> ## Documentation Index > Fetch the complete documentation index at: https://platform.kimi.com/docs/llms.txt > Use this file to discover all available pages before exploring further. # Kimi K2.6 ## Kimi K2.6 模型介绍 Kimi K2.6 是 Kimi 最新最智能的模型，Kimi K2.6 的通用 Agent、代码、视觉理解等综合能力得到全面提升，其中在博士级难度的完整版人类最后的考试（Humanity's Last Exam）、在考察模型真实软件工程能力的 SWE-Bench Pro、评估 Agent 深度检索能力的 DeepSearchQA 等基准测试中均取得行业领先的成绩，同时支持文本、图片与视频输入，思考与非思考模式，对话与 Agent 任务。[技术Blog](https://www.kimi.com/blog/kimi-k2-6) kimi-k2.6 ### 长程编码能力突破 * Kimi K2.6 作为国内领先的 Coding 模型，在长程代码任务中的表现取得了突破，面对不同编程语言（如 Rust、Go、Python）和任务场景（如前端、运维、性能优化）均具备更可靠的泛化能力。 ### 超长上下文支持 * `kimi-k2.6`、`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 ### 长思考能力 * Kimi K2.6 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。 ## 立即开始 * [立即体验](https://platform.kimi.com/playground)：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](https://platform.kimi.com/console/api-keys)：立即通过 API 调用测试 ## 调用示例 以下是完整的调用示例，帮助您快速上手 Kimi K2.6 多模态模型。 ### 安装 OpenAI SDK 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： ```python theme={null} pip install --upgrade 'openai>=1.0' ``` ### 验证安装结果 ```python theme={null} 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 ``` ### 图片理解代码示例 ```python theme={null} 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].lstrip('.')};base64,{base64.b64encode(image_data).decode('utf-8')}" completion = client.chat.completions.create( model="kimi-k2.6", 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) ``` ### 视频理解代码示例 ```python theme={null} 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].lstrip('.')};base64,{base64.b64encode(video_data).decode('utf-8')}" completion = client.chat.completions.create( model="kimi-k2.6", 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) ``` ### 多模态工具能力示例 Kimi K2.6 模型综合了多种能力。以下是一个展示 K2.6 视觉理解+工具调用能力的示例。 首先将这个示例视频下载到本地，比如 `/path/to/test_video.mp4` 然后运行以下代码 ```python theme={null} import base64 import json import os import subprocess import tempfile from pathlib import Path from openai import OpenAI tools = [{ "type": "function", "function": { "name": "watch_video_clip", "description": "Watch a video file or a sub-clip of it. If start_time and end_time are not provided, the entire video will be returned.", "parameters": { "type": "object", "properties": { "path": { "type": "string", "description": "The path to the video file to watch" }, "start_time": { "type": "number", "description": "The start time of the clip in seconds (optional, defaults to 0)" }, "end_time": { "type": "number", "description": "The end time of the clip in seconds (optional, defaults to end of video)" } }, "required": ["path"] } } }] def watch_video_clip(path: str, start_time: float | None = None, end_time: float | None = None) -> list[dict]: """ Watch a video file or a sub-clip of it. Args: path: The path to the video file to watch start_time: The start time in seconds (optional, defaults to 0) end_time: The end time in seconds (optional, defaults to end of video) Returns: A list of content blocks in MultiModal Tool API format """ video_path = Path(path) if not video_path.exists(): raise FileNotFoundError(f"Video file not found: {path}") # Get video duration if needed if start_time is None and end_time is None: # Return entire video with open(path, "rb") as f: video_base64 = base64.b64encode(f.read()).decode("utf-8") return [ {"type": "video_url", "video_url": {"url": f"data:video/mp4;base64,{video_base64}"}}, {"type": "text", "text": f"Full video: {video_path.name}"} ] # Get video duration for defaults probe = subprocess.run( ["ffprobe", "-v", "quiet", "-print_format", "json", "-show_format", path], capture_output=True, text=True ) duration = float(json.loads(probe.stdout)["format"]["duration"]) start_time = start_time or 0 end_time = end_time or duration clip_duration = end_time - start_time # Extract clip with tempfile.NamedTemporaryFile(suffix=".mp4", delete=False) as tmp: tmp_path = tmp.name try: subprocess.run([ "ffmpeg", "-y", "-ss", str(start_time), "-i", path, "-t", str(clip_duration), "-c:v", "libx264", "-c:a", "aac", "-preset", "fast", "-crf", "23", "-movflags", "+faststart", "-loglevel", "error", tmp_path ], check=True) with open(tmp_path, "rb") as f: video_base64 = base64.b64encode(f.read()).decode("utf-8") return [ {"type": "video_url", "video_url": {"url": f"data:video/mp4;base64,{video_base64}"}}, {"type": "text", "text": f"Clip from {video_path.name}: {start_time}s - {end_time}s"} ] finally: if os.path.exists(tmp_path): os.unlink(tmp_path) client = OpenAI( api_key=os.environ.get("MOONSHOT_API_KEY"), base_url="https://api.moonshot.cn/v1" ) def agent_loop(user_message: str): """Simple agent loop with multimodal tool support.""" messages = [ {"role": "system", "content": "You are a video analysis assistant. Use watch_video_clip to examine specific portions of videos."}, {"role": "user", "content": user_message} ] while True: response = client.chat.completions.create( model="kimi-k2.6", messages=messages, tools=tools, tool_choice="auto" ) message = response.choices[0].message messages.append(message.model_dump()) # No tool calls = done if not message.tool_calls: return message.content # Execute tool calls for tool_call in message.tool_calls: if tool_call.function.name == "watch_video_clip": args = json.loads(tool_call.function.arguments) result = watch_video_clip( path=args["path"], start_time=args.get("start_time"), end_time=args.get("end_time") ) # Multimodal tool result messages.append({ "role": "tool", "tool_call_id": tool_call.id, "content": result }) # Usage answer = agent_loop("分析 /path/to/test_video.mp4 这个视频的 8-13 秒发生了什么") print(answer) ``` ## 最佳实践 ### 支持的格式 图片支持 png、jpeg、webp、gif；视频支持 mp4、mpeg、mov、avi、x-flv、mpg、webm、wmv、3gpp 格式。 ### Tokens 计算及费用 图片与视频进行动态token计算，可以通过 [计算token接口](/api/estimate) ，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](/pricing/chat-k26) ### 分辨率说明 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。 ### 上传文件还是base64 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](/api/files-upload) 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 ## 参数变动说明 在 [chat](/api/chat) 文档中有一系列参数，但对于 K2.6/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 | k2.6/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 | k2.6/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 | k2.6/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 | k2.6/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 | k2.6/k2.5 系列模型将使用确定值 0.0。若指定其他值，将会报错。 | ## Tool Use 参数兼容性 当使用工具时，若thinking设置值为`{"type": "enabled"}`，请注意，为了确保模型的性能，会有以下约束： * 为了避免思考内容与指定的 `tool_choice` 冲突，`tool_choice` 只能使用"auto"和"none"（默认值为"auto"），取任何其他值将会报错； * 在多步工具调用过程中，您必须在将本轮会话中工具调用时assistant message里的 `reasoning_content` 保留在上下文当中，否则会报错； * 官方内置的 builtin 的联网搜索 `$web_search` 工具暂时与 Kimi K2.6/Kimi K2.5思考模式不兼容，可以选择先关闭思考模式后使用联网搜索工具 `$web_search`。 您可以参考[如何使用思考模型](/guide/use-kimi-k2-thinking-model)正确使用工具调用。 ### K2.6 禁用思考能力示例 对于 `kimi-k2.6`, `kimi-k2.5` 模型，提供禁用思考能力的选项，需要在请求体中指定 `"thinking": {"type": "disabled"}`： ```bash theme={null} $ curl https://api.moonshot.cn/v1/chat/completions \ -H "Content-Type: application/json" \ -H "Authorization: Bearer $MOONSHOT_API_KEY" \ -d '{ "model": "kimi-k2.6", "messages": [ {"role": "user", "content": "你好"} ], "thinking": {"type": "disabled"} }' ``` ```python theme={null} import os import openai client = openai.Client( base_url="https://api.moonshot.cn/v1", api_key=os.getenv("MOONSHOT_API_KEY"), ) response = client.chat.completions.create( model="kimi-k2.6", messages=[ {"role": "user", "content": "你好"} ], extra_body={ "thinking": {"type": "disabled"} }, # 通过 extra_body 参数，传递额外请求体，从而禁用思考能力 max_tokens=1024*32 # 无需设置temperature ) print(response.choices[0].message.content) print(response) ``` ## 模型价格 关于token价格，详见 [模型推理价格说明](/pricing/chat-k26) ## 了解更多 * 使用 Kimi 模型进行基准测试，请参考这篇 [基准测试最佳实践](/guide/benchmark-best-practice) * Kimi K2.6 的最详细的 API 使用示例请见：[使用 Kimi 视觉模型](/guide/use-kimi-vision-model) * 在这里查看在 [Claude Code, Roo Code, Cline中使用 Kimi模型](/guide/agent-support)的方法 * 在这里查看如何配置使用[思考模型](/guide/use-kimi-k2-thinking-model) * 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](/guide/use-web-search)，以及其他[官方工具](/guide/use-official-tools) * 在这里查看全部[模型价格](/pricing/chat)，[充值与限速说明](/pricing/limits)，[联网搜索价格说明](/pricing/tools)