मुख्य सामग्री पर जाएँ

Kimi K2: छह व्यावहारिक उदाहरणों के साथ एक गाइड

जानें Moonshot के Kimi K2 के बारे में, इसे कैसे एक्सेस करें, और छह व्यावहारिक उदाहरणों में इसे काम करते देखें।
· 8 मि॰ पढ़ें

AI के साथ खोजें

ओपन-सोर्स AI फिर सुर्खियों में है: Moonshot AI ने हाल ही में Kimi K2 जारी किया है—एक Mixture-of-Experts (MoE) भाषा मॉडल, जिसमें 32 बिलियन सक्रियित पैरामीटर और कुल एक ट्रिलियन पैरामीटर हैं।

इस ब्लॉग में, मैं बताऊंगा कि Kimi K2 क्या है, इसे कैसे एक्सेस करें, और इसके व्यावहारिक उपयोग मामलों के जरिए आपका मार्गदर्शन करूंगा। हम देखेंगे कि Kimi K2 कैसे:

  • स्ट्रक्चर्ड और उत्तरदायी वेब सामग्री जेनरेट कर सकता है
  • SVG जैसी ग्राफिकल आउटपुट बना सकता है
  • इंटरएक्टिव डेटा विज़ुअलाइज़ेशन और सांख्यिकीय विश्लेषण को सक्षम कर सकता है
  • जटिल वैज्ञानिक घटनाओं का सिमुलेशन कर सकता है
  • रोचक गेम विकसित कर सकता है
  • इंटरएक्टिव फीचर्स के साथ विस्तृत यात्रा कार्यक्रम बना सकता है

हम अपने पाठकों को AI की ताज़ा खबरों से अपडेट रखते हैं The Median के जरिए—हमारा निःशुल्क शुक्रवार का न्यूज़लेटर जो हफ्ते की प्रमुख ख़बरों को सरलता से पेश करता है। कुछ ही मिनटों में अपडेट रहने के लिए सब्सक्राइब करें:

Kimi K2 क्या है?

Kimi K2 Moonshot AI द्वारा डिज़ाइन किया गया एक भाषा मॉडल है, जिसमें 1 ट्रिलियन कुल पैरामीटर के ढांचे में 32 बिलियन सक्रियित पैरामीटर हैं। Kimi K2 को एजेंटिक कार्यों के लिए ऑप्टिमाइज़ किया गया है। यह जटिल, टूल-चालित कार्यों पर कार्रवाई करने, निष्पादित करने और तर्क करने के लिए बनाया गया है। जनवरी 2026 के अंत तक, एक नया मॉडल भी आया है, Kimi K2.5।

Kimi K2 दो रूपों में आता है:

  1. Kimi-K2-Base, कस्टम फाइन-ट्यूनिंग के लिए एक आधार मॉडल; और
  2. Kimi-K2-Instruct, जो जनरल-पर्पज़ चैट और स्वायत्त कार्य निष्पादन के लिए ट्यून किया गया है।

Kimi K2 बेंचमार्क में आशाजनक परिणाम दिखाता है, खासकर एजेंटिक कोडिंग और टूल उपयोग में:

kimi k2 benchmarks

स्रोत: Kimi K2

अपने ओपन-सोर्स समकक्षों जैसे DeepSeek V3, Qwen 2.5, और LLaMA 4 की तुलना में, Kimi K2 अक्सर बेंचमार्क पर बेहतर प्रदर्शन करता है, लेकिन व्यवहार में सर्वश्रेष्ठ परिणाम पाने के लिए सावधानीपूर्वक प्रॉम्प्ट इंजीनियरिंग की आवश्यकता हो सकती है—आमतौर पर क्रमिक परिष्करण के माध्यम से। इसके एक्सपर्ट-रूटिंग MoE आर्किटेक्चर को देखते हुए, इसे अनौपचारिक रूप से “कम हेड्स और अधिक एक्सपर्ट्स वाला DeepSeek V3” भी कहा गया है।

हालांकि API इन्फ्रास्ट्रक्चर अभी विकसित हो रहा है और दस्तावेज़ीकरण और स्पष्ट हो सकता है, Kimi K2 वर्तमान में उपलब्ध सबसे किफायती विकल्पों में से एक है। यह LLM-आधारित वर्कफ़्लो से परिचित अनुभवी डेवलपर्स के लिए उपयुक्त है, हालांकि शुरुआती लोगों के लिए सीखने की कर्व थोड़ी तीखी हो सकती है।

Kimi K2 तक कैसे पहुँचें?

आप Kimi K2 को चैट इंटरफ़ेस और API के माध्यम से एक्सेस कर सकते हैं।

Kimi Chat

आप Kimi Chat इंटरफ़ेस के जरिए Kimi K2 तक पहुँच सकते हैं:

अब मैं चरण-दर-चरण API के जरिए Kimi K2 सेटअप करना समझाऊंगा, तो चाहें तो सीधे उदाहरणों वाले सेक्शन पर जाएँ।

Kimi K2 API

आप Kimi K2 को API एंडपॉइंट के जरिए भी एक्सेस कर सकते हैं। सामान्य क्वेरीज़ के लिए यह फिलहाल फ्री टियर में कुछ निश्चित क्वेरीज़ तक मुफ़्त है, उसके बाद क्रेडिट-आधारित टियर पर स्विच हो जाता है।

Free Tier usage in Kimi K2

User level for credit based tier

आपको एक API की की आवश्यकता होगी, जो Moonshot Developer Console से जनरेट किया जा सकता है। आइए इस प्रक्रिया को चरण-दर-चरण समझते हैं।

चरण 1: API की जनरेट करना

Kimi K2 मॉडल तक पहुँचने के लिए Moonshot API का उपयोग ऐसे करें:

  1. अपने Gmail खाते से Moonshot कंसोल में लॉगिन करें।

Moonshot console login

  1. बिलिंग टैब के अंतर्गत Recharge पर क्लिक करें और अपने कार्ड विवरण जोड़ें। इस ट्यूटोरियल के लिए, लगभग $5 पर्याप्त हैं। आपको बिल पर अतिरिक्त $5 वाउचर के रूप में मिलते हैं।
  2. API Keys टैब पर जाएँ और Create API Key पर क्लिक करें। API की का नाम और प्रोजेक्ट भरें (शुरुआत में डिफ़ॉल्ट रहने दें), और भविष्य के लिए API की सहेज लें।

Create an API key for kimi k2

चरण 2: Python एनवायरनमेंट सेट करना

अब आइए अपने सभी लोकल प्रयोगों के लिए एक एनवायरनमेंट सेट करें:

conda create -n kimi python=3.10
conda activate kimi

यह कोड kimi नाम का एक Python एनवायरनमेंट बनाता और सक्रिय करता है।

चरण 3: एक ग्लोबल वेरिएबल सेट करना

अनुशंसा है कि आप API की को अपने टर्मिनल में एनवायरनमेंट वेरिएबल के रूप में एक्सपोर्ट करें या उसे .env फ़ाइल में सेव करें। अपने Python एनवायरनमेंट (kimi इस मामले में) के भीतर इसे ऐसे सेव करें:

export MOONSHOT_API_KEY="your_api_key"

यह जाँचने के लिए कि Moonshot API आपके एनवायरनमेंट में ग्लोबल वेरिएबल के रूप में सही सेट हुआ है या नहीं, यह चलाएँ:

echo $MOONSHOT_API_KEY

यदि ऊपर दिए कमांड को चलाने पर आपको की का मान दिखता है, तो आप आगे बढ़ सकते हैं; वरना पहले की को ग्लोबल वेरिएबल के रूप में सेट करें। अगर आप API की को .env फ़ाइल में सेट कर रहे हैं, तो उसे ऐसे सेव करें:

MOONSHOT_API_KEY=your_api_key

अब हम Kimi K2 की क्षमताओं का अन्वेषण करने के लिए तैयार हैं।

चरण 4: एक API कॉल करना

अब जब हमारा API की सेट हो गया है, तो Kimi K2 मॉडल के साथ एक बेसिक चैट कंप्लीशन टास्क आजमाते हैं।

from openai import OpenAI
import os
MOONSHOT_API_KEY = os.getenv("MOONSHOT_API_KEY", "your-moonshot-api-key")
client = OpenAI(
    api_key=MOONSHOT_API_KEY,
    base_url="https://api.moonshot.ai/v1"
)
def simple_chat(model_name: str):
    messages = [
        {"role": "system", "content": "You are Kimi, an AI assistant created by Moonshot AI."},
        {"role": "user", "content": "Explain LLM to a 5-year-old."}
    ]
    response = client.chat.completions.create(
        model=model_name,
        messages=messages,
        stream=False,
        temperature=0.6,
        max_tokens=256
    )
    print(response.choices[0].message.content)
simple_chat("kimi-k2-0711-preview")

ऊपर दिया Python स्क्रिप्ट, दिए गए API की और एंडपॉइंट का उपयोग करके API क्लाइंट सेट करता है। simple_chat() फ़ंक्शन सिस्टम और यूज़र संदेशों वाले चैट-शैली फ़ॉर्मेट में Kimi मॉडल (kimi-k2-0711-preview) को एक पूर्वनिर्धारित प्रॉम्प्ट भेजता है, जो फिर सहायक की प्रतिक्रिया प्रिंट करता है। 

First user request output

उदाहरण 1: वेबसाइट सिमुलेशन

अगले चरण में, मैं विभिन्न परिदृश्यों में Kimi K2 का परीक्षण करने का अपना प्रत्यक्ष अनुभव साझा करूंगा। मैंने Kimi K2 के चैट इंटरफ़ेस के इंटीग्रेटेड HTML एडिटर का उपयोग करके एक सरल वेबसाइट सिमुलेशन जेनरेट करने से शुरुआत की, जो उपयोगकर्ताओं को जेनरेटेड HTML कोड का प्रीव्यू दिखाने देता है। यह रहा मेरा प्रॉम्प्ट:

प्रॉम्प्ट: ऐसा SaaS लैंडिंग पेज बनाइए जिसमें कई फीचर्स हों

मेरे द्वारा हाल में आज़माए गए अन्य मॉडलों (जैसे Grok 4 या Gemini Diffusion) की तुलना में, Kimi K2 को कोड जेनरेट करने में काफी अधिक समय लगा (लगभग 5 मिनट)। फिर भी, इस शुरुआती देरी के बावजूद, नतीजे में बनी एप्लिकेशन की ग्राफिक्स और इंटरएक्टिव एलिमेंट्स काफी सटीक थे। साथ ही, Kimi K2 ने अपने एजेंटिक कौशल का उपयोग करते हुए HTML पेज के लिए Unsplash से एक उपयुक्त रॉयल्टी-फ्री इमेज भी प्राप्त की।

उदाहरण 2: SVG प्रतिरूप बनाना

इसके बाद, मैंने कुछ SVG (Scalable Vector Graphics) प्रतिरूप जेनरेट करने की कोशिश की। यद्यपि मॉडल को एक अच्छा SVG इमेज देने में कुछ समय लगा, अंततः इसका परिणाम अच्छा रहा।

प्रॉम्प्ट: एक तितली का SVG प्रतिरूप बनाइए

शुरू में, मैंने मॉडल से ड्रैगन का प्रतिरूप बनाने को कहा था, और आउटपुट सिर्फ कुछ शेडोज़ और रंगों तक सीमित था। लेकिन कुछ इटरेशन के बाद, मॉडल ने तितली का अच्छा प्रतिरूप जेनरेट कर दिया।

Generating SVG Representations with Kimi K2

उदाहरण 3: सिमुलेशन के साथ डेटा सेट का विश्लेषण

इस उदाहरण में, मैंने Kimi K2 से एक सरल डेटा सेट का विश्लेषण करने और अपने निष्कर्षों को HTML डैशबोर्ड के जरिए प्रस्तुत करने को कहा। यह रहा मेरा प्रॉम्प्ट:

प्रॉम्प्ट: एक इंटरएक्टिव HTML डैशबोर्ड बनाइए जिसमें स्मूद और मॉडर्न UI हो, जो ds_salaries.csv डेटा सेट के आधार पर विभिन्न जॉब रोल्स में रिमोट वर्क का वेतन पर प्रभाव सिमुलेट और विज़ुअलाइज़ करने दे।

डैशबोर्ड में ये उन्नत घटक शामिल हों:

1. डायनेमिक सिमुलेशन कंट्रोल्स (यूज़र सिमुलेटर):

समायोजन के लिए रिस्पॉन्सिव स्लाइडर इनपुट्स और नंबर फ़ील्ड्स:

रिमोट प्रीमियम (%)

जॉब-प्रोफ़ाइल-विशिष्ट मल्टिप्लायर

बेस सैलरी का मुद्रास्फीति या अपस्फीति समायोजन

इनपुट बदलने से डेटा सेट पर क्या प्रभाव पड़ता है—इसका रियल-टाइम फ़ीडबैक

हर पैरामीटर के प्रभाव की व्याख्या करने वाले टूलटिप्स

2. इंटरेक्शन ग्राफ़ और हीटमैप्स:

सैलरी बनाम जॉब प्रोफ़ाइल × रिमोट रेशियो इंटरेक्शन प्लॉट

बार, लाइन, या हीटमैप व्यू के बीच स्विच करने के वैकल्पिक टॉगल्स

आउटलायर्स या सांख्यिकीय रूप से महत्वपूर्ण इंटरेक्शंस को हाइलाइट करें

3. रियल-टाइम सांख्यिकीय इनसाइट्स:

लाइव रिग्रेशन आउटपुट (OLS, ANOVA)

p-values और सिग्निफिकेंस थ्रेशहोल्ड्स को हाइलाइट करें

विज़ुअल रेसिडुअल प्लॉट्स या मॉडल डायग्नॉस्टिक्स (यदि संभव हो)

4. मॉडर्न इंटरफ़ेस डिज़ाइन:

मोबाइल-फ्रेंडली, ज़ीरो-डिपेंडेंसी डिज़ाइन—वेनिला HTML/CSS/JS का उपयोग

कार्ड-स्टाइल लेआउट, स्पष्टता के लिए कोलैप्सिबल सेक्शन

स्मूद एनिमेशन, ट्रांज़िशन्स, और डार्क/लाइट टॉगल

सारा आउटपुट एक ही index.html फ़ाइल में कॉपी-पेस्ट के लिए तैयार हो, कोई बाहरी निर्भरता न हो। <input type="file"> एलिमेंट के जरिए CSV लोड करने के लिए प्लेसहोल्डर लॉजिक शामिल करें। बोनस: CSV प्रीव्यू टेबल और सिमुलेटेड डेटा के डाउनलोड-एक्सपोर्ट विकल्प जोड़ें।

इस प्रयोग में Kimi K2 ने अपलोड किए गए डेटा सेट को सफलतापूर्वक स्वीकार और प्रोसेस किया, तथा डेटा से निकाले गए वेरिएबल्स के आधार पर सिमुलेशन कंट्रोल्स को सही ढंग से अपडेट किया। यूज़र इंटरफ़ेस में डार्क और लाइट मोड के बीच स्विच करने जैसे फ़ीचर्स मौजूद थे, जो एक स्मूद विज़ुअल अनुभव देते हैं।

हालाँकि, आउटपुट में कई प्रमुख विश्लेषणात्मक घटक गायब थे। कोई इंटरेक्शन प्लॉट नहीं था, न ही हीटमैप विज़ुअलाइज़ेशन, और न ही रियल-टाइम सांख्यिकीय इनसाइट्स जैसे रिग्रेशन समरी या ANOVA परिणाम। जबकि Kimi K2 ने स्ट्रक्चरल जेनरेशन और UI लॉजिक को अच्छी तरह संभाला, इस उपयोग मामले में सांख्यिकीय तर्क और इंटरएक्टिव विज़ुअलाइज़ेशन की सीमाएँ स्पष्ट रहीं।

उदाहरण 4: विज्ञान सिमुलेशन

Kimi की टीम ने अपने चैट इंटरफ़ेस के लिए एक उपयोग मामला दिया, जिसमें वैज्ञानिक सिमुलेशन का अन्वेषण और चैट इंटरफ़ेस के भीतर उनके HTML कोड का प्रीव्यू शामिल है। यहाँ वे प्रॉम्प्ट हैं जो मैंने आज़माए:

प्रॉम्प्ट: एक 3D पार्टिकल गैलेक्सी सिमुलेशन बनाइए

Science Simulation 1 with kimi k2

मैंने सिमुलेशन में कुछ बदलाव करने की कोशिश की ताकि देखा जा सके कि मॉडल संशोधनों के अनुसार कैसे अनुकूलित होता है—जैसे टॉप व्यू, सही पार्टिकल रोटेशन और विभिन्न पार्टिकल आकार।

संशोधित प्रॉम्प्ट: मौजूदा 3D पार्टिकल गैलेक्सी सिमुलेशन को इस तरह संशोधित कीजिए कि गैलेक्सी ऊपर से (गैलेक्टिक प्लेन के ऊपर से देखे जाने) के टॉप-डाउन परिप्रेक्ष्य से रेंडर हो। तारे और आर्म्स बाहर की ओर फैलते सर्पिल पैटर्न के रूप में दिखें, जिसमें रोटेशन Z-अक्ष (स्क्रीन के लंबवत) के चारों ओर हो। सुनिश्चित करें कि:

टॉप व्यू से तारों की पोज़िशन्स फ्लैट सर्पिल में वितरित हों

रोटेशन स्पीड XY प्लेन के भीतर कोणीय रोटेशन को प्रभावित करे

कोई वर्टिकल टिल्ट या Y-अक्ष की मोटाई न दिखे—Z-डायमेंशन को फ्लैट करें

कैमरा/व्यू-पॉइंट गैलेक्सी के ऊपर फिक्स हो (ऑर्थोग्राफ़िक या टॉप-डाउन परिप्रेक्ष्य)

वैकल्पिक रूप से, गैलेक्टिक कोर का सिमुलेशन करने के लिए एक केंद्रीय चमकदार उभार जोड़ें

सभी मौजूदा कंट्रोल्स (स्टार काउंट, आर्म काउंट, ज़ूम, रोटेशन स्पीड) बनाए रखें, और सुनिश्चित करें कि रीजेनेरेशन टॉप-व्यू लेआउट को दर्शाए।

संशोधित प्रॉम्प्ट से विज़ुअलाइज़ेशन में काफ़ी सुधार हुआ, जो यह दर्शाता है कि मॉडल प्रॉम्प्ट में बदलावों के अनुरूप तेज़ी से अनुकूलित हो सकता है। हालाँकि, प्रीव्यू में दिए गए स्लाइडर केवल सजावटी थे—वे वास्तविक गैलेक्सी सिमुलेशन पर कोई सार्थक इंटरएक्शन या प्रभाव नहीं डाल रहे थे।

उदाहरण 5: गेम सिमुलेशन

मूल दस्तावेज़ीकरण से प्रेरित होकर, मैंने मॉडल को एक वेब-आधारित गेम बनाने के लिए प्रॉम्प्ट किया—कुछ वैसा जैसा आप इंटरनेट न होने पर डायनासोर गेम खेलते हैं। यह रहा मेरा प्रॉम्प्ट:

प्रॉम्प्ट: एक वेब-आधारित 3D डिनो सर्वाइवल गेम बनाइए।

लो-पॉली स्टाइल के पेड़, चट्टानें और चट्टानी धारों वाला प्रागैतिहासिक वातावरण डिज़ाइन करें।

बेसिक फिज़िक्स (ग्रैविटी, इनर्शिया) का उपयोग करके साधारण चलना, कूदना और झुकना जैसी गतियों के साथ डिनो को एनिमेट करें।

खिलाड़ी WASD कीज़ से डिनो को नियंत्रित करे और स्पेसबार से बाधाओं के ऊपर से कूदे।

टेर्रेन और स्काईबॉक्स के लिए हैंड-कोडेड टेक्स्चर का उपयोग करें ताकि “गुफ़ा चित्रकला” शैली (Altamira की तर्ज़ पर) उभरे—इमेज लिंक्स के बजाय प्रोसिजरल पैटर्न अपनाएँ।

पृष्ठभूमि में चलने वाले बादल और उड़ते हुए प्टेरोसाॅर जैसे तत्व जोड़ें ताकि डूबने जैसा अनुभव हो।

भूमि को असमान और उबड़-खाबड़ बनाइए, टेर्रेन सेगमेंट्स के बीच स्मूद ट्रांज़िशन्स हों।

कैक्टस, लावा पिट्स, या अन्य डिनो जैसी बाधाएँ रैंडम रूप से जेनरेट करें।

जैसे-जैसे डिनो ज़्यादा देर तक जीवित रहे, स्कोर बढ़े—टॉप-लेफ्ट में Flintstones-स्टाइल काउंटर के साथ दिखाएँ।

एंबिएंट ऑडियो जोड़ें: धीमी ढोल की थाप और जंगल की आवाज़ें।

वैकल्पिक:

नाइट मोड शामिल करें, जिसमें जुगनू और झाड़ियों में चमकती आंखें हों।

जरूरत हो तो Three.js या Babylon.js का उपयोग करें, लेकिन यदि ज़ीरो-डिपेंडेंसी रखना है तो शुद्ध WebGL/Canvas पर फ़ॉलबैक करें।

मेरी उम्मीद के विपरीत, इस गेम का शुरुआती संस्करण उपयोग-योग्य नहीं था। मैंने परिष्कृत और लंबा प्रॉम्प्ट देकर, संदर्भ विंडो के भीतर रहते हुए, इसे दोबारा जेनरेट करने की कोशिश की। यह रहा परिणाम:

नतीजा थोड़ा बेहतर रहा, लेकिन गेमप्ले मैकेनिक्स इच्छानुसार काम नहीं कर रहे थे। यह अवलोकन बताता है कि पूर्ण सॉफ़्टवेयर प्रोजेक्ट विकसित करते समय वन-शॉट प्रॉम्प्टिंग प्रदर्शन समस्याएँ पैदा कर सकती है। टीम द्वारा लिमिटेशंस सेक्शन में बताए अनुसार, Kimi K2 को एजेंटिक फ़्रेमवर्क में, क्रमिक प्रॉम्प्टिंग और समायोजन के साथ उपयोग करना सामान्यतः बेहतर और अधिक भरोसेमंद नतीजे देता है।

उदाहरण 6: हॉलिडे प्लानर

इस उदाहरण में, मैंने Kimi K2 के वेब सर्च पक्ष का अन्वेषण किया—उसे एक यात्रा कार्यक्रम बनाने और उसे HTML पेज फ़ॉर्मेट में साझा करने के लिए कहा।

प्रॉम्प्ट: मैं मानसिक और शारीरिक रूप से थका हुआ महसूस कर रहा/रही हूँ और अपने मन और शरीर को रीसेट करने के लिए एक गहराई से पुनरुत्थानकारी 5-दिवसीय वेलनेस रिट्रीट की तलाश में हूँ। मेरा बेस सैन फ़्रांसिस्को है और मैं अमेरिका के भीतर या बाहर यात्रा के लिए तैयार हूँ। कृपया पहले ऐसे वेलनेस रिट्रीट खोजें जो मेरे स्वास्थ्य लक्ष्यों—जैसे तनाव से राहत, डिजिटल डिटॉक्स, योग, और स्वच्छ खानपान—से मेल खाते हों और मेरे लचीले शेड्यूल में फिट बैठते हों। प्रकृति में डूबने, स्पा ट्रीटमेंट्स, और मेडिटेशन या ब्रीथवर्क जैसी माइंडफुल गतिविधियों वाले विकल्पों को प्राथमिकता दें।

एक बार आदर्श रिट्रीट मिल जाने पर, सब कुछ प्लान करें: यात्रा व्यवस्थाएँ (फ़्लाइट्स या लोकल ट्रांसपोर्ट), आवास बुकिंग, दैनिक योग सेशन, मसाज या स्पा अपॉइंटमेंट्स, हेल्दी मील्स (वेजन या वेजिटेरियन वरीय), और आसपास के प्रकृति-आधारित या सांस्कृतिक अनुभव (जैसे जंगल में वॉक, साउंड बाथ, या टी सेरेमनी)।

इसके अलावा, चुने गए स्थान के लिए मेरी संभावित यात्रा विंडो के दौरान मौसम का पूर्वानुमान जाँचें और इष्टतम तिथियों का सुझाव दें। फिर समयानुसार विभाजित एक पूरा दैनिक यात्रा कार्यक्रम तैयार करें, जिसमें शामिल हों:

सुबह की दिनचर्या और सत्र

भोजन और आहार योजना

दोपहर की गतिविधियाँ

शाम की विश्रांति दिनचर्या

स्थानीय अन्वेषण के अवसर

मैं एक सुंदर रूट मैप भी चाहूँगा/चाहूँगी, जो मेरे सैन फ़्रांसिस्को से प्रस्थान और रिट्रीट गंतव्य को दर्शाए, और महत्वपूर्ण स्टॉप, दर्शनीय स्थल, या रुचि के क्षणों के लिए मार्कर दिखाए।

अंत में, मेरी कैलेंडर सिंक करने या ईमेल भेजने के बजाय, कृपया पूरे प्लान को एक दृश्य रूप से शानदार लोकल HTML ट्रैवल पेज में संकलित करें। HTML पेज में ये हों:

Neo-Brutalism शैली का पालन

इरादतन डिज़ाइन क्लैश के साथ बोल्ड, अभिव्यंजक लेआउट

अर्थी लेकिन समृद्ध रंग पट्टी (मुलायम हरे, पत्थरीले ग्रे, गहरे भूरे)

हैंड-ड्रॉन या इलस्ट्रेटेड वेलनेस-थीम्ड एलिमेंट्स शामिल हों (जैसे योग सिल्हूट, सूरज/चांद के मोटिफ़)

साफ़-सुथरा विज़ुअल रूट मैप और कोलैप्सिबल दैनिक यात्रा कार्यक्रम

मोबाइल और डेस्कटॉप पर पूरी तरह रिस्पॉन्सिव

फ़ॉन्ट चयन और कंट्रास्ट पर विशेष ध्यान

यह HTML पेज शांत, आधुनिक और ज़मीन से जुड़ा महसूस हो, और मेरा व्यक्तिगत वेलनेस प्लानिंग पोर्टल बने।

इस प्रॉम्प्ट में मुझे लगभग दो इटरेशन लगे यात्रा कार्यक्रम तैयार करने और उसे HTML पेज के रूप में प्रीव्यू करने में। हालाँकि, वेब सर्च टूल से मिली जानकारी ने मॉडल को एक बेहतरीन यात्रा कार्यक्रम तैयार करने में मदद की।

निष्कर्ष

Kimi K2 ओपन-सोर्स LLM इकोसिस्टम के लिए एक उल्लेखनीय जोड़ है। मेरे परीक्षण के दौरान, इसने विज़ुअल और स्ट्रक्चरल जेनरेशन में मज़बूत परिणाम दिए—खासकर जब इसे चरणबद्ध प्रॉम्प्ट्स या क्रमिक परिष्करण के जरिए निर्देशित किया गया।

इसके बावजूद, Kimi K2 त्रुटिरहित नहीं है। यह कभी-कभी धीमे प्रतिक्रिया देता है, कुछ आउटपुट—विशेष रूप से सिमुलेशन और गेम लॉजिक में—सही होने के लिए कई इटरेशन मांगते हैं, और इंटरएक्टिव एलिमेंट्स हमेशा इच्छित रूप से काम नहीं करते।

कुल मिलाकर, Kimi K2 उन डेवलपर्स के लिए वास्तविक क्षमताएँ पेश करता है जो प्रयोग करने को तैयार हैं। यदि आप LLM-आधारित वर्कफ़्लोज़ में सहज हैं और कम लागत पर एजेंटिक व्यवहार पर अधिक नियंत्रण चाहते हैं, तो यह मॉडल खोज के लायक है।

Aashi Dutt

लेखक

Aashi Dutt

LinkedInTwitter

मैं एमएल (Gen AI) में Google Developers Expert, Kaggle 3x Expert, और Women Techmakers एंबेसडर हूँ, तथा तकनीक क्षेत्र में 3+ वर्षों का अनुभव रखती हूँ। मैंने 2020 में एक हेल्थ-टेक स्टार्टअप की सह-स्थापना की और वर्तमान में Georgia Tech से कंप्यूटर विज्ञान में मास्टर कर रही हूँ, जिसमें मेरा विशेषज्ञता क्षेत्र मशीन लर्निंग है।

विषय

कृत्रिम बुद्धिमत्ताबड़े भाषा मॉडल