位。 5. \\\\\\\\委内瑞拉民兵训练回应美国军力部署...\", \"filters\": {\"topic\": \"general\", \"time_range\": \"week\"}, \"query\": \"火山引擎 月之暗面 Kimi 模型 API 调用 支持\", \"results\": [{\"index\": 1, \"title\": \"火山方舟大模型服务平台 - Volc Engine\", \"url\": \"https://www.volcengine.com/docs/82379\", \"content\": \"知识检索\\n\\n知识问答\\n\\n退订知识库\\n\\n文档管理\\n\\n导入文档\\n\\n标签配置\\n\\n删除文档\\n\\n切片管理\\n\\n新增切片\\n\\n编辑切片\\n\\n查阅切片\\n\\n删除切片\\n\\n知识服务管理\\n\\n创建知识服务\\n\\n知识服务管理\\n\\n知识库配额说明\\n\\nAPI参考\\n\\n签名鉴权与调用示例\\n\\nAPI 列表\\n\\nSDK参考\\n\\nPython SDK\\n\\n安装与初始化\\n\\n核心流程\\n\\nSDK 列表\\n\\n最佳实践\\n\\n稀疏+稠密向量混合检索\\n\\n文档图片检索生成\\n\\n模型推理接入点保障 QPS\\n\\n更多最佳实践\\n\\n数据集\\n\\n数据集介绍\\n\\n共享数据集\\n\\n用量统计\\n\\n开通管理\\n\\n网络配置\\n\\nAPI Key 管理\\n\\n配额管理\\n\\n常见问题\\n\\n常见问题\\n\\n如何设置控制台登录保持时间\\n\\n相关协议\\n\\n火山方舟平台专用条款\\n\\n火山方舟平台免责声明和体验服务规则说明\\n\\n模型服务协议\\n\\n豆包模型服务协议\\n\\n月之暗面模型服务协议\\n\\n智谱AI模型服务协议\\n\\nPrompt优解服务使用规则和数据授权使用协议\\n\\n开源模型许可证\\n\\n模型备案\\n\\n客户应用上架指南-算法备案资质申请流程\\n\\n大模型备案说明(含算法备案及人工智能备案)\\n\\n协作奖励计划\\n\\n协作奖励计划规则和数据授权协议 [...] 协作奖励计划规则（第二期）和数据授权协议\\n\\n文档反馈\\n\\n 文档首页\\n/火山方舟大模型服务平台\\n\\n火山方舟大模型服务平台\\n\\n方舟是火山引擎推出的大模型服务平台，为您提供模型的训练、推理、评测、精调等全流程服务，帮助您快速应用的模型服务。同时不管您作为模型应用开发者或使用者，通过稳定可靠的安全互信方案，均能保障您的信息安全。方舟搭载了豆包大模型，依托其强大的模型能力，帮助您实现业务智能化能力和商业新增长。\\n\\n产品官网业务咨询控制台\\n\\nImage 1\\n\\nImage 2\\n\\n开始使用\\n\\n### 产品简介\\n\\n产品简介\\n\\n### 快速入门\\n\\n快速入门-调用模型服务快速入门-速览平台功能\\n\\n### 产品公告\\n\\n产品更新公告模型发布公告\\n\\nImage 3\\n\\n开发指南\\n\\n### 开发教程\\n\\n文本生成视觉理解批量推理上下文缓存（Context API）\\n\\n### API参考\\n\\nChatCompletions-文本生成ChatCompletions-视觉理解\\n\\nImage 4\\n\\n进一步使用\\n\\n### 模型精调\\n\\n创建模型精调任务查看并管理模型精调任务模型精调数据集格式说明\\n\\n### 模型评测 [...] 火山方舟大模型服务平台-火山引擎\\n\\n API\\n\\n视频生成 API\\n\\n创建视频生成任务 API\\n\\n查询视频生成任务 API\\n\\n查询视频生成任务列表\\n\\n取消或删除视频生成任务\\n\\n向量化 API\\n\\n文本向量化 API\\n\\n图文向量化 API\\n\\n分词 API\\n\\n上下文缓存 API\\n\\n创建上下文缓存 API\\n\\n上下文缓存对话 API\\n\\n批量(Chat) API\\n\\n批量(Job) API\\n\\nCreateBatchInferenceJob - 创建批量推理任务\\n\\nListBatchInferenceJobs - 获取批量推理任务列表\\n\\nGetBatchInferenceJob - 获取批量推理任务\\n\\nUpdateBatchInferenceJob - 更新批量推理任务\\n\\nDeleteBatchInferenceJob - 删除批量推理任务\\n\\nStopBatchInferenceJob - 停止批量推理任务\\n\\nResumeBatchInferenceJob - 重启批量推理任务\\n\\n应用(Bot) API\\n\\n应用(bot) API\\n\\n联网插件 数据结构\\n\\n知识库插件 数据结构\\n\\n管理API Key\", \"score\": 0.5174983, \"published_date\": \"\"}, {\"index\": 2, \"title\": \"AI快讯_互联网科技-AITOP100,专注ai人工智能!\", \"url\": \"https://www.aitop100.cn/daily-ai-news\", \"content\": \"生成图片\\n ## 今日AI快讯-2025年09月05日\\n\\n 拍我AI接入当前火爆的谷歌Nano Banana模型，并推出为期六天的免费体验活动\\n\\n 月之暗面升级Kimi K2模型：编程能力增强，上下文扩展至256K，高速API开放\\n\\n 来源：AI top1006天前\\n\\n 生成图片\\n ## 每日AI资讯-2025年09月05日\\n\\n 来源：AI TOP1006天前\\n\\n 生成图片\\n ## OpenAI杀入招聘战场：2026年AI招聘平台剑指LinkedIn，一场颠覆行业的较量即将打响\\n\\n 科技圈风云突变！OpenAI 宣布 2026 年中期推出“OpenAI Jobs Platform”，剑指招聘巨头 LinkedIn。这一动作不仅是其技术向产业纵深渗透的关键落子，更引发对就业市场重塑的深度思考。在AI与招聘碰撞的背后，是颠覆还是噱头？又将面临哪些挑战？这场较量，正拉开招聘行业“AI革命”的大幕。\\n\\n 来源：AI TOP1006天前\\n\\n 生成图片\\n ## 「天行者计划」全球AIGC科幻影像创意大赛入围公示-【社会组】\\n\\n 来源：AI TOP1006天前 [...] 近日，腾讯混元翻译模型 Hunyuan-MT-7B 正式开源，以 7 亿参数 的轻量级设计，在国际权威赛事 WMT2025 中斩获 31 个语种中的 30 项冠军，力压众多参数量更大的竞品。该模型支持 33 种语言及 5 种民汉方言互译，推理速度提升 30%，重新定义了“小模型大能量”的技术标杆，推动翻译技术向更高效、更普惠的方向迈进。\\n\\n 来源：AI TOP1009天前\\n\\n 生成图片\\n ## 即梦AI开放API：企业级图像视频生成迎来“一站式”解决方案\\n\\n 即梦AI联合火山引擎正式开放系列模型API服务，涵盖文生图3.0/3.1、图生图3.0、视频生成3.0pro、数字人OmniHuman及动作模仿DreamActor M1等前沿模型。基于字节跳动自研的Seedream和Seedance模型优化而来，这些工具已通过大规模验证，可为企业提供“一站式”图像与视频生成解决方案，开发者自助下单即可快速接入，助力商业场景高效落地。\\n\\n 来源：AI TOP1009天前\\n\\n 生成图片\\n ## Youtu-Agent框架开源：腾讯优图推出模块化AI智能体开发工具 [...] 8月22日，Moonshot AI王牌模型Kimi K2迎来史诗级升级！kimi-k2-turbo-preview版本输出速度飙至每秒100 Tokens，响应速度翻倍，实时对话、长文创作、数据分析秒级完成！更狠的是，5折特惠持续至9月1日，个人创作者和企业用户都能以超低成本体验“光速AI”。现在登录官网，抢先解锁效率革命！\\n\\n 来源：AI TOP10020天前\\n\\n 生成图片\\n ## ToonComposer：AI动画制作工具完全指南 - 从草图到专业动画的智能转换\\n\\n ToonComposer是革命性AI动画制作工具，几秒将草图转换为专业动画。香港中文大学与腾讯联合开发，支持生成式后关键帧技术、区域控制等功能。完整使用指南、技术原理和应用场景介绍。\\n\\n 来源：AI TOP10020天前\\n\\n 生成图片\\n ## 即梦AI智能多帧功能上线：10张图生成54秒超长镜头，视频创作门槛大降！\", \"score\": 0.48996773, \"published_date\": \"\"}, {\"index\": 3, \"title\": \"中国AI逆袭全球！3年追平美国，9大巨头暗战曝光，谁将称王？ - 网易\", \"url\": \"https://www.163.com/dy/article/KDI6SFQV05389VEO.html\", \"content\": \"百川智能的开源策略取得显著成效：Baichuan-7B/13B 两款开源大模型在多个权威评测榜单上名列前茅，累计下载量已超过六百万次；Baichuan2-13B 在 MMLU、CMMLU、MedQA、USMLE 等权威评估基准中领先 LLaMA2。\\n\\n其他 “小龙” 的特色定位\\n\\n 零一万物：专注于 AGI 方向，强调 “通用人工智能” 的技术路线\\n 阶跃星辰：国内为数不多形成从理解到生成、从文本到多模态全系列模型矩阵的公司\\n 月之暗面：2023 年 3 月成立，推出支持输入高达 20 万汉字（后提升至 200 万字）的智能助手产品 Kimi\\n\\n3.2 垂直领域 AI 企业：技术深耕与场景创新\\n\\n垂直领域 AI 企业在各自细分赛道展现出技术深耕场景创新的双重优势。\\n\\n商汤科技：计算机视觉的产业化先锋 [...] 豆包大模型在多模态能力上展现出显著优势，推出了 SeaArt 图像生成模型、Seedance 视频生成模型、海绵音乐 AI 音乐生成等产品。在 A16z 的全球 AI 产品榜单中，中国的 Hailuo（海螺）和 KlingAI（可灵）分别排在 12 位和 17 位，超越了 Sora（#23）等知名产品；SeaArt 超越 Midjourney，登顶全球图片生成榜首。\\n\\n“一盘棋” 战略的独特优势\\n\\n字节跳动采取了独特的 “一盘棋” 式 AI 战略，主要体现在：\\n\\n 品牌统一：模型与产品同名，建立直接关联\\n 流量协同：抖音成为 AI 产品引流的关键渠道，2025 年 3 月月活达 10.01 亿\\n 产品矩阵：推出即梦（AI 短视频生成）、海绵音乐、猫箱、星绘等 AI 原生应用矩阵\\n 内部闭环：豆包大模型已应用于抖音、飞书、番茄小说等字节内部超过 50 个业务场景\\n\\n在商业化方面，豆包大模型调用量较发布初期增长超 106 倍，火山引擎以 46.4% 市场份额领跑企业大模型服务市场。\\n\\n三、新兴 AI 公司的崛起与竞争\\n\\n3.1 大模型初创公司：”六小龙” 的差异化竞争 [...] 中国大模型初创公司以 “六小龙“（智谱 AI、MiniMax、百川智能、零一万物、阶跃星辰、月之暗面）为代表，展现出强大的创新活力和差异化竞争策略。\\n\\n智谱 AI：清华血统的技术领先者\\n\\n智谱 AI 成立于 2019 年，脱胎于清华大学计算机系知识工程实验室，拥有 27 年 AI 技术积累。作为国内最早研发大模型的企业之一，智谱 AI 在技术上展现出显著优势：2022 年 8 月发布双语千亿级超大规模预训练模型 GLM-130B，支持中英双语，在多个公开评测集上性能超过 GPT-3。\\n\\n智谱 AI 的发展历程体现了持续的技术创新：\\n\\n 2023 年累计获得超 25 亿元融资，投资方包括社保基金、阿里、腾讯、高瓴等\\n 2024 年 12 月完成 30 亿元人民币融资，估值超 200 亿元，成为国内估值最早进入 “200 亿元俱乐部” 的独角兽之一\\n 2025 年 4 月 14 日正式冲刺 IPO，成为首个启动 IPO 的大模型创业公司\\n\\n在产品方面，智谱推出了智谱清言 App，拥有超过 2500 万用户，年化收入（ARR）超千万，支持文本、图像、音频、视频多模态互动。\", \"score\": 0.3503997, \"published_date\": \"\"}, {\"index\": 4, \"title\": \"开源新王！首次干翻GPT-5，实测Kimi K2 Thinking，中国AI杀疯了\", \"url\": \"https://tech.ifeng.com/c/8o5a0eddnXO\", \"content\": \"开启长思考，即 K2 Thinking 的同时，能启用网络搜索，当我们要它完成一个天气卡片时，能看到 Kimi 会一边自动检索网络上的公开资料，一边完成代码的实现。\\n\\n确实能调用浏览器的获取位置接口，但是在最后 Kimi 也提到，需要输入对应的地图 API 和 天气信息 API 等数据\\n\\n现在已经是全民 vibe coding 的时代了，普通用户还是程序员，都能从 K2 Thinking 的编程能力里，更快速地实现自己的想法。\\n\\n在智能体搜索这个任务上，我们问了他一些专业领域的问题，测试它如何分解复杂问题、主动搜索、并整合难找的网络信息的能力。\\n\\n可以看到，Kimi 搜索的信息是比较全面的，当我规定了 2025 年以后，它网页搜索的资料，也大多集中在最近这段时间以来的报道。\\n\\n上下滑动查看更多内容\\n\\n最后它给出的报告，也详细的提到了三种 2025 的算法，以及主要的公司等内容。\\n\\n其实工具调用，应该是 Kimi K2 Thinking 非常重要的能力，但是在我们的体验中，发现大多数时候，他只是调用网络搜索工具，而没有看到 200 多个工具流。（我的任务太简单，还有可能是高峰期。） [...] ## 第三方浏览器推荐:\\n\\n谷歌(Chrome)浏览器下载\\n\\n360安全浏览器下载 [...] 我们在输入一个物流逻辑问题时，很明显是可以调用 Python 等代码解释器来辅助计算，但是 Kimi 只是和其他深度思考的模型一样，一步步地推理。\\n\\n关于 K2 Thinking 的写作能力，我们找了一个表面上看起来是两难的问题给它。\\n\\n上下滑动查看更多内容\\n\\n这个回答有够人性化吗。在我看来，很明显不是空洞的套话，还提供了周到且具体的思考，也帮助我们平衡了原则和现实两个方面，还有可操作的后续步骤。\\n\\n在 AI 模型军备竞赛的今天，单纯的问答，很明显已经无法满足，我们复杂的专业需求。像人类专家一样，通过一步一步的推理思考，主动使用各种工具，来解决极其复杂的难题，成了所有大模型的标配。\\n\\n根据 Kimi 官方文档和技术分析的介绍，这次的思考能力突破关键在训练方式，即高效的量化技术（INT4 QAT），这也是一个值得关注的行业亮点。\\n\\nK2 Thinking 在后训练阶段采用了量化感知训练 (QAT)，让模型能以 INT4 精度本地运行，推理速度提升约 2 倍，同时保持最佳性能。\", \"score\": 0.27916032, \"published_date\": \"\"}, {\"index\": 5, \"title\": \"AI Agent现翻倍式增长，RaaS模式成行业发展核心动力\", \"url\": \"https://jimo.studio/blog/ai-agent-doubling-growth-raas-model-becomes-core-industry-driver/\", \"content\": \"今日凌晨，谷歌正式宣布对其Gemini 2.5系列模型进行全系升级，包括推出Gemini 2.5 Pro和Gemini 2.5 Flash正式版，以及发布Gemini 2.5 Flash-Lite预览\\n Tue Jun 17 2025\\n\\n ### 月之暗面发布开源大模型Kimi-Dev-72B，引领AI智能体平台技术新高度\\n\\n 今日凌晨，月之暗面推出了一款专为软件工程优化的开源代码大模型——Kimi-Dev-72B，这款模型凭借仅72B参数的体量，在SWE-bench Verified编程基准测试中取得了全球最高开源模型成绩\\n Wed Jun 11 2025\\n\\n ### 影石创新成功上市科创板，智能影像设备行业迎新发展机遇\\n\\n 今日，深圳智能影像设备企业影石创新成功登陆上交所科创板，其每股发行价格定为47.27元，发行后总股本为40100万股，市盈率为20.04倍。首日开盘价达到182元/股，较发行价上涨285%，截至上午1\\n Mon Jun 09 2025\\n\\n ### AI推动实体经济智能化，百度智能云破局最后一公里 [...] 在2025年上海技术开放日上，全球领先的激光雷达制造商 禾赛科技 宣布多项机器人领域的重要突破，展示了其在 AI行业应用 和机器人商业化中的广泛布局。禾赛科技宣布，将为追觅生态链高端智能庭院品牌——可\\n Mon Apr 21 2025\\n\\n ### 中国AI崛起闪耀大阪世博，中国馆AI孙悟空惊艳亮相\\n\\n 2025年大阪关西世博会，中国馆以科技+文化的完美融合震撼全球观众，成为焦点展馆之一。在AI行业应用 方面，中国馆带来的AI孙悟空互动展项，则通过 AI大模型应用 的强大技术实力，成为一次真正意义上的\\n Fri Apr 18 2025\\n\\n ### 火山引擎发布豆包1.5深度思考模型，AI推理模型迎来全新升级\\n\\n 近日，火山引擎 正式发布豆包1.5深度思考模型，这款基于MoE架构的大语言模型，以 200B 总参数量、20B 激活参数 实现了更低成本、更高效能的AI推理能力。在多项基准测试中，豆包1.5深度思考模\\n Wed Apr 16 2025\\n\\n ### 大模型「六小虎」首个IPO，智谱科技携开源模型GLM-4-32B系列强势助力AI产业 [...] 由Stable Diffusion原班人马推出的全新图像生成模型——FLUX.1正式亮相。作为先进的AI解决方案，FLUX.1在文字生成、复杂指令遵循和人手生成方面展示了强大的技术优势。其专业版模型F\\n Thu Aug 01 2024\\n\\n ### GPT-4o语音功能终于如期而至，科幻版Her走进现实\\n\\n 在7月底，GPT-4o语音模式终于开启了灰度测试，一部分ChatGPT Plus用户已经抢先体验了这一革新功能。ChatGPT开发团队表示，高级语音模式提供了更加自然、实时的对话体验，用户可以随意打断\\n Wed Jul 31 2024\\n\\n ### AI生图玩法猛猛上新，豆包大模型新升级\\n\\n 在2024火山引擎AI创新巡展成都站活动上，豆包大模型团队隆重公布了最新进展，包含文生图模型和语音模型等多个垂直模型的新升级。这一活动吸引了众多AI从业者和企业的关注，展现了豆包大模型在AI解决方案和\\n Tue Jul 30 2024\\n\\n ### 机器学习之父Mitchell ：AI 如何加速科学发展，如何抓住机遇\", \"score\": 0.22779596, \"published_date\": \"\"}, {\"index\": 6, \"title\": \"博客 - 积墨AI\", \"url\": \"https://jimo.studio/blog/\", \"content\": \"今日凌晨，谷歌正式宣布对其Gemini 2.5系列模型进行全系升级，包括推出Gemini 2.5 Pro和Gemini 2.5 Flash正式版，以及发布Gemini 2.5 Flash-Lite预览\\n 2025年6月17日\\n\\n ### 月之暗面发布开源大模型Kimi-Dev-72B，引领AI智能体平台技术新高度\\n\\n 今日凌晨，月之暗面推出了一款专为软件工程优化的开源代码大模型——Kimi-Dev-72B，这款模型凭借仅72B参数的体量，在SWE-bench Verified编程基准测试中取得了全球最高开源模型成绩\\n 2025年6月11日\\n\\n ### 影石创新成功上市科创板，智能影像设备行业迎新发展机遇\\n\\n 今日，深圳智能影像设备企业影石创新成功登陆上交所科创板，其每股发行价格定为47.27元，发行后总股本为40100万股，市盈率为20.04倍。首日开盘价达到182元/股，较发行价上涨285%，截至上午1\\n 2025年6月9日\\n\\n ### AI推动实体经济智能化，百度智能云破局最后一公里 [...] 在2025年上海技术开放日上，全球领先的激光雷达制造商 禾赛科技 宣布多项机器人领域的重要突破，展示了其在 AI行业应用 和机器人商业化中的广泛布局。禾赛科技宣布，将为追觅生态链高端智能庭院品牌——可\\n 2025年4月21日\\n\\n ### 中国AI崛起闪耀大阪世博，中国馆AI孙悟空惊艳亮相\\n\\n 2025年大阪关西世博会，中国馆以科技+文化的完美融合震撼全球观众，成为焦点展馆之一。在AI行业应用 方面，中国馆带来的AI孙悟空互动展项，则通过 AI大模型应用 的强大技术实力，成为一次真正意义上的\\n 2025年4月18日\\n\\n ### 火山引擎发布豆包1.5深度思考模型，AI推理模型迎来全新升级\\n\\n 近日，火山引擎 正式发布豆包1.5深度思考模型，这款基于MoE架构的大语言模型，以 200B 总参数量、20B 激活参数 实现了更低成本、更高效能的AI推理能力。在多项基准测试中，豆包1.5深度思考模\\n 2025年4月16日\\n\\n ### 大模型「六小虎」首个IPO，智谱科技携开源模型GLM-4-32B系列强势助力AI产业 [...] 由Stable Diffusion原班人马推出的全新图像生成模型——FLUX.1正式亮相。作为先进的AI解决方案，FLUX.1在文字生成、复杂指令遵循和人手生成方面展示了强大的技术优势。其专业版模型F\\n 2024年8月1日\\n\\n ### GPT-4o语音功能终于如期而至，科幻版Her走进现实\\n\\n 在7月底，GPT-4o语音模式终于开启了灰度测试，一部分ChatGPT Plus用户已经抢先体验了这一革新功能。ChatGPT开发团队表示，高级语音模式提供了更加自然、实时的对话体验，用户可以随意打断\\n 2024年7月31日\\n\\n ### AI生图玩法猛猛上新，豆包大模型新升级\\n\\n 在2024火山引擎AI创新巡展成都站活动上，豆包大模型团队隆重公布了最新进展，包含文生图模型和语音模型等多个垂直模型的新升级。这一活动吸引了众多AI从业者和企业的关注，展现了豆包大模型在AI解决方案和\\n 2024年7月30日\\n\\n ### 机器学习之父Mitchell ：AI 如何加速科学发展，如何抓住机遇\", \"score\": 0.21571437, \"published_date\": \"\"}, {\"index\": 7, \"title\": \"云计算频道-中文科技资讯\", \"url\": \"http://www.citnews.com.cn/HPC/\", \"content\": \"<22><><EFBFBD><EFBFBD><EFBFBD><EFBFBD>С<EFBFBD><D0A1>ҵAI<41><49><EFBFBD>ء<EFBFBD><D8A1><EFBFBD><EFBFBD><EFBFBD><EFBFBD>á<EFBFBD><C3A1>ò<EFBFBD><C3B2><EFBFBD><EFBFBD><EFBFBD><EFBFBD>ò<EFBFBD><C3B2>á<EFBFBD><C3A1><EFBFBD>ʹ<EFBFBD>㣬<EFBFBD><E3A3AC><EFBFBD><EFBFBD>2025<32><35><EFBFBD>ܴ<EFBFBD><DCB4><EFBFBD><EFBFBD>ѱ<EFBFBD><D1B1><EFBFBD><EFBFBD>ƾ<EFBFBD>·<EFBFBD><C2B7><EFBFBD><EFBFBD>9<EFBFBD><39>24<32>գ<EFBFBD><D5A3><EFBFBD>С<EFBFBD><D0A1>ҵAIӦ<49>ù<EFBFBD>ģ<EFBFBD><C4A3><EFBFBD><EFBFBD>չ<EFBFBD><D5B9>̳<EFBFBD><CCB3><EFBFBD><EFBFBD><EFBFBD><EFBFBD>С<EFBFBD><D0A1><EFBFBD><EFBFBD><EFBFBD>С<EFBFBD><D0A1><EFBFBD>̳<EFBFBD>۽<EFBFBD>AIʱ<49><CAB1><EFBFBD>Ĺؼ<C4B9>ת<EFBFBD>ͽڵ㣬<DAB5><E3A3AC><EFBFBD><EFBFBD>AIӦ<49><D3A6><EFBFBD><EFBFBD><EFBFBD>صĺ<D8B5><C4BA><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD>ʵ<EFBFBD><CAB5><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD>Ӽ<EFBFBD><D3BC><EFBFBD>·<EFBFBD><C2B7><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD>֧<EFBFBD>ţ<EFBFBD>Ϊ<EFBFBD><CEAA>ҵ<EFBFBD><D2B5><EFBFBD>ܻ<EFBFBD>ת<EFBFBD><D7AA><EFBFBD>ṩ<EFBFBD><E1B9A9><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD>ء<EFBFBD><D8A1><EFBFBD>ȫ<EFBFBD><C8AB>·<EFBFBD><C2B7><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD>\\n\\n 2025-09-28\\n ### Kimiȫ<69><C8AB>Agentģʽ OK Computer <20><><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD>ԣ<EFBFBD><D4A3>ܿ<EFBFBD><DCBF><EFBFBD><EFBFBD><EFBFBD>վ<EFBFBD><D5BE><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD>\\n\\n <20><>֮<EFBFBD><D6AE><EFBFBD><EFBFBD>Kimi<6D><69><EFBFBD>շ<EFBFBD><D5B7><EFBFBD>ȫ<EFBFBD><C8AB>AgentģʽOKComputer<65><72><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD>ҶȲ<D2B6><C8B2>ԡ<EFBFBD>OKComputer<65><72><EFBFBD><EFBFBD><EFBFBD><EFBFBD>ģ<EFBFBD>ͼ<EFBFBD>Agent<6E><74><EFBFBD><EFBFBD><EFBFBD>ͨ<EEA3AC><CDA8><EFBFBD>˵<EFBFBD><CBB5><EFBFBD>ѵ<EFBFBD><D1B5>KimiK2ģ<32>ͣ<EFBFBD><CDA3><EFBFBD>һ<EFBFBD><D2BB><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD>弰<EFBFBD><E5BCB0><EFBFBD>ߵ<EFBFBD><DFB5><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD>\\n\\n 2025-09-25\\n\\n<><6E><EFBFBD>ظ<EFBFBD><D8B8><EFBFBD> [...] ### IDC<44><43>2025<32><35><EFBFBD>ϰ<EFBFBD><CFB0>깫<EFBFBD><EAB9AB><EFBFBD>ƴ<EFBFBD>ģ<EFBFBD>͵<EFBFBD><CDB5><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD>ɽ<EFBFBD><C9BD><EFBFBD><EFBFBD><EFBFBD>г<EFBFBD><D0B3>ݶ<EFBFBD><DDB6><EFBFBD><EFBFBD><EFBFBD>\\n\\n <20><><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD>ݹ<EFBFBD>˾(IDC)<29><><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD>й<EFBFBD><D0B9><EFBFBD>ģ<EFBFBD><EFBFBD><CDB9><EFBFBD><EFBFBD>Ʒ<EFBFBD><C6B7><EFBFBD><EFBFBD>г<EFBFBD><D0B3><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD>2025H1<48><31><EFBFBD><EFBFBD><EFBFBD>棬2025<32><35><EFBFBD>ϰ<EFBFBD><CFB0>꣬<EFBFBD>й<EFBFBD><D0B9><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD>ϴ<EFBFBD>ģ<EFBFBD>͵<EFBFBD><CDB5><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD>7<EFBFBD><37><EFBFBD><EFBFBD>Tokens<6E><73><EFBFBD><EFBFBD>ɽ<EFBFBD><C9BD><EFBFBD><EFBFBD><EFBFBD><EFBFBD>2%<25><><EFBFBD>г<EFBFBD><D0B3>ݶ<EFBFBD>λ<EFBFBD><CEBB><EFBFBD>й<EFBFBD><D0B9>г<EFBFBD><D0B3><EFBFBD>һ<EFBFBD><D2BB>\\n\\n 2025-09-19 10:16:29\\n ### 2024<32><34><EFBFBD>й<EFBFBD><D0B9><EFBFBD><EFBFBD><EFBFBD><EFBFBD>ƴ<EFBFBD>ģ<EFBFBD>ͷ<EFBFBD><CDB7><EFBFBD><EFBFBD>г<EFBFBD><D0B3><EFBFBD>һ<EFBFBD><D2BB><EFBFBD><EFBFBD>ǿ<EFBFBD><C7BF><EFBFBD><EFBFBD><EFBFBD>γ<EFBFBD> <20><>ɽ<EFBFBD><C9BD><EFBFBD><EFBFBD>\\n\\n <20><><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD>ݹ<EFBFBD>˾(IDC)<29><><EFBFBD>շ<EFBFBD><D5B7><EFBFBD><EFBFBD>ġ<EFBFBD><C4A1>й<EFBFBD><D0B9><EFBFBD><EFBFBD><EFBFBD><EFBFBD>ƴ<EFBFBD>ģ<EFBFBD>ͷ<EFBFBD><CDB7><EFBFBD><EFBFBD>г<EFBFBD><D0B3><EFBFBD><EFBFBD>ַ<EFBFBD><D6B7><EFBFBD><EFBFBD><EFBFBD>1Q25<32><35><EFBFBD><EFBFBD>ʾ<EFBFBD><CABE>2024<32><34><EFBFBD>й<EFBFBD><D0B9><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD>ϴ<EFBFBD>ģ<EFBFBD>͵<EFBFBD><CDB5><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD>114.2<EFBFBD><EFBFBD><EFBFBD><EFBFBD>Tokens<EFBFBD><EFBFBD>\\n\\n 2025-04-10 16:19:23\\n ### <20><><EFBFBD><EFBFBD>QwQ-32B API<50>ӿڷ<D3BF><DAB7><EFBFBD><EFBFBD><EFBFBD><EFBFBD>߹<EFBFBD><DFB9>ҳ<EFBFBD><D2B3>㻥<EFBFBD><E3BBA5><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD>ż<EFBFBD><C5BC><EFBFBD><EFBFBD><EFBFBD> <20><> [...] 3<><33>9<EFBFBD><39><EFBFBD><EFBFBD>Ϣ<EFBFBD><CFA2><EFBFBD>ӳ<EFBFBD><D3B3>㻥<EFBFBD><E3BBA5><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD><CEA2>Ϥ<EFBFBD><CFA4><EFBFBD><EFBFBD><EFBFBD>ܣ<EFBFBD><DCA3><EFBFBD><EFBFBD>㻥<EFBFBD><E3BBA5><EFBFBD><EFBFBD>ƽ̨<C6BD><CCA8><EFBFBD>߰<EFBFBD><DFB0><EFBFBD><EFBFBD>ͰͿ<CDB0>Դ<EFBFBD><D4B4><EFBFBD><EFBFBD>ģ<EFBFBD><C4A3>QwQ-32B API<50>ӿڷ<D3BF><DAB7><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD>û<EFBFBD><C3BB>ɻ<EFBFBD><C9BB><EFBFBD><EFBFBD><EFBFBD><EFBFBD>ѵ<EFBFBD>100<30><30>Tokens<6E><73>\\n\\n 2025-03-09 19:44:04\\n ### <20>й<EFBFBD><D0B9>ƶ<EFBFBD><C6B6>Ŷ<EFBFBD><C5B6><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD>ܻ<EFBFBD><DCBB><EFBFBD><EFBFBD><EFBFBD> <20><>չ<EFBFBD><D5B9><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD>\\n\\n 7<><37>9<EFBFBD>գ<EFBFBD><D5A3><EFBFBD>2024<32><34><EFBFBD>й<EFBFBD><D0B9><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD>Ŀ<EFBFBD>Ļ<EFBFBD><C4BB>̳<EFBFBD>ϣ<EFBFBD><CFA3>й<EFBFBD><D0B9>ƶ<EFBFBD><C6B6><EFBFBD><EFBFBD>ܾ<EFBFBD><DCBE><EFBFBD><EFBFBD>Ŷ<EFBFBD><C5B6><EFBFBD>ʾ<EFBFBD><CABE><EFBFBD><EFBFBD>ǰ<EFBFBD><C7B0><EFBFBD><EFBFBD>Ϣ<EFBFBD><CFA2><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD>ںϴ<DABA><CFB4><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD>ƽ<EFBFBD><C6BD><EFBFBD><EFBFBD><EFBFBD><EFBFBD>˹<EFBFBD><CBB9><EFBFBD><EFBFBD><EFBFBD>Ϊ<EFBFBD><CEAA><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD>һ<EFBFBD>ֿƼ<D6BF><C6BC><EFBFBD><EFBFBD><EFBFBD><EFBFBD>Ͳ<EFBFBD>ҵ<EFBFBD><D2B5><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD>ݽ<EFBFBD><DDBD><EFBFBD>\\n\\n 2024-07-10 16:35:55\\n ### 2024 MWC <20>Ϻ<EFBFBD> | <20>»<EFBFBD><C2BB><EFBFBD>ȫ<EFBFBD><C8AB>չʾ<D5B9><CABE><EFBFBD><EFBFBD><EFBFBD>³ɹ<C2B3><C9B9><EFBFBD><EFBFBD><EFBFBD><EFBFBD>ٹ<EFBFBD><D9B9><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD>\\n\\n 6<><36>26<32><36>-28<32>գ<EFBFBD>2024<32><34><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD>ƶ<EFBFBD>ͨ<EFBFBD>Ŵ<EFBFBD><C5B4><EFBFBD><EFBFBD>Ϻ<EFBFBD>վ(MWC<57>Ϻ<EFBFBD>)<29><><EFBFBD>¹<EFBFBD><C2B9>ʲ<EFBFBD><CAB2><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD>ʢ<EFBFBD><CAA2><EFBFBD><EFBFBD>Ļ<EFBFBD><C4BB>\", \"score\": 0.09933926, \"published_date\": \"\"}, {\"index\": 8, \"title\": \"AI每日热搜播报 - 小宇宙\", \"url\": \"https://www.xiaoyuzhoufm.com/podcast/686a9cae0aba9f882432de03\", \"content\": \"Gemini整合通用助手、图像编辑、视频生成、知识库管理（NotebookLM）、本地CLI工具等，提升生产力和创造力，登顶免费榜。 ## 今日头条 2. \\\\\\\\雷军宣布小米17系列对标iPhone，首发骁龙8至尊版\\\\\\\\ 小米17系列跳过16命名，直接升级17，首发第五代骁龙8至尊版，定位“最强标准版旗舰”。Pro Max为影像旗舰，正面挑战苹果市场地位。 5. \\\\\\\\委内瑞拉民兵训练回应美国军力部署，中国助力石油产能\\\\\\\\ 委内瑞拉民众响应马杜罗号召真枪实弹训练，队伍规模庞大，应对美国加勒比海军力部署。中国浮动石油平台抵达，助力恢复石油产能，国际局势博弈升级。 ## 微博 1. \\\\\\\\李雪琴幽默回应粉丝签名保安阻拦\\\\\\\\ 李雪琴签名时幽默回应保安“拢共就三个人”，展现耿直幽默感，网友调侃“比杨迪多一个”，凸显亲和力。 2. \\\\\\\\梁婷称签约演员仅尹正赚钱，提及辛芷蕾解约纠纷\\\\\\\\ 星汇天姬总裁梁婷长文称签约演员中唯一赚钱的为尹正，提及与辛芷蕾解约纠纷及培养经历，强调未安排应酬局。 3. \\\\\\\\西贝儿童餐调整为现做，回应顾客反馈\\\\\\\\ [...] 4. 萨巴伦卡郑钦文出战武汉网球公开赛，11位大满贯冠军参赛 武网萨巴伦卡、郑钦文等11位冠军参赛，郑钦文王欣瑜直接入围，赛事10月4日开赛。 5. 罗永浩展示西贝冷冻鱼保质期18个月含7种添加剂 罗永浩直播展示西贝冷冻鱼添加剂问题，呼吁市场透明化，表扬老乡鸡标注做法。 6. 特朗普称柯克枪手被捕，关系密切者交出，事件为政治暗杀 枪手屋顶开枪后逃离被捕，特朗普授予柯克总统自由勋章，事件引发政治暗杀关注。 7. 海底捞小便案一审宣判，父母赔220万，网友热议家庭教育 两名17岁者小便拍视频判赔220万，家长需道歉赔偿，网友议判决合理与家教重要性。 8. 萨巴伦卡误叫阿尔卡拉斯为辛纳，节目互动尴尬化解 美网冠军节目中萨巴伦卡口误，阿尔卡拉斯假装离场，合作拍视频轻松化解。 腾讯新闻 1. 邱党谴责私人谈话泄露涉及樊振东，呼吁隐私与公平 邱党与王皓谈话泄露涉及樊振东，强烈谴责侵犯隐私破坏体育公正，需安全交流环境。 2. 法国向波兰派阵风战机应对无人机事件，北约支持引紧张 无人机事件引发对峙，法国派战机北约部署军队，波兰指控俄罗斯，俄否认称北约反俄。 3. [...] 8. 国庆中秋假期放假8天调休争议 10月1-8日上班9月28日10月11日江西金色梯田沙漠越野安全。 9. 王力宏演唱会点歌环节恐怖箱 吉他solo曲风适应在梅边流泪手心即兴Bbox高难度。 10. 女子遭前夫殴打死亡警方通报 辽宁盖州张某萍张某铭家暴抢救无效逮捕严惩家庭暴力。 \\\\\\\\百度\\\\\\\\ 1. 辛芷蕾威尼斯影后日掛中天蔡尚君 最佳女演员80后中国演员南方小城命运悲剧国际影坛实力魅力。 2. 辛芷蕾获奖巩俐叶德娴华人女演员 长江图繁花岭南文化独特风貌。 3. 日本首相石破茂辞职党内分裂 参议院选举失利自民党总裁任期2027年记者会。 4. 央视曝光毒玩具软泥硼砂 解压玩具三无产品误食5克致死肝肾功能生长发育安全隐患。 5. 德化白瓷国际市场创意陶瓷树 4000多款出口5000多万件关税上涨硬核价值创新设计文化吸引力。 6. 台风塔巴华南强降雨广东广西云南 大暴雨特大暴雨江南高温北方转凉防台风防洪出行安全。 7. 月全食时间表9月7-8日红月亮 23:28-04:55核心阶段1小时22分食甚北方晴空南方多云暴雨区域。 8. 裸眼3D受阅空中梯队沉浸式体验\", \"score\": 0.026802607, \"published_date\": \"\"}], \"total_results\": 8}",
|
||
"timestamp": "2025-11-07T16:48:52.375904",
|
||
"tool_call_id": "web_search:5",
|
||
"name": "web_search"
|
||
},
|
||
{
|
||
"role": "assistant",
|
||
"content": "",
|
||
"timestamp": "2025-11-07T16:49:03.031662",
|
||
"tool_calls": [
|
||
{
|
||
"id": "extract_webpage:6",
|
||
"index": 0,
|
||
"type": "function",
|
||
"function": {
|
||
"name": "extract_webpage",
|
||
"arguments": "{\"url\": \"https://platform.moonshot.cn/docs/guide/use-kimi-k2-thinking-model\"}"
|
||
}
|
||
}
|
||
]
|
||
},
|
||
{
|
||
"role": "tool",
|
||
"content": "{\"success\": true, \"url\": \"https://platform.moonshot.cn/docs/guide/use-kimi-k2-thinking-model\", \"content\": \"❌ 未能提取到任何内容\"}",
|
||
"timestamp": "2025-11-07T16:49:06.093143",
|
||
"tool_call_id": "extract_webpage:6",
|
||
"name": "extract_webpage"
|
||
},
|
||
{
|
||
"role": "assistant",
|
||
"content": "",
|
||
"timestamp": "2025-11-07T16:49:11.679363",
|
||
"tool_calls": [
|
||
{
|
||
"id": "web_search:7",
|
||
"index": 0,
|
||
"type": "function",
|
||
"function": {
|
||
"name": "web_search",
|
||
"arguments": "{\"query\": \"\\\"火山引擎\\\" \\\"Kimi K2 Thinking\\\" OR \\\"kimi-k2-thinking\\\" 支持 调用\", \"time_range\": \"month\", \"max_results\": 10}"
|
||
}
|
||
}
|
||
]
|
||
},
|
||
{
|
||
"role": "tool",
|
||
"content": "{\"success\": true, \"summary\": \"🔍 搜索查询: \\\"火山引擎\\\" \\\"Kimi K2 Thinking\\\" OR \\\"kimi-k2-thinking\\\" 支持 调用\\n📅 搜索时间: 2025-11-07T16:49:16.848469\\n🎯 过滤条件: Topic: general | Time Range: month\\n\\n📝 AI摘要:\\nKimi K2 Thinking is an AI model, and VolcEngine supports its function calls. VolcEngine is a large-scale high-performance computing platform.\\n\\n---\\n\\n📊 搜索结果:\\n\\n1. OpenAI 最新发布：在API中引入结构化输出\\n 🔗 https://developer.volcengine.com/articles/7473796473574932490\\n 📄 并且SDK 也支持**“函数调用”** （Function calling）和**“响应格式 ... 本次分享主要介绍火山引擎支撑大规模高性能计算集群的架构和优化实践。 点击下载.\\n\\n2. 消息称字节跳动发力人形机器人领域，月薪可达12 万元\\n 🔗 https://www.aizws.net/news/detail/5845\\n 📄 近日，字节跳动旗下火山引擎团队启动了一项高规格招聘，寻求“操作算法资深专家 ... Kimi K2 Thinking 发布 · 含近2000 名参与者图像，索尼新数据集可检验AI 模型\\n\\n3. 消息称字节跳动发力人形机器人领域，月薪可达12 万元 - AI优秘圈\\n 🔗 https://kx.umi6.com/article/27815.html\\n 📄 11月5日，字节跳动旗下火山引擎团队启动高规格招聘，寻求“操作算法资深专家（具身 ... Kimi K2 Thinking 发布 · 牛津大学研究：当前基准测试普遍夸大了AI 模型的\\n\\n4. 火山引擎多模态数据湖如何支撑Agent规模化落地\\n 🔗 https://zhuanlan.zhihu.com/p/1969347929455199999\\n 📄 在开源生态建设方面，火山引擎在项目早期阶段便持续投入，包括提升作业Checkpoint 与容错能力、优化模型调用支持、实现资源弹性调度等，并将这些改进成果回馈至开源社区。同时\\n\\n5. 大模型开发实战篇1：调用DeepSeek的对话接口,即聊天 ...\\n 🔗 https://developer.volcengine.com/articles/7540557255830175783\\n 📄 火山引擎大规模机器学习平台架构设计与应用实践. 围绕数据加速、模型分布式训练框架建设、大规模异构集群调度、模型开发过程标准化等AI工程化实践，全面分享如何以开发\\n\\n6. n8n 配置国产大模型方法全指南｜n8n玩家必看\\n 🔗 https://developer.volcengine.com/articles/7542490057752444969\\n 📄 火山引擎大规模机器学习平台架构设计与应用实践. 围绕数据加速、模型分布式训练框架建设、大规模异构集群调度、模型开发过程标准化等AI工程化实践，全面分享如何以开发\\n\\n7. 更新日志-2025\\n 🔗 https://help.302.ai/docs/geng-xin-ri-zhi-VmVs\\n 📄 【API超市】图片生成新增来自Higgsfield的生成角色功能\\n 【API超市】图片生成新增OpenAI格式的统一生成接口，支持使用OpenAI SDK调用多种图像生成模型\\n 【API超市】视频生成新增来自Google Veo3-Fast的图片生成视频\\n 【API超市】RAG相关新增来自Google的Embedding模型\\n\\n## 2025.7.16\\n\\n 【API超市】所有语言模型的Chat接口...\\n\\n8. 网站地图-AI TOP100,专注ai人工智能!\\n 🔗 https://www.aitop100.cn/sitemap/\\n 📄 从陪伴到巴甫洛夫的狗、再到尼亚加拉瀑布，一场贯穿AI与算力全景生态的“数字开物·奇点π对”亮相2025服贸会！\\n 五天四夜燃动中关村！AI 创造者嘉年华邀您共赴一场属于 Builder 的创造盛宴\\n 每日AI资讯-2025年09月15日\\n 豆包seedream4.0生成互联网运营知识图谱，效果惊艳\\n 2025年9月12日Cursor升级Tab模型：应用在线强化学习，将代码建议接受率提升28%\\n D...\\n\\n9. 增长超200%，MaaS能让企业级AI“照进现实”么？丨ToB产业 ...\\n 🔗 https://www.163.com/dy/article/KDP1KVQI05118O92.html\\n 📄 钛媒体APP 2025-11-06 16:05:08\\n\\n### 高德高调杀入Robotaxi江湖\\n\\n华尔街见闻官方 2025-11-07 15:40:57\\n\\n### 阿里的AI叙事，多个夸克，差了豆包\\n\\n钛媒体APP 2025-10-16 09:12:09\\n\\n### 华为云的组合新范式，引爆了Agentic AI应用革命\\n\\n机器之心Pro 2025-11-07 15:20:44\\n\\n### 国产模型...\\n\\n10. 如何使用大模型调用函数\\n 🔗 https://developer.volcengine.com/articles/7538284476074311722\\n 📄 概述 · 如何生成函数参数：指定一组函数并使用API 生成函数参数。 · 如何使用模型生成的参数调用函数：通过实际执行具有模型生成参数的函数来关闭循环。\", \"filters\": {\"topic\": \"general\", \"time_range\": \"month\"}, \"query\": \"\\\"火山引擎\\\" \\\"Kimi K2 Thinking\\\" OR \\\"kimi-k2-thinking\\\" 支持 调用\", \"results\": [{\"index\": 1, \"title\": \"OpenAI 最新发布：在API中引入结构化输出\", \"url\": \"https://developer.volcengine.com/articles/7473796473574932490\", \"content\": \"并且SDK 也支持**“函数调用”** （Function calling）和**“响应格式 ... 本次分享主要介绍火山引擎支撑大规模高性能计算集群的架构和优化实践。 点击下载.\", \"score\": 0.5437604, \"published_date\": \"\"}, {\"index\": 2, \"title\": \"消息称字节跳动发力人形机器人领域，月薪可达12 万元\", \"url\": \"https://www.aizws.net/news/detail/5845\", \"content\": \"近日，字节跳动旗下火山引擎团队启动了一项高规格招聘，寻求“操作算法资深专家 ... Kimi K2 Thinking 发布 · 含近2000 名参与者图像，索尼新数据集可检验AI 模型\", \"score\": 0.4977301, \"published_date\": \"\"}, {\"index\": 3, \"title\": \"消息称字节跳动发力人形机器人领域，月薪可达12 万元 - AI优秘圈\", \"url\": \"https://kx.umi6.com/article/27815.html\", \"content\": \"11月5日，字节跳动旗下火山引擎团队启动高规格招聘，寻求“操作算法资深专家（具身 ... Kimi K2 Thinking 发布 · 牛津大学研究：当前基准测试普遍夸大了AI 模型的\", \"score\": 0.4757764, \"published_date\": \"\"}, {\"index\": 4, \"title\": \"火山引擎多模态数据湖如何支撑Agent规模化落地\", \"url\": \"https://zhuanlan.zhihu.com/p/1969347929455199999\", \"content\": \"在开源生态建设方面，火山引擎在项目早期阶段便持续投入，包括提升作业Checkpoint 与容错能力、优化模型调用支持、实现资源弹性调度等，并将这些改进成果回馈至开源社区。同时\", \"score\": 0.4604593, \"published_date\": \"\"}, {\"index\": 5, \"title\": \"大模型开发实战篇1：调用DeepSeek的对话接口,即聊天 ...\", \"url\": \"https://developer.volcengine.com/articles/7540557255830175783\", \"content\": \"火山引擎大规模机器学习平台架构设计与应用实践. 围绕数据加速、模型分布式训练框架建设、大规模异构集群调度、模型开发过程标准化等AI工程化实践，全面分享如何以开发\", \"score\": 0.30663133, \"published_date\": \"\"}, {\"index\": 6, \"title\": \"n8n 配置国产大模型方法全指南｜n8n玩家必看\", \"url\": \"https://developer.volcengine.com/articles/7542490057752444969\", \"content\": \"火山引擎大规模机器学习平台架构设计与应用实践. 围绕数据加速、模型分布式训练框架建设、大规模异构集群调度、模型开发过程标准化等AI工程化实践，全面分享如何以开发\", \"score\": 0.27287433, \"published_date\": \"\"}, {\"index\": 7, \"title\": \"更新日志-2025\", \"url\": \"https://help.302.ai/docs/geng-xin-ri-zhi-VmVs\", \"content\": \"【API超市】图片生成新增来自Higgsfield的生成角色功能\\n 【API超市】图片生成新增OpenAI格式的统一生成接口，支持使用OpenAI SDK调用多种图像生成模型\\n 【API超市】视频生成新增来自Google Veo3-Fast的图片生成视频\\n 【API超市】RAG相关新增来自Google的Embedding模型\\n\\n## 2025.7.16\\n\\n 【API超市】所有语言模型的Chat接口支持了异步请求，部分图片接口也支持，例如gpt-image-1\\n 【API超市】图片处理新增来自可灵的图片扩展\\n\\n## 2025.7.15\\n\\n 【API超市】图片生成新增来自可灵的图片生成模型\\n\\n## 2025.7.14\\n\\n 【API超市】视频生成新增来自Topview的数字人\\n\\n## 2025.7.11\\n\\n 【API超市&聊天机器人】国产模型新增来自月之暗面的kimi-k2-0711-preview\\n\\n## 2025.7.10 [...] 【聊天机器人】支持显示R1系列模型深度思考的过程\\n 【API超市&聊天机器人】国产模型新增deepseek-r1-baidu和deepseek-v3-baidu，来自百度云部署的Deepseek\\n\\n## 2025.2.4\\n\\n 【API超市&聊天机器人】硅基流动新增Deepseek蒸馏模型系列\\n 【API超市&聊天机器人】国产模型新增deepseek-r1-huoshan和deepseek-v3-huoshan，来自火山引擎部署的Deepseek\\n\\n## 2025.2.2\\n\\n 【API超市&聊天机器人】语言模型新增o3-mini，来自OpenAI\\n 【API超市&聊天机器人】专业模型新增sonar-reasoning，来自Perpelxity\\n\\n## 2025.2.1\\n\\n 【API超市&聊天机器人】硅基流动新增deepseek-ai/DeepSeek-R1和deepseek-ai/DeepSeek-V3\\n\\n## 2025.1.24 [...] 【API超市】工具相关新增SPO提示词优化，使用AI对提示词自动进行多轮优化\\n 【API超市】音频相关新增来自ElevenLabs的文字转语音\\n\\n## 2025.3.31\\n\\n 【API超市】所有模型新增工具调用能力，即Function Call能力\\n 【管理后台】新增当日消耗和当月消耗的统计\\n\\n## 2025.3.28\\n\\n 【API超市&聊天机器人】国产模型新增qvq-max，支持图片分析的推理模型，来自阿里\\n 【API超市】视频生成Vidu降价20%，新增更多模板支持\\n 【开源项目】最新开源视频竞技场\\n\\n## 2025.3.27\\n\\n 【工具超市】新增视频竞技场，快速对比不同视频模型的生成效果\\n\\n## 2025.3.26\\n\\n 【API超市】信息处理新增虚拟机沙盒系列API，可通过API操作虚拟机，来自302.AI\\n 【API超市&聊天机器人】开源模型新增qwen2.5-omni-7b，来自阿里\\n 【API超市&聊天机器人】deepseek-v3-huoshan已指向火山引擎最新的0324版本\\n 【聊天机器人】优化了提示词界面\\n\\n## 2025.3.25\", \"score\": 0.2430989, \"published_date\": \"\"}, {\"index\": 8, \"title\": \"网站地图-AI TOP100,专注ai人工智能!\", \"url\": \"https://www.aitop100.cn/sitemap/\", \"content\": \"从陪伴到巴甫洛夫的狗、再到尼亚加拉瀑布，一场贯穿AI与算力全景生态的“数字开物·奇点π对”亮相2025服贸会！\\n 五天四夜燃动中关村！AI 创造者嘉年华邀您共赴一场属于 Builder 的创造盛宴\\n 每日AI资讯-2025年09月15日\\n 豆包seedream4.0生成互联网运营知识图谱，效果惊艳\\n 2025年9月12日Cursor升级Tab模型：应用在线强化学习，将代码建议接受率提升28%\\n DeepMCPAgent开源：基于MCP协议的AI代理框架，实现动态工具发现与即插即用\\n 支付宝漫剧合作政策来袭：单部采买最高5千元，MCN与个人创作者均可参与\\n AIGC大赛：过去未来时光机-幻未来国际科幻AIGC大赛，丰厚现金奖励等来拿！\\n 海螺AI影片大赏--落日放映厅\\n veCLI深度评测：字节跳动火山引擎命令行AI工具完全指南2025\\n 豆包Seedream 4.0深度评测：字节跳动4K图像生成模型全面解析2025\\n 小红书发布对话合成模型FireRedTTS-2：显著提升多说话人语音自然度与稳定性\\n 可灵AI Avatar数字人评测：48fps高清生成技术深度解析2025 [...] 阿联酋推出K2 Think开源AI模型，拥有320亿个参数，推理速度全球最快\\n Stability AI推出最新音频生成模型Stable Audio2.5：ARC技术加持，音频生成速度与质量双提升\\n 微软Copilot Audio音频模式来袭：体验3种不同风格的语音模式\\n 字节跳动推出USO模型：实现AI图像生成“风格与主题”的完美融合\\n 快手上线AI视频制作助手磁力开创：从脚本到成片只需几分钟\\n 每日AI资讯-2025年09月10日\\n 可灵AIx阅文集团「百强争霸灵动江湖」AIGC创作大赛\\n AIGC大赛：即梦AI想象力挑战第71期-变大变小变漂亮\\n 豆包Seedream4.0对比NanoBanana 全面评测：国产AI图像生成新标杆\\n AIGC大赛：2025年“景舟杯”无锡市AIGC人工智能陶瓷设计大赛\\n Higgsfield平台正式接入豆包Seedream 4.0模型\\n Tripo 3.0震撼上市：正式登陆Product Hunt\\n Claude全新升级：一键搞定Excel、PPT、PDF，办公效率迎来“质变”时刻 [...] Muset\\n Fabric 1.0：\\n MakeSong\\n 酷兔AI论文\\n 智标宝\\n 极速AI\\n Replit\\n K2 Think\\n 磁力开创\\n 小马算力\\n Freepik AI\\n Fellou AI\\n 海艺AI海外版\\n 可赞AI\\n 翻译云\\n Seele AI\\n Grok Code Fast1\\n Hermes 4\\n Xcode\\n RealDevWorld\\n Telex\\n Voyager\\n USO\\n Tunee\\n xiaohongshu-mcp\\n Copilot Labs\\n AudioStory\\n AiBiao.com\\n AiBiao.cn\\n 码上飞\\n Google Vids\\n 搜获客\\n 设计师AI工具箱\\n Ezekiel\\n Waver\\n 梯子AI\\n Vivid-VR\\n Qoder\\n 小包公法律AI\\n OpenDataArena\\n AutoClip\\n Keevx\\n ToonComposer\\n v0\\n Databricks\\n OpenSearch\\n AutoGLM\\n 爆流AI\\n Kuse\\n MuleRun\\n Grammarly\\n 智元机器人\\n Lovable\\n Nano-Banana\", \"score\": 0.21465065, \"published_date\": \"\"}, {\"index\": 9, \"title\": \"增长超200%，MaaS能让企业级AI“照进现实”么？丨ToB产业 ...\", \"url\": \"https://www.163.com/dy/article/KDP1KVQI05118O92.html\", \"content\": \"钛媒体APP 2025-11-06 16:05:08\\n\\n### 高德高调杀入Robotaxi江湖\\n\\n华尔街见闻官方 2025-11-07 15:40:57\\n\\n### 阿里的AI叙事，多个夸克，差了豆包\\n\\n钛媒体APP 2025-10-16 09:12:09\\n\\n### 华为云的组合新范式，引爆了Agentic AI应用革命\\n\\n机器之心Pro 2025-11-07 15:20:44\\n\\n### 国产模型新盛况！王座易主：Kimi K2 Thinking开源超闭源\\n\\n机器之心Pro 2025-11-07 12:55:41\\n\\n### 成为具身智能“大脑”，多模态世界模型需要具备哪些能力？丨ToB产业观察\\n\\n钛媒体APP 2025-11-05 11:53:45\\n\\n### 何小鹏哽咽再辟谣“机器人内藏真人”\\n\\n新京报 2025-11-06 21:36:05\\n\\n### Token经济时代，AI推理跑不快的瓶颈是“存力”？\\n\\n钛媒体APP 2025-11-07 12:05:21\\n\\n### 推进AI应用，要先做好数字化转型\\n\\n每日经济新闻 2025-09-16 16:52:53 [...] 在硬件成本方面，MaaS服务商通过大规模采购与国产算力适配，为企业提供高性价比选项。据胡健介绍，通过与华为深度合作，硅基流动实现了昇腾卡推理成本比英伟达低50%以上，某能源企业采用该方案后，千卡级算力池年成本下降近千万元。\\n\\n不仅于此，胡健介绍，通过硅基流动的动态扩缩容技术，还可使企业能根据业务量实时调整算力资源，避免闲置浪费，在降低了算力成本的同时，还能提升算力资源利用率。\\n\\n除了硅基流动之外，也有不少大模型服务商通过不同的方式，降低了算力成本。比如，火山引擎通过“规模效应”进一步降低单位成本，其豆包大模型日均Tokens调用量达16.4万亿，通过飞轮效应使单位Token成本降至行业低位。\\n\\nMssS服务在成本方面的核心价值在于——让企业从“购买算力”转向“购买价值”，通过服务的模式，让企业无需为底层技术投入买单。IDC数据显示，采用MaaS模式的企业，AI投入回报率较传统模式提升2~3倍，金融行业更是达到4倍以上。 [...] MaaS服务未来路在何方？\\n\\n当前，中国MaaS市场已形成“头部引领、多元竞争”的格局，同时在技术迭代与需求驱动下，正朝着“智能体化、国产化、生态化”方向演进。IDC数据显示，2024年中国MaaS市场规模达7.1亿元，2025年上半年公有云大模型调用量已达536.7万亿Tokens，较2024年全年增长近400%，印证了市场的爆发式增长。硅基流动等服务商的实践，不仅勾勒出当前市场的基本面貌，更揭示了未来发展的核心方向。\\n\\n从市场发展上看，现阶段MaaS服务呈现出“公有云普及、私有化深化”的发展态势。\\n\\n公有云MaaS以低门槛、高弹性为优势，主要服务个人开发者与中小企业。比如，硅基流动的MaaS平台已积累超过700万用户，2024年中旬适配DeepSeek V2后，单月用户从50万激增至 500万，成为国内少数大规模用国产卡提供服务的平台。火山引擎则凭借公有云优势占据市场主导，2025年上半年以49.2%的Token调用量份额位居第一，其豆包大模型日均Tokens调用量达16.4万亿。\", \"score\": 0.20282224, \"published_date\": \"\"}, {\"index\": 10, \"title\": \"如何使用大模型调用函数\", \"url\": \"https://developer.volcengine.com/articles/7538284476074311722\", \"content\": \"概述 · 如何生成函数参数：指定一组函数并使用API 生成函数参数。 · 如何使用模型生成的参数调用函数：通过实际执行具有模型生成参数的函数来关闭循环。\", \"score\": 0.04239202, \"published_date\": \"\"}], \"total_results\": 10}",
|
||
"timestamp": "2025-11-07T16:49:16.849935",
|
||
"tool_call_id": "web_search:7",
|
||
"name": "web_search"
|
||
},
|
||
{
|
||
"role": "assistant",
|
||
"content": "根据我查到的信息，目前**火山引擎还没有直接支持Kimi K2 Thinking模型**的调用。让我为您详细分析一下现状：\n\n## 当前情况\n\n**火山引擎平台：**\n- 火山引擎主要支持的是自家的**豆包大模型系列**（包括豆包1.5深度思考模型）\n- 以及通过第三方平台（如302.AI）间接支持一些其他模型\n- 在官方文档中暂未看到对Kimi K2 Thinking的原生支持\n\n**Kimi K2 Thinking的调用方式：**\n目前Kimi K2 Thinking主要通过以下渠道提供：\n\n1. **官方渠道：**\n - Kimi官网 (kimi.com) 和最新版Kimi APP\n - Kimi开放平台 (platform.moonshot.cn)\n - 直接API调用\n\n2. **第三方平台：**\n - 一些API聚合平台如302.AI等已经开始支持\n - Poe平台等其他聚合平台\n\n## 价格信息\n\nKimi K2 Thinking的官方定价：\n- **标准版：** 输入4元/百万tokens，输出16元/百万tokens\n- **Turbo版：** 输入8元/百万tokens，输出58元/百万tokens\n\n## 建议\n\n如果您想在火山引擎生态中使用类似Kimi K2 Thinking的能力，可以考虑：\n\n1. **等待官方支持**：由于模型刚发布不久，各大平台接入需要时间\n2. **使用第三方API聚合平台**：如302.AI等已经支持Kimi K2 Thinking\n3. **直接使用官方API**：通过Moonshot开放平台直接调用\n4. **替代方案**：火山引擎的豆包1.5深度思考模型也有不错的推理能力\n\n一般来说，新模型发布后，各大云服务商需要一段时间来完成技术对接和测试，建议您可以关注火山引擎的官方更新公告。",
|
||
"timestamp": "2025-11-07T16:49:36.623787"
|
||
},
|
||
{
|
||
"role": "user",
|
||
"content": "给我在kimi官网调用kimi的api端口",
|
||
"timestamp": "2025-11-07T16:50:16.061006"
|
||
},
|
||
{
|
||
"role": "assistant",
|
||
"content": "我来帮您获取在Kimi官网调用API的具体信息。",
|
||
"timestamp": "2025-11-07T16:50:24.695763"
|
||
},
|
||
{
|
||
"role": "assistant",
|
||
"content": "",
|
||
"timestamp": "2025-11-07T16:50:24.701229",
|
||
"tool_calls": [
|
||
{
|
||
"id": "web_search:8",
|
||
"index": 0,
|
||
"type": "function",
|
||
"function": {
|
||
"name": "web_search",
|
||
"arguments": "{\"query\": \"Kimi API 开放平台 官方文档 调用方法 platform.moonshot.cn\", \"max_results\": 8}"
|
||
}
|
||
}
|
||
]
|
||
},
|
||
{
|
||
"role": "tool",
|
||
"content": "{\"success\": true, \"summary\": \"🔍 搜索查询: Kimi API 开放平台 官方文档 调用方法 platform.moonshot.cn\\n📅 搜索时间: 2025-11-07T16:50:29.689430\\n🎯 过滤条件: Topic: general\\n\\n📝 AI摘要:\\nTo use Kimi API, register for an API key, authenticate with OAuth 2.0, and send HTTP requests to the API endpoint. Documentation is available on the Moonshot platform.\\n\\n---\\n\\n📊 搜索结果:\\n\\n1. 月之暗面MoonShot(Kimi)的API的注册和使用原创 - CSDN博客\\n 🔗 https://blog.csdn.net/quickrubber/article/details/146060318\\n 📄 [好的，用户想了解如何调用Kimi的API，也就是月之暗面（Moonshot）模型的API。我需要根据提供的引用和系统指令来回答这个问题。首先，查看引用中的信息，引用提到通过AppFlow配置将Kimi的Moonshot模型接入钉钉。这可能意味着调用API需要用到AppFlow这个工具，或者是通过特定的步骤进行配置。 用户的问题是关于API调用的具体方法，所以需要分步骤说明。可能需要先注册或获取A...\\n\\n2. 使用Kimi API 完成工具调用（tool_calls） - Moonshot AI 开放平台\\n 🔗 https://platform.moonshot.cn/docs/guide/use-kimi-api-to-complete-tool-calls\\n 📄 ```\\nsystem: prompt # 系统提示词\\nuser: prompt ...\\n\\n3. 文件接口- Moonshot AI 开放平台- Kimi 大模型API 服务\\n 🔗 https://platform.moonshot.cn/docs/api/files\\n 📄 Kimi 开放平台，提供万亿参数K2 大模型API，支持256K 长上下文和Tool Calling。专业代码生成、智能对话，助力开发者构建AI 应用。\\n\\n4. Moonshot\\n 🔗 https://www.moonshot.cn/\\n 📄 扫码下载 Kimi APP\\n\\n你好，\\n\\n欢迎探索月之暗面\\n\\n寻求将能源转化为智能的最优解\\n\\nKimi\\n\\nKimi 是一款AI智能助手，由 Moonshot 自研的大语言模型驱动，支持在线搜索、深度思考、多模态推理和超长文本对话。\\n\\n立即体验Kimi 开放平台\\n\\n开放平台支持灵活的 API 调用，轻松完成对接，让您的程序拥有领先体验。\\n\\n立即体验\\n\\n# 最新研究\\n\\n## Kimi K2\\n\\n## Op...\\n\\n5. 开始使用Kimi API - Moonshot AI 开放平台- Kimi 大模型API 服务\\n 🔗 https://platform.moonshot.cn/docs/guide/start-using-kimi-api\\n 📄 Kimi 开放平台，提供万亿参数K2 大模型API，支持256K 长上下文和Tool Calling。专业代码生成、智能对话，助力开发者构建AI 应用。\\n\\n6. Kimi API 还没用起来？请看这篇无门槛快速入门指南\\n 🔗 https://platform.moonshot.cn/blog/posts/kimi-api-quick-start-guide\\n 📄 对于开发者来说，这种兼容性也是一项巨大的优势。我们可以享受到 OpenAI 开发生态的丰富资源，拿来就用。看完下面的内容，你一定会有更深的感受。\\n\\n好，接下来，魔法哥假设你是以下三种不同的角色（后端、前端、编程小白），为你找到最合适的上手 Kimi API 的路径。\\n\\n## 后端工程师\\n\\n打开 Kimi 的官方 API 文档 (opens in a new tab)，以 “Chat Complet...\\n\\n7. 基本信息- Moonshot AI 开放平台- Kimi 大模型API 服务\\n 🔗 https://platform.moonshot.cn/docs/api/chat\\n 📄 Kimi 开放平台，提供万亿参数K2 大模型API，支持256K 长上下文和Tool Calling。专业代码生成、智能对话，助力开发者构建AI 应用。\\n\\n8. Moonshot AI 开放平台- Kimi 大模型API 服务\\n 🔗 https://platform.moonshot.cn/\\n 📄 Kimi 开放平台，提供万亿参数K2 大模型API，支持256K 长上下文和Tool Calling。专业代码生成、智能对话，助力开发者构建AI 应用。\", \"filters\": {\"topic\": \"general\"}, \"query\": \"Kimi API 开放平台 官方文档 调用方法 platform.moonshot.cn\", \"results\": [{\"index\": 1, \"title\": \"月之暗面MoonShot(Kimi)的API的注册和使用原创 - CSDN博客\", \"url\": \"https://blog.csdn.net/quickrubber/article/details/146060318\", \"content\": \"[好的，用户想了解如何调用Kimi的API，也就是月之暗面（Moonshot）模型的API。我需要根据提供的引用和系统指令来回答这个问题。首先，查看引用中的信息，引用提到通过AppFlow配置将Kimi的Moonshot模型接入钉钉。这可能意味着调用API需要用到AppFlow这个工具，或者是通过特定的步骤进行配置。 用户的问题是关于API调用的具体方法，所以需要分步骤说明。可能需要先注册或获取API密钥，然后查看官方文档，接着进行认证，最后发送请求。要确保回答结构清晰，并且符合用户可见层的要求，即逐步解决问题，保证真实可靠。 同时，根据系统指令，需要生成相关问题。可能需要围绕API调用的常见问题，如认证方式、参数设置、错误处理等来生成。此外，要确保使用正确的中文表达，数学公式用$...$，独立公式用$$...$$，但在这个问题中可能用不上数学公式，所以需要确认是否有必要提及。 [...] 还要检查是否有其他引用相关内容。引用和似乎与当前问题无关，但引用是关键。需要确保回答中引用的信息，比如提到通过AppFlow配置步骤接入钉钉的例子，但用户的问题是关于直接调用API，所以可能需要更详细的步骤，比如API端点、请求头、示例代码等。 可能用户需要具体的代码示例，比如使用Python发送HTTP请求到Kimi的API。需要确保代码语法正确，并按照系统指令中的示例格式，使用代码块包裹。同时，要提醒用户替换API密钥等敏感信息。 最后，生成的相关问题应该围绕API调用的常见疑问，例如认证方式、参数说明、错误处理、免费额度等。确保问题有针对性，帮助用户进一步了解相关内容。### 如何调用 Kimi 的 API（月之暗面）？ 以下是调用 Kimi API 的关键步骤和说明： 1. \\\\\\\\注册与认证\\\\\\\\ - 访问月之暗面开发者平台，注册账号并创建应用，获取专属的 `API Key`[^1] - 通过 OAuth 2.0 协议完成身份认证，需在请求头中添加 `Authorization: Bearer <API\\\\_Key>` 2. \\\\\\\\API 请求格式\\\\\\\\ ```python [...] 09-09 1804\\n\\n该文章使用月之暗面旗下的KIMI AI进行调试，这边采用的流式方式处理AI自由对话逻辑，只提供部分核心调用代码，详细操作需要自行修改，API文档链接放在文章第一行，需要自取。\\n\\n参与评论 您还未登录，请先 登录 后发表或查看评论\\n\\n月之暗面的野心全在“长上下文”里：moonshot kimi api key获取以及解构Kimi K2深度指南\\n\\n最新发布\\n\\niduiui997的博客\\n\\n07-18 1095\\n\\n但我们不只看代码和参数，我更想带你看看，这家被资本捧上“AI 猛虎”宝座的公司，是如何把创始人的学术理想，一步步变成一个让所有开发者都能触碰的、强大的 AI 工具。资本的疯狂追捧，像一张VIP门票，让月之暗面在中国 AI 这场激烈的牌局里，稳稳地坐上了“猛虎”的席位。去感受一下它那“工程师”般严谨可靠的性格，去利用它那“行动派”的特质构建你自己的自动化工具，去享受它那“白菜价”带来的创新自由。只有拥有一个容量巨大且稳定可靠的记忆库，AI 才能从一个“会说话的鹦鹉”，蜕变成一个真正“能解决问题的专家”。\", \"score\": 0.86441374, \"published_date\": \"\"}, {\"index\": 2, \"title\": \"使用Kimi API 完成工具调用（tool_calls） - Moonshot AI 开放平台\", \"url\": \"https://platform.moonshot.cn/docs/guide/use-kimi-api-to-complete-tool-calls\", \"content\": \"```\\nsystem: prompt # 系统提示词\\nuser: prompt # 用户提问\\nassistant: tool_call(name=search, arguments={query: query}) # Kimi 大模型返回 tool_call 调用（单个） [...] 条款与协议\\n\\n 平台服务协议\\n 用户服务协议\\n 用户隐私协议\\n 充值协议\\n\\n Moonshot ↗ (opens in a new tab)\\n Changelog ↗ (opens in a new tab)\\n 联系客服 \\n 开发者交流群 \\n 官方公众号 \\n Global | platform.moonshot.ai↗ (opens in a new tab)\\n\\n目录\\n\\n 什么是工具调用 tool_calls\\n 通过 tool_calls 让 Kimi 大模型拥有联网查询能力\\n 定义工具\\n 注册工具\\n 执行工具\\n 常见问题及注意事项\\n 关于流式输出\\n 关于 tool_calls 和 function_call\\n 关于 content\\n 关于 Tokens\\n 关于消息布局\\n 如果你遇到 tool_call_id not found 错误\\n\\n回到顶部\\n\\n文档\\n\\n入门指南\\n\\n使用 Tool Calls\\n\\n使用 Kimi API 完成工具调用（tool_calls） [...] 使用 Kimi API 完成工具调用（tool_calls） - Moonshot AI 开放平台 - Kimi 大模型 API 服务\\n\\n🎉 最新发布 kimi-k2-thinking 模型，支持多步工具调用与思考，擅长解决更复杂的问题，快来体验吧！\\n\\nImage 1: Logo联系销售Blog文档开发工作台用户中心\\n\\n⌘K\\n\\n⌘K\\n\\n 欢迎\\n 使用手册\\n API 接口说明\\n\\n Chat\\n Tool Use\\n Partial Mode\\n 文件接口\\n 计算 Token\\n 查询余额\\n\\n 产品定价\\n\\n 模型推理定价\\n 联网搜索定价\\n 充值与限速\\n 常见问题\\n\\n 入门指南\", \"score\": 0.77261686, \"published_date\": \"\"}, {\"index\": 3, \"title\": \"文件接口- Moonshot AI 开放平台- Kimi 大模型API 服务\", \"url\": \"https://platform.moonshot.cn/docs/api/files\", \"content\": \"Kimi 开放平台，提供万亿参数K2 大模型API，支持256K 长上下文和Tool Calling。专业代码生成、智能对话，助力开发者构建AI 应用。\", \"score\": 0.7140107, \"published_date\": \"\"}, {\"index\": 4, \"title\": \"Moonshot\", \"url\": \"https://www.moonshot.cn/\", \"content\": \"扫码下载 Kimi APP\\n\\n你好，\\n\\n欢迎探索月之暗面\\n\\n寻求将能源转化为智能的最优解\\n\\nKimi\\n\\nKimi 是一款AI智能助手，由 Moonshot 自研的大语言模型驱动，支持在线搜索、深度思考、多模态推理和超长文本对话。\\n\\n立即体验Kimi 开放平台\\n\\n开放平台支持灵活的 API 调用，轻松完成对接，让您的程序拥有领先体验。\\n\\n立即体验\\n\\n# 最新研究\\n\\n## Kimi K2\\n\\n## Open Agentic Intelligence\\n\\n2025-07-11## Kimi-K2-Instruct-0905\\n\\n2025-09-05## Kimi-Researcher\\n\\n2025-06-20## Kimi-Dev\\n\\n2025-06-17## Kimi-Audio\\n\\n2025-04-26## Kimina-Prover 预览版\\n\\n2025-04-15## Kimi-VL\\n\\n2025-04-10## Muon is Scalable for LLM Training [...] 2025-02-23## MoBA 混合块注意力机制## Kimi k1.5：强化学习的规模化扩展## Mooncake: 以 KVCache 为中心的分离式LLM服务架构\", \"score\": 0.70531887, \"published_date\": \"\"}, {\"index\": 5, \"title\": \"开始使用Kimi API - Moonshot AI 开放平台- Kimi 大模型API 服务\", \"url\": \"https://platform.moonshot.cn/docs/guide/start-using-kimi-api\", \"content\": \"Kimi 开放平台，提供万亿参数K2 大模型API，支持256K 长上下文和Tool Calling。专业代码生成、智能对话，助力开发者构建AI 应用。\", \"score\": 0.6844544, \"published_date\": \"\"}, {\"index\": 6, \"title\": \"Kimi API 还没用起来？请看这篇无门槛快速入门指南\", \"url\": \"https://platform.moonshot.cn/blog/posts/kimi-api-quick-start-guide\", \"content\": \"对于开发者来说，这种兼容性也是一项巨大的优势。我们可以享受到 OpenAI 开发生态的丰富资源，拿来就用。看完下面的内容，你一定会有更深的感受。\\n\\n好，接下来，魔法哥假设你是以下三种不同的角色（后端、前端、编程小白），为你找到最合适的上手 Kimi API 的路径。\\n\\n## 后端工程师\\n\\n打开 Kimi 的官方 API 文档 (opens in a new tab)，以 “Chat Completion” API 为例，我们可以看到两种调用 API 的方式：\\n\\n(1) 通过 curl 直接请求 HTTP API 端点，\\n\\n(2) 通过 OpenAI 官方的 Python SDK 来调用。\\n\\n如果你是一名 Python 程序员，第二种方式会更加便捷。如果你恰好做过基于 GPT API 的项目，那更是秒懂——操作方式都是一样的，只需要把以下三项配置替换成 Kimi 的即可。 [...] 我们按照图中的配置，就可以启用 Kimi API 作为插件的翻译引擎了。保存配置，打开外文网页，选择任意一段文本，点击弹出的小花花图标，就可以看到插件的翻译结果了。\\n\\n怎么样，效果不错吧？类似的 AI 工具还有很多，如果它们支持 OpenAI，通常都可以用 Kimi API 跑起来。Kimi 赠送的免费额度可以用很久呢，一定要用起来哦。\\n\\n## 小结\\n\\n看到这里，你已经是一个大模型 API 的开发和应用专家了！祝愿大家都能借助 Kimi API 玩转大模型，开发出更多有意思的 AI 应用。\\n\\n魔法哥最近一年都在做 AI 领域的研发和探索，会陆续跟大家分享心得。新朋友请关注公众号，下次更新不迷路：\\n\\n原文取自：Kimi API 还没用起来？请看这篇无门槛快速入门指南 (opens in a new tab)\\n\\n2025 © Moonshot AI用户中心文档 [...] 获取 API Key 之后，我们来简单测试一下。大家对 Postman 这个接口测试工具应该不陌生，我们依次操作如下：\\n\\n1. 新建一个 POST 请求，在地址栏输入 API 地址：\\n `\\n\\n2. 进入 Authorization 标签页，选择 “Bearer Token” 方式，在 “Token” 字段填入刚刚创建的 API Key。这是一种常见的 API 认证方式，通过请求头来携带 API Key 信息。\\n\\n3. 进入 Body 标签页，选择 “raw”，并在最右侧选择 “JSON” 类型，在内容区填入以下数据：\\n\\n```\\n\\n {\\n \\\"model\\\": \\\"moonshot-v1-8k\\\",\\n \\\"messages\\\": [\\n { \\\"role\\\": \\\"user\\\", \\\"content\\\": \\\"你是谁？\\\" }\\n ]\\n }\\n\\n```\\n\\n4. 最后点击 “Send” 发出请求。稍等几秒钟，我们应该能看到 Kimi 的回答了。\", \"score\": 0.6778372, \"published_date\": \"\"}, {\"index\": 7, \"title\": \"基本信息- Moonshot AI 开放平台- Kimi 大模型API 服务\", \"url\": \"https://platform.moonshot.cn/docs/api/chat\", \"content\": \"Kimi 开放平台，提供万亿参数K2 大模型API，支持256K 长上下文和Tool Calling。专业代码生成、智能对话，助力开发者构建AI 应用。\", \"score\": 0.67501575, \"published_date\": \"\"}, {\"index\": 8, \"title\": \"Moonshot AI 开放平台- Kimi 大模型API 服务\", \"url\": \"https://platform.moonshot.cn/\", \"content\": \"Kimi 开放平台，提供万亿参数K2 大模型API，支持256K 长上下文和Tool Calling。专业代码生成、智能对话，助力开发者构建AI 应用。\", \"score\": 0.6615081, \"published_date\": \"\"}], \"total_results\": 8}",
|
||
"timestamp": "2025-11-07T16:50:29.690480",
|
||
"tool_call_id": "web_search:8",
|
||
"name": "web_search"
|
||
},
|
||
{
|
||
"role": "assistant",
|
||
"content": "",
|
||
"timestamp": "2025-11-07T16:50:34.078017",
|
||
"tool_calls": [
|
||
{
|
||
"id": "extract_webpage:9",
|
||
"index": 0,
|
||
"type": "function",
|
||
"function": {
|
||
"name": "extract_webpage",
|
||
"arguments": "{\"url\": \"https://platform.moonshot.cn/docs/guide/start-using-kimi-api\"}"
|
||
}
|
||
}
|
||
]
|
||
},
|
||
{
|
||
"role": "tool",
|
||
"content": "{\"success\": true, \"url\": \"https://platform.moonshot.cn/docs/guide/start-using-kimi-api\", \"content\": \"🌐 网页内容 (3866 字符):\\n📍 URL: https://platform.moonshot.cn/docs/guide/start-using-kimi-api\\n==================================================\\n开始使用 Kimi API - Moonshot AI 开放平台 - Kimi 大模型 API 服务\\n\\n🚀 kimi-k2-turbo-preview，输出速度最高可达 100 tokens/s，[限时促销再次来袭](/docs/promotion)，快来体验吧！\\n\\n[](/)[Blog](/blog)[文档](/docs/overview)[开发工作台](/playground)[用户中心](/console)\\n\\n`CTRL K`\\n\\n`CTRL K`\\n\\n- [欢迎](/docs/overview)\\n- [使用手册](/docs/introduction)\\n- API 文档\\n\\n - [Chat](/docs/api/chat)\\n - [Tool Use](/docs/api/tool_use)\\n - [Partial Mode](/docs/api/partial)\\n - [文件接口](/docs/api/files)\\n - [其它](/docs/api/misc)\\n- [🎉 促销活动](/docs/promotion)\\n- 产品定价\\n\\n - [模型推理定价](/docs/pricing/chat)\\n - [工具定价](/docs/pricing/tools)\\n - [充值与限速](/docs/pricing/limits)\\n - [常见问题](/docs/pricing/faq)\\n- 入门指南\\n\\n - [从 OpenAI 迁移到 Kimi API](/docs/guide/migrating-from-openai-to-kimi)\\n - [使用 API 调试工具](/docs/guide/use-moonpalace)\\n - [开始使用 Kimi API](/docs/guide/start-using-kimi-api)\\n - [使用 Kimi API 进行多轮对话](/docs/guide/engage-in-multi-turn-conversations-using-kimi-api)\\n - [使用 Vision 视觉模型](/docs/guide/use-kimi-vision-model)\\n - [自动选择 Kimi 模型](/docs/guide/choose-an-appropriate-kimi-model)\\n - [自动断线重连](/docs/guide/auto-reconnect)\\n - [使用 Stream 流式输出](/docs/guide/utilize-the-streaming-output-feature-of-kimi-api)\\n - [使用 Tool Calls](/docs/guide/use-kimi-api-to-complete-tool-calls)\\n - [使用联网搜索 Tool](/docs/guide/use-web-search)\\n - [使用 JSON Mode](/docs/guide/use-json-mode-feature-of-kimi-api)\\n - [使用 Partial Mode](/docs/guide/use-partial-mode-feature-of-kimi-api)\\n - [使用 Kimi API 进行文件问答](/docs/guide/use-kimi-api-for-file-based-qa)\\n - [使用 kimi-thinking-preview 长思考模型](/docs/guide/use-kimi-thinking-preview-model)\\n - [使用 Playground 调试模型](/docs/guide/use-playground-to-debug-the-model)\\n - [在 software agents 中使用 kimi-k2 模型](/docs/guide/agent-support)\\n - [在 Playground 中配置 ModelScope MCP 服务器](/docs/guide/configure-the-modelscope-mcp-server)\\n - [在 Kimi API 中使用 Formula 工具](/docs/guide/use-formula-tool-in-chatapi)\\n - [Prompt 最佳实践](/docs/guide/prompt-best-practice)\\n - [组织管理最佳实践](/docs/guide/org-best-practice)\\n - [常见问题及解决方案](/docs/guide/faq)\\n- 条款与协议\\n\\n - [平台服务协议](/docs/agreement/modeluse)\\n - [用户服务协议](/docs/agreement/userservice)\\n - [用户隐私协议](/docs/agreement/userprivacy)\\n - [充值协议](/docs/agreement/payment)\\n\\n- [Moonshot ↗ (opens in a new tab)](https://www.moonshot.cn/)\\n- [Changelog ↗ (opens in a new tab)](https://platform.moonshot.cn/blog/posts/changelog)\\n- 联系客服\\n- 开发者交流群\\n- [Global | platform.moonshot.ai↗ (opens in a new tab)](https://platform.moonshot.ai/)\\n\\n回到顶部\\n\\n文档\\n\\n入门指南\\n\\n开始使用 Kimi API\\n\\n# 开始使用 Kimi API\\n\\nKimi API 提供了与 Kimi 大模型交互的能力，以下是一个简单示例代码：\\n\\npythonnode.js\\n\\n```\\nfrom openai import OpenAI\\n \\nclient = OpenAI(\\n api_key=\\\"MOONSHOT_API_KEY\\\", # 在这里将 MOONSHOT_API_KEY 替换为你从 Kimi 开放平台申请的 API Key\\n base_url=\\\"https://api.moonshot.cn/v1\\\",\\n)\\n \\ncompletion = client.chat.completions.create(\\n model = \\\"kimi-k2-0905-preview\\\",\\n messages = [\\n {\\\"role\\\": \\\"system\\\", \\\"content\\\": \\\"你是 Kimi，由 Moonshot AI 提供的人工智能助手，你更擅长中文和英文的对话。你会为用户提供安全，有帮助，准确的回答。同时，你会拒绝一切涉及恐怖主义，种族歧视，黄色暴力等问题的回答。Moonshot AI 为专有名词，不可翻译成其他语言。\\\"},\\n {\\\"role\\\": \\\"user\\\", \\\"content\\\": \\\"你好，我叫李雷，1+1等于多少？\\\"}\\n ],\\n temperature = 0.6,\\n)\\n \\n# 通过 API 我们获得了 Kimi 大模型给予我们的回复消息（role=assistant）\\nprint(completion.choices[0].message.content)\\n```\\n\\n为了成功运行上述代码，你可能需要准备：\\n\\n1. Python 环境 或 Node.js 环境，我们推荐使用 Python 3.8 及以上版本的 Python 解释器；\\n2. OpenAI SDK，我们的 API 完全兼容 OpenAI 的 API 格式，因此你可以直接使用 Python 或 Node.js OpenAI SDK 进行调用，你可以通过如下方式来安装 OpenAI SDK：\\n\\n ```\\n pip install --upgrade 'openai>=1.0' #Python\\n npm install openai@latest #Node.js\\n ```\\n3. API Key，你需要从 Kimi 开放平台中[创建一个 API Key](/console/api-keys)，将其传入 `OpenAi Client` 以便于我们能正确识别你的身份；\\n\\n如果您成功运行上述代码，且没有任何报错，那么您将看到类似如下的内容输出：\\n\\n```\\n你好，李雷！1+1 等于 2。这是一个基本的数学加法问题。如果你有其他问题或需要帮助，请随时告诉我。\\n```\\n\\n*注：由于 Kimi 大模型的不确定性，实际的回复内容可能并不与上述内容完全一致。*\\n\\nLast updated on 2025年9月17日\\n\\n[使用 API 调试工具](/docs/guide/use-moonpalace \\\"使用 API 调试工具\\\")[使用 Kimi API 进行多轮对话](/docs/guide/engage-in-multi-turn-conversations-using-kimi-api \\\"使用 Kimi API 进行多轮对话\\\")\\n==================================================\"}",
|
||
"timestamp": "2025-11-07T16:50:35.885286",
|
||
"tool_call_id": "extract_webpage:9",
|
||
"name": "extract_webpage"
|
||
},
|
||
{
|
||
"role": "assistant",
|
||
"content": "",
|
||
"timestamp": "2025-11-07T16:50:45.372537",
|
||
"tool_calls": [
|
||
{
|
||
"id": "extract_webpage:10",
|
||
"index": 0,
|
||
"type": "function",
|
||
"function": {
|
||
"name": "extract_webpage",
|
||
"arguments": "{\"url\": \"https://platform.moonshot.cn/docs/guide/use-kimi-thinking-preview-model\"}"
|
||
}
|
||
}
|
||
]
|
||
},
|
||
{
|
||
"role": "tool",
|
||
"content": "{\"success\": true, \"url\": \"https://platform.moonshot.cn/docs/guide/use-kimi-thinking-preview-model\", \"content\": \"❌ 未能提取到任何内容\"}",
|
||
"timestamp": "2025-11-07T16:50:56.672718",
|
||
"tool_call_id": "extract_webpage:10",
|
||
"name": "extract_webpage"
|
||
},
|
||
{
|
||
"role": "assistant",
|
||
"content": "",
|
||
"timestamp": "2025-11-07T16:51:00.189472",
|
||
"tool_calls": [
|
||
{
|
||
"id": "web_search:11",
|
||
"index": 0,
|
||
"type": "function",
|
||
"function": {
|
||
"name": "web_search",
|
||
"arguments": "{\"query\": \"\\\"kimi-k2-thinking\\\" API 调用方法 参数设置 官方文档\", \"max_results\": 8}"
|
||
}
|
||
}
|
||
]
|
||
},
|
||
{
|
||
"role": "tool",
|
||
"content": "{\"success\": true, \"summary\": \"🔍 搜索查询: \\\"kimi-k2-thinking\\\" API 调用方法 参数设置 官方文档\\n📅 搜索时间: 2025-11-07T16:51:05.059647\\n🎯 过滤条件: Topic: general\\n\\n📝 AI摘要:\\nKimi K2 Thinking API uses an API key for access. Parameters include max_tokens, temperature, and optional stop words. The model supports long context and multi-tool usage.\\n\\n---\\n\\n📊 搜索结果:\\n\\n1. 主要概念- Moonshot AI 开放平台- Kimi 大模型API 服务\\n 🔗 https://platform.moonshot.cn/docs/introduction\\n 📄 | 模型名称 | 描述 |\\n --- |\\n| `kimi-latest` | 支持 128k 上下文的视觉模型，具备图片理解能力。使用 Kimi 智能助手最新版本，可能包含尚未稳定的特性 |\\n\\n### 长思考模型 kimi-thinking-preview\\n\\n| 模型名称 | 描述 |\\n --- |\\n| `kimi-thinking-preview` | 多模态思考模型，支持 128k 上下文，具...\\n\\n2. Kimi K2 Thinking突袭！智能体&推理能力超GPT-5，网友\\n 🔗 https://www.qbitai.com/2025/11/349957.html\\n 📄 # Kimi K2 Thinking突袭！智能体&推理能力超GPT-5，网友：再次缩小开源闭源差距\\n\\n鱼羊 2025-11-07 09:42:41 来源：量子位\\n\\n> 鱼羊 发自 凹非寺\\n>\\n> 量子位 | 公众号 QbitAI\\n\\nKimi K2 Thinking，现已发布并开源！\\n\\n主打一个“模型即Agent”，不仅是Kimi“迄今能力最强的开源思考模型”，还掌握边思考，边使用工具的能力——\\n...\\n\\n3. 基本信息- Moonshot AI 开放平台- Kimi 大模型API 服务\\n 🔗 https://platform.moonshot.cn/docs/api/chat\\n 📄 | temperature | optional | 使用什么采样温度，介于 0 和 1 之间。较高的值（如 0.7）将使输出更加随机，而较低的值（如 0.2）将使其更加集中和确定性。 | float | 默认为 0，如果设置，值域须为 `[0, 1]` 我们推荐 0.3，以达到较合适的效果。`kimi-k2` 模型建议设置为 0.6。 |\\n| top\\\\_p | optional | 另一种采样方...\\n\\n4. 开源新王！首次干翻GPT-5，实测Kimi K2 Thinking\\n 🔗 https://www.ifanr.com/1643694\\n 📄 根据 Kimi 官方文档和技术分析的介绍，这次的思考能力突破关键在训练方式，即高效的量化技术（INT4 QAT），这也是一个值得关注的行业亮点。\\n\\nK2 Thinking 在后训练阶段采用了量化感知训练 (QAT)，让模型能以 INT4 精度本地运行，推理速度提升约 2 倍，同时保持最佳性能。\\n\\n也就是说，它不是训练完再压缩，而是在训练过程中就贯穿低精度运算模型。这带来了两个巨大优势，一个是推理速...\\n\\n5. 选择合适的Kimi 大模型 - Moonshot AI 开放平台\\n 🔗 https://platform.moonshot.cn/docs/guide/choose-an-appropriate-kimi-model\\n 📄 🎉 最新发布 kimi-k2-thinking 模型，支持多步工具调用与思考，擅长解决更复杂的问题，快来体验吧！\\n\\n文档\\n\\n入门指南\\n\\n自动选择 Kimi 模型\\n\\n# 选择合适的 Kimi 大模型\\n\\n在上一章节中，我们通过一个简单的示例讲述了如何快速使用 OpenAI SDK 调用 Kimi 大模型完成多轮对话，让我们复习一下相关内容： [...] messages=messages,\\n m...\\n\\n6. Kimi K2 快速开始 - Moonshot AI 开放平台- 月之暗面\\n 🔗 https://platform.moonshot.cn/docs/guide/kimi-k2-quickstart\\n 📄 ## \\n\\n 立即体验：在开发工作台，快速通过交互式操作测试模型在业务场景上的效果\\n 申请 API Key：立即通过 API 调用测试\\n\\n## \\n\\n以下是完整的调用示例，帮助您快速上手 Kimi K2 模型。\\n\\n### \\n\\nKimi API 完全兼容 OpenAI 的 API 格式，你可以通过如下方式来安装 OpenAI SDK：\\n\\n```\\npip install --upgrade 'openai...\\n\\n7. 开始使用Kimi API\\n 🔗 https://platform.moonshot.cn/docs/guide/start-using-kimi-api\\n 📄 开始使用 Kimi API - Moonshot AI 开放平台 - Kimi 大模型 API 服务\\n\\n🚀 kimi-k2-turbo-preview，输出速度最高可达 100 tokens/s，限时促销再次来袭，快来体验吧！\\n\\nLogoBlog文档开发工作台用户中心\\n\\n`CTRL K`\\n\\n`CTRL K`\\n\\n- 欢迎\\n- 使用手册\\n- API 文档\\n\\n - Chat\\n - Tool Use\\n...\\n\\n8. Kimi 迄今能力最强开源思考模型，月之暗面Kimi K2 Thinking 发布\\n 🔗 https://www.ithome.com/0/895/484.htm\\n 📄 在长程规划和自主搜索能力的驱动下，Kimi K2 Thinking 可借助多达上百轮的“思考 → 搜索 → 浏览网页 → 思考 → 编程”动态循环，持续地提出并完善假设、验证证据、进行推理，并构建出逻辑一致的答案。这种边主动搜索边持续思考的能力，使 Kimi K2 Thinking 能够将模糊且开放式的问题分解为清晰、可执行的子任务。\\n\\n在官方提供的另一个例子中，Kimi K2 Thinking ...\", \"filters\": {\"topic\": \"general\"}, \"query\": \"\\\"kimi-k2-thinking\\\" API 调用方法 参数设置 官方文档\", \"results\": [{\"index\": 1, \"title\": \"主要概念- Moonshot AI 开放平台- Kimi 大模型API 服务\", \"url\": \"https://platform.moonshot.cn/docs/introduction\", \"content\": \"| 模型名称 | 描述 |\\n --- |\\n| `kimi-latest` | 支持 128k 上下文的视觉模型，具备图片理解能力。使用 Kimi 智能助手最新版本，可能包含尚未稳定的特性 |\\n\\n### 长思考模型 kimi-thinking-preview\\n\\n| 模型名称 | 描述 |\\n --- |\\n| `kimi-thinking-preview` | 多模态思考模型，支持 128k 上下文，具备多模态推理和通用推理能力，擅长深度推理 |\\n\\n# 使用指南\\n\\n## 获取 API 密钥\\n\\n你需要一个 API 密钥来使用我们的服务。你可以在我们的控制台中创建一个 API 密钥。\\n\\n## 发送请求\\n\\n你可以使用我们的 Chat Completions API 来发送请求。你需要提供一个 API 密钥和一个模型名称。你可以选择是否使用默认的 max\\\\_tokens 参数，或者自定义 max\\\\_tokens 参数。可以参考 API 文档中的调用方法。\\n\\n## 处理响应 [...] - 平台服务协议\\n - 用户服务协议\\n - 用户隐私协议\\n - 充值协议\\n\\n- Moonshot ↗ (opens in a new tab)\\n- Changelog ↗ (opens in a new tab)\\n- 联系客服\\n- 开发者交流群\\n- Global | platform.moonshot.ai↗ (opens in a new tab)\\n\\n目录\\n\\n- 文本生成模型\\n- 语言模型推理服务\\n- Token\\n- 速率限制\\n- 模型列表\\n- kimi-k2 模型\\n- 生成模型 moonshot-v1\\n- 生成模型 kimi-latest\\n- 长思考模型 kimi-thinking-preview\\n- 获取 API 密钥\\n- 发送请求\\n- 处理响应\\n\\n回到顶部\\n\\n文档\\n\\n使用手册\\n\\n# 主要概念\\n\\n## 文本生成模型 [...] 主要概念 - Moonshot AI 开放平台 - Kimi 大模型 API 服务\\n\\n🚀 kimi-k2-turbo-preview，输出速度最高可达 100 tokens/s，限时促销再次来袭，快来体验吧！\\n\\nLogoBlog文档开发工作台用户中心\\n\\n`CTRL K`\\n\\n`CTRL K`\\n\\n- 欢迎\\n- 使用手册\\n- API 文档\\n\\n - Chat\\n - Tool Use\\n - Partial Mode\\n - 文件接口\\n - 其它\\n- 🎉 促销活动\\n- 产品定价\\n\\n - 模型推理定价\\n - 工具定价\\n - 充值与限速\\n - 常见问题\\n- 入门指南\", \"score\": 0.750937, \"published_date\": \"\"}, {\"index\": 2, \"title\": \"Kimi K2 Thinking突袭！智能体&推理能力超GPT-5，网友\", \"url\": \"https://www.qbitai.com/2025/11/349957.html\", \"content\": \"# Kimi K2 Thinking突袭！智能体&推理能力超GPT-5，网友：再次缩小开源闭源差距\\n\\n鱼羊 2025-11-07 09:42:41 来源：量子位\\n\\n> 鱼羊 发自 凹非寺\\n>\\n> 量子位 | 公众号 QbitAI\\n\\nKimi K2 Thinking，现已发布并开源！\\n\\n主打一个“模型即Agent”，不仅是Kimi“迄今能力最强的开源思考模型”，还掌握边思考，边使用工具的能力——\\n\\n无需人工干预，即可执行200-300次连续工具调用。\\n\\n作为今年最受关注的开源模型系列之一，Kimi K2的Thinking版本一上线，就成为热议对象：再次缩小了开源模型与闭源模型的差距。\\n\\n 1TB参数，激活参数32B，采用INT4而非FP8。\\n 256K上下文窗口。\\n 更多专家，更少head，更多思考。\\n\\n△与DeepSeek R1的架构对比，图源x@rasbt [...] 在人类最后的考试（HLE）、测试自主网络浏览能力的BrowseComp，和复杂信息收集推理基准测试SEAL-0等评测基准中，Kimi K2 Thinking都刷新了SOTA，超越GPT-5、Claude Sonnet 4.5（Thinking）等闭源模型。\\n\\nKimi K2 Thinking的代码和权重均遵循最为宽松的MIT协议。新模型也已第一时间上线kimi.com和最新版Kimi手机应用，即刻就能实测体验。API可通过Kimi开放平台访问。\\n\\n# 技术细节\\n\\n官方提到，K2 Thinking是月之暗面在Test-Time Scaling（测试时扩展）领域的最新进展，通过同时扩展思考Token和工具调用轮次，模型实现了更强的Agent和推理性能。\\n\\n智能体、推理能力全面提升\\n\\n体现在测试上，在人类最后的考试（HLE）中，允许使用工具——搜索、Python、网络浏览工具的同等情况下，Kimi K2 Thinking取得了44.9%的SOTA成绩。\\n\\n官方还放出了一个通过23次推理和工具调用，K2 Thinking成功解决博士级别数学问题的示例。 [...] 官方的解释是，思考模型会产生极长的解码长度，常规的量化手段往往会导致模型性能大幅下降。为了克服这一挑战，他们在后训练阶段采用了量化感知训练（QAT），并对MoE组件应用了INT4纯权重（weight-only）量化。\\n\\n这使得Kimi K2 Thinking能够在复杂推理和Agentic任务中支持原生的INT4推理，并将生成速度提升了约2倍。\\n\\n以及，INT4对推理硬件的兼容性更强，对国产加速计算芯片更友好。\\n\\np.s. Blackwell之前的英伟达GPU不支持FP4。\\n\\n# 上手实测\\n\\n更多测试实例，可以在官方技术博客中查看，我们也第一时间简单测试了一波（仅开启长思考模式，未联网）。\\n\\n经典题：\\n\\n> 一根7米长的甘蔗如何通过1×2米的门\\n\\n思考了将近5分钟，Kimi给出的回答是：\\n\\n思考的时间是有点长，但Kimi K2 Thinking成功绕过了这道题目中的陷阱，想到了门的长宽其实并不会限制甘蔗的通过。\\n\\n编程方面，我们测试的题目是：\\n\\n> 编写一个Python程序，让一个小球在旋转的六边形内弹跳，小球运动遵循物理规律\", \"score\": 0.67347145, \"published_date\": \"\"}, {\"index\": 3, \"title\": \"基本信息- Moonshot AI 开放平台- Kimi 大模型API 服务\", \"url\": \"https://platform.moonshot.cn/docs/api/chat\", \"content\": \"| temperature | optional | 使用什么采样温度，介于 0 和 1 之间。较高的值（如 0.7）将使输出更加随机，而较低的值（如 0.2）将使其更加集中和确定性。 | float | 默认为 0，如果设置，值域须为 `[0, 1]` 我们推荐 0.3，以达到较合适的效果。`kimi-k2` 模型建议设置为 0.6。 |\\n| top\\\\_p | optional | 另一种采样方法，即模型考虑概率质量为 top\\\\_p 的标记的结果。因此，0.1 意味着只考虑概率质量最高的 10% 的标记。一般情况下，我们建议改变这一点或温度，但不建议 同时改变 | float | 默认 1.0 |\\n| n | optional | 为每条输入消息生成多少个结果 | int | 默认为 1，不得大于 5。特别的，当 temperature 非常小靠近 0 的时候，我们只能返回 1 个结果，如果这个时候 n 已经设置并且 > 1，我们的服务会返回不合法的输入参数(invalid\\\\_request\\\\_error) | [...] | presence\\\\_penalty | optional | 存在惩罚，介于-2.0到2.0之间的数字。正值会根据新生成的词汇是否出现在文本中来进行惩罚，增加模型讨论新话题的可能性 | float | 默认为 0 |\\n| frequency\\\\_penalty | optional | 频率惩罚，介于-2.0到2.0之间的数字。正值会根据新生成的词汇在文本中现有的频率来进行惩罚，减少模型一字不差重复同样话语的可能性 | float | 默认为 0 |\\n| response\\\\_format | optional | 设置为 `{\\\"type\\\": \\\"json_object\\\"}` 可启用 JSON 模式，从而保证模型生成的信息是有效的 JSON。当你将 response\\\\_format 设置为 `{\\\"type\\\": \\\"json_object\\\"}` 时，你需要在 prompt 中明确地引导模型输出 JSON 格式的内容，并告知模型该 JSON 的具体格式，否则将可能导致不符合预期的结果。 | object | 默认为 {\\\"type\\\": \\\"text\\\"} | [...] | stop | optional | 停止词，当全匹配这个（组）词后会停止输出，这个（组）词本身不会输出。最多不能超过 5 个字符串，每个字符串不得超过 32 字节 | String, List[String] | 默认 null |\\n| stream | optional | 是否流式返回 | bool | 默认 false, 可选 true |\", \"score\": 0.62495816, \"published_date\": \"\"}, {\"index\": 4, \"title\": \"开源新王！首次干翻GPT-5，实测Kimi K2 Thinking\", \"url\": \"https://www.ifanr.com/1643694\", \"content\": \"根据 Kimi 官方文档和技术分析的介绍，这次的思考能力突破关键在训练方式，即高效的量化技术（INT4 QAT），这也是一个值得关注的行业亮点。\\n\\nK2 Thinking 在后训练阶段采用了量化感知训练 (QAT)，让模型能以 INT4 精度本地运行，推理速度提升约 2 倍，同时保持最佳性能。\\n\\n也就是说，它不是训练完再压缩，而是在训练过程中就贯穿低精度运算模型。这带来了两个巨大优势，一个是推理速度的提升，一个是长链条推理，不会因为量化而造成逻辑崩溃。\\n\\n▲使用正确的量化技术，能节省 GPU 显存并加快推理速度\\n\\n此外，它的所有基准测试成绩都是在 INT4 精度下报告的。说白了，这是一种「所见即所得」的性能，而不是实验室精心调制的数据，K2 Thinking 生来就能跑得动。\\n\\n我们的实测也能看到，Kimi K2 Thinking 确实不仅仅是一个营销噱头，工具调用、量化技术、以及超长规划，让它在智能体方向上，推理速度上，都有不错的表现。\\n\\n虽然在某些方面，例如稳定的结果输出、以及对提示词更宽松的要求，还是比不上闭源模型。但是开源能做到这样，我的心里只有两个字，佩服。 [...] ▲ 智谱、MiniMax 自然语言处理部门负责人、以及 HuggingFace 联合创始人纷纷在评论区留言祝贺\\n\\n除了在工具使用的榜单上拿第一，人类最后考试（HLE）、BrowseComp、还有其他基准测试，Kimi K2 Thinking 基本上都占据了先进模型的前排位置。\\n\\n▲ 在跨学科专家级问题的 HLE 榜单、以及自主搜索的三个榜单上，排名第一；编程能力的三个榜单，得分也接近最好的 Claude 或 GPT 模型\\n\\n无论是对智能体能力要求极高的编程任务、还是通用的推理写作、深度搜索等方面，Kimi K2 Thinking 的性能表现可以说是，目前最接近封闭模型的开源模型。\\n\\n延续了 7 月份，发布 K2 时，将其定位为自主智能路线图的一部分，Kimi K2 Thinking 也是主打 Agentic Intelligence（智能体智能）。它是一个推理的混合专家（MoE）模型，总参数量 1T，激活参数 32B，上下文长度 256K。 [...] K2 Thinking 能在智能体工具调用中交错思考，同时在保持任务目标的同时，持续进行 200 到 300 次顺序工具调用。尽管工具调用在类似的闭源模型上，已经成为某种程度上的标准，但 K2 Thinking 可能是第一个，具有如此多工具调用能力的开源模型。\\n\\n对比 K2 0905，K2 Thinking 在具体的任务上的提升，我们总结了 Kimi 的技术博客，有这些亮点。\\n\\n目前，Kimi K2 Thinking 已经在 Kimi 官网的聊天模式上线。\\n\\n但需要注意的是，Kimi 解释说为了保证用户能获得快速、轻量级的体验，当前的网页聊天版本有选择性地减少了部分工具的使用和调用次数。因此，直接在 kimi.com 上聊天，可能暂时无法完全复现上述基准测试中的极限分数。\\n\\n▲测试中提醒「高峰算力不足，请耐心等待」\\n\\n此外，能充分发挥 Kimi K2 Thinking 能力的完整智能体模式（Full Agentic Mode）将很快更新。开发者也可以通过 Kimi k2 thinking API 来体验。\\n\\n我们也快速上手，实测了几个常见的项目，一起来看看实际的体验如何。\", \"score\": 0.62330866, \"published_date\": \"\"}, {\"index\": 5, \"title\": \"选择合适的Kimi 大模型 - Moonshot AI 开放平台\", \"url\": \"https://platform.moonshot.cn/docs/guide/choose-an-appropriate-kimi-model\", \"content\": \"🎉 最新发布 kimi-k2-thinking 模型，支持多步工具调用与思考，擅长解决更复杂的问题，快来体验吧！\\n\\n文档\\n\\n入门指南\\n\\n自动选择 Kimi 模型\\n\\n# 选择合适的 Kimi 大模型\\n\\n在上一章节中，我们通过一个简单的示例讲述了如何快速使用 OpenAI SDK 调用 Kimi 大模型完成多轮对话，让我们复习一下相关内容： [...] messages=messages,\\n max_tokens=max_tokens,\\n temperature=0.3,\\n)\\n \\nprint(\\\"model:\\\", model)\\nprint(\\\"max_tokens:\\\", max_tokens)\\nprint(\\\"completion:\\\", completion.choices.message.content)\\n``` [...] ```\\nfrom openai import OpenAI\\n \\nclient = OpenAI(\\n api_key = \\\"MOONSHOT_API_KEY\\\", # 在这里将 MOONSHOT_API_KEY 替换为你从 Kimi 开放平台申请的 API Key\\n base_url = \\\"\\n)\\n \\n# 我们定义一个全局变量 messages，用于记录我们和 Kimi 大模型产生的历史对话消息\\n# 在 messages 中，既包含我们向 Kimi 大模型提出的问题（role=user），也包括 Kimi 大模型给我们的回复（role=assistant）\\n# 当然，也包括初始的 System Prompt（role=system）\\n# messages 中的消息按时间顺序从小到大排列\\nmessages = [\", \"score\": 0.61695945, \"published_date\": \"\"}, {\"index\": 6, \"title\": \"Kimi K2 快速开始 - Moonshot AI 开放平台- 月之暗面\", \"url\": \"https://platform.moonshot.cn/docs/guide/kimi-k2-quickstart\", \"content\": \"## \\n\\n 立即体验：在开发工作台，快速通过交互式操作测试模型在业务场景上的效果\\n 申请 API Key：立即通过 API 调用测试\\n\\n## \\n\\n以下是完整的调用示例，帮助您快速上手 Kimi K2 模型。\\n\\n### \\n\\nKimi API 完全兼容 OpenAI 的 API 格式，你可以通过如下方式来安装 OpenAI SDK：\\n\\n```\\npip install --upgrade 'openai>=1.0'pip install --upgrade 'openai>=1.0'\\n```\\n\\n### \\n\\n```\\npython -c 'import openai; print(\\\"version =\\\",openai.__version__)'\\n \\n# 输出可能是 version = 1.10.0，表示 OpenAI SDK 已经安装成功，当前 python 实际使用了 openai 的 v1.10.0 的库\\n \\n```\\n\\n### [...] 复杂任务分解：能够自动将需求拆解为一系列可执行的工具调用结构\\n Enforcer & Json Mode：特有功能确保工具调用格式的稳定性和可控性\\n 多工具协同：内置联网搜索等十余款工具，支持复杂的多步骤智能体工作流\\n 准确的工具调用：官方 API 版本工具调用准确率接近 100%，是智能体可靠运行的基础(注：第三方平台部署的开源版本工具调用能力可能会有所下降，具体测试结果请见 K2 Vendor Verifier 项目 (opens in a new tab))\\n\\n### \\n\\n kimi-k2-0905-Preview 版本和 kimi-k2-turbo-preview 版本均提供 256K 上下文窗口\\n\\n### \\n\\n| K2 模型版本 | 特点 |\\n --- |\\n| kimi-k2-0905-preview | kimi k2 最新版本，支持 256K 上下文窗口 |\\n| kimi-k2-turbo-preview | kimi k2 高速版本，速度高达 60-100 Tokens/s，适合企业级和高响应智能体应用 |\\n\\n 注：kimi k2 模型的更多说明请见 模型列表 [...] ## \\n\\n Kimi K2 为纯文本模型。如需处理图片等多种文件格式，推荐使用 Kimi Latest 模型，该模型与 kimi.com 智能助手 k1.5 模型效果保持一致。\\n 在这里查看在 Claude Code, Roo Code, Cline中使用Kimi K2的方法\\n 联网搜索是Kimi API官方提供的强大工具之一，在这里查看如何使用联网搜索，以及其他官方工具\\n 在这里查看全部模型价格，充值与限速说明，联网搜索价格说明\\n\\n常见问题开始使用 Kimi API\", \"score\": 0.60750073, \"published_date\": \"\"}, {\"index\": 7, \"title\": \"开始使用Kimi API\", \"url\": \"https://platform.moonshot.cn/docs/guide/start-using-kimi-api\", \"content\": \"开始使用 Kimi API - Moonshot AI 开放平台 - Kimi 大模型 API 服务\\n\\n🚀 kimi-k2-turbo-preview，输出速度最高可达 100 tokens/s，限时促销再次来袭，快来体验吧！\\n\\nLogoBlog文档开发工作台用户中心\\n\\n`CTRL K`\\n\\n`CTRL K`\\n\\n- 欢迎\\n- 使用手册\\n- API 文档\\n\\n - Chat\\n - Tool Use\\n - Partial Mode\\n - 文件接口\\n - 其它\\n- 🎉 促销活动\\n- 产品定价\\n\\n - 模型推理定价\\n - 工具定价\\n - 充值与限速\\n - 常见问题\\n- 入门指南 [...] - 平台服务协议\\n - 用户服务协议\\n - 用户隐私协议\\n - 充值协议\\n\\n- Moonshot ↗ (opens in a new tab)\\n- Changelog ↗ (opens in a new tab)\\n- 联系客服\\n- 开发者交流群\\n- Global | platform.moonshot.ai↗ (opens in a new tab)\\n\\n回到顶部\\n\\n文档\\n\\n入门指南\\n\\n开始使用 Kimi API\\n\\n# 开始使用 Kimi API\\n\\nKimi API 提供了与 Kimi 大模型交互的能力，以下是一个简单示例代码：\\n\\npythonnode.js [...] - 从 OpenAI 迁移到 Kimi API\\n - 使用 API 调试工具\\n - 开始使用 Kimi API\\n - 使用 Kimi API 进行多轮对话\\n - 使用 Vision 视觉模型\\n - 自动选择 Kimi 模型\\n - 自动断线重连\\n - 使用 Stream 流式输出\\n - 使用 Tool Calls\\n - 使用联网搜索 Tool\\n - 使用 JSON Mode\\n - 使用 Partial Mode\\n - 使用 Kimi API 进行文件问答\\n - 使用 kimi-thinking-preview 长思考模型\\n - 使用 Playground 调试模型\\n - 在 software agents 中使用 kimi-k2 模型\\n - 在 Playground 中配置 ModelScope MCP 服务器\\n - 在 Kimi API 中使用 Formula 工具\\n - Prompt 最佳实践\\n - 组织管理最佳实践\\n - 常见问题及解决方案\\n- 条款与协议\", \"score\": 0.585789, \"published_date\": \"\"}, {\"index\": 8, \"title\": \"Kimi 迄今能力最强开源思考模型，月之暗面Kimi K2 Thinking 发布\", \"url\": \"https://www.ithome.com/0/895/484.htm\", \"content\": \"在长程规划和自主搜索能力的驱动下，Kimi K2 Thinking 可借助多达上百轮的“思考 → 搜索 → 浏览网页 → 思考 → 编程”动态循环，持续地提出并完善假设、验证证据、进行推理，并构建出逻辑一致的答案。这种边主动搜索边持续思考的能力，使 Kimi K2 Thinking 能够将模糊且开放式的问题分解为清晰、可执行的子任务。\\n\\n在官方提供的另一个例子中，Kimi K2 Thinking 经过两轮搜索和思考，先根据股票回购的已知信息找到了这家制造快艇的公司，然后在美国证券交易委员会（SEC）的官网上找到了股票回购公告信息，得出了准确的答案：\\n\\ncase02.jpg\\n\\ncase02.jpg\\n\\nKimi K2 Thinking 模型的编码能力也得到了增强，在多语言软件工程基准 SWE-Multilingual、SWE-bench 验证集和 Terminal 终端使用等基准测试中的表现有了进一步提升。\\n\\n月之暗面表示，Kimi K2 Thinking 的通用基础能力也得到了升级： [...] # Kimi 迄今能力最强开源思考模型，月之暗面 Kimi K2 Thinking 发布\\n\\nIT之家 11 月 6 日消息，月之暗面今晚推出 Kimi 迄今能力最强的开源思考模型 ——Kimi K2 Thinking。\\n\\n据介绍，该模型是月之暗面基于“模型即 Agent”理念训练的新一代 Thinking Agent，原生掌握“边思考，边使用工具”的能力。在人类最后的考试（Humanity's Last Exam）、自主网络浏览能力（BrowseComp）、复杂信息收集推理（SEAL-0）等多项基准测试中表现达到 SOTA 水平，并在 Agentic 搜索、Agentic 编程、写作和综合推理能力等方面取得全面提升。\\n\\n图片\\n\\n图片\\n\\n该模型无需人类干预，即可自主实现高达 300 轮的工具调用和持续稳定的多轮思考能力，从而帮助用户解决更复杂的问题。\\n\\nIT之家附 Hugging Face、ModelScope 部署链接如下：\\n\\nHugging Face：\\n\\nModelScope： [...] 软媒旗下网站：\\nIT之家\\n最会买 - 返利返现优惠券\\niPhone之家\\nWin7之家\\nWin10之家\\nWin11之家\\n\\n软媒旗下软件：\\n软媒手机APP应用\\n魔方\\n最会买\\n要知\\n\\nIT之家，软媒旗下科技门户网站 - 爱科技，爱这里。\\n\\nCopyright © RuanMei.com, All Rights Reserved.\\n\\n青岛软媒网络科技有限公司版权所有\", \"score\": 0.47358477, \"published_date\": \"\"}], \"total_results\": 8}",
|
||
"timestamp": "2025-11-07T16:51:05.061063",
|
||
"tool_call_id": "web_search:11",
|
||
"name": "web_search"
|
||
},
|
||
{
|
||
"role": "assistant",
|
||
"content": "",
|
||
"timestamp": "2025-11-07T16:51:16.565798",
|
||
"tool_calls": [
|
||
{
|
||
"id": "extract_webpage:12",
|
||
"index": 0,
|
||
"type": "function",
|
||
"function": {
|
||
"name": "extract_webpage",
|
||
"arguments": "{\"url\": \"https://platform.moonshot.cn/docs/api/chat\"}"
|
||
}
|
||
}
|
||
]
|
||
},
|
||
{
|
||
"role": "tool",
|
||
"content": "{\"success\": true, \"url\": \"https://platform.moonshot.cn/docs/api/chat\", \"content\": \"🌐 网页内容 (15836 字符):\\n📍 URL: https://platform.moonshot.cn/docs/api/chat\\n==================================================\\n基本信息 - Moonshot AI 开放平台 - Kimi 大模型 API 服务\\n\\n🚀 kimi-k2-turbo-preview，输出速度最高可达 100 tokens/s，[限时促销再次来袭](/docs/promotion)，快来体验吧！\\n\\n[](/)[Blog](/blog)[文档](/docs/overview)[开发工作台](/playground)[用户中心](/console)\\n\\n`CTRL K`\\n\\n`CTRL K`\\n\\n- [欢迎](/docs/overview)\\n- [使用手册](/docs/introduction)\\n- API 文档\\n\\n - [Chat](/docs/api/chat)\\n - [Tool Use](/docs/api/tool_use)\\n - [Partial Mode](/docs/api/partial)\\n - [文件接口](/docs/api/files)\\n - [其它](/docs/api/misc)\\n- [🎉 促销活动](/docs/promotion)\\n- 产品定价\\n\\n - [模型推理定价](/docs/pricing/chat)\\n - [工具定价](/docs/pricing/tools)\\n - [充值与限速](/docs/pricing/limits)\\n - [常见问题](/docs/pricing/faq)\\n- 入门指南\\n\\n - [从 OpenAI 迁移到 Kimi API](/docs/guide/migrating-from-openai-to-kimi)\\n - [使用 API 调试工具](/docs/guide/use-moonpalace)\\n - [开始使用 Kimi API](/docs/guide/start-using-kimi-api)\\n - [使用 Kimi API 进行多轮对话](/docs/guide/engage-in-multi-turn-conversations-using-kimi-api)\\n - [使用 Vision 视觉模型](/docs/guide/use-kimi-vision-model)\\n - [自动选择 Kimi 模型](/docs/guide/choose-an-appropriate-kimi-model)\\n - [自动断线重连](/docs/guide/auto-reconnect)\\n - [使用 Stream 流式输出](/docs/guide/utilize-the-streaming-output-feature-of-kimi-api)\\n - [使用 Tool Calls](/docs/guide/use-kimi-api-to-complete-tool-calls)\\n - [使用联网搜索 Tool](/docs/guide/use-web-search)\\n - [使用 JSON Mode](/docs/guide/use-json-mode-feature-of-kimi-api)\\n - [使用 Partial Mode](/docs/guide/use-partial-mode-feature-of-kimi-api)\\n - [使用 Kimi API 进行文件问答](/docs/guide/use-kimi-api-for-file-based-qa)\\n - [使用 kimi-thinking-preview 长思考模型](/docs/guide/use-kimi-thinking-preview-model)\\n - [使用 Playground 调试模型](/docs/guide/use-playground-to-debug-the-model)\\n - [在 software agents 中使用 kimi-k2 模型](/docs/guide/agent-support)\\n - [在 Playground 中配置 ModelScope MCP 服务器](/docs/guide/configure-the-modelscope-mcp-server)\\n - [在 Kimi API 中使用 Formula 工具](/docs/guide/use-formula-tool-in-chatapi)\\n - [Prompt 最佳实践](/docs/guide/prompt-best-practice)\\n - [组织管理最佳实践](/docs/guide/org-best-practice)\\n - [常见问题及解决方案](/docs/guide/faq)\\n- 条款与协议\\n\\n - [平台服务协议](/docs/agreement/modeluse)\\n - [用户服务协议](/docs/agreement/userservice)\\n - [用户隐私协议](/docs/agreement/userprivacy)\\n - [充值协议](/docs/agreement/payment)\\n\\n- [Moonshot ↗ (opens in a new tab)](https://www.moonshot.cn/)\\n- [Changelog ↗ (opens in a new tab)](https://platform.moonshot.cn/blog/posts/changelog)\\n- 联系客服\\n- 开发者交流群\\n- [Global | platform.moonshot.ai↗ (opens in a new tab)](https://platform.moonshot.ai/)\\n\\n目录\\n\\n- [公开的服务地址](#公开的服务地址)\\n- [单轮对话](#单轮对话)\\n- [多轮对话](#多轮对话)\\n- [Chat Completion](#chat-completion)\\n- [请求地址](#请求地址)\\n- [请求内容](#请求内容)\\n- [返回内容](#返回内容)\\n- [调用示例](#调用示例)\\n- [Vision](#vision)\\n- [List Models](#list-models)\\n- [请求地址](#请求地址-1)\\n- [调用示例](#调用示例-2)\\n- [错误说明](#错误说明)\\n\\n回到顶部\\n\\n文档\\n\\nAPI 文档\\n\\nChat\\n\\n# 基本信息\\n\\n## 公开的服务地址\\n\\n```\\nhttps://api.moonshot.cn\\n```\\n\\nMoonshot 提供基于 HTTP 的 API 服务接入，并且对大部分 API，我们兼容了 OpenAI SDK。\\n\\n# 快速开始\\n\\n## 单轮对话\\n\\nOpenAI 官方 SDK 支持 [Python (opens in a new tab)](https://github.com/openai/openai-python) 和 [Node.js (opens in a new tab)](https://github.com/openai/openai-node) 两种语言，使用 OpenAI SDK 和 Curl 与 API 进行交互的代码如下：\\n\\npythoncurlnode.js\\n\\n```\\nfrom openai import OpenAI\\n \\nclient = OpenAI(\\n api_key = \\\"$MOONSHOT_API_KEY\\\",\\n base_url = \\\"https://api.moonshot.cn/v1\\\",\\n)\\n \\ncompletion = client.chat.completions.create(\\n model = \\\"kimi-k2-0905-preview\\\",\\n messages = [\\n {\\\"role\\\": \\\"system\\\", \\\"content\\\": \\\"你是 Kimi，由 Moonshot AI 提供的人工智能助手，你更擅长中文和英文的对话。你会为用户提供安全，有帮助，准确的回答。同时，你会拒绝一切涉及恐怖主义，种族歧视，黄色暴力等问题的回答。Moonshot AI 为专有名词，不可翻译成其他语言。\\\"},\\n {\\\"role\\\": \\\"user\\\", \\\"content\\\": \\\"你好，我叫李雷，1+1等于多少？\\\"}\\n ],\\n temperature = 0.6,\\n)\\n \\nprint(completion.choices[0].message.content)\\n```\\n\\n其中 $MOONSHOT\\\\_API\\\\_KEY 需要替换为您在平台上创建的 API Key。\\n\\n使用 OpenAI SDK 时运行文档中的代码时，需要保证 Python 版本至少为 3.7.1，Node.js 版本至少为 18，OpenAI SDK 版本不低于 1.0.0。\\n\\n```\\npip install --upgrade 'openai>=1.0'\\n```\\n\\n> 我们可以这样简单检验下自己库的版本：\\n>\\n> ```\\n> python -c 'import openai; print(\\\"version =\\\",openai.__version__)'\\n> # 输出可能是 version = 1.10.0，表示当前 python 实际使用了 openai 的 v1.10.0 的库\\n> ```\\n\\n## 多轮对话\\n\\n上面的单轮对话的例子中语言模型将用户信息列表作为输入，并将模型生成的信息作为输出返回。\\n有时我们也可以将模型输出的结果继续作为输入的一部分以实现多轮对话，下面是一组简单的实现多轮对话的例子：\\n\\npythonnode.js\\n\\n```\\nfrom openai import OpenAI\\n \\nclient = OpenAI(\\n api_key = \\\"$MOONSHOT_API_KEY\\\",\\n base_url = \\\"https://api.moonshot.cn/v1\\\",\\n)\\n \\nhistory = [\\n {\\\"role\\\": \\\"system\\\", \\\"content\\\": \\\"你是 Kimi，由 Moonshot AI 提供的人工智能助手，你更擅长中文和英文的对话。你会为用户提供安全，有帮助，准确的回答。同时，你会拒绝一切涉及恐怖主义，种族歧视，黄色暴力等问题的回答。Moonshot AI 为专有名词，不可翻译成其他语言。\\\"}\\n]\\n \\ndef chat(query, history):\\n history.append({\\n \\\"role\\\": \\\"user\\\", \\n \\\"content\\\": query\\n })\\n completion = client.chat.completions.create(\\n model=\\\"kimi-k2-0905-preview\\\",\\n messages=history,\\n temperature=0.6,\\n )\\n result = completion.choices[0].message.content\\n history.append({\\n \\\"role\\\": \\\"assistant\\\",\\n \\\"content\\\": result\\n })\\n return result\\n \\nprint(chat(\\\"地球的自转周期是多少？\\\", history))\\nprint(chat(\\\"月球呢？\\\", history))\\n```\\n\\n值得注意的是，随着对话的进行，模型每次需要传入的 token 都会线性增加，必要时，需要一些策略进行优化，例如只保留最近几轮对话。\\n\\n# API 说明\\n\\n## Chat Completion\\n\\n### 请求地址\\n\\n```\\nPOST https://api.moonshot.cn/v1/chat/completions\\n```\\n\\n### 请求内容\\n\\n#### 示例\\n\\n```\\n{\\n \\\"model\\\": \\\"kimi-k2-0905-preview\\\",\\n \\\"messages\\\": [\\n {\\n \\\"role\\\": \\\"system\\\",\\n \\\"content\\\": \\\"你是 Kimi，由 Moonshot AI 提供的人工智能助手，你更擅长中文和英文的对话。你会为用户提供安全，有帮助，准确的回答。同时，你会拒绝一切涉及恐怖主义，种族歧视，黄色暴力等问题的回答。Moonshot AI 为专有名词，不可翻译成其他语言。\\\"\\n },\\n { \\\"role\\\": \\\"user\\\", \\\"content\\\": \\\"你好，我叫李雷，1+1等于多少？\\\" }\\n ],\\n \\\"temperature\\\": 0.6\\n}\\n```\\n\\n#### 字段说明\\n\\n| 字段 | 是否必须 | 说明 | 类型 | 取值 |\\n| --- | --- | --- | --- | --- |\\n| messages | required | 包含迄今为止对话的消息列表 | List[Dict] | 这是一个结构体的列表，每个元素类似如下：`{\\\"role\\\": \\\"user\\\", \\\"content\\\": \\\"你好\\\"}` role 只支持 `system`,`user`,`assistant` 其一，content 不得为空 |\\n| model | required | Model ID, 可以通过 List Models 获取 | string | 目前是 `kimi-k2-0905-preview`, `kimi-k2-0711-preview`, `kimi-k2-turbo-preview`, `moonshot-v1-8k`,`moonshot-v1-32k`,`moonshot-v1-128k`, `moonshot-v1-auto`,`kimi-latest`,`moonshot-v1-8k-vision-preview`,`moonshot-v1-32k-vision-preview`,`moonshot-v1-128k-vision-preview`,`kimi-thinking-preview`其一 |\\n| max\\\\_tokens | optional | 聊天完成时生成的最大 token 数。如果到生成了最大 token 数个结果仍然没有结束，finish reason 会是 \\\"length\\\", 否则会是 \\\"stop\\\" | int | 这个值建议按需给个合理的值，如果不给的话，我们会给一个不错的整数比如 1024。**特别要注意的是**，这个 `max_tokens` 是指您期待我们**返回**的 token 长度，而不是输入 + 输出的总长度。比如对一个 `moonshot-v1-8k` 模型，它的最大输入 + 输出总长度是 8192，当输入 messages 总长度为 4096 的时候，您最多只能设置为 4096，否则我们服务会返回不合法的输入参数（ invalid\\\\_request\\\\_error ），并拒绝回答。如果您希望获得“输入的精确 token 数”，可以使用下面的“计算 Token” API 使用我们的计算器获得计数 |\\n| temperature | optional | 使用什么采样温度，介于 0 和 1 之间。较高的值（如 0.7）将使输出更加随机，而较低的值（如 0.2）将使其更加集中和确定性。 | float | 默认为 0，如果设置，值域须为 `[0, 1]` 我们推荐 0.3，以达到较合适的效果。`kimi-k2` 模型建议设置为 0.6。 |\\n| top\\\\_p | optional | 另一种采样方法，即模型考虑概率质量为 top\\\\_p 的标记的结果。因此，0.1 意味着只考虑概率质量最高的 10% 的标记。一般情况下，我们建议改变这一点或温度，但不建议 同时改变 | float | 默认 1.0 |\\n| n | optional | 为每条输入消息生成多少个结果 | int | 默认为 1，不得大于 5。特别的，当 temperature 非常小靠近 0 的时候，我们只能返回 1 个结果，如果这个时候 n 已经设置并且 > 1，我们的服务会返回不合法的输入参数(invalid\\\\_request\\\\_error) |\\n| presence\\\\_penalty | optional | 存在惩罚，介于-2.0到2.0之间的数字。正值会根据新生成的词汇是否出现在文本中来进行惩罚，增加模型讨论新话题的可能性 | float | 默认为 0 |\\n| frequency\\\\_penalty | optional | 频率惩罚，介于-2.0到2.0之间的数字。正值会根据新生成的词汇在文本中现有的频率来进行惩罚，减少模型一字不差重复同样话语的可能性 | float | 默认为 0 |\\n| response\\\\_format | optional | 设置为 `{\\\"type\\\": \\\"json_object\\\"}` 可启用 JSON 模式，从而保证模型生成的信息是有效的 JSON。当你将 response\\\\_format 设置为 `{\\\"type\\\": \\\"json_object\\\"}` 时，**你需要在 prompt 中明确地引导模型输出 JSON 格式的内容，并告知模型该 JSON 的具体格式，否则将可能导致不符合预期的结果**。 | object | 默认为 {\\\"type\\\": \\\"text\\\"} |\\n| stop | optional | 停止词，当全匹配这个（组）词后会停止输出，这个（组）词本身不会输出。最多不能超过 5 个字符串，每个字符串不得超过 32 字节 | String, List[String] | 默认 null |\\n| stream | optional | 是否流式返回 | bool | 默认 false, 可选 true |\\n\\n### 返回内容\\n\\n对非 stream 格式的，返回类似如下：\\n\\n```\\n{\\n \\\"id\\\": \\\"cmpl-04ea926191a14749b7f2c7a48a68abc6\\\",\\n \\\"object\\\": \\\"chat.completion\\\",\\n \\\"created\\\": 1698999496,\\n \\\"model\\\": \\\"kimi-k2-0905-preview\\\",\\n \\\"choices\\\": [\\n {\\n \\\"index\\\": 0,\\n \\\"message\\\": {\\n \\\"role\\\": \\\"assistant\\\",\\n \\\"content\\\": \\\" 你好，李雷！1+1等于2。如果你有其他问题，请随时提问！\\\"\\n },\\n \\\"finish_reason\\\": \\\"stop\\\"\\n }\\n ],\\n \\\"usage\\\": {\\n \\\"prompt_tokens\\\": 19,\\n \\\"completion_tokens\\\": 21,\\n \\\"total_tokens\\\": 40\\n }\\n}\\n```\\n\\n对 stream 格式的，返回类似如下：\\n\\n```\\ndata: {\\\"id\\\":\\\"cmpl-1305b94c570f447fbde3180560736287\\\",\\\"object\\\":\\\"chat.completion.chunk\\\",\\\"created\\\":1698999575,\\\"model\\\":\\\"kimi-k2-0905-preview\\\",\\\"choices\\\":[{\\\"index\\\":0,\\\"delta\\\":{\\\"role\\\":\\\"assistant\\\",\\\"content\\\":\\\"\\\"},\\\"finish_reason\\\":null}]}\\n \\ndata: {\\\"id\\\":\\\"cmpl-1305b94c570f447fbde3180560736287\\\",\\\"object\\\":\\\"chat.completion.chunk\\\",\\\"created\\\":1698999575,\\\"model\\\":\\\"kimi-k2-0905-preview\\\",\\\"choices\\\":[{\\\"index\\\":0,\\\"delta\\\":{\\\"content\\\":\\\"你好\\\"},\\\"finish_reason\\\":null}]}\\n \\n...\\n \\ndata: {\\\"id\\\":\\\"cmpl-1305b94c570f447fbde3180560736287\\\",\\\"object\\\":\\\"chat.completion.chunk\\\",\\\"created\\\":1698999575,\\\"model\\\":\\\"kimi-k2-0905-preview\\\",\\\"choices\\\":[{\\\"index\\\":0,\\\"delta\\\":{\\\"content\\\":\\\"。\\\"},\\\"finish_reason\\\":null}]}\\n \\ndata: {\\\"id\\\":\\\"cmpl-1305b94c570f447fbde3180560736287\\\",\\\"object\\\":\\\"chat.completion.chunk\\\",\\\"created\\\":1698999575,\\\"model\\\":\\\"kimi-k2-0905-preview\\\",\\\"choices\\\":[{\\\"index\\\":0,\\\"delta\\\":{},\\\"finish_reason\\\":\\\"stop\\\",\\\"usage\\\":{\\\"prompt_tokens\\\":19,\\\"completion_tokens\\\":13,\\\"total_tokens\\\":32}}]}\\n \\ndata: [DONE]\\n```\\n\\n### 调用示例\\n\\n对简单调用，见前面。对流式调用，可以参考如下代码片段：\\n\\npythoncurlnode.js\\n\\n```\\nfrom openai import OpenAI\\n \\nclient = OpenAI(\\n api_key = \\\"$MOONSHOT_API_KEY\\\",\\n base_url = \\\"https://api.moonshot.cn/v1\\\",\\n)\\n \\nresponse = client.chat.completions.create(\\n model=\\\"kimi-k2-0905-preview\\\",\\n messages=[\\n {\\n \\\"role\\\": \\\"system\\\",\\n \\\"content\\\": \\\"你是 Kimi，由 Moonshot AI 提供的人工智能助手，你更擅长中文和英文的对话。你会为用户提供安全，有帮助，准确的回答。同时，你会拒绝一切涉及恐怖主义，种族歧视，黄色暴力等问题的回答。Moonshot AI 为专有名词，不可翻译成其他语言。\\\",\\n },\\n {\\\"role\\\": \\\"user\\\", \\\"content\\\": \\\"你好，我叫李雷，1+1等于多少？\\\"},\\n ],\\n temperature=0.6,\\n stream=True,\\n)\\n \\ncollected_messages = []\\nfor idx, chunk in enumerate(response):\\n # print(\\\"Chunk received, value: \\\", chunk)\\n chunk_message = chunk.choices[0].delta\\n if not chunk_message.content:\\n continue\\n collected_messages.append(chunk_message) # save the message\\n print(f\\\"#{idx}: {''.join([m.content for m in collected_messages])}\\\")\\nprint(f\\\"Full conversation received: {''.join([m.content for m in collected_messages])}\\\")\\n```\\n\\n### Vision\\n\\n#### 示例\\n\\n```\\n{\\n \\\"model\\\": \\\"moonshot-v1-8k-vision-preview\\\",\\n \\\"messages\\\":\\n [\\n {\\n \\\"role\\\": \\\"system\\\",\\n \\\"content\\\": \\\"你是 Kimi，由 Moonshot AI 提供的人工智能助手，你更擅长中文和英文的对话。你会为用户提供安全，有帮助，准确的回答。同时，你会拒绝一切涉及恐怖主义，种族歧视，黄色暴力等问题的回答。Moonshot AI 为专有名词，不可翻译成其他语言。\\\"\\n },\\n {\\n \\\"role\\\": \\\"user\\\",\\n \\\"content\\\":\\n [\\n {\\n \\\"type\\\": \\\"image_url\\\",\\n \\\"image_url\\\":\\n {\\n \\\"url\\\": \\\"\\\"\\n }\\n },\\n {\\n \\\"type\\\": \\\"text\\\",\\n \\\"text\\\": \\\"请描述这个图片\\\"\\n }\\n ]\\n }\\n ],\\n \\\"temperature\\\": 0.6\\n}\\n```\\n\\n#### Image Content 字段说明\\n\\n当使用 Vision 模型时，`message.content` 字段将由 `str` 变更为 `List[Object[str, any]]`，其中，`List` 中每个元素的字段说明如下：\\n\\n| 参数名称 | 是否必须 | 说明 | 类型 |\\n| --- | --- | --- | --- |\\n| type | required | 仅支持文本类型(text)或图片类型(image\\\\_url) | string |\\n| image\\\\_url | required | 用于传输图片的对象 | Dict[str, any] |\\n\\n其中，`image_url` 参数的字段说明如下：\\n\\n| 参数名称 | 是否必须 | 说明 | 类型 |\\n| --- | --- | --- | --- |\\n| url | required | 使用 base64 编码的图片内容 | string |\\n\\n#### 调用示例\\n\\npython\\n\\n```\\nimport os\\nimport base64\\n \\nfrom openai import OpenAI\\n \\nclient = OpenAI(\\n api_key = os.environ.get(\\\"MOONSHOT_API_KEY\\\"), \\n base_url = \\\"https://api.moonshot.cn/v1\\\"，\\n)\\n \\n# 对图片进行base64编码\\nwith open(\\\"您的图片地址\\\", 'rb') as f:\\n img_base = base64.b64encode(f.read()).decode('utf-8')\\n \\nresponse = client.chat.completions.create(\\n model=\\\"moonshot-v1-8k-vision-preview\\\", \\n messages=[\\n {\\n \\\"role\\\": \\\"user\\\",\\n \\\"content\\\": [\\n {\\n \\\"type\\\": \\\"image_url\\\",\\n \\\"image_url\\\": {\\n \\\"url\\\": f\\\"data:image/jpeg;base64,{img_base}\\\"\\n }\\n },\\n {\\n \\\"type\\\": \\\"text\\\",\\n \\\"text\\\": \\\"请描述这个图片\\\"\\n }\\n ]\\n }\\n ]\\n)\\nprint(response.choices[0].message.content)\\n```\\n\\n## List Models\\n\\n### 请求地址\\n\\n```\\nGET https://api.moonshot.cn/v1/models\\n```\\n\\n### 调用示例\\n\\npythoncurlnode.js\\n\\n```\\nfrom openai import OpenAI\\n \\nclient = OpenAI(\\n api_key = \\\"$MOONSHOT_API_KEY\\\",\\n base_url = \\\"https://api.moonshot.cn/v1\\\",\\n)\\n \\nmodel_list = client.models.list()\\nmodel_data = model_list.data\\n \\nfor i, model in enumerate(model_data):\\n print(f\\\"model[{i}]:\\\", model.id)\\n```\\n\\n## 错误说明\\n\\n以下是一组错误返回的例子：\\n\\n```\\n{\\n \\\"error\\\": {\\n \\\"type\\\": \\\"content_filter\\\",\\n \\\"message\\\": \\\"The request was rejected because it was considered high risk\\\"\\n }\\n}\\n```\\n\\n下面是主要错误的说明：\\n\\n| HTTP Status Code | error type | error message | 详细描述 |\\n| --- | --- | --- | --- |\\n| 400 | content\\\\_filter | The request was rejected because it was considered high risk | 内容审查拒绝，您的输入或生成内容可能包含不安全或敏感内容，请您避免输入易产生敏感内容的提示语，谢谢 |\\n| 400 | invalid\\\\_request\\\\_error | Invalid request: {error\\\\_details} | 请求无效，通常是您请求格式错误或者缺少必要参数，请检查后重试 |\\n| 400 | invalid\\\\_request\\\\_error | Input token length too long | 请求中的 tokens 长度过长，请求不要超过模型 tokens 的最长限制 |\\n| 400 | invalid\\\\_request\\\\_error | Your request exceeded model token limit : {max\\\\_model\\\\_length} | 请求的 tokens 数和设置的 max\\\\_tokens 加和超过了模型规格长度，请检查请求体的规格或选择合适长度的模型 |\\n| 400 | invalid\\\\_request\\\\_error | Invalid purpose: only 'file-extract' accepted | 请求中的目的（purpose）不正确，当前只接受 'file-extract'，请修改后重新请求 |\\n| 400 | invalid\\\\_request\\\\_error | File size is too large, max file size is 100MB, please confirm and re-upload the file | 上传的文件大小超过了限制，请重新上传 |\\n| 400 | invalid\\\\_request\\\\_error | File size is zero, please confirm and re-upload the file | 上传的文件大小为 0，请重新上传 |\\n| 400 | invalid\\\\_request\\\\_error | The number of files you have uploaded exceeded the max file count {max\\\\_file\\\\_count}, please delete previous uploaded files | 上传的文件总数超限，请删除不用的早期的文件后重新上传 |\\n| 401 | invalid\\\\_authentication\\\\_error | Invalid Authentication | 鉴权失败，请检查 apikey 是否正确，请修改后重试 |\\n| 401 | invalid\\\\_authentication\\\\_error | Incorrect API key provided | 鉴权失败，请检查 apikey 是否提供以及 apikey 是否正确，请修改后重试 |\\n| 403 | exceeded\\\\_current\\\\_quota\\\\_error | Your account {uid}<{ak-id}> is not active, current state: {current state}, you may consider to check your account balance | 账户异常，请检查您的账户余额 |\\n| 403 | permission\\\\_denied\\\\_error | The API you are accessing is not open | 访问的 API 暂未开放 |\\n| 403 | permission\\\\_denied\\\\_error | You are not allowed to get other user info | 访问其他用户信息的行为不被允许，请检查 |\\n| 404 | resource\\\\_not\\\\_found\\\\_error | Not found the model or Permission denied | 不存在此模型或者没有授权访问此模型，请检查后重试 |\\n| 404 | resource\\\\_not\\\\_found\\\\_error | Users {user\\\\_id} not found | 找不到该用户，请检查后重试 |\\n| 429 | engine\\\\_overloaded\\\\_error | The engine is currently overloaded, please try again later | 当前并发请求过多，节点限流中，请稍后重试；建议充值升级 tier，享受更丝滑的体验 |\\n| 429 | exceeded\\\\_current\\\\_quota\\\\_error | You exceeded your current token quota: {token\\\\_credit}, please check your account balance | 账户额度不足，请检查账户余额，保证账户余额可匹配您 tokens 的消耗费用后重试 |\\n| 429 | rate\\\\_limit\\\\_reached\\\\_error | Your account {uid}<{ak-id}> request reached max concurrency: {Concurrency}, please try again after {time} seconds | 请求触发了账户并发个数的限制，请等待指定时间后重试 |\\n| 429 | rate\\\\_limit\\\\_reached\\\\_error | Your account {uid}<{ak-id}> request reached max request: {RPM}, please try again after {time} seconds | 请求触发了账户 RPM 速率限制，请等待指定时间后重试 |\\n| 429 | rate\\\\_limit\\\\_reached\\\\_error | Your account {uid}<{ak-id}> request reached TPM rate limit, current:{current\\\\_tpm}, limit:{max\\\\_tpm} | 请求触发了账户 TPM 速率限制，请等待指定时间后重试 |\\n| 429 | rate\\\\_limit\\\\_reached\\\\_error | Your account {uid}<{ak-id}> request reached TPD rate limit,current:{current\\\\_tpd}, limit:{max\\\\_tpd} | 请求触发了账户 TPD 速率限制，请等待指定时间后重试 |\\n| 500 | server\\\\_error | Failed to extract file: {error} | 解析文件失败，请重试 |\\n| 500 | unexpected\\\\_output | invalid state transition | 内部错误，请联系管理员 |\\n\\nLast updated on 2025年9月10日\\n\\n[使用手册](/docs/introduction \\\"使用手册\\\")[Tool Use](/docs/api/tool_use \\\"Tool Use\\\")\\n==================================================\"}",
|
||
"timestamp": "2025-11-07T16:51:18.376467",
|
||
"tool_call_id": "extract_webpage:12",
|
||
"name": "extract_webpage"
|
||
},
|
||
{
|
||
"role": "assistant",
|
||
"content": "好的，我来为您整理在Kimi官网调用API的完整信息。\n\n## Kimi API 调用指南\n\n### 🔑 获取API密钥\n1. 访问 [Kimi开放平台](https://platform.moonshot.cn/)\n2. 注册账号并登录\n3. 进入控制台创建API Key\n\n### 📍 API基础信息\n- **Base URL**: `https://api.moonshot.cn/v1`\n- **认证方式**: Bearer Token\n- **兼容格式**: 完全兼容OpenAI SDK格式\n\n### 🚀 支持的模型列表\n根据官方文档，目前支持以下模型：\n\n| 模型名称 | 描述 |\n|---------|------|\n| `kimi-k2-thinking` | 最新的思考模型，支持多步推理和工具调用 |\n| `kimi-k2-0905-preview` | Kimi K2最新版本，支持256K上下文 |\n| `kimi-k2-turbo-preview` | 高速版本，速度60-100 tokens/s |\n| `kimi-thinking-preview` | 多模态思考模型，支持128K上下文 |\n| `moonshot-v1-8k` | 基础版本，8K上下文 |\n| `moonshot-v1-32k` | 32K上下文版本 |\n| `moonshot-v1-128k` | 128K上下文版本 |\n\n### 💻 代码示例\n\n#### Python调用示例\n```python\nfrom openai import OpenAI\n\n# 初始化客户端\nclient = OpenAI(\n api_key=\"你的API密钥\", # 替换为你的API Key\n base_url=\"https://api.moonshot.cn/v1\",\n)\n\n# 调用Kimi K2 Thinking模型\ncompletion = client.chat.completions.create(\n model=\"kimi-k2-thinking\",\n messages=[\n {\"role\": \"system\", \"content\": \"你是 Kimi，由 Moonshot AI 提供的人工智能助手。\"},\n {\"role\": \"user\", \"content\": \"你好，请介绍一下你自己\"}\n ],\n temperature=0.6, # 建议设置为0.6\n max_tokens=4096, # 建议设置较大的max_tokens\n stream=False\n)\n\nprint(completion.choices[0].message.content)\n```\n\n#### 流式输出示例\n```python\nresponse = client.chat.completions.create(\n model=\"kimi-k2-thinking\",\n messages=[{\"role\": \"user\", \"content\": \"请详细解释量子计算的原理\"}],\n temperature=0.6,\n stream=True\n)\n\nfor chunk in response:\n if chunk.choices[0].delta.content:\n print(chunk.choices[0].delta.content, end=\"\", flush=True)\n```\n\n### ⚙️ 参数配置建议\n\n**Kimi K2 Thinking专用配置：**\n- `temperature`: 0.6（推荐值）\n- `max_tokens`: ≥16000（确保足够输出空间）\n- `stream`: True（建议启用流式输出，避免超时）\n\n### 💰 价格信息\n- **输入**: 4元/百万tokens\n- **输出**: 16元/百万tokens\n- **Turbo版本**: 输入8元/百万tokens，输出58元/百万tokens\n\n### 🛠️ 安装依赖\n```bash\npip install --upgrade 'openai>=1.0'\n```\n\n### 📋 注意事项\n1. **上下文长度**: Kimi K2 Thinking支持256K上下文\n2. **工具调用**: 支持边思考边使用工具的能力\n3. **多轮对话**: 可以执行200-300次连续工具调用\n4. **错误处理**: 包含完整的错误码和异常处理机制\n\n### 🔗 官方资源\n- **API文档**: [platform.moonshot.cn/docs](https://platform.moonshot.cn/docs)\n- **开发工作台**: [platform.moonshot.cn/playground](https://platform.moonshot.cn/playground)\n- **用户中心**: [platform.moonshot.cn/console](https://platform.moonshot.cn/console)\n\n这样您就可以开始在您的应用中调用Kimi K2 Thinking模型了！有任何具体的代码问题或需要进一步的帮助，请随时告诉我。",
|
||
"timestamp": "2025-11-07T16:51:47.371312"
|
||
}
|
||
],
|
||
"todo_list": null,
|
||
"metadata": {
|
||
"project_path": "/opt/agent/agents/users/jojo/project",
|
||
"project_relative_path": "users/jojo/project",
|
||
"thinking_mode": true,
|
||
"total_messages": 36,
|
||
"total_tools": 26,
|
||
"status": "active"
|
||
},
|
||
"token_statistics": {
|
||
"total_input_tokens": 701464,
|
||
"total_output_tokens": 3381,
|
||
"updated_at": "2025-11-07T17:09:49.851928"
|
||
}
|
||
} |