7月12日報道，昨夜，國內大模型獨角獸月之暗面發布并開源了其最新一代MoE架構基礎模型Kimi K2，總參數量達到1萬億（1T），激活參數為32B。Kimi K2已在Kimi Web端和App端中可用。
Kimi K2是月之暗面首款開源發布的旗艦模型，在SWE Bench Verified（編程）、Tau2（智能體）、AceBench（工具調用）這三項基準測試中，這一模型取得開源模型中的SOTA成績。
在自主編程（Agentic Coding）、工具調用（Tool Use）和數學推理（Math & Reasoning）這三個能力維度上，Kimi K2的表現超過了DeepSeek-V3-0324、Qwen-235B-A22B等模型，但在部分基準測試中略遜于Claude 4 Opus、OpenAI GPT-4.1等模型。
Kimi K2在預訓練階段使用了“MuonClip”優化器實現萬億參數模型的訓練。這一優化器能提高Token利用效率，緩解高質量人類數據的短缺問題。月之暗面還應用了大規模Agentic Tool Use數據合成和引入自我評價機制的通用強化學習等技術。
Kimi K2 API服務也同步上線。Kimi K2 API支持最長128K上下文，計費方案為每百萬輸入tokens/4元，每百萬輸出tokens/16元，輸入輸出價格均為DeepSeek V3的2倍。
Kimi K2系列中的兩個模型版本現已開源，包括未經過指令微調的基礎預訓練模型Kimi-K2-Base和通用指令微調版本Kimi-K2-Instruct（非思考模型）。前者適合科研與自定義場景，后者則可用于大多數問答與Agent任務。
Kimi K2現已上線無問芯穹Infini-AI異構云平臺（cloud.infini-ai.com/genstudio/），用戶能以與官方API同樣的價格調用Kimi K2。
開源鏈接：
https://huggingface.co/moonshotai/Kimi-K2-Instruct
體驗鏈接：
https://www.kimi.com/
一、編程能力迎提升，實測效果差強人意
根據月之暗面博客文章，在前端開發任務中，Kimi K2能生成有設計感與視覺表現力的代碼，支持粒子系統、可視化和3D場景等表現形式。官方Demo中，Kimi K2開發了一個支持晝夜循環的山川峽谷3D景觀：
還生成了粒子特效銀河：
為驗證上述能力，智東西向Kimi K2發送了如下提示詞：
最終，Kimi K2交付的網頁渲染效果并未如官方Demo中那般逼真，交互性和功能豐富度也略遜一籌。
在難度較低的個人網站開發任務上，Kimi K2展現出一定規劃能力。在未收到明確指示的情況下，Kimi K2主動梳理了網站的目錄結構，打造出的網站可擴展性更好。
就智東西進行的個人網站開發測試而言，Kimi K2相較Kimi K1.5的UI審美水平進步有限。
▲上方為Kimi K2生成結果，下方為Kimi K1.5生成結果
同樣的任務交由DeepSeek-V3-0324進行處理，最終生成的結果如下：
二、Agent工具調用能力增強，擴展風格化寫作能力
月之暗面稱，Kimi K2現具備復雜指令解析能力，可將需求自動拆解為一系列格式規范、可直接執行的ToolCall結構。
開發者可將Kimi K2接入owl、Cline、RooCode等Agent/Coding框架，完成復雜任務或自動化編碼。
Agent能力已可通過API使用，更多工具能力即將在Kimi上線。在月之暗面內部測試環境中的實際演示里，Kimi K2展現出一定體驗Agentic能力。
比如，將13萬行的原始數據丟給Kimi K2，它可以幫用戶分析遠程辦公比例對薪資的影響，分析顯著差異，自動生成統計圖表與回歸模型解讀，并用統一色調做出小提琴圖（violin plot) 、箱線圖（box plot）、散點圖（scatter plot）等專業圖表，整理成報告。
再比如，如果用戶是Coldplay粉絲，Kimi K2可以幫忙制定今年的追星計劃，完成演唱會所在城市的機酒與旅游規劃，并且生成日歷，再用html概括完整行程規劃并發送郵件。
Kimi K2還擁有了更強的風格化寫作能力。官方提供的Demo中，Kimi K2模仿了蘋果廣告文案風格：
此外，Kimi K2在通用知識推理、數學、規劃等任務中的表現亦有提升，比數字大小的題目已經難不住Kimi K2了。
結語：探索新型優化器，未來將新增思考與視覺理解
根據月之暗面博客文章，Kimi K2用MuonClip優化器支撐萬億參數模型訓練，提升token利用效率。結合大規模Agentic數據合成與通用強化學習，這一模型的通用智能能力獲得提升。
為了緩解大規模訓練中的attention logits偏大問題，月之暗面拋棄了傳統的Adam優化器，提出MuonClip優化器，并將其擴展到萬億參數規模，提升了訓練穩定性和token使用效率。Kimi K2完成了15.5T token的訓練，全程無loss spike。
月之暗面還構建了可大規模生成多輪工具使用場景的合成pipeline，其大規模Agentic Tool Use數據合成可覆蓋數百領域、數千工具，樣本由LLM評估篩選后用于訓練。
Kimi K2在可驗證任務上（代碼、數學）使用了強化學習，還通過引入自我評價機制（self-judging），解決了不可驗證任務的獎勵稀缺問題，實現通用強化學習，提升泛化任務表現。
目前，Kimi K2尚不支持視覺理解和思考能力，月之暗面稱這些能力將在未來陸續加入。