开源Kimi K2语言模型 - 超强代理能力为多样任务提供智能支持

首页

Moonshotai.kimi K2 Instruct BF16

由 DevQuasar 开发

Kimi K2 是一款先进的混合专家（MoE）语言模型，拥有 320 亿激活参数和 1 万亿总参数，针对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 #128K长上下文 #代理智能优化

下载量 110

发布时间 : 7/11/2025

模型简介

Kimi K2 是一款专为工具使用、推理和自主问题解决设计的混合专家语言模型，在前沿知识、推理和编码任务中表现卓越。

模型特点

大规模训练

在 15.5T 令牌上预训练了一个 1T 参数的 MoE 模型，训练过程零不稳定。

MuonClip 优化器

将 Muon 优化器应用于前所未有的规模，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。

代理智能

专门为工具使用、推理和自主问题解决而设计。

长上下文支持

支持 128K 的上下文长度。

模型能力

文本生成

代码生成与补全

数学推理

工具使用

多轮对话

复杂问题解决

使用案例

编程开发

代码生成

根据自然语言描述生成高质量的代码

在 LiveCodeBench v6 上 Pass@1 达到 53.7

代码修复

自动修复代码中的错误

在 SWE-bench Verified (Agentless Coding) 上达到 51.8% 准确率

数学与STEM

数学问题解决

解决复杂的数学问题

在 MATH-500 上达到 97.4% 准确率

逻辑推理

解决复杂的逻辑问题

在 ZebraLogic 上达到 89.0% 准确率

通用AI助手

知识问答

回答各种领域的知识性问题

在 MMLU 上 EM 达到 89.5

工具使用

使用外部工具完成任务

在 Tau2 retail 上 Avg@4 达到 70.6

🚀 Kimi K2：开放代理智能模型

Kimi K2 是一款先进的混合专家（MoE）语言模型，拥有 320 亿激活参数和 1 万亿总参数。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，并且针对代理能力进行了精心优化。

🚀 快速开始

你可以通过以下链接快速体验和了解 Kimi K2：

✨ 主要特性

大规模训练：在 15.5T 令牌上预训练了一个 1T 参数的 MoE 模型，且训练过程零不稳定。
MuonClip 优化器：将 Muon 优化器应用于前所未有的规模，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。
代理智能：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定制解决方案的研究人员和开发者提供了强大的起点。
Kimi - K2 - Instruct：经过后训练的模型，最适合直接使用的通用聊天和代理体验。它是一种反应级模型，无需长时间思考。

📚 详细文档

模型概述

属性	详情
架构类型	混合专家（MoE）
总参数数量	1T
激活参数数量	32B
层数（包含密集层）	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
每个令牌选择的专家数量	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 (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)
编码任务
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	Acc	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	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
通用任务
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

^{• 加粗表示全球最优，下划线表示开源最优。}
^{• 标记 * 的数据点直接取自模型的技术报告或博客。}
^{• 除 SWE - bench Verified (Agentless) 外，所有指标均以 8k 输出令牌长度进行评估。SWE - bench Verified (Agentless) 限制为 16k 输出令牌长度。}
^{• Kimi K2 在使用 bash/editor 工具的 SWE - bench Verified 测试中（单尝试补丁，无测试时计算）达到 65.8% 的通过率（Pass@1）。在相同条件下，它在 SWE - bench Multilingual 测试中也达到了 47.3% 的通过率（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，部分数据点已省略。}

基础模型评估结果

基准测试	指标	样本	Kimi K2 Base	Deepseek - V3 - Base	Qwen2.5 - 72B	Llama 4 Maverick
通用任务
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
编码任务
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
数学任务
MATH	EM	4 - shot	70.2	60.1	61.0	63.0
GSM8k	EM	8 - shot	92.1	91.7	90.4	86.3
中文任务
C - Eval	EM	5 - shot	92.5	90.0	90.9	80.9
CSimpleQA	Correct	5 - shot	77.6