K2

Kimi 开源了 Kimi K2-Instruct-0905，它是 kimi-k2-0711 的迭代版本，仍然是 MoE 架构，1 万亿总参数和 32B 活跃参数，在 SWE 任务上优于 Qwen3、GLM、DeepSeek K2-Instruct-0905 这次的更新点主要是： 增强了编码能力，特别是前端和工具调用，媲美 Claude Sonnet 4 上下文长度扩展至 256k tokens 改进了与各种 Agent 框架的集成（例如 Claude Code、Roo Code 等） 另外，Groq 上部署的 Kimi K2-0905，速度约为每秒 200+ token，并支持完整的 256K 上下文。但价格比官网要贵：$1.00 / M input tokens; $3.00 / M output tokens。 Kimi 官方价格 kimi-k2-0905 的官方价格是：$0.15 / M input tokens; $2.5 / M output tokens。 HuggingFace 地址：https://huggingface.co/moonshotai/Kimi-K2-Instruct-0905 最后，仍然用最经典的两个例子来测试一下 K2-Instruct-0905 代码能力：生成一个鹈鹕骑车的 svg 和 生成一只青蛙演奏萨克斯的 svg。

Moonshot AI（「月之暗面」）在 2025 年 7 月 11 日正式发布并开源了旗下大模型 Kimi K2，并发布技术报告，让我们来快速了解一下。 关于 Kimi K2 的基本信息 Kimi K2 是个非推理模型，专注于文本和代码任务，不具备图像处理能力。 采用 MoE 架构，拥有总参数约 1T（1 万亿）、激活参数 32B 模型上下文 128K 词汇表大小 16K 模型包含 384 个专家，每个 token 会选择 8 个专家进行计算 支持 ToolCalls、JSON Mode、Partial Mode、联网搜索功能等 训练方法：Kimi K2 在预训练阶段使用改进的 MuonClip 优化器替代传统 Adam，成功在 15.5T Token 规模的数据上进行稳定训练，且训练不稳定性为零，解决了万亿参数模型训练中的不稳定（如最大对数值爆炸）问题。 值得一提的是，K2 引入了一套大规模 Agentic 任务数据合成和强化学习训练流程：通过模拟数百个领域的工具（（包括真实的 MCP 工具和合成工具））使用场景生成海量高质量训练数据，并让模型充当自己的评判员（自我反馈机制）进行通用强化学习。这些创新使 K2 在知识推理、数学和编程等任务上具备了出色的泛化能力和自主决策能力。 Kimi K2 系列提供两个主要版本： Kimi-K2-Base：基础模型，适合需要进行深度微调和定制化解决方案的研究者和开发者。 Kimi-K2-Instruct：指令微调模型，适用于通用的聊天和智能体应用场景，无需长时间思考即可快速响应。 Benchmark 成绩 Agent与编码能力 从各个评测集的结果来看，其 agent 能力 和编码能力与 Anthropic 的 Claude4 模型差距很小，而数学解题能力则优于 Claude 4 模型。...