Kimi K2.5
Kimi K2.5 是 Kimi 迄今最智能的模型,在 Agent、代码、视觉理解及一系列通用智能任务上取得开源 SoTA 表现。同时 Kimi K2.5 也是 Kimi 迄今最全能的模型,原生的多模态架构设计,同时支持视觉与文本输入、思考与非思考模式、对话与 Agent 任务。技术Blog (opens in a new tab)
- Kimi K2.5 作为国内领先的 Coding 模型,Kimi K2.5 在原有全栈开发与工具生态优势基础上,进一步强化前端代码质量与设计表现力前端能力,实现了跨越式突破,支持从自然语言直接生成功能完整、视觉精美的交互界面,并能精准处理动态布局、滚动动画等复杂效果。
kimi-k2.5、kimi-k2-0905-Preview、kimi-k2-turbo-preview、kimi-k2-thinking、kimi-k2-thinking-turbo模型均提供 256K 上下文窗口
- kimi-k2.5 仍然具备超强的思考能力,支持多步工具调用和推理,擅长解决复杂问题,如复杂的逻辑推理、数学问题、代码编写等。
- 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
- 申请 API Key:立即通过 API 调用测试
以下是完整的调用示例,帮助您快速上手 Kimi K2.5 多模态模型。
Kimi API 完全兼容 OpenAI 的 API 格式,你可以通过如下方式来安装 OpenAI SDK:
pip install --upgrade 'openai>=1.0'python -c 'import openai; print("version =",openai.__version__)'
# 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
import os
import base64
from openai import OpenAI
client = OpenAI(
api_key=os.environ.get("MOONSHOT_API_KEY"),
base_url="https://api.moonshot.cn/v1",
)
# 在这里,你需要将 kimi.png 文件替换为你想让 Kimi 识别的图片的地址
image_path = "kimi.png"
with open(image_path, "rb") as f:
image_data = f.read()
# 我们使用标准库 base64.b64encode 函数将图片编码成 base64 格式的 image_url
image_url = f"data:image/{os.path.splitext(image_path)[1]};base64,{base64.b64encode(image_data).decode('utf-8')}"
completion = client.chat.completions.create(
model="kimi-k2.5",
messages=[
{"role": "system", "content": "你是 Kimi。"},
{
"role": "user",
# 注意这里,content 由原来的 str 类型变更为一个 list,这个 list 中包含多个部分的内容,图片(image_url)是一个部分(part),
# 文字(text)是一个部分(part)
"content": [
{
"type": "image_url", # <-- 使用 image_url 类型来上传图片,内容为使用 base64 编码过的图片内容
"image_url": {
"url": image_url,
},
},
{
"type": "text",
"text": "请描述图片的内容。", # <-- 使用 text 类型来提供文字指令,例如“描述图片内容”
},
],
},
],
)
print(completion.choices[0].message.content)
import os
import base64
from openai import OpenAI
client = OpenAI(
api_key=os.environ.get("MOONSHOT_API_KEY"),
base_url="https://api.moonshot.cn/v1",
)
# 在这里,你需要将 kimi.mp4 文件替换为你想让 Kimi 识别的视频的地址
video_path = "kimi.mp4"
with open(video_path, "rb") as f:
video_data = f.read()
# 我们使用标准库 base64.b64encode 函数将视频编码成 base64 格式的 video_url
video_url = f"data:video/{os.path.splitext(video_path)[1]};base64,{base64.b64encode(video_data).decode('utf-8')}"
completion = client.chat.completions.create(
model="kimi-k2.5",
messages=[
{"role": "system", "content": "你是 Kimi。"},
{
"role": "user",
# 注意这里,content 由原来的 str 类型变更为一个 list,这个 list 中包含多个部分的内容,视频(video_url)是一个部分(part),
# 文字(text)是一个部分(part)
"content": [
{
"type": "video_url", # <-- 使用 video_url 类型来上传视频,内容为使用 base64 编码过的视频内容
"video_url": {
"url": video_url,
},
},
{
"type": "text",
"text": "请描述视频的内容。", # <-- 使用 text 类型来提供文字指令,例如"描述视频内容"
},
],
},
],
)
print(completion.choices[0].message.content)
图片支持 png、jpeg、webp、gif;视频支持 mp4、mpeg、mov、avi、x-flv、mpg、webm、wmv、3gpp 格式。
图片与视频进行动态token计算,可以通过 计算token接口 ,在开始理解前获取包含图片或视频的请求的token消耗。
一般说来,图片分辨率越高,消耗的token越多;视频由若干张关键帧组成,关键帧的数量越多,分辨率越高,则token消耗越多。
Vision 模型在计费方式上与 moonshot-v1 系列模型保持一致,根据模型推理的总 Tokens 计费,详情请查看:
关于token价格,详见 模型推理价格说明
我们推荐图片分辨率不超过4k (4096*2160),视频分辨率不超过2k (2048*1080),再高的分辨率只会增加处理时间,也不会对模型理解的效果有提升。
由于我们对请求体的整体大小有限制,所以对于非常大的视频,必须使用上传文件的方式使用视觉理解功能。对于需要多次引用的图片或视频,我们推荐使用文件上传的方式使用视觉理解功能。关于上传文件的限制,请参阅 文件上传 文档。
图片数量限制:Vision 模型没有图片数量限制,但请确保请求的 Body 大小不超过 100M
URL 格式的图片:不支持,目前仅支持使用 base64 编码的图片内容
在 chat 文档中有一系列参数,但对于k2.5系列模型,其行为会有所不同。
我们建议用户不要手动设置这些字段,而是使用默认值
参数变动列举如下
| 字段 | 是否必须 | 说明 | 类型 | 取值 |
|---|---|---|---|---|
| max_tokens | optional | 聊天完成时生成的最大 token 数。 | int | 默认值为32k,即32768 |
| thinking | optional | 新增 该参数控制模型是否启用思考。 | object | 默认值为{"type": "enabled"}. 只能为 {"type": "enabled"} 或 {"type": "disabled"} |
| temperature | optional | 使用什么采样温度。 | float | k2.5 系列模型将使用确定值 1.0, 非思考模式下将使用确认值 0.6。若指定其他值,将会报错。 |
| top_p | optional | 采样方法。 | float | k2.5 系列模型将使用确定值 0.95。若指定其他值,将会报错。 |
| n | optional | 为每条输入消息生成多少个结果。 | int | k2.5 系列模型将使用确定值 1。若指定其他值,将会报错。 |
| presence_penalty | optional | 存在惩罚。 | float | k2.5 系列模型将使用固定值 0.0。 若指定其他值,将会报错。 |
| frequency_penalty | optional | 频率惩罚。 | float | k2.5 系列模型将使用确定值 0.0。若指定其他值,将会报错。 |
模型 | 计费单位 | 输入价格 (缓存命中) | 输入价格 (缓存未命中) | 输出价格 | 模型上下文长度 |
|---|---|---|---|---|---|
kimi-k2.5 | 1M tokens | ¥0.70 | ¥4.00 | ¥21.00 | 262,144 tokens |
- 使用 Kimi K2.5 进行基准测试,请参考这篇 基准测试最佳实践
- Kimi K2.5 的最详细的 API 使用示例请见:使用 Kimi 视觉模型
- 在这里查看在 Claude Code, Roo Code, Cline中使用Kimi K2的方法
- 在这里查看如何配置使用思考模型
- 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
- 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