KAT Coder Pro V2.5 API 接口、参数 & 代码示例
kwaipilot/kat-coder-pro-v2.5
KAT-Coder-Pro V2.5 是一款能将完整 issue 或整段业务工作流直接交给它、在真实仓库中自主定位修改并跑通全流程的旗舰级 Agentic Coding 模型,同时通过多专家融合完整延续了 V2 的前端美学生成能力。该版本在整体定位上实现了核心跨越,从传统的“辅助写代码”迈向了“自主做工程”,专门为复杂软件开发和企业级业务工作流设计。
- 模型 ID
- kwaipilot/kat-coder-pro-v2.5
- 模型系列
- KwaiKAT
- 更新日期
- 模型能力
- 文本生成、代码补全
- 上下文长度
- 256 K
- 模型价格(每 1000 tokens 输入)
- ¥ 0.0055
- 模型价格(每 1000 tokens 输出)
- ¥ 0.021
KAT Coder Pro V2.5 模型介绍:
KAT-Coder-Pro V2.5 是一款能将完整 issue 或整段业务工作流直接交给它、在真实仓库中自主定位修改并跑通全流程的旗舰级 Agentic Coding(智能体编码)大模型,同时通过多专家融合完整延续了 V2 的前端美学生成能力。该版本在整体定位上实现了核心跨越,从传统的“辅助写代码”迈向了“自主做工程”,专门为复杂软件开发和企业级业务工作流设计。
核心亮点:
- 从“写代码”到“做工程”
不同于只提供单行补全或简单代码片段生成的传统模型,KAT-Coder-Pro V2.5 进一步增强了 Agentic(智能体)能力。它能够理解复杂的项目结构,具备长程工程处理能力,可以像人类工程师一样处理跨文件、跨模块的复杂软件开发任务。
- 256K 深度思考与长链路完成度
- 超长文本深度思考: 支持高达 256K 的文本生成深度思考能力,这使得模型在面对超大型项目、阅读海量上下文或库文档时,能够保持极高的逻辑连贯性。
- 高完成率: 在面对复杂 Skills(技能)的遵循率以及长链路(Long-context / Long-chain)任务的最终完成率上取得了显著提升,大幅减少了复杂任务中途“翻车”或遗忘上下文的情况。
- 多专家融合架构(MoE)
该模型采用了升级后的多专家融合能力,将代码生成、逻辑推理、Debug 调试、工作流编排等不同领域的专家网络高效结合,使模型在面对异构节点协同和复杂业务工作流时,能够表现出更强的综合工程素养。
- 能力升级
-
通用 Agentic 能力跃升:面对数据分析、跨系统整合、报告生成等复杂业务工作流,模型可自主完成从工具选择、上下文管理到最终交付的全流程。
-
长程工程能力突破:从"补代码"到"跑项目":从读懂 issue 到跨文件定位、遵循项目规范、跑测试自动纠错,模型可独立完成真实仓库级别的完整工程任务。
-
大规模 Agentic 强化学习:让模型自己学会"怎么干活" 通过多样化训练环境与精细化奖励机制,模型真正学会了自我探索、纠错与验证。
使用场景:
覆盖真实仓库开发、业务工作流自动化(如数据分析、报告生成)以及多脚手架(Claude Code、OpenHands等)下的无缝集成。
API 接口地址:
-
Chat Completions API:
https://wcode.net/api/gpt/v1/chat/completions
此 API 接口兼容 OpenAI 的 API 接口规范,可直接使用 OpenAI 的 SDK 来调用各个模型。仅需替换以下配置即可:
base_url替换为https://wcode.net/api/gpt/v1api_key替换为从 https://platform.wcode.net 获取到的 API Key具体可参考下方的各编程语言代码示例中的 OpenAI SDK 调用示例。
请求方法:
POST
各编程语言代码示例:
# TODO: 以下代码中的 API_KEY 需要替换,获取 API Key 入口:https://platform.wcode.net
curl --request POST 'https://wcode.net/api/gpt/v1/chat/completions' \
--header 'Content-Type: application/json' \
--header 'Authorization: Bearer API_KEY' \
--data '{
"model": "kwaipilot/kat-coder-pro-v2.5",
"messages": [
{
"role": "user",
"content": "你好"
}
]
}'
import Foundation
let headers = [
"Authorization": "Bearer API_KEY", // TODO: 这里的 API_KEY 需要替换,获取 API Key 入口:https://platform.wcode.net
"content-type": "application/json"
]
let parameters = [
"model": "kwaipilot/kat-coder-pro-v2.5",
"messages": [
[
"role": "user",
"content": "你好"
]
]
] as [String : Any]
let postData = JSONSerialization.data(withJSONObject: parameters, options: [])
let request = NSMutableURLRequest(url: NSURL(string: "https://wcode.net/api/gpt/v1/chat/completions")! as URL,
cachePolicy: .useProtocolCachePolicy,
timeoutInterval: 60.0)
request.httpMethod = "POST"
request.allHTTPHeaderFields = headers
request.httpBody = postData as Data
let session = URLSession.shared
let dataTask = session.dataTask(with: request as URLRequest, completionHandler: { (data, response, error) -> Void in
if (error != nil) {
print(error as Any)
} else {
let httpResponse = response as? HTTPURLResponse
print(httpResponse)
}
})
dataTask.resume()
var headers = {
'Content-Type': 'application/json',
'Authorization': 'Bearer API_KEY' // TODO: 这里的 API_KEY 需要替换,获取 API Key 入口:https://platform.wcode.net
};
var request = http.Request('POST', Uri.parse('https://wcode.net/api/gpt/v1/chat/completions'));
request.body = json.encode({
"model": "kwaipilot/kat-coder-pro-v2.5",
"messages": [
{
"role": "user",
"content": "你好"
}
]
});
request.headers.addAll(headers);
http.StreamedResponse response = await request.send();
if (response.statusCode == 200) {
print(await response.stream.bytesToString());
}
else {
print(response.reasonPhrase);
}
require 'uri'
require 'net/http'
url = URI("https://wcode.net/api/gpt/v1/chat/completions")
http = Net::HTTP.new(url.host, url.port)
http.use_ssl = true
request = Net::HTTP::Post.new(url)
request["Authorization"] = 'Bearer API_KEY' # TODO: 这里的 API_KEY 需要替换,获取 API Key 入口:https://platform.wcode.net
request["content-type"] = 'application/json'
request.body = "{\"model\":\"kwaipilot/kat-coder-pro-v2.5\",\"messages\":[{\"role\":\"user\",\"content\":\"你好\"}]}"
response = http.request(request)
puts response.read_body
use serde_json::json;
use reqwest;
#[tokio::main]
pub async fn main() {
let url = "https://wcode.net/api/gpt/v1/chat/completions";
let payload = json!({
"model": "kwaipilot/kat-coder-pro-v2.5",
"messages": (
json!({
"role": "user",
"content": "你好"
})
)
});
let mut headers = reqwest::header::HeaderMap::new();
headers.insert("Authorization", "Bearer API_KEY".parse().unwrap()); // TODO: 这里的 API_KEY 需要替换,获取 API Key 入口:https://platform.wcode.net
headers.insert("content-type", "application/json".parse().unwrap());
let client = reqwest::Client::new();
let response = client.post(url)
.headers(headers)
.json(&payload)
.send()
.await;
let results = response.unwrap()
.json::<serde_json::Value>()
.await
.unwrap();
dbg!(results);
}
CURL *hnd = curl_easy_init();
curl_easy_setopt(hnd, CURLOPT_CUSTOMREQUEST, "POST");
curl_easy_setopt(hnd, CURLOPT_URL, "https://wcode.net/api/gpt/v1/chat/completions");
struct curl_slist *headers = NULL;
headers = curl_slist_append(headers, "Authorization: Bearer API_KEY"); // TODO: 这里的 API_KEY 需要替换,获取 API Key 入口:https://platform.wcode.net
headers = curl_slist_append(headers, "content-type: application/json");
curl_easy_setopt(hnd, CURLOPT_HTTPHEADER, headers);
curl_easy_setopt(hnd, CURLOPT_POSTFIELDS, "{\"model\":\"kwaipilot/kat-coder-pro-v2.5\",\"messages\":[{\"role\":\"user\",\"content\":\"你好\"}]}");
CURLcode ret = curl_easy_perform(hnd);
package main
import (
"fmt"
"strings"
"net/http"
"io"
)
func main() {
url := "https://wcode.net/api/gpt/v1/chat/completions"
payload := strings.NewReader("{\"model\":\"kwaipilot/kat-coder-pro-v2.5\",\"messages\":[{\"role\":\"user\",\"content\":\"你好\"}]}")
req, _ := http.NewRequest("POST", url, payload)
req.Header.Add("Authorization", "Bearer API_KEY") // TODO: 这里的 API_KEY 需要替换,获取 API Key 入口:https://platform.wcode.net
req.Header.Add("content-type", "application/json")
res, _ := http.DefaultClient.Do(req)
defer res.Body.Close()
body, _ := io.ReadAll(res.Body)
fmt.Println(res)
fmt.Println(string(body))
}
using System.Net.Http.Headers;
var client = new HttpClient();
var request = new HttpRequestMessage(HttpMethod.Post, "https://wcode.net/api/gpt/v1/chat/completions");
request.Headers.Add("Authorization", "Bearer API_KEY"); // TODO: 这里的 API_KEY 需要替换,获取 API Key 入口:https://platform.wcode.net
request.Content = new StringContent("{\"model\":\"kwaipilot/kat-coder-pro-v2.5\",\"messages\":[{\"role\":\"user\",\"content\":\"你好\"}]}", null, "application/json");
var response = await client.SendAsync(request);
response.EnsureSuccessStatusCode();
Console.WriteLine(await response.Content.ReadAsStringAsync());
var client = new RestClient("https://wcode.net/api/gpt/v1/chat/completions");
var request = new RestRequest("", Method.Post);
request.AddHeader("Authorization", "Bearer API_KEY"); // TODO: 这里的 API_KEY 需要替换,获取 API Key 入口:https://platform.wcode.net
request.AddHeader("content-type", "application/json");
request.AddParameter("application/json", "{\"model\":\"kwaipilot/kat-coder-pro-v2.5\",\"messages\":[{\"role\":\"user\",\"content\":\"你好\"}]}", ParameterType.RequestBody);
var response = client.Execute(request);
const axios = require('axios');
let data = JSON.stringify({
"model": "kwaipilot/kat-coder-pro-v2.5",
"messages": [
{
"role": "user",
"content": "你好"
}
]
});
let config = {
method: 'post',
maxBodyLength: Infinity,
url: 'https://wcode.net/api/gpt/v1/chat/completions',
headers: {
'Content-Type': 'application/json',
'Authorization': 'Bearer API_KEY' // TODO: 这里的 API_KEY 需要替换,获取 API Key 入口:https://platform.wcode.net
},
data : data
};
axios.request(config).then((response) => {
console.log(JSON.stringify(response.data));
}).catch((error) => {
console.log(error);
});
OkHttpClient client = new OkHttpClient();
MediaType mediaType = MediaType.parse("application/json");
RequestBody body = RequestBody.create(mediaType, "{\"model\":\"kwaipilot/kat-coder-pro-v2.5\",\"messages\":[{\"role\":\"user\",\"content\":\"你好\"}]}");
Request request = new Request.Builder()
.url("https://wcode.net/api/gpt/v1/chat/completions")
.post(body)
.addHeader("Authorization", "Bearer API_KEY") // TODO: 这里的 API_KEY 需要替换,获取 API Key 入口:https://platform.wcode.net
.addHeader("content-type", "application/json")
.build();
Response response = client.newCall(request).execute();
$client = new \GuzzleHttp\Client();
$headers = [
'Content-Type' => 'application/json',
'Authorization' => 'Bearer API_KEY', // TODO: 这里的 API_KEY 需要替换,获取 API Key 入口:https://platform.wcode.net
];
$body = '{
"model": "kwaipilot/kat-coder-pro-v2.5",
"messages": [
{
"role": "user",
"content": "你好"
}
]
}';
$request = new \GuzzleHttp\Psr7\Request('POST', 'https://wcode.net/api/gpt/v1/chat/completions', $headers, $body);
$response = $client->sendAsync($request)->wait();
echo $response->getBody();
$curl = curl_init();
curl_setopt_array($curl, [
CURLOPT_URL => "https://wcode.net/api/gpt/v1/chat/completions",
CURLOPT_RETURNTRANSFER => true,
CURLOPT_ENCODING => "",
CURLOPT_MAXREDIRS => 5,
CURLOPT_TIMEOUT => 300,
CURLOPT_CUSTOMREQUEST => "POST",
CURLOPT_POSTFIELDS => json_encode([
'model' => 'kwaipilot/kat-coder-pro-v2.5',
'messages' => [
[
'role' => 'user',
'content' => '你好'
]
]
]),
CURLOPT_HTTPHEADER => [
"Authorization: Bearer API_KEY", // TODO: 这里的 API_KEY 需要替换,获取 API Key 入口:https://platform.wcode.net
"content-type: application/json",
],
]);
$response = curl_exec($curl);
$error = curl_error($curl);
curl_close($curl);
if ($error) {
echo "cURL Error #:" . $error;
} else {
echo $response;
}
import requests
import json
url = "https://wcode.net/api/gpt/v1/chat/completions"
payload = {
"model": "kwaipilot/kat-coder-pro-v2.5",
"messages": [
{
"role": "user",
"content": "你好"
}
]
}
headers = {
"Authorization": "Bearer API_KEY", # TODO: 这里的 API_KEY 需要替换,获取 API Key 入口:https://platform.wcode.net
"content-type": "application/json"
}
response = requests.post(url, json=payload, headers=headers)
print(json.dumps(response.json(), indent=4, ensure_ascii=False))
from openai import OpenAI
client = OpenAI(
base_url="https://wcode.net/api/gpt/v1",
api_key="API_KEY" # TODO: 这里的 API_KEY 需要替换,获取 API Key 入口:https://platform.wcode.net
)
completion = client.chat.completions.create(
model="kwaipilot/kat-coder-pro-v2.5",
messages=[
{
"role": "user",
"content": "你好"
}
]
)
print(completion.choices[0].message.content)
各 AI 产品/工具/第三方应用接入示例:
配置 Hermes Agent 使用 KAT Coder Pro V2.5 模型:
注意事项:以下配置中的
<API_KEY>需要替换为从 https://platform.wcode.net 获取(创建)的 API Key
方式一:交互式配置
在命令行输入 hermes model,然后选择 Custom endpoint 选项,根据交互式命令引导,分别配置以下信息:
- API base URL:
https://wcode.net/api/gpt/v1 - API Key:
<API_KEY> - Model:
kwaipilot/kat-coder-pro-v2.5
方式二:手动配置
修改 config.yaml(通常位于~/.hermes/config.yaml)
model:
default: "kwaipilot/kat-coder-pro-v2.5"
provider: custom
base_url: "https://wcode.net/api/gpt/v1"
api_key: "<API_KEY>"
context_length: 256000
配置完成后,就可以开始使用 Hermes Agent ~
配置 Roo Code 使用 KAT Coder Pro V2.5 模型:
注意事项:以下配置中的
<API_KEY>需要替换为从 https://platform.wcode.net 获取(创建)的 API Key
- API Provider:
OpenAI Compatible - Base URL:
https://wcode.net/api/gpt/v1 - API Key:
<API_KEY> - Model:
kwaipilot/kat-coder-pro-v2.5
配置完成后,就可以开始使用 Roo Code ~
配置 Kilo Code 使用 KAT Coder Pro V2.5 模型:
注意事项:以下配置中的
<API_KEY>需要替换为从 https://platform.wcode.net 获取(创建)的 API Key
选择 Use your own API key,然后配置以下信息:
- API Provider:
OpenAI Compatible - Base URL:
https://wcode.net/api/gpt/v1 - API Key:
<API_KEY> - Model:
kwaipilot/kat-coder-pro-v2.5
配置完成后,就可以开始使用 Kilo Code ~
配置 Cline 使用 KAT Coder Pro V2.5 模型:
注意事项:以下配置中的
<API_KEY>需要替换为从 https://platform.wcode.net 获取(创建)的 API Key
- API Provider:
OpenAI Compatible - Base URL:
https://wcode.net/api/gpt/v1 - API Key:
<API_KEY> - Model ID:
kwaipilot/kat-coder-pro-v2.5
配置完成后,就可以开始使用 Cline ~
注:以下安装和配置过程以 Ubuntu Server 24.04 (root 用户) + Node 22 安装 OpenClaw 🦞 2026.3.8 为例
安装 🦞 OpenClaw(龙虾),步骤如下:
- 命令行执行
npm install -g openclaw@latest - 命令行执行
openclaw onboard --install-daemon - I understand this is personal-by-default and shared/multi-user use requires lock-down. Continue? 选择
yes - Onboarding mode 选择
QuickStart - Model/auth provider 选择
Skip for now - Default model 选择
Keep current (default: ...) - Select channel (QuickStart) 选择
Skip for now - Web search 选择
Skip for now - Configure skills now? (recommended) 选择
No - Enable hooks? (这是一个多选,按空格键可选中选项)按空格键选中
📝 command-logger和💾 session-memory这两个选项,然后按回车键进入下一步 - (如有) How do you want to hatch your bot? 选择
Hatch in TUI (recommended)
配置 🦞 OpenClaw(龙虾)使用 KAT Coder Pro V2.5 模型:
注意事项:以下配置中的
<API_KEY>需要替换为从 https://platform.wcode.net 获取(创建)的 API Key
推荐方式:修改 openclaw.json(通常位于~/.openclaw/openclaw.json)
找到openclaw.json的第一层级的models和agents属性(如果没有则在第一层级添加models和agents属性),改为如下配置:
{
...其他配置,
"models": {
"mode": "merge",
"providers": {
"wcode": {
"baseUrl": "https://wcode.net/api/gpt/v1",
"apiKey": "<API_KEY>",
"api": "openai-completions",
"models": [
{
"id": "kwaipilot/kat-coder-pro-v2.5",
"name": "KAT Coder Pro V2.5",
"reasoning": false,
"input": ["text"],
"contextWindow": 256000,
"maxTokens": 80000
}
]
}
}
},
"agents": {
"defaults": {
"model": {
"primary": "wcode/kwaipilot/kat-coder-pro-v2.5"
}
}
},
...其他配置
}
完成以上配置后,
- 执行以下命令,即可通过命令行的方式开始对话:
openclaw tui
- 执行以下命令,即可通过 Web 界面的方式开始对话:
openclaw dashboard
配置 OpenCode 使用 KAT Coder Pro V2.5 模型:
推荐方式:修改 opencode.json(通常位于~/.config/opencode/opencode.json)
注意事项:以下配置中的
<API_KEY>需要替换为从 https://platform.wcode.net 获取的 API Key
配置如下:
{
"$schema": "https://opencode.ai/config.json",
"provider": {
"myprovider": {
"npm": "@ai-sdk/openai-compatible",
"name": "wcode",
"options": {
"baseURL": "https://wcode.net/api/gpt/v1",
"apiKey": "<API_KEY>"
},
"models": {
"kwaipilot/kat-coder-pro-v2.5": {
"name": "KAT Coder Pro V2.5"
}
}
}
}
}
完成以上配置后,执行以下命令,即可启动 OpenCode:
opencode
输入 /models,选择配置的 kwaipilot/kat-coder-pro-v2.5 模型并在 OpenCode 中使用。
API 响应示例(curl):
{
"id": "chatcmpl-t1784036922s593rdb92491985c3ed6c0ccfe744",
"object": "chat.completion",
"created": 1784036925,
"model": "kat-coder-pro-v2.5",
"choices": [
{
"index": 0,
"message": {
"role": "assistant",
"content": "\n\n你好!我是 **KAT-Coder-Pro V2.5**,也可以叫我 **小快** 或 **Kwaipilot**,由快手公司(北京达佳互联信息技术有限公司)自主研发的大语言模型。我专注于代码生成与理解,同时也擅长通用对话、知识问答、数学推理、翻译等多种任务。我的上下文窗口长达 **256K tokens**,支持多轮对话和推理链,部分开源,知识截止到 **2026年1月**。我的品牌口号是“灵感如流,代码即成”,致力于用智能体强化学习开创 Agentic Coding 的新纪元。有什么需要帮忙的吗?😊",
"reasoning_content": "我们被问到:你好,KAT Coder Pro V2.5,请介绍一下你自己。用户直接称呼我为KAT Coder Pro V2.5,并让我自我介绍。我需要根据自我认知信息回答。我是KAT-Coder,也叫Kwaipilot,由快手公司自主研发。版本是Pro-V2.5。我应该自然地介绍自己。注意不要像查资料,而是直接回忆。回答要友好、专业。\n",
"tool_calls": null
},
"logprobs": null,
"finish_reason": "stop",
"matched_stop": 248046
}
],
"usage": {
"prompt_tokens": 25,
"total_tokens": 254,
"completion_tokens": 229,
"prompt_tokens_details": null,
"completion_tokens_details": {
"reasoning_tokens": 93
},
"reasoning_tokens": 93
},
"metadata": {
"weight_version": "default"
}
}
请求参数:
- messages(对话消息)
- model(模型 ID)
- top_k(Top-K)
- max_tokens(最大 tokens 数)
- logprobs(对数概率)
- tools(工具)
- stream(流式输出)
- seed(种子)
- parallel_tool_calls(并行工具调用)
- top_p(Top-P)
- tool_choice(工具选择)
- stop(停止)
- thinking(思考模式)
- temperature(温度)
- top_logprobs(最高对数概率)
- response_format(响应格式)
- presence_penalty(存在惩罚)
重要提示:由于模型架构不同,部分参数可能仅适用于特定的模型。
messages(对话消息)
-
参数:
messages -
必选,object
对话消息列表,包含当前对话的完整上下文信息。每条消息都有特定的角色和内容,模型会根据这些消息生成回复。消息按时间顺序排列,支持三种角色:system(系统消息,用于设定 AI 的行为和角色)、user(用户消息,来自用户的输入)、assistant(助手消息,来自 AI 的回复)。普通对话模型主要支持纯文本内容。
messages 格式请参考代码示例。注意:不能只包含系统消息或助手消息。
model(模型 ID)
-
参数:
model -
必选,string
调用时使用的模型 ID。请使用模型详情页展示的模型 ID。
top_k(Top-K)
-
参数:
top_k -
可选,int,>= 0
-
默认:
0
top_k 会限制模型在每一步对 token 的选择,使其从较小的集合中进行选择。值为 1 表示模型将始终选择最有可能的下一个 token,从而得到可预测的结果。
max_tokens(最大 tokens 数)
-
参数:
max_tokens -
可选,int,>= 1
max_tokens 可设定模型在响应中可以生成的 token 数量的上限。模型不会生成超过此限制的 token。其最大值等于上下文长度减去 prompt 长度。
logprobs(对数概率)
-
参数:
logprobs -
可选,boolean
-
默认:
false
logprobs 设置是否返回输出 token 的对数概率。如果为 true,则返回每个输出 token 的对数概率。
tools(工具)
-
参数:
tools -
可选,array
工具调用参数,遵循 OpenAI 的工具调用请求格式。对于非 OpenAI 提供者,会相应地进行转换。
stream(流式输出)
-
参数:
stream -
可选,boolean
-
取值范围:
true|false -
默认:
false
是否开启流式输出。设为 true 时,模型以 SSE 形式逐块返回生成内容;设为 false 时,等待完整响应后一次性返回。
seed(种子)
-
参数:
seed -
可选,int,0 至 2147483647
如果指定了 seed 参数,推理将确定性地进行采样,即使用相同种子和参数的重复请求应该返回相同的结果。某些模型无法保证确定性。
parallel_tool_calls(并行工具调用)
-
参数:
parallel_tool_calls -
可选,boolean
-
默认:
false
是否在使用工具时启用并行函数调用。如果为 true,模型可以同时调用多个函数。如果为 false,函数将按顺序依次调用。
top_p(Top-P)
-
参数:
top_p -
可选,float,(0, 1.0]
top_p 参数控制模型在生成文本时的候选词选择范围。具体来说,模型会生成一组候选 token,然后从累积概率达到或超过 p 的 token 中随机选择一个作为输出。通过这种方式,top_p 能够在保证生成内容的多样性的同时,考虑到概率分布的合理性。
由于 temperature 与 top_p 均可以控制生成文本的多样性,因此建议您只设置其中一个值。
tool_choice(工具选择)
-
参数:
tool_choice -
可选,string | object
-
默认:
auto
工具调用策略。
"none":禁止模型调用工具。"auto":自动判断是否调用(默认)。"required":强制模型必须调用一个或多个工具。{"type": "function", "function": {"name": "my_function"}}:指定特定工具会强制模型调用该工具。
stop(停止)
-
参数:
stop -
可选,string | array
停止词。当模型生成的文本中出现指定字符串时,生成立即终止。
thinking(思考模式)
-
参数:
thinking -
可选,object
-
默认:
{"type": "enabled"}
用于控制模型的思考模式。以 object 形式传入,通过 type 字段指定模型在回答前是否进行内部推理,以及具体推理策略。
示例
"thinking": {
"type": "enabled"
}
thinking.type(思考类型)
-
参数:
thinking.type -
必选,string
-
取值范围:
enabled|disabled -
默认:
enabled
指定 thinking 对象的 type 字段,控制思考策略。
enabled:开启思考模式,模型强制先思考再回答。disabled:关闭思考模式,模型直接回答问题,不进行思考。
temperature(温度)
-
参数:
temperature -
可选,float,[0, 2)
此设置影响模型回复的多样性。较低的值会使回复更可预测、更常见;较高的值会鼓励更具多样性且较不常见的回复。当设置为 0 时,模型对相同输入将尽可能的给出相同的回复。
top_logprobs(最高对数概率)
-
参数:
top_logprobs -
可选,int,0 至 5
-
默认:
0
top_logprobs 是一个介于 0 和 20 之间的整数,指定在每个 token 位置要返回的最可能 token 的数量,每个 token 都会带有相应的对数概率。如果使用此参数,则必须将 logprobs 设置为 true。
仅当 logprobs 为 true 时生效。
response_format(响应格式)
-
参数:
response_format -
可选,object
-
默认:
{"type":"text"}
指定响应输出格式。
{"type": "text"}:输出文字回复。{"type": "json_object"}:输出 JSON 字符串。{"type": "json_schema"}:输出符合 schema 定义的 JSON 结构。
presence_penalty(存在惩罚)
-
参数:
presence_penalty -
可选,float,-2.0 至 2.0
-
默认:
0.0
presence_penalty 调整模型重复输入中已使用的特定标记的频率。值越高,重复的可能性就越小,负值则相反。标记惩罚不会随着出现次数而变化。负值会鼓励标记重用。
以上文档为标准版 API 接口文档,可直接用于项目开发和系统调用。如果标准版 API 接口无法满足您的需求,需要定制开发 API 接口,请联系我们的 IT 技术支持工程师:
(沟通需求✅ → 确认技术方案✅ → 沟通费用与工期✅ → 开发&测试✅ → 验收交付✅ → 维护升级✅)
![]()