不到半年，国产开源大模型的牌局已经翻了一轮。年初还是「AI 六小虎」齐头并进，如今却只剩寥寥几家还能站上牌桌。DeepSeek 一招「开源即发布」，凭借高性能和极致性价比迅速占据用户的心智，也顺势拿下了国产大模型开源叙事的话语权。此后，六小虎中不少公司接连遭遇融资受阻、产品停更、团队重组，甚至逐渐淡出公众视野。与此同时，当 DeepSeek 把开源模型卷出了实用门槛，也让其他玩家不得不加速入局。今天，轮到 Kimi 接棒出手，正式发布并开源 Kimi K2 模型。Kimi-K2-Base：未经过指令微调的基础预训练模型，适合科研与自定义场景；Kimi-K2-Instruct：通用指令微调版本（非思考模型），擅长大多数问答与 Agent 任务官方介绍称，Kimi K2 基于 MoE 架构打造，参数总规模达 1T，激活参数 32B，在代码生成、Agent 调度、数学推理等任务中具备竞争力。在 SWE Bench Verified、Tau2、AceBench 等基准测试中，K2 均取得开源模型中的 SOTA 成绩。其中，自主编程（Agentic Coding）、工具调用（Tool Use）和数学推理（Math & Reasoning）三大能力维度都有不错的表现。值得注意的是，上述评测中的所有模型均为非思考模型。在 Tau2-Bench 测试中，平均值按照任务加权计算。在 Swe-Bench 多语言测试中，仅评估了 Claude 4 Sonnet，因为 Claude 4 Opus 的成本过高。实际体验下来，写作能力的提升是这次版本升级中比较明显的一环。比如面对「描写一个夏天的午后，一碗西瓜、一个电风扇、一张旧沙发。要求不出现『热』字，也不直接写『我很舒服』，要让人读出闷热与松弛」时，K2 给出的文本既有画面感，又不失情绪的克制表达。语言克制、节奏松弛，甚至带有文学感。再比如这个相对复杂的案例：「写一篇看似是『在便利店偶遇前任』的平淡故事，但要隐藏一个副线：主角其实身患重病，正在做最后的生活整理。请控制情绪层次，不能直说，结尾只用一句隐喻点明真相。」K2 完全没有写出生病或死亡字眼，而是通过道具、行为、细节缓缓推进情绪张力。故事结构完整，结尾一瓶未开的汽水安静地躺在垃圾桶顶端，成为情绪隐线的收束。令我惊喜的是，甚至还补上了人物小传。 上下滑动查看更多内容不过，隐喻密度偏高且引用并不合理，却也犯了和 DeepSeek 同样的毛病，尤其少量句式略显设计感过重，仍有提升的空间。在 Agent/Coding 任务上，Kimi K2 宣称支持 ToolCall 架构，可无缝接入 Owl、Cline、RooCode 等主流框架，具备自动指令拆解和任务链构建能力。目前 Agent 能力已开放 API 使用。在编程类任务上，K2 虽然整体完成度高，但瑕疵也比较明显，比如还是那个经典的天气卡片案例，Kimi 能完成基础的构建，但 UI 粗糙、动效生硬，在视觉体验上逊色不少。再拉高难度，我要求生成一个按周划分的前端学习计划，输出为 HTML 页面，支持模块展开与收起交互。这一任务对结构组织、内容节奏和 JS 逻辑的要求更高。K2 给出的结果中规中矩。我输入任务：「用 three.js 和 cannon-es.js 实现烟囱倒塌爆破效果」。K2 尝试联网查找资料并组合代码，整体思路在线，执行力尚可，但视觉效果依然较弱。当然，也有一些比较不错的案例。比如海外博主 @chetaslua 使用提示词「make a website that shows 3D Simulation of Asteroids hitting Earth in html」，产出效果更为成熟，得到的画面如下：由于 K2 兼容 OpenAI 和 Anthropic 的 API 协议，网友 @Khazzz1c 也使用 K2 在 Claude Code 上开发了一个打字游戏，并评价这个模型 「cracked AF」，这是俚语，意思是「强到离谱、好得不正常」。在 Kimi K2 背后，是月之暗面 Kimi 团队自研的一整套技术路径。技术博客显示，他们在训练万亿参数大模型时，摒弃传统的 Adam 优化器，改用自研的 Muon 体系，并引入 MuonClip 机制，有效缓解 attention logits 过大的问题，从而确保模型在 15.5T token 训练过程中无一次 loss spike，训练稳定性和 token 使用效率双双提升。同时，团队还构建了一条可大规模生成多轮工具使用场景的数据合成 pipeline，覆盖数百领域、数千种工具，并且，训练样本则由 LLM 自动筛选评估，确保数据质量。在训练策略上，Kimi K2 进一步强化了通用强化学习能力，不仅在代码、数学等可验证任务上进行强化学习，还通过「自我评价」机制解决奖励稀缺问题，显著增强了模型的泛化能力。开源层面，Kimi K2 的 Instruct 模型及 FP8 权重文件已上传至 Hugging Face，（传送门：https://huggingface.co/moonshotai/Kimi-K2-Instruct）根据官方部署说明，Kimi K2 的 FP8 版本可在主流 H200 等平台上运行，支持最长 128K 上下文，最低部署要求为 16 张 GPU 的集群环境。目前包括 vLLM、SGLang、ktransformers 在内的主流推理引擎均已支持该模型，部署路径已被打通，但对普通开发者而言，算力的门槛仍不容忽视。商业化方面，Kimi K2 的 API 服务也已正式上线，提供最长 128K 上下文支持，定价为每百万输入 tokens 收费 4 元、输出 tokens 收费 16 元。而有趣的是，与 Kimi 的大方开源相比，OpenAI CEO Sam Altman 刚刚宣布推迟原定下周发布的开放权重模型，理由是仍需补充安全测试与高风险区域审查，且未确定延期时长。这么一对比，Kimi 还是敞亮太多了。欢迎加入 APPSO AI 社群，一起畅聊 AI 产品，获取#AI有用功，解锁更多 AI 新知👇我们正在招募伙伴📮 简历投递邮箱hr@ifanr.com✉️ 邮件标题「姓名+岗位名称」（请随简历附上项目/作品或相关链接）更多岗位信息请点击这里🔗
