Kimi-K2-Instruct开源语言模型 - 优化智能代理能力，助力高效交互应用

首页

Kimi K2 Instruct

由 unsloth 开发

Kimi K2是一款先进的混合专家（MoE）语言模型，具备320亿激活参数和1万亿总参数，针对智能代理能力进行了优化。

大型语言模型

Transformers

开源协议:其他 #混合专家模型 #智能代理优化 #万亿参数规模

下载量 102

发布时间 : 7/11/2025

模型简介

Kimi K2是一款最先进的混合专家（MoE）语言模型，通过Muon优化器进行训练，在前沿知识、推理和编码任务中表现出色，同时针对智能代理能力进行了精心优化。

模型特点

大规模训练

在15.5万亿个标记上预训练了一个1万亿参数的MoE模型，且训练过程零不稳定。

MuonClip优化器

将Muon优化器应用到了前所未有的规模，并开发了新的优化技术来解决扩展过程中的不稳定性问题。

智能代理能力

专门为工具使用、推理和自主问题解决而设计。

高性能编码能力

在LiveCodeBench v6、OJBench等编码任务中表现卓越。

模型能力

文本生成

智能代理

推理能力

编码能力

数学与STEM任务

工具使用

使用案例

编码任务

LiveCodeBench v6

在2024年8月至2025年5月的编码任务中表现卓越。

Pass@1: 53.7

OJBench

编码任务评估。

Pass@1: 27.1

工具使用任务

Tau2 retail

工具使用任务评估。

Avg@4: 70.6

Tau2 airline

工具使用任务评估。

Avg@4: 56.5

数学与STEM任务

AIME 2024

数学任务评估。

Avg@64: 69.6

MATH-500

数学任务评估。

准确率: 97.4

🚀 Kimi K2：开放式智能代理模型

Kimi K2是一款先进的混合专家（MoE）语言模型，具备320亿激活参数和1万亿总参数。它采用Muon优化器进行训练，在前沿知识、推理和编码任务中表现卓越，同时针对智能代理能力进行了精心优化。

重要提示

⚠️ 重要提示

本模型包含我们的聊天模板修复！对于llama.cpp，请使用--jinja

快速访问链接

Unsloth Dynamic 2.0 实现了卓越的准确性，性能优于其他领先的量化模型。

📰 技术博客 | 📄 论文链接（即将推出）

✨ 主要特性

模型简介

Kimi K2是一款最先进的混合专家（MoE）语言模型，拥有320亿激活参数和1万亿总参数。通过Muon优化器进行训练，Kimi K2在前沿知识、推理和编码任务中表现出色，同时针对智能代理能力进行了精心优化。

关键特性

大规模训练：在15.5万亿个标记上预训练了一个1万亿参数的MoE模型，且训练过程零不稳定。
MuonClip优化器：我们将Muon优化器应用到了前所未有的规模，并开发了新的优化技术来解决扩展过程中的不稳定性问题。
智能代理能力：专门为工具使用、推理和自主问题解决而设计。

模型变体

Kimi-K2-Base：基础模型，为希望完全控制微调过程和自定义解决方案的研究人员和开发者提供了强大的起点。
Kimi-K2-Instruct：后训练模型，最适合直接使用、通用聊天和智能代理体验。它是一个无需长时间思考的反射级模型。

📚 详细文档

模型概述

属性	详情
架构	混合专家（MoE）
总参数	1万亿
激活参数	320亿
层数（包括密集层）	61
密集层数量	1
注意力隐藏维度	7168
MoE隐藏维度（每个专家）	2048
注意力头数量	64
专家数量	384
每个标记选择的专家数量	8
共享专家数量	1
词汇表大小	160K
上下文长度	128K
注意力机制	MLA
激活函数	SwiGLU

评估结果

指令模型评估结果

基准测试	指标	^{Kimi K2 Instruct}	^{DeepSeek-V3-0324}	^{Qwen3-235B-A22B ^(非思考)}	^{Claude Sonnet 4 ^{(无扩展思考)}}	^{Claude Opus 4 ^{(无扩展思考)}}	^GPT-4.1	^{Gemini 2.5 Flash 预览版 (05-20)}
编码任务
LiveCodeBench v6 ^{(2024年8月 - 2025年5月)}	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 ^{(无代理编码)}	无测试单补丁（准确率）	51.8	36.6	39.4	50.2	53.0	40.8	32.6
SWE-bench Verified ^{(智能代理编码)}	单次尝试（准确率）	65.8	38.8	34.4	72.7^*	72.5^*	54.6	—
SWE-bench Verified ^{(智能代理编码)}	多次尝试（准确率）	71.6	—	—	80.2	79.4^*	—	—
SWE-bench Multilingual ^{(智能代理编码)}	单次尝试（准确率）	47.3	25.8	20.9	51.0	—	31.5	—
TerminalBench	内部框架（准确率）	30.0	—	—	35.5	43.2	8.3	—
TerminalBench	Terminus（准确率）	25.0	16.3	6.6	—	—	30.3	16.8
Aider-Polyglot	准确率	60.0	55.1	61.8	56.4	70.7	52.4	44.0
工具使用任务
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	准确率	76.5	72.7	70.5	76.2	75.6	80.1	74.5
数学与STEM任务
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	准确率	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	准确率	89.0	84.0	37.7^*	73.7	59.3	58.5	57.9
AutoLogi	准确率	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	准确率	57.2	53.7	50.2	55.7	56.5	50.8	49.6
Humanity's Last Exam ^(仅文本)	-	4.7	5.2	5.7	5.8	7.1	3.7	5.6
通用任务
MMLU	精确匹配	89.5	89.4	87.0	91.5	92.9	90.4	90.1
MMLU-Redux	精确匹配	92.7	90.5	89.2	93.6	94.2	92.4	90.6
MMLU-Pro	精确匹配	81.1	81.2^*	77.3	83.7	86.6	81.8	79.4
IFEval	严格提示	89.8	81.1	83.2^*	87.6	87.4	88.0	84.3
Multi-Challenge	准确率	54.1	31.4	34.0	46.8	49.0	36.4	39.5
SimpleQA	正确	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

^{• 加粗表示全球最优，下划线表示开源最优。}
^{• 标记有 * 的数据点直接取自模型的技术报告或博客。}
^{• 除SWE-bench Verified（无代理）外，所有指标均在8k输出标记长度下进行评估。SWE-bench Verified（无代理）的输出标记长度限制为16k。}
^{• Kimi K2在使用bash/编辑器工具的SWE-bench Verified测试中（单次尝试补丁，无测试时计算）达到了65.8%的Pass@1。在相同条件下，它在SWE-bench Multilingual测试中也达到了47.3%的Pass@1。此外，我们还报告了利用并行测试时计算的SWE-bench Verified测试结果（71.6%），通过采样多个序列并通过内部评分模型选择单个最佳序列。}
^{• 为确保评估的稳定性，我们在AIME、HMMT、CNMO、PolyMath-en、GPQA-Diamond、EvalPlus、Tau2上采用了avg@k。}
^{• 由于评估成本过高，部分数据点已被省略。}

基础模型评估结果

基准测试	指标	样本数	Kimi K2 Base	Deepseek-V3-Base	Qwen2.5-72B	Llama 4 Maverick
通用任务
MMLU	精确匹配	5样本	87.8	87.1	86.1	84.9
MMLU-pro	精确匹配	5样本	69.2	60.6	62.8	63.5
MMLU-redux-2.0	精确匹配	5样本	90.2	89.5	87.8	88.2
SimpleQA	正确	5样本	35.3	26.5	10.3	23.7
TriviaQA	精确匹配	5样本	85.1	84.1	76.0	79.3
GPQA-Diamond	Avg@8	5样本	48.1	50.5	40.8	49.4
SuperGPQA	精确匹配	5样本	44.7	39.2	34.2	38.8
编码任务
LiveCodeBench v6	Pass@1	1样本	26.3	22.9	21.1	25.1
EvalPlus	Pass@1	-	80.3	6