開源Kimi K2語言模型 - 超強代理能力為多樣任務提供智能支持

Home

Moonshotai.kimi K2 Instruct BF16

Developed by DevQuasar

Kimi K2 是一款先進的混合專家（MoE）語言模型，擁有 320 億激活參數和 1 萬億總參數，針對代理能力進行了優化。

大型語言模型

Transformers

Open Source License:Other #混合專家模型 #128K長上下文 #代理智能優化

Downloads 110

Release Time : 7/11/2025

Model Overview

Kimi K2 是一款專為工具使用、推理和自主問題解決設計的混合專家語言模型，在前沿知識、推理和編碼任務中表現卓越。

Model Features

大規模訓練

在 15.5T 令牌上預訓練了一個 1T 參數的 MoE 模型，訓練過程零不穩定。

MuonClip 優化器

將 Muon 優化器應用於前所未有的規模，並開發了新的優化技術來解決擴展過程中的不穩定性問題。

代理智能

專門為工具使用、推理和自主問題解決而設計。

長上下文支持

支持 128K 的上下文長度。

Model Capabilities

文本生成

代碼生成與補全

數學推理

工具使用

多輪對話

複雜問題解決

Use Cases

編程開發

代碼生成

根據自然語言描述生成高質量的代碼

在 LiveCodeBench v6 上 Pass@1 達到 53.7

代碼修復

自動修復代碼中的錯誤

在 SWE-bench Verified (Agentless Coding) 上達到 51.8% 準確率

數學與STEM

數學問題解決

解決複雜的數學問題

在 MATH-500 上達到 97.4% 準確率

邏輯推理

解決複雜的邏輯問題

在 ZebraLogic 上達到 89.0% 準確率

通用AI助手

知識問答

回答各種領域的知識性問題

在 MMLU 上 EM 達到 89.5

工具使用

使用外部工具完成任務

在 Tau2 retail 上 Avg@4 達到 70.6

🚀 Kimi K2：開放代理智能模型

Kimi K2 是一款先進的混合專家（MoE）語言模型，擁有 320 億激活參數和 1 萬億總參數。它採用 Muon 優化器進行訓練，在前沿知識、推理和編碼任務中表現卓越，並且針對代理能力進行了精心優化。

🚀 快速開始

你可以通過以下鏈接快速體驗和了解 Kimi K2：

✨ 主要特性

大規模訓練：在 15.5T 令牌上預訓練了一個 1T 參數的 MoE 模型，且訓練過程零不穩定。
MuonClip 優化器：將 Muon 優化器應用於前所未有的規模，並開發了新的優化技術來解決擴展過程中的不穩定性問題。
代理智能：專門為工具使用、推理和自主問題解決而設計。

📦 模型變體

Kimi - K2 - Base：基礎模型，為希望完全控制微調過程和定製解決方案的研究人員和開發者提供了強大的起點。
Kimi - K2 - Instruct：經過後訓練的模型，最適合直接使用的通用聊天和代理體驗。它是一種反應級模型，無需長時間思考。

📚 詳細文檔

模型概述

屬性	詳情
架構類型	混合專家（MoE）
總參數數量	1T
激活參數數量	32B
層數（包含密集層）	61
密集層數量	1
注意力隱藏維度	7168
MoE 隱藏維度（每個專家）	2048
注意力頭數量	64
專家數量	384
每個令牌選擇的專家數量	8
共享專家數量	1
詞彙表大小	160K
上下文長度	128K
注意力機制	MLA
激活函數	SwiGLU

評估結果

指令模型評估結果

基準測試	指標	Kimi K2 Instruct	DeepSeek - V3 - 0324	Qwen3 - 235B - A22B (non - thinking)	Claude Sonnet 4 (w/o extended thinking)	Claude Opus 4 (w/o extended thinking)	GPT - 4.1	Gemini 2.5 Flash Preview (05 - 20)
編碼任務
LiveCodeBench v6 (Aug 24 - May 25)	Pass@1	53.7	46.9	37.0	48.5	47.4	44.7	44.7
OJBench	Pass@1	27.1	24.0	11.3	15.3	19.6	19.5	19.5
MultiPL - E	Pass@1	85.7	83.1	78.2	88.6	89.6	86.7	85.6
SWE - bench Verified (Agentless Coding)	Single Patch w/o Test (Acc)	51.8	36.6	39.4	50.2	53.0	40.8	32.6
SWE - bench Verified (Agentic Coding) （Single Attempt）	Single Attempt (Acc)	65.8	38.8	34.4	72.7^*	72.5^*	54.6	—
SWE - bench Verified (Agentic Coding) （Multiple Attempts）	Multiple Attempts (Acc)	71.6	—	—	80.2	79.4^*	—	—
SWE - bench Multilingual (Agentic Coding)	Single Attempt (Acc)	47.3	25.8	20.9	51.0	—	31.5	—
TerminalBench （Inhouse Framework）	Inhouse Framework (Acc)	30.0	—	—	35.5	43.2	8.3	—
TerminalBench （Terminus）	Terminus (Acc)	25.0	16.3	6.6	—	—	30.3	16.8
Aider - Polyglot	Acc	60.0	55.1	61.8	56.4	70.7	52.4	44.0
工具使用任務
Tau2 retail	Avg@4	70.6	69.1	57.0	75.0	81.8	74.8	64.3
Tau2 airline	Avg@4	56.5	39.0	26.5	55.5	60.0	54.5	42.5
Tau2 telecom	Avg@4	65.8	32.5	22.1	45.2	57.0	38.6	16.9
AceBench	Acc	76.5	72.7	70.5	76.2	75.6	80.1	74.5
數學與 STEM 任務
AIME 2024	Avg@64	69.6	59.4^*	40.1^*	43.4	48.2	46.5	61.3
AIME 2025	Avg@64	49.5	46.7	24.7^*	33.1^*	33.9^*	37.0	46.6
MATH - 500	Acc	97.4	94.0^*	91.2^*	94.0	94.4	92.4	95.4
HMMT 2025	Avg@32	38.8	27.5	11.9	15.9	15.9	19.4	34.7
CNMO 2024	Avg@16	74.3	74.7	48.6	60.4	57.6	56.6	75.0
PolyMath - en	Avg@4	65.1	59.5	51.9	52.8	49.8	54.0	49.9
ZebraLogic	Acc	89.0	84.0	37.7^*	73.7	59.3	58.5	57.9
AutoLogi	Acc	89.5	88.9	83.3	89.8	86.1	88.2	84.1
GPQA - Diamond	Avg@8	75.1	68.4^*	62.9^*	70.0^*	74.9^*	66.3	68.2
SuperGPQA	Acc	57.2	53.7	50.2	55.7	56.5	50.8	49.6
Humanity's Last Exam ^{(Text Only)}	-	4.7	5.2	5.7	5.8	7.1	3.7	5.6
通用任務
MMLU	EM	89.5	89.4	87.0	91.5	92.9	90.4	90.1
MMLU - Redux	EM	92.7	90.5	89.2	93.6	94.2	92.4	90.6
MMLU - Pro	EM	81.1	81.2^*	77.3	83.7	86.6	81.8	79.4
IFEval	Prompt Strict	89.8	81.1	83.2^*	87.6	87.4	88.0	84.3
Multi - Challenge	Acc	54.1	31.4	34.0	46.8	49.0	36.4	39.5
SimpleQA	Correct	31.0	27.7	13.2	15.9	22.8	42.3	23.3
Livebench	Pass@1	76.4	72.4	67.6	74.8	74.6	69.8	67.8

^{• 加粗表示全球最優，下劃線表示開源最優。}
^{• 標記 * 的數據點直接取自模型的技術報告或博客。}
^{• 除 SWE - bench Verified (Agentless) 外，所有指標均以 8k 輸出令牌長度進行評估。SWE - bench Verified (Agentless) 限制為 16k 輸出令牌長度。}
^{• Kimi K2 在使用 bash/editor 工具的 SWE - bench Verified 測試中（單嘗試補丁，無測試時計算）達到 65.8% 的通過率（Pass@1）。在相同條件下，它在 SWE - bench Multilingual 測試中也達到了 47.3% 的通過率（Pass@1）。此外，我們還報告了利用並行測試時計算的 SWE - bench Verified 測試結果（71.6%），通過採樣多個序列並通過內部評分模型選擇單個最佳序列。}
^{• 為確保評估的穩定性，我們在 AIME、HMMT、CNMO、PolyMath - en、GPQA - Diamond、EvalPlus、Tau2 上採用了 avg@k。}
^{• 由於評估成本過高，部分數據點已省略。}

基礎模型評估結果

基準測試	指標	樣本	Kimi K2 Base	Deepseek - V3 - Base	Qwen2.5 - 72B	Llama 4 Maverick
通用任務
MMLU	EM	5 - shot	87.8	87.1	86.1	84.9
MMLU - pro	EM	5 - shot	69.2	60.6	62.8	63.5
MMLU - redux - 2.0	EM	5 - shot	90.2	89.5	87.8	88.2
SimpleQA	Correct	5 - shot	35.3	26.5	10.3	23.7
TriviaQA	EM	5 - shot	85.1	84.1	76.0	79.3
GPQA - Diamond	Avg@8	5 - shot	48.1	50.5	40.8	49.4
SuperGPQA	EM	5 - shot	44.7	39.2	34.2	38.8
編碼任務
LiveCodeBench v6	Pass@1	1 - shot	26.3	22.9	21.1	25.1
EvalPlus	Pass@1	-	80.3	65.6	66.0	65.5
數學任務
MATH	EM	4 - shot	70.2	60.1	61.0	63.0
GSM8k	EM	8 - shot	92.1	91.7	90.4	86.3
中文任務
C - Eval	EM	5 - shot	92.5	90.0	90.9	80.9
CSimpleQA	Correct	5 - shot	77.6