К результатам поиска

moonshot

Kimi K2.7 Code High-Speed

Kimi K2.7 Code High-Speed, ускоренный вариант для программирования, рассчитанный примерно на 180 токенов в секунду; на коротком контексте, до ~260 токенов в секунду.

  • РассужденияРассужденияВ данных модели подтверждён режим рассуждений. Его параметры зависят от подключённой операции.
  • Понимание изображенийПонимание изображенийМодель умеет разбирать содержимое изображений.
  • Вызов инструментовВызов инструментовМодель может запрашивать несколько вызовов инструментов. Приложение проверяет права и выполняет действия.
  • Структурированный ответСтруктурированный ответМодель поддерживает заданную структуру ответа. Доступный формат проверяйте в параметрах API.
  • 262 144 токенов262 144 токеновКонтекстное окно по данным каталога. Лимит ответа и допустимый объём запроса проверяйте отдельно.
  • Видео на входеВидео на входеНаправление работы с видео подтверждено данными модели. Длительность, размер и формат определяются операцией.
  • Потоковый ответПотоковый ответОтвет можно получать по частям. Поддержка потока проверяется отдельно для каждой операции API.
Вход
240,54 ₽
Выход
1 012,67 ₽
Кэш
40,72 ₽
за 1 млн токенов
Интеллект
25,8
Код
60,8
Доступность
100%
API ID
moonshot/kimi-k2.7-code-highspeed

Данные каталога получены .

Цена

Текстовый диалог · вход
240,54 ₽ / 1 млн токенов
Текстовый диалог · выход
1 012,67 ₽ / 1 млн токенов
Текстовый диалог · вход из кэша
40,72 ₽ / 1 млн токенов

Цена указана в рублях для выбранной операции и её параметров.

Перед оплачиваемым запросом создаётся резерв. Итоговый расход привязан к сохранённым параметрам и тарифу запроса. При неизвестном результате резерв удерживается до проверки; такой запрос не следует повторять с новым идентификатором.

О модели

Kimi K2.7 Code High-Speed, ускоренный вариант модели, ориентированный на программирование и быстрые агентные сценарии разработки ПО. Целевая скорость составляет примерно 180 токенов в секунду, а при коротком контексте ответы достигают около 260 токенов в секунду, что рассчитано на быстрые итерации при написании кода.

Релиз

Характеристики

Доступность100%
  1. 7 октября: 100%
  2. 8 октября: 100%
  3. 9 октября: 100%
Доля успешных запросов к модели за последние 72 часа. Обновляется каждые два часа.
Тип модели
Текст
Вход модели
Текст, Изображения

Данные, которые модель принимает вместе с запросом.

Выход модели
Текст

Форматы результата, которые создаёт модель.

Контекстное окно
262 144 токенов

Контекстное окно по данным каталога. Лимит ответа и допустимый объём запроса проверяйте отдельно.

Максимальный ответ
65 536 токенов

Максимальный размер ответа по данным каталога. Фактический предел запроса зависит от подключённой операции.

Операции
Текстовый диалог, Понимание изображений
Возможности модели
Потоковый ответ, Понимание изображений, Рассуждения, Вызов инструментов, Вызов функций, Параллельные вызовы инструментов, Структурированный ответ, Ответ в JSON, Входные изображения, Входное видео

Контрольные показатели

Artificial Analysis

17 показателей · проверено

Источник ↗
Индекс интеллекта
25,8 индексСводная оценка Artificial Analysis по всем её тестам
Индекс программирования
60,8 индексСводная оценка Artificial Analysis по программированию

Агентная работа

  • AA-Briefcase859 Elo

    Агентная работа со знаниями (Elo)

  • AutomationBench-AA24,5 %

    Автоматизация рабочего процесса со штрафами за нарушение ограничений

  • GDPval-AA v21 040 Elo

    Экономически значимые задачи (Elo)

  • Harvey LAB-AA85 %

    Доля пройденных критериев юридической агентной работы

Рассуждение по документу

  • AA-LCR v1.179,3 %

    Рассуждение на длинном контексте с обновлённой оценкой

  • GDP.pdf11,2 %

    Профессиональное рассуждение по PDF: доля прохождения всех проверок

Устаревшие тесты

  • AA-LCR (версия не указана, архивный)79,3 %

    Оценка рассуждений на длинном контексте

  • GPQA Diamond (архивный)89,6 %

    Научные рассуждения уровня выпускника

  • T²-Bench Telecom (архивный)90,1 %

    Разговорные ИИ-агенты в сценариях с двойным управлением

  • Terminal-Bench Hard (архивный)44,7 %

    Агентное программирование и работа в терминале

Рассуждения

  • HLE35 %

    Humanity’s Last Exam — вопросы экспертного уровня

Рассуждение

  • IFBench63,1 %

    Тест на следование инструкциям

Документ: рассуждение

  • MLCR-AA16,1 %

    Медицинское рассуждение на длинном контексте

Программирование

  • SciCode47,8 %

    Программирование на Python для научных вычислений

  • Terminal-Bench v4.01 %

    Практические задачи по программированию и работе в терминале

Оценки относятся к этой версии модели и методике источника. Качество и скорость конкретного запроса они не гарантируют.

API-запрос

Операция доступна через API. Ключ храните в переменной окружения на своём сервере. REQUEST_ID: уникальный идентификатор запроса. При повторе сохраняйте его и тело запроса.

import json
import os
from urllib.request import Request, HTTPRedirectHandler, build_opener

class NoRedirect(HTTPRedirectHandler):
    def redirect_request(self, req, fp, code, msg, headers, newurl):
        return None

opener = build_opener(NoRedirect)

def post(url, payload):
    request = Request(url, data=json.dumps(payload).encode("utf-8"), headers={
        "Authorization": "Bearer " + os.environ["KVANTORA_API_KEY"],
        "Content-Type": "application/json",
        "Idempotency-Key": os.environ["REQUEST_ID"],
    }, method="POST")
    with opener.open(request, timeout=120) as response:
        return json.load(response)

payload = {
  "model": "moonshot/kimi-k2.7-code-highspeed",
  "messages": [
    {
      "role": "user",
      "content": "Объясни задачу кратко."
    }
  ]
}
print(post("https://api.kvantora.ai/v1/chat/completions", payload))
Документация APIСоздать API-ключ