强大的开放模型挑战前沿水平
Moonshot AI 发布了 Kimi K2 Thinking，这是一款旨在直接跻身最高水平推理系统之列的开放权重模型。该公司表示，在一系列高难度评测中，这款模型的表现超过了领先的专有系统；这些评测衡量逐步推理、网页浏览智能体和软件工程能力。K2 Thinking 可通过 Moonshot 平台和 Kimi.com 使用，其权重也已发布在公共模型平台，供用户在自有环境中部署。该模型采用修改版 MIT 许可证，允许商业使用，但超大规模部署须注明来源。
目录
这款模型的设计兼顾规模与效率。K2 Thinking 采用混合专家架构，据称总参数量达 1 万亿，但每生成一个词元仅激活约 320 亿个参数。它支持 256,000 词元的上下文窗口，并通过量化感知训练针对原生 INT4 推理进行训练。这一配置降低了延迟和内存需求，也有助于解释其具有竞争力的定价。此次发布不仅展示了原始成绩，也推动开放模型向智能体行为迈进。K2 Thinking 展现出长时程规划能力，并能在 200 至 300 次连续调用中有条理地使用工具；它还可以输出透明的推理轨迹，让用户查看中间步骤。这些能力加上较低的成本，令封闭模型竞争对手面临更大压力。
K2 Thinking 是什么，以及它如何运作
K2 Thinking 是一款基于混合专家架构构建的 Transformer 模型。大量专用专家模块由一个路由器调度，每个词元只选择其中一小部分参与计算，从而在保持模型容量的同时减少计算量。Moonshot 介绍称，该模型包含 61 层、384 个专家模块，每个词元选择 8 个专家，拥有 64 个注意力头、7168 的隐藏维度和 160,000 的词表规模。任一时刻仅有约 320 亿个参数处于激活状态，因此推理仍在可控范围内，同时整体容量保持在很高水平。其注意力机制采用多头潜在注意力，并使用 SwiGLU 激活函数。这种方法让训练和推理集中于与上下文内容最相关的专家，从而提升吞吐量和准确性。
稀疏专家与效率
混合专家架构让模型可以扩展至 1 万亿个参数，而不必让每个参数都参与每个词元的计算。实际上，这意味着模型能展现更深入的推理能力和更广泛的知识，同时将内存占用和单步耗时控制在当前加速器可承受的范围内。256k 上下文窗口使模型能够读入大型代码库或冗长的研究资料包，并在调用工具时进行多步规划。这种设计尤其适合智能体任务，因为系统可能需要通过数十次乃至数百次操作来搜索、阅读、撰写并核验结果。
原生 INT4 与量化感知训练
Moonshot 采用量化感知方法训练 K2 Thinking，使其能够以 INT4 格式原生存储权重并进行推理。INT4 为每个参数值使用 4 位，而非更高精度格式，从而降低内存需求并加快生成速度。该公司表示，与更高精度格式相比，生成速度约提升两倍，质量损失极小；所有基准测试成绩均在 INT4 模式下报告。这对成本和普及范围都很重要。社区测试者称，他们已能在高端桌面系统上运行该模型；Moonshot 推荐使用 vLLM、SGLang 和 KTransformers 等引擎。该模型还支持兼容 OpenAI 和 Anthropic 的 API，方便已采用这些接口模式的团队进行集成。
K2 Thinking 领先的基准测试
在公开测试中，这款模型取得的成绩使其跻身现有顶尖推理系统之列，并在多项测试中名列第一。据报告，它在启用工具的 Humanity’s Last Exam 中得分为 44.9%，在纯文本设置下得分为 23.9%，在高强度设置下得分为 51.0%；在评测网页浏览智能体的 BrowseComp 中得分为 60.2%；在使用工具修复软件漏洞的 SWE Bench Verified 中得分为 71.3%；在 LiveCodeBench v6 中得分为 83.1%；在 Seal 0 中得分为 56.3%。在数学和科学方面，该模型在不使用工具的 AIME25 中得分为 94.5%，在允许运行 Python 的 AIME25 中得分为 99.1%，在不使用工具的 HMMT25 中得分为 89.4%，在 GPQA Diamond 科学知识测试中得分约为 85% 至 86%。此外，据报告，它在 Frames 中得分为 87.0，在 FinSearchComp T3 中得分为 47.4，在 SWE Multilingual 中得分为 61.1。在许多类别中，K2 Thinking 的表现达到或超过 GPT 5；在 BrowseComp 中，其成绩则大幅领先 Claude Sonnet 4.5。
智能体搜索与浏览任务
BrowseComp 用于评估模型能否制定计划、搜索网络、跟进链接、综合发现并核实答案。K2 Thinking 在 BrowseComp 中的得分为 60.2%，高于 GPT 5 据报的 54.9%，也远超 Claude Sonnet 4.5 的 24.1%。该模型在 Seal 0 和 Frames 中同样表现出色，这两项测试衡量模型在使用工具时的信息收集、规划和一致性。这些结果与模型的设计目标相符。交错式思考让模型可以暂停、推理、调用工具，再更新计划。对 200 至 300 次连续调用的支持，有助于它在多个步骤中维持状态；而大容量上下文窗口则能将工作集保留在内存中。
编程与软件工程
SWE Bench Verified 评估模型阅读代码仓库问题、提交补丁并通过测试的能力。K2 Thinking 报告的工具辅助得分为 71.3%，对于开放权重系统而言成绩突出。在 LiveCodeBench v6 中，它得分为 83.1%；在 SWE Multilingual 中得分为 61.1%。社区演示显示，它能根据单条提示构建可运行的项目，包括游戏和完整的 Web 应用，之后还能通过工具调用循环迭代修复。长上下文有助于浏览代码，而 INT4 推理则能在较长的开发过程中降低延迟。
定价、访问方式与许可证
K2 Thinking 采用修改版 MIT 许可证发布，允许商业使用，但超大规模部署须注明来源。该模型已上线 Kimi.com，可用于聊天；用户也可通过 Kimi Open Platform API 访问。需要自行部署的团队可从 Hugging Face 等公共模型平台获取权重，网址为 huggingface.co/moonshotai/Kimi-K2-Thinking；平台文档可访问 platform.moonshot.ai。
其定价旨在低于封闭模型的替代方案。Moonshot 列出的价格约为每百万词元 0.15 美元（缓存命中）、0.60 美元（缓存未命中）和 2.50 美元（输出）。作为对比，GPT 5 的价格约为每百万输入词元 1.25 美元、每百万输出词元 10 美元。K2 Thinking 的原生 INT4 支持降低了运行成本，混合专家架构则确保每次只有部分网络参与运行。在 Kimi.com 上，标准聊天模式使用受限的工具集，以提供更轻量的体验；因此，在智能体模式完成推出之前，网站上的结果可能与智能体基准测试成绩不一致。
这对 AI 竞赛为何重要
开放模型正在缩小与最强封闭系统之间的差距。K2 Thinking 在基准测试中胜出，表明开放研究如今已能在高端推理、编程和智能体任务领域展开竞争。这给专有模型厂商带来压力，促使它们在可靠性、安全工具、企业支持和集成产品方面形成差异化，而不只是追求醒目的基准成绩。对企业而言，开放权重意味着能够掌控数据、合规要求和部署规模；对开发者而言，则提供了一条探索先进智能体行为的途径，无须为每个词元支付高昂费用。
中国在 AI 领域的影响力不断扩大
中国的实验室正加快步伐，在相关讨论中占据越来越重要的位置。DeepSeek、Qwen、MiniMax 和 Kimi 等品牌不断进入公众视野，产品发布节奏稳定。MiniMax 此前的模型树立了开放基准的发展速度和较低成本的基准。如今，K2 Thinking 在长时程推理和智能体工具方面更进一步。分析人士指出，中国团队正在缩短反馈周期，借助测试时扩展，并将发布频率转化为优势，尽管在少数任务上，最强的封闭系统仍然领先。竞争焦点也正从聊天转向智能体智能，即系统规划、使用工具并完成复杂目标的能力。K2 Thinking 正是瞄准这一转变。
能力与实际案例
Moonshot 的演示和用户测试展示了该模型处理长程任务的能力。在一段演示中，系统解答一道博士级数学题：它先阅读论文、提取公式、执行 Python 代码，再通过二十多轮推理和工具调用核验结果，最后给出答案。另一项演示展示了模型通过多轮搜索，找出演员 Jimmy Gary Jr. 并确认其出演的某一部电影；这项任务需要仔细核对多个网页上的信息。在编程测试中，测试者称 K2 Thinking 可以一次性生成一款可运行的《太空侵略者》风格游戏，再通过反复调用工具进行改进。还有演示展示了它设计完整网站、构建前端组件，甚至复刻桌面风格界面以处理文件和菜单。
开发者的实际体验
开发者论坛上的独立测试者认为，该模型在速度与控制能力之间取得了平衡。一位经验丰富的用户使用消费者可获得的硬件运行模型，并报告称，即使面对长工具调用链和大型提示，模型表现依然稳定。该测试者还表示，原生 INT4 路径提升了速度，同时保持了稳定的质量。
在我的测试中，它最多能连续调用工具 300 次而不失去连贯性，相比此前的模型有了很大进步。
这位测试者还提到，模型拥有 256k 上下文窗口，能够处理大型代码项目，在多语言编程方面表现出色，并在前端任务中带来实际提升。据报告，在高端桌面设备上，吞吐量因设置不同而达到每秒数十至数百个词元，使智能体循环的响应速度足以胜任开发工作。
专家观点
长期关注开放模型和智能体系统的 AI 研究员 Nathan Lambert 认为，K2 Thinking 标志着开放权重模型在高端性能方面迎来转折点。他还强调了中国实验室的快速发布节奏。
此次发布被视为开放模型在性能上最接近封闭前沿水平的一次。
Lambert 还指出，尽管封闭模型在某些领域仍然领先，开放模型一方发布新系统和迭代版本的速度更快。
开放模型发布得更快。中国实验室发布模型的速度远快于西方实验室。
K2 Thinking 仍需证明的方面
基准测试领先并不等于在生产环境中全面占优。一些用户反映，模型在极长上下文中偶尔会出现信息回忆能力下降的情况，这是大上下文系统面临的常见挑战。各项基准测试允许使用的工具次数和思考词元上限也不相同，因此比较结果可能取决于各团队采用的测试时扩展规模。在单次会话中进行数百次工具调用也会带来托管方面的挑战，因为服务提供商需要处理更多状态信息、网络调用和更大的日志。
企业将关注不同版本间的稳定性、固定设置下结果的可复现性，以及能否将安全工具融入现有工作流程。推理轨迹输出是一个有益进展，因为它允许团队检查中间步骤；但这也意味着运营方必须决定记录多少思考内容，以及何时屏蔽敏感信息。最后，模型的开放设计有利于社区快速迭代，这是它的优势；但这也意味着将出现许多在速度、内存使用和质量方面各有取舍的变体。早期结果令人鼓舞，未来在不同语言、领域和硬件上的持续测试，将帮助开发者了解 K2 Thinking 的优势所在。
要点
- Moonshot AI 发布了开放权重模型 Kimi K2 Thinking，采用允许商业使用的修改版 MIT 许可证。
- 该模型采用混合专家架构，总参数量为 1 万亿，每个词元约激活 320 亿个参数。
- 通过量化感知训练实现的原生 INT4 推理，在保持质量的同时降低成本和延迟。
- K2 Thinking 在启用工具的 Humanity’s Last Exam 中得分为 44.9%，在 BrowseComp 中得分为 60.2%，在这项智能体测试中超过 GPT 5。
- 编程测试成绩包括 SWE Bench Verified 的 71.3% 和 LiveCodeBench v6 的 83.1%。
- 该系统支持 256k 上下文窗口，并可连续调用工具 200 至 300 次。
- 定价约为每百万词元 0.15 美元（缓存命中）、0.60 美元（缓存未命中）和 2.50 美元（输出），远低于 GPT 5 的价格。
- 用户可通过 Kimi.com、Kimi Open Platform API，以及 Hugging Face 等公共模型平台访问该模型。
- 包括 Kimi、DeepSeek、Qwen 和 MiniMax 在内的中国开放模型，正加快发布速度并提升基准测试成绩。
- 值得关注的方面包括长上下文可靠性、对长时间工具调用循环的托管支持，以及生产环境约束下的实际表现。
