Lewati ke konten utama

Kimi K2: Panduan dengan Enam Contoh Praktis

Pelajari apa itu Kimi K2 dari Moonshot, cara mengaksesnya, dan lihat aksinya melalui enam contoh praktis yang bisa Anda gunakan.
· 8 mnt Baca

Jelajahi bersama AI

AI open-source kembali jadi sorotan: Moonshot AI baru saja merilis Kimi K2, model bahasa Mixture-of-Experts (MoE) dengan 32 miliar parameter aktif dan total satu triliun parameter.

Di blog ini, saya akan menjelaskan apa itu Kimi K2, cara mengaksesnya, dan memandu Anda melalui kasus penggunaan praktis Kimi K2. Kita akan mengeksplorasi bagaimana Kimi K2 dapat:

  • Menghasilkan konten web yang terstruktur dan responsif
  • Membuat keluaran grafis seperti SVG
  • Memfasilitasi visualisasi data interaktif dan analisis statistik
  • Mensimulasikan fenomena ilmiah yang kompleks
  • Mengembangkan gim yang menarik
  • Menyusun rencana perjalanan detail dengan fitur interaktif

Kami terus mengabarkan pembaca tentang hal terbaru di AI melalui The Median, buletin Jumat gratis kami yang mengulas kisah-kisah kunci setiap pekan. Berlangganan dan tetap tajam hanya dalam beberapa menit setiap minggu:

Apa Itu Kimi K2?

Kimi K2 adalah model bahasa rancangan Moonshot AI, menampilkan 32 miliar parameter aktif dalam kerangka besar dengan total 1 triliun parameter. Kimi K2 dioptimalkan untuk tugas-tugas agentik. Model ini dibangun untuk bertindak, mengeksekusi, dan bernalar melalui tugas kompleks yang digerakkan oleh alat. Pada akhir Januari 2026, hadir model baru, Kimi K2.5.

Kimi K2 hadir dalam dua bentuk:

  1. Kimi-K2-Base, model dasar untuk fine-tuning kustom; dan
  2. Kimi-K2-Instruct, disetel untuk percakapan tujuan umum dan eksekusi tugas otonom.

Kimi K2 menunjukkan hasil benchmark yang menjanjikan, terutama dalam pengodean agentik dan penggunaan alat:

benchmark kimi k2

Sumber: Kimi K2

Dibandingkan rekan open-source seperti DeepSeek V3, Qwen 2.5, dan LLaMA 4, Kimi K2 sering tampil lebih baik pada benchmark namun mungkin memerlukan rekayasa prompt yang cermat untuk meraih hasil optimal dalam praktik, biasanya melalui penyempurnaan iteratif. Model ini bahkan secara informal digambarkan sebagai “DeepSeek V3 dengan lebih sedikit heads dan lebih banyak experts,” mengingat arsitektur MoE dengan perutean pakar.

Walau infrastruktur API masih berkembang dan dokumentasinya dapat diuntungkan dengan kejelasan yang lebih, Kimi K2 menonjol sebagai salah satu opsi paling terjangkau saat ini. Model ini cocok untuk pengembang berpengalaman yang akrab dengan alur kerja berbasis LLM, meski pemula mungkin menghadapi kurva belajar yang lebih curam.

Bagaimana Cara Mengakses Kimi K2?

Anda dapat mengakses Kimi K2 melalui antarmuka chat dan API.

Kimi Chat

Anda bisa mengakses Kimi K2 lewat antarmuka Kimi Chat:

Selanjutnya, saya akan menjelaskan cara menyiapkan Kimi K2 via API langkah demi langkah, jadi silakan langsung lompat ke bagian contoh.

API Kimi K2

Anda juga dapat mengakses Kimi K2 melalui endpoint API. Saat ini gratis untuk kueri umum di bawah paket gratis untuk sejumlah kueri tertentu sebelum beralih ke paket berbasis kredit.

Penggunaan Paket Gratis di Kimi K2

Level pengguna untuk paket berbasis kredit

Anda memerlukan kunci API, yang dapat dibuat dari Moonshot Developer Console. Mari kita jalani proses ini langkah demi langkah.

Langkah 1: Membuat kunci API

Berikut cara mengakses Moonshot API untuk menggunakan model Kimi K2:

  1. Masuk ke console Moonshot dengan akun Gmail Anda.

Login konsol Moonshot

  1. Klik Recharge di tab penagihan dan tambahkan detail kartu Anda. Untuk tutorial ini, sekitar $5 sudah cukup. Anda mendapatkan tambahan voucher $5 pada tagihan.
  2. Buka tab API Keys dan klik Create API Key. Isi nama kunci API dan proyek (biarkan default terlebih dahulu), lalu simpan kunci API untuk digunakan nanti.

Buat kunci API untuk kimi k2

Langkah 2: Menyiapkan lingkungan Python

Sekarang, mari siapkan lingkungan untuk semua eksperimen lokal kita:

conda create -n kimi python=3.10
conda activate kimi

Kode ini membuat dan mengaktifkan lingkungan Python bernama kimi.

Langkah 3: Menyiapkan variabel global

Disarankan untuk mengekspor kunci API sebagai variabel lingkungan di terminal Anda atau menyimpannya ke file .env. Berikut cara menyimpannya di dalam lingkungan Python Anda (dalam kasus ini kimi):

export MOONSHOT_API_KEY="your_api_key"

Untuk memverifikasi apakah Moonshot API sudah disetel dengan benar sebagai variabel global di lingkungan Anda, jalankan:

echo $MOONSHOT_API_KEY

Jika Anda melihat nilai kunci saat menjalankan perintah di atas, Anda bisa lanjut; jika tidak, terlebih dahulu setel kunci sebagai variabel global. Jika Anda menyiapkan kunci API di file .env, maka simpan seperti berikut:

MOONSHOT_API_KEY=your_api_key

Sekarang, kita siap mengeksplorasi kemampuan Kimi K2.

Langkah 4: Melakukan panggilan API

Kini kunci API kita sudah siap, mari coba tugas chat completion dasar dengan model Kimi K2.

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")

Skrip Python di atas menyiapkan klien API menggunakan kunci API dan endpoint yang disediakan. Fungsi simple_chat() mengirim prompt yang sudah ditentukan ke model Kimi (kimi-k2-0711-preview) menggunakan format gaya chat dengan pesan sistem dan pengguna, lalu mencetak respons asisten.

Keluaran permintaan pengguna pertama

Contoh 1: Simulasi Situs Web

Selanjutnya, saya akan membagikan pengalaman langsung saya menguji Kimi K2 di berbagai skenario. Saya mulai dengan menghasilkan simulasi situs web sederhana menggunakan antarmuka chat Kimi K2 yang memiliki editor HTML terintegrasi, memungkinkan pengguna melakukan pratinjau kode HTML yang dihasilkan. Berikut prompt yang saya gunakan:

Prompt: Buat halaman landing SaaS yang memiliki banyak fitur

Kimi K2 membutuhkan waktu jauh lebih lama (sekitar 5 menit) untuk menghasilkan kode dibandingkan model lain yang baru-baru ini saya coba (seperti Grok 4 atau Gemini Diffusion). Namun, terlepas dari jeda awal ini, grafis dan elemen interaktif aplikasi yang dihasilkan sangat akurat. Selain itu, Kimi K2 secara efektif memanfaatkan kemampuan agentiknya untuk mengambil gambar bebas royalti yang relevan dari Unsplash untuk halaman HTML.

Contoh 2: Menghasilkan Representasi SVG

Berikutnya, saya mencoba menghasilkan beberapa representasi SVG (Scalable Vector Graphics). Meski model membutuhkan waktu untuk mengembalikan gambar SVG yang baik, pada akhirnya hasilnya cukup memuaskan.

Prompt: Buat representasi SVG seekor kupu-kupu

Awalnya, saya meminta model membuat representasi Naga, dan keluarannya hanya berupa bayangan dan warna. Namun, setelah beberapa iterasi, model menghasilkan representasi kupu-kupu yang baik.

Menghasilkan Representasi SVG dengan Kimi K2

Contoh 3: Menganalisis Dataset dengan Simulasi

Pada contoh ini, saya meminta Kimi K2 menganalisis dataset sederhana dan menyajikan temuannya melalui dasbor HTML. Berikut prompt yang saya gunakan:

Prompt: Buat dasbor HTML interaktif dengan UI yang mulus dan modern yang memungkinkan pengguna mensimulasikan dan memvisualisasikan dampak kerja jarak jauh terhadap gaji di berbagai peran pekerjaan, berdasarkan dataset ds_salaries.csv yang disediakan.

Dasbor harus mencakup komponen-komponen berikut yang ditingkatkan:

1. Kontrol Simulasi Dinamis (User Simulator):

Slider responsif dan kolom angka untuk menyesuaikan:

Premium remote (%)

Pengali khusus profil pekerjaan

Inflasi atau deflasi gaji dasar

Umpan balik waktu nyata tentang bagaimana perubahan input memengaruhi dataset

Tooltip yang menjelaskan dampak setiap parameter

2. Grafik Interaksi dan Heatmap:

Plot interaksi gaji vs profil pekerjaan × rasio remote

Tombol opsional untuk beralih antara tampilan batang, garis, atau heatmap

Sorot outlier atau interaksi yang signifikan secara statistik

3. Wawasan Statistik Waktu Nyata:

Keluaran regresi langsung (OLS, ANOVA)

Sorot p-value dan ambang signifikansi

Plot residual atau diagnostik model yang bersifat visual (jika memungkinkan)

4. Desain Antarmuka Modern:

Ramah seluler, tanpa dependensi, menggunakan HTML/CSS/JS murni

Tata letak bergaya kartu, dengan bagian yang dapat dilipat untuk kejelasan

Animasi dan transisi yang mulus, serta toggle mode gelap/terang

Pastikan seluruh output siap salin-tempel dalam satu file index.html, tanpa dependensi eksternal. Sertakan logika placeholder untuk memuat CSV melalui elemen <input type="file">. Bonus: tambahkan tabel pratinjau CSV dan opsi ekspor unduhan untuk data simulasi.

Dalam eksperimen ini dengan Kimi K2, model berhasil menerima dan memproses dataset yang diunggah, serta memperbarui kontrol simulasi dengan benar berdasarkan variabel yang diturunkan dari data. Antarmuka pengguna mendukung fitur seperti beralih antara mode gelap dan terang, memberikan pengalaman visual yang mulus.

Namun, keluaran tidak menyertakan beberapa komponen analitis kunci. Tidak ada plot interaksi, tidak ada visualisasi heatmap, dan tidak ada wawasan statistik waktu nyata seperti ringkasan regresi atau hasil ANOVA. Walau Kimi K2 menangani pembuatan struktur dan logika UI dengan baik, keterbatasannya dalam penalaran statistik dan visualisasi interaktif terlihat jelas pada kasus ini.

Contoh 4: Simulasi Sains

Tim di balik Kimi menyediakan use case untuk antarmuka chat mereka guna mengeksplorasi simulasi ilmiah dan melakukan pratinjau kode HTML di dalam antarmuka chat. Berikut prompt yang saya coba:

Prompt: Buat Simulasi Galaksi Partikel 3D

Simulasi Sains 1 dengan kimi k2

Saya mencoba melakukan beberapa penyuntingan pada simulasi untuk melihat bagaimana model beradaptasi terhadap modifikasi, seperti tampilan dari atas dengan rotasi partikel yang tepat dan ukuran partikel yang bervariasi.

Prompt Revisi: Ubah Simulasi Galaksi Partikel 3D saat ini untuk merender galaksi dari perspektif top-down (dilihat dari atas bidang galaksi). Bintang dan lengannya harus tampak sebagai pola spiral yang memancar keluar, dengan rotasi terjadi di sekitar sumbu Z (tegak lurus layar). Pastikan bahwa:

Posisi bintang terdistribusi dalam spiral datar dari tampilan atas

Kecepatan rotasi memengaruhi rotasi sudut dalam bidang XY

Tidak ada kemiringan vertikal atau ketebalan sumbu Y yang ditampilkan—rata-kan dimensi Z

Kamera/titik pandang tetap di atas galaksi (perspektif ortografis atau top-down)

Secara opsional tambahkan tonjolan pusat yang bercahaya untuk mensimulasikan inti galaksi

Pertahankan semua kontrol yang ada (jumlah bintang, jumlah lengan, zoom, kecepatan rotasi), dan pastikan regenerasi mencerminkan tata letak tampilan atas.

Prompt yang direvisi menghasilkan visualisasi yang jauh lebih baik, menunjukkan kemampuan model untuk cepat beradaptasi terhadap modifikasi prompt. Namun, slider yang disediakan dalam pratinjau bersifat dekoratif semata, tidak menawarkan interaksi bermakna atau dampak pada simulasi galaksi yang sebenarnya.

Contoh 5: Simulasi Gim

Terinspirasi oleh dokumentasi aslinya, saya mencoba meminta model untuk menghasilkan gim berbasis web yang mirip dengan gim dinosaurus yang mungkin pernah Anda mainkan saat Internet mati. Berikut prompt yang saya gunakan:

Prompt: Buat Gim Bertahan Hidup Dino 3D berbasis web.

Rancang lingkungan prasejarah dengan pohon, bebatuan, dan tebing bergaya low-poly.

Animasikan dino dengan mekanik berjalan, melompat, dan menunduk sederhana menggunakan fisika dasar (gravitasi, inersia).

Pemain mengendalikan dino menggunakan tombol WASD dan spasi untuk melompati rintangan.

Gunakan tekstur buatan tangan untuk medan dan skybox guna meniru gaya "lukisan gua" (à la Altamira), menggunakan pola prosedural alih-alih tautan gambar.

Tambahkan elemen latar seperti awan bergerak dan pterosaurus terbang untuk imersi.

Buat permukaan tanah tidak rata dan bergelombang, dengan transisi halus antar segmen medan.

Hasilkan rintangan secara acak seperti kaktus, lubang lava, atau dino lain.

Skor meningkat seiring dino bertahan lebih lama — tampilkan di kiri atas dengan penghitung bergaya Flintstones.

Tambahkan audio ambien: ketukan drum rendah dan suara hutan.

Opsional:

Sertakan mode malam dengan kunang-kunang dan mata yang menyala di semak-semak.

Gunakan Three.js atau Babylon.js jika diperlukan, tetapi fallback ke WebGL/Canvas murni jika ingin tanpa dependensi.

Di luar dugaan, versi awal gim ini tidak dapat digunakan. Saya mencoba melakukan regenerasi menggunakan prompt yang diperhalus dan lebih panjang sambil tetap dalam jendela konteks. Ini hasilnya:

Hasilnya sedikit lebih baik, tetapi mekanik permainan tidak berfungsi sebagaimana mestinya. Pengamatan ini menyoroti bahwa one-shot prompting dapat menyebabkan masalah kinerja saat mengembangkan proyek perangkat lunak lengkap, sehingga menyarankan bahwa memanfaatkan Kimi K2 dalam kerangka agentik, dengan prompting iteratif dan penyesuaian, umumnya menghasilkan hasil yang lebih baik dan lebih andal, seperti disebutkan tim pada bagian keterbatasan.

Contoh 6: Perencana Liburan

Pada contoh ini, saya mengeksplorasi kemampuan penelusuran web Kimi K2 dengan memintanya menyusun itinerary dan membagikannya dalam format halaman HTML.

Prompt: Saya merasa sangat lelah secara mental dan fisik, dan saya mencari retret kesehatan 5 hari yang sangat menyegarkan untuk mereset pikiran dan tubuh saya. Saya berbasis di San Francisco dan terbuka untuk bepergian di dalam atau di luar AS. Tolong mulai dengan mencari retret kesehatan yang selaras dengan tujuan kesehatan saya—seperti meredakan stres, detoks digital, yoga, dan pola makan bersih—dan sesuai dengan jadwal fleksibel saya. Prioritaskan opsi yang mencakup imersi alam, perawatan spa, dan aktivitas mindfulness seperti meditasi atau breathwork.

Setelah Anda menemukan retret yang ideal, rencanakan semuanya: pengaturan perjalanan (penerbangan atau transportasi lokal), pemesanan akomodasi, sesi yoga harian, pijat atau janji spa, makanan sehat (lebih disukai vegan atau vegetarian), dan pengalaman berbasis alam atau budaya di sekitar (seperti berjalan di hutan, sound bath, atau upacara minum teh).

Selain itu, periksa prakiraan cuaca untuk lokasi yang dipilih selama jendela perjalanan potensial saya dan sarankan tanggal yang optimal. Lalu susun itinerary lengkap harian, dipecah per waktu, termasuk:

Ritual dan sesi pagi

Waktu makan dan rencana diet

Aktivitas sore hari

Rutinitas penutup malam

Peluang eksplorasi lokal

Saya juga menginginkan peta rute yang indah yang menunjukkan keberangkatan saya dari San Francisco dan destinasi retret, dengan penanda untuk perhentian penting, pemandangan, atau momen menarik.

Terakhir, alih-alih menyinkronkan dengan kalender saya atau mengirim email, mohon kompilasi seluruh rencana ke dalam halaman HTML perjalanan lokal yang tampak memukau. Halaman HTML harus:

Mengikuti gaya Neo-Brutalism

Menggunakan tata letak yang tegas dan ekspresif dengan benturan desain yang disengaja

Menggunakan palet warna yang natural namun kaya (hijau lembut, abu-abu batu, cokelat pekat)

Mencakup elemen bertema wellness bergambar atau seperti digambar tangan (misalnya siluet yoga, motif matahari/bulan)

Memuat peta rute visual yang rapi dan itinerary harian yang dapat dilipat

Sepenuhnya responsif di seluler dan desktop

Perhatikan dengan saksama pilihan font dan kontras

Halaman HTML ini harus terasa menenangkan, modern, dan membumi, serta menjadi portal perencanaan wellness pribadi saya.

Prompt ini memerlukan sekitar dua iterasi bagi saya untuk menyusun itinerary dan mempratinjaunya dalam bentuk halaman HTML. Namun, informasi yang diakses melalui alat penelusuran web membantu model menyusun itinerary yang sempurna.

Kesimpulan

Kimi K2 adalah tambahan yang patut dicatat untuk ekosistem LLM open-source. Selama pengujian, model ini memberikan hasil kuat dalam pembuatan visual dan struktur, terutama saat dipandu melalui prompt bertahap atau penyempurnaan iteratif.

Meski demikian, Kimi K2 bukan tanpa cela. Responsnya bisa lambat, beberapa keluaran—khususnya dalam simulasi dan logika gim—memerlukan banyak iterasi untuk menjadi tepat, dan elemen interaktif tidak selalu berfungsi sebagaimana mestinya.

Secara keseluruhan, Kimi K2 menawarkan kapabilitas nyata bagi pengembang yang bersedia bereksperimen. Jika Anda nyaman dengan alur kerja berbasis LLM dan menginginkan kontrol lebih atas perilaku agentik dengan biaya rendah, ini adalah model yang layak dieksplorasi.

Aashi Dutt

Penulis

Aashi Dutt

Saya adalah Google Developers Expert di ML (Gen AI), Kaggle 3x Expert, dan Women Techmakers Ambassador dengan pengalaman lebih dari 3 tahun di bidang teknologi. Saya ikut mendirikan startup health-tech pada 2020 dan sedang menempuh studi magister ilmu komputer di Georgia Tech dengan spesialisasi machine learning.

Topik

Terkait

blogs

Tutorial Korelasi di R

blogs

Spaghetti Plot dan Jalur Badai

blogs

40 Pertanyaan Wawancara DBMS Teratas di 2026