Ana içeriğe geç

Kimi K2: Altı Pratik Örnekle Bir Rehber

Moonshot'un Kimi K2'sinin ne olduğunu, nasıl erişileceğini öğrenin ve kullanabileceğiniz altı pratik örnekle onu iş başında görün.
· 8 dk. oku

Yapay Zeka ile Keşfedin

Açık kaynak yapay zekâ yeniden gündemde: Moonshot AI kısa süre önce Kimi K2'yi yayımladı. Bu, 32 milyar etkin ve toplamda bir trilyon parametreye sahip bir Uzman Karışımı (MoE) dil modelidir.

Bu blogda Kimi K2'nin ne olduğunu, nasıl erişileceğini açıklayacağım ve sizi Kimi K2'nin pratik kullanım örnekleriyle yönlendireceğim. Kimi K2'nin şunları nasıl yapabildiğini keşfedeceğiz:

  • Yapılandırılmış ve duyarlı web içeriği üretme
  • SVG gibi grafik çıktılar oluşturma
  • Etkileşimli veri görselleştirme ve istatistiksel analizi kolaylaştırma
  • Karmaşık bilimsel olguları simüle etme
  • Etkileyici oyunlar geliştirme
  • Etkileşimli özelliklerle ayrıntılı seyahat planları hazırlama

Okurlarımızı en güncel yapay zekâ gelişmelerinden haberdar etmek için The Median adlı ücretsiz Cuma bültenimizi gönderiyoruz; bu bülten haftanın önemli haberlerini özetler. Abone olun, haftada sadece birkaç dakikada güncel kalın:

Kimi K2 Nedir?

Kimi K2, Moonshot AI tarafından tasarlanmış, 1 trilyon toplam parametrelik kapsamlı bir çerçevede 32 milyar etkin parametreye sahip bir dil modelidir. Kimi K2, ajan temelli görevler için optimize edilmiştir. Karmaşık, araç odaklı görevlerde eyleme geçmek, yürütmek ve akıl yürütmek üzere tasarlanmıştır. 2026 Ocak ayı sonunda, yeni bir model olan Kimi K2.5 bulunmaktadır.

Kimi K2 iki biçimde gelir:

  1. Kimi-K2-Base, özel ince ayar için temel bir model; ve
  2. Kimi-K2-Instruct, genel amaçlı sohbet ve otonom görev yürütme için ayarlanmış bir model.

Kimi K2, özellikle ajan temelli kodlama ve araç kullanımı alanlarında umut verici karşılaştırma sonuçları gösteriyor:

kimi k2 benchmarks

Kaynak: Kimi K2

Açık kaynaklı muadilleri olan DeepSeek V3, Qwen 2.5 ve LLaMA 4 ile karşılaştırıldığında Kimi K2, kıyaslamalarda sıklıkla daha iyi performans gösterir; ancak pratikte en iyi sonuçları almak için genellikle yinelemeli iyileştirme yoluyla dikkatli istem tasarımı gerektirebilir. Uzman yönlendirmeli MoE mimarisi göz önüne alındığında, gayriresmî olarak “daha az kafa ve daha fazla uzmanla DeepSeek V3” olarak da anılmıştır.

API altyapısı hâlâ olgunlaşma aşamasında ve dokümantasyon daha net olabilir; buna karşın Kimi K2, şu anda mevcut en uygun fiyatlı seçeneklerden biri olarak öne çıkıyor. LLM tabanlı iş akışlarına aşina deneyimli geliştiriciler için oldukça uygun; ancak yeni başlayanlar daha dik bir öğrenme eğrisiyle karşılaşabilir.

Kimi K2'ye Nasıl Erişilir?

Kimi K2'ye sohbet arayüzü ve API üzerinden erişebilirsiniz.

Kimi Chat

Kimi K2'ye Kimi Chat arayüzü üzerinden erişebilirsiniz:

Sırada, Kimi K2'yi API üzerinden adım adım nasıl kuracağımı anlatacağım; dilerseniz doğrudan örnekler bölümüne geçebilirsiniz.

Kimi K2 API

Kimi K2'ye bir API uç noktası üzerinden de erişebilirsiniz. Şu anda, belirli bir sorgu sayısına kadar ücretsiz katmanda genel sorgular için ücretsizdir; sonrasında kredi tabanlı katmana geçilir.

Free Tier usage in Kimi K2

User level for credit based tier

Bir API anahtarına ihtiyacınız olacak; bu anahtarı Moonshot Geliştirici Konsolu'ndan oluşturabilirsiniz. Bu süreci adım adım inceleyelim.

Adım 1: API anahtarı oluşturma

Kimi K2 modeline erişmek için Moonshot API'sine nasıl erişileceği aşağıda açıklanmıştır:

  1. Gmail hesabınızla Moonshot konsoluna giriş yapın.

Moonshot console login

  1. Faturalandırma sekmesinde Recharge seçeneğine tıklayın ve kart bilgilerinizi ekleyin. Bu eğitim için yaklaşık 5 $ yeterlidir. Faturada ayrıca 5 $ tutarında bir kupon kazanırsınız.
  2. API Keys sekmesine gidin ve Create API Key seçeneğine tıklayın. API anahtarı adını ve projeyi (başlangıçta varsayılan bırakın) doldurun ve API anahtarını ileride kullanmak üzere kaydedin.

Create an API key for kimi k2

Adım 2: Python ortamı kurma

Şimdi, tüm yerel denemelerimiz için bir ortam kuralım:

conda create -n kimi python=3.10
conda activate kimi

Bu kod, kimi adlı bir Python ortamı oluşturur ve etkinleştirir.

Adım 3: Genel değişken ayarlama

API anahtarını terminalinizde bir ortam değişkeni olarak dışa aktarmanız veya bir .env dosyasına kaydetmeniz önerilir. İşte Python ortamınızda (kimi bu örnekte) nasıl kaydedileceği:

export MOONSHOT_API_KEY="your_api_key"

Moonshot API'nin ortamınızda genel bir değişken olarak doğru şekilde ayarlanıp ayarlanmadığını doğrulamak için şunu çalıştırın:

echo $MOONSHOT_API_KEY

Yukarıdaki komutu çalıştırdığınızda anahtar değerini görürseniz devam edebilirsiniz; aksi hâlde önce anahtarı genel değişken olarak ayarlayın. API anahtarını bir .env dosyasında ayarlıyorsanız, şu şekilde kaydedin:

MOONSHOT_API_KEY=your_api_key

Artık Kimi K2'nin yeteneklerini keşfetmeye hazırız.

Adım 4: API çağrısı yapma

API anahtarımız ayarlandığına göre, Kimi K2 modeliyle temel bir sohbet tamamlama görevi deneyelim.

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")

Yukarıdaki Python betiği, sağlanan API anahtarı ve uç noktayı kullanarak API istemcisini ayarlar. simple_chat() işlevi, sistem ve kullanıcı mesajlarıyla sohbet tarzı bir format kullanarak Kimi modeline (kimi-k2-0711-preview) önceden tanımlı bir istem gönderir ve ardından asistanın yanıtını yazdırır. 

First user request output

Örnek 1: Web Sitesi Simülasyonu

Sıradaki aşamada, Kimi K2'yi farklı senaryolarda test etme deneyimimi paylaşacağım. Önce, Kimi K2'nin sohbet arayüzü'ne entegre HTML düzenleyicisini kullanarak basit bir web sitesi simülasyonu oluşturdum; bu düzenleyici, üretilen HTML kodunun önizlenmesini sağlar. Kullandığım istem şu şekildeydi:

İstem: Birçok özelliği olan bir SaaS açılış sayfası oluşturun

Kimi K2, son dönemde denediğim diğer modellere (ör. Grok 4 veya Gemini Diffusion) kıyasla kod üretmekte belirgin şekilde daha uzun süre (yaklaşık 5 dakika) aldı. Ancak bu ilk gecikmeye rağmen, ortaya çıkan uygulamanın grafik ve etkileşimli unsurları oldukça isabetliydi. Ayrıca Kimi K2, HTML sayfası için Unsplash'ten ilgili telifsiz bir görsel getirmek üzere ajan kabiliyetlerini etkili şekilde kullandı.

Örnek 2: SVG Temsilleri Oluşturma

Sonrasında birkaç SVG (Ölçeklenebilir Vektör Grafikleri) temsili üretmeyi denedim. Model iyi bir SVG görsel döndürmek için biraz zaman alsa da, nihayetinde başarılı bir iş çıkardı.

İstem: Bir kelebeğin SVG temsili oluşturun

İlk başta modelden bir Ejderha temsili oluşturmasını istedim ve çıktı yalnızca bazı gölgeler ve renklerden ibaretti. Ancak birkaç yinelemeden sonra model iyi bir kelebek temsili üretti.

Generating SVG Representations with Kimi K2

Örnek 3: Simülasyonla Bir Veri Kümesini Analiz Etme

Bu örnekte Kimi K2'den basit bir veri kümesini analiz etmesini ve bulgularını bir HTML gösterge paneli üzerinden sunmasını istedim. Kullandığım istem şu şekildeydi:

İstem: Verilen ds_salaries.csv veri kümesine dayanarak, kullanıcıların çeşitli iş rolleri genelinde uzaktan çalışmanın maaşlara etkilerini simüle edip görselleştirebileceği, akıcı ve modern bir kullanıcı arayüzüne sahip etkileşimli bir HTML gösterge paneli oluşturun.

Gösterge paneli aşağıdaki geliştirilmiş bileşenleri içermelidir:

1. Dinamik Simülasyon Kontrolleri (Kullanıcı Simülatörü):

Aşağıdakileri ayarlamak için duyarlı kaydırıcı girişleri ve sayı alanları:

Uzaktan çalışma primi (%)

İş profiline özgü çarpanlar

Temel maaşta enflasyon veya deflasyon

Girdi değişikliklerinin veri kümesini nasıl etkilediğine dair gerçek zamanlı geri bildirim

Her parametrenin etkisini açıklayan araç ipuçları (tooltip)

2. Etkileşim Grafikleri ve Isı Haritaları:

Maaş vs iş profili × uzaktan çalışma oranı etkileşim grafiği

Çubuk, çizgi veya ısı haritası görünümleri arasında geçiş için isteğe bağlı anahtarlar

Aykırı değerleri veya istatistiksel olarak anlamlı etkileşimleri vurgulama

3. Gerçek Zamanlı İstatistiksel İçgörüler:

Canlı regresyon çıktısı (OLS, ANOVA)

p-değerleri ve anlamlılık eşiklerini vurgulama

Görsel artık (residual) grafikleri veya model teşhisleri (mümkünse)

4. Modern Arayüz Tasarımı:

Mobil uyumlu, sıfır bağımlılık tasarım; yalın HTML/CSS/JS kullanımı

Kart tarzı düzen; açıklık için daraltılabilir bölümler

Yumuşak animasyonlar, geçişler ve koyu/açık mod geçişi

Tüm çıktının, harici bağımlılık olmadan, tek bir index.html dosyasında kopyala-yapıştır hazır olmasını sağlayın. CSV yüklemek için bir <input type="file"> öğesi üzerinden yer tutucu mantık ekleyin. Bonus: Simüle edilmiş veriler için CSV önizleme tablosu ve indirme-dışa aktarma seçenekleri ekleyin.

Bu Kimi K2 deneyinde model, yüklenen veri kümesini başarıyla kabul edip işledi ve verilerden türetilen değişkenlere göre simülasyon kontrollerini doğru şekilde güncelledi. Kullanıcı arayüzü, koyu ve açık modlar arasında geçiş gibi özellikleri destekleyerek akıcı bir görsel deneyim sundu.

Bununla birlikte, çıktı birkaç temel analitik bileşenden yoksundu. Etkileşim grafiği yoktu, ısı haritası görselleştirmeleri bulunmuyordu ve regresyon özetleri veya ANOVA sonuçları gibi gerçek zamanlı istatistiksel içgörüler sağlanmamıştı. Kimi K2 yapısal üretim ve arayüz mantığını iyi yönetmiş olsa da, bu kullanım senaryosunda istatistiksel akıl yürütme ve etkileşimli görselleştirmedeki sınırlamaları belirgindi.

Örnek 4: Bilim Simülasyonu

Kimi'nin arkasındaki ekip, sohbet arayüzlerinde bilimsel simülasyonları keşfetmek ve HTML kodlarını sohbet içinde önizlemek için bir kullanım örneği sundu. Denediğim istemler şunlardı:

İstem: 3B Parçacık Gökadası Simülasyonu oluşturun

Science Simulation 1 with kimi k2

Simülasyona birkaç düzenleme yaparak modelin değişikliklere nasıl uyum sağladığını görmek istedim; örneğin uygun parçacık dönüşüne ve değişen parçacık boyutuna sahip üstten görünüm.

Gözden Geçirilmiş İstem: Mevcut 3B Parçacık Gökadası Simülasyonunu, gökada düzleminin üstünden bakılıyormuş gibi üstten aşağı bir perspektiften oluşturacak şekilde değiştirin. Yıldızlar ve kollar, Z ekseni (ekrana dik) etrafında dönüş olacak şekilde dışa doğru yayılan spiral bir desen olarak görünmelidir. Şunları sağlayın:

Yıldız konumları üstten görünümde düz bir spiral içinde dağıtılmıştır

Dönüş hızı, XY düzlemi içinde açısal dönüşü etkiler

Dikey eğim veya Y ekseni kalınlığı gösterilmez — Z boyutunu düzleştirin

Kamera/bakış noktası gökadanın üzerinde sabittir (ortografik veya üstten görünüm)

İsteğe bağlı olarak galaktik çekirdeği simüle etmek için merkezde ışıltılı bir çıkıntı ekleyin

Mevcut tüm kontrolleri (yıldız sayısı, kol sayısı, yakınlaştırma, dönüş hızı) koruyun ve yeniden üretimin üstten görünüm düzenini yansıttığından emin olun.

Gözden geçirilmiş istem çok daha iyi bir görselleştirme sağladı ve modelin istem değişikliklerine hızla uyum sağlama yeteneğini gösterdi. Ancak önizlemede sunulan kaydırıcılar tamamen süs niteliğindeydi; gerçek gökada simülasyonu üzerinde anlamlı bir etkileşim veya etki sunmadılar.

Örnek 5: Oyun Simülasyonu

Orijinal dokümantasyondan ilhamla, modelden internetin kesik olduğu zamanlarda oynamış olabileceğiniz dinozor oyununa benzer bir web tabanlı oyun üretmesini istedim. Kullandığım istem şöyleydi:

İstem: Web tabanlı bir 3B Dino Hayatta Kalma Oyunu oluşturun.

Düşük poligonlu ağaçlar, kayalar ve uçurumlarla tarih öncesi bir ortam tasarlayın.

Dinozoru basit yürüme, zıplama ve çömelme mekaniğiyle (yerçekimi, eylemsizlik) canlandırın.

Oyuncu, engellerin üzerinden zıplamak için WASD tuşları ve boşluk tuşuyla dinozoru kontrol eder.

Arazi ve gök kubbe için el kodlu dokular kullanarak, resim bağlantıları yerine yordamlı desenlerle Altamira tarzı bir "mağara resmi" havası verin.

Daldırma (immersiyon) için hareketli bulutlar ve uçan pterosaurlar gibi arka plan öğeleri ekleyin.

Zemin düzensiz ve tümsekli olsun; arazi segmentleri arasında yumuşak geçişler bulunsun.

Rastgele engeller oluşturun: kaktüsler, lav çukurları veya diğer dinozorlar gibi.

Skor, dinozor daha uzun süre hayatta kaldıkça artsın — sol üstte Çakmaktaşlar tarzı bir sayaçla gösterin.

Ortam sesleri ekleyin: düşük davul sesleri ve orman sesleri.

İsteğe bağlı:

Ateşböceklerinin ve çalılıklarda parlayan gözlerin olduğu bir gece modu ekleyin.

Gerekirse Three.js veya Babylon.js kullanın; ancak sıfır bağımlılık korunacaksa saf WebGL/Canvas'a geri dönün.

Şaşırtıcı şekilde, oyunun ilk sürümü kullanılamaz durumdaydı. Bağlam penceresi içinde kalarak daha rafine ve daha uzun bir istemle yeniden üretmeyi denedim. Sonuç şöyle oldu:

Sonuç bir nebze daha iyiydi ancak oynanış mekaniği amaçlandığı gibi çalışmadı. Bu gözlem, eksiksiz yazılım projeleri geliştirirken tek atımlık istemlerin performans sorunlarına yol açabileceğini; Kimi K2'yi yinelemeli istemler ve ayarlamalarla, ajan temelli bir çerçevede kullanmanın, ekip tarafından da sınırlamalar bölümünde belirtildiği gibi, genellikle daha iyi ve güvenilir sonuçlar verdiğini ortaya koyuyor.

Örnek 6: Tatil Planlayıcı

Bu örnekte, Kimi K2'nin web araması yeteneğini, ondan bir gezi planı hazırlayıp bunu bir HTML sayfası biçiminde paylaşmasını isteyerek inceledim.

İstem: Zihinsel ve fiziksel olarak tükenmiş hissediyorum ve zihnimi ve bedenimi sıfırlamama yardımcı olacak, derinden yenileyici 5 günlük bir sağlık kampı arıyorum. San Francisco'da yaşıyorum ve ABD içinde veya dışında seyahat etmeye açığım. Lütfen önce stres azaltma, dijital detoks, yoga ve temiz beslenme gibi sağlık hedeflerimle uyumlu, esnek programıma uyan sağlık kamplarını arayarak başlayın. Doğayla iç içe olma, spa uygulamaları ve meditasyon veya nefes çalışması gibi farkındalık etkinliklerini içeren seçeneklere öncelik verin.

Uygun kampı bulduktan sonra seyahat düzenlemeleri (uçuşlar veya yerel ulaşım), konaklama rezervasyonları, günlük yoga seansları, masaj veya spa randevuları, sağlıklı öğünler (tercihen vegan veya vejetaryen) ve yakındaki doğa temelli veya kültürel deneyimler (orman yürüyüşleri, ses banyoları veya çay seremonileri gibi) dahil her şeyi planlayın.

Ayrıca, seçilen konumun olası seyahat aralığımdaki hava tahminini kontrol edin ve en uygun tarihleri önerin. Ardından zamanı baz alarak bölümlenmiş, tam günlük bir gezi planı derleyin ve şunları dahil edin:

Sabah ritüelleri ve seansları

Öğünler ve beslenme planı

Öğleden sonra etkinlikleri

Akşam gevşeme rutinleri

Yerel keşif fırsatları

Ayrıca San Francisco'dan ayrılışımı ve kampın bulunduğu destinasyonu gösteren, önemli duraklar, görülmesi gereken yerler veya ilgi çekici anlar için işaretleyicilere sahip güzel bir rota haritası da istiyorum.

Son olarak, takvimimle senkronize etmek veya e-posta göndermek yerine, lütfen tüm planı görsel olarak etkileyici, yerel bir HTML seyahat sayfasına derleyin. HTML sayfası şunları yapmalıdır:

Neo-Brütalizm stiline uygun olsun

Kasıtlı tasarım çatışmalarına sahip, cesur ve ifade gücü yüksek bir düzen kullansın

Toprak tonlarında ama zengin bir renk paleti kullansın (yumuşak yeşiller, taş grileri, koyu kahverengiler)

El çizimi veya illüstratif sağlıklı yaşam temalı unsurlar içersin (örn. yoga siluetleri, güneş/ay motifleri)

Temiz bir görsel rota haritası ve daraltılabilir günlük gezi planı barındırsın

Mobil ve masaüstünde tamamen duyarlı olsun

Yazı tipi seçimlerine ve kontrasta özen göstersin

Bu HTML sayfası dingin, modern ve yere basan bir his versin ve kişisel sağlıklı yaşam planlama portalım olarak hizmet etsin.

Bu istemle gezi planını taslak hâline getirip bir HTML sayfası olarak önizlemek yaklaşık iki yinelememi aldı. Ancak web aracı üzerinden erişilen bilgiler, modelin kusursuz bir gezi planı taslağı oluşturmasına yardımcı oldu.

Sonuç

Kimi K2, açık kaynak LLM ekosistemine dikkat çekici bir katkı. Testlerim sırasında, özellikle adım adım istemlerle veya yinelemeli iyileştirmeyle yönlendirildiğinde görsel ve yapısal üretimde güçlü sonuçlar verdi.

Bununla birlikte Kimi K2 kusursuz değil. Yanıt vermesi yavaş olabiliyor; özellikle simülasyonlar ve oyun mantığında bazı çıktılar doğru hâle gelmeden önce birden fazla yineleme gerektiriyor ve etkileşimli unsurlar her zaman amaçlandığı gibi çalışmıyor.

Genel olarak Kimi K2, denemeye istekli geliştiriciler için gerçek kabiliyetler sunuyor. LLM tabanlı iş akışlarıyla rahatsanız ve düşük maliyetle ajan davranışı üzerinde daha fazla kontrol istiyorsanız, keşfetmeye değer bir model.

Aashi Dutt

Yazar

Aashi Dutt

ML (Üretken Yapay Zekâ) alanında Google Developers Uzmanıyım, Kaggle 3x Expert unvanına sahibim ve 3+ yıllık teknoloji deneyimiyle Women Techmakers Elçisiyim. 2020'de bir sağlık teknolojileri girişiminin kurucu ortağı oldum ve Georgia Tech'te makine öğrenmesi alanında uzmanlaşarak bilgisayar bilimleri yüksek lisansı yapıyorum.

Konular

İlgili