Kimi K2 是北京月之暗面科技有限公司于 2025 年 7 月 11 日推出的万亿参数 MoE（混合专家）架构大模型，包含两个主要版本：Kimi-K2-Base（基座模型）和 Kimi-K2-Instruct（指令微调模型）。以下是它们的详细介绍：
1. Kimi-K2-Base（基座模型）
- 定位：面向科研与深度定制场景，提供未经过指令微调的基础预训练模型。
- 架构与参数：
- 总参数达 1 万亿，采用 MoE 架构，每次推理仅激活 320 亿参数，兼顾性能与效率。
- 使用 MuonClip 优化器，显著提升训练稳定性，支持 15.5 万亿 tokens 的预训练数据。
- 适用场景：
- 学术研究：适合需要从头微调或探索模型底层机制的研究者。
- 工业定制：企业可基于该模型开发垂直领域专用 AI（如金融、医疗等）。
- 开源生态：模型权重已在 GitHub、Hugging Face 等平台开源，支持本地部署与算力适配（如昇腾、寒武纪国产芯片）。
2. Kimi-K2-Instruct（指令微调模型）
- 定位：专为通用问答、智能体（Agent）任务优化的即用型模型，无需额外微调即可部署。
- 核心能力：
- 代码生成与修复：在 SWE Bench Verified 测试中通过率 68%，超越多数开源模型（如 DeepSeek-V3、Qwen3）。
- 智能体任务：支持多步骤工具调用（如自动预订行程、数据分析），任务拆解成功率接近 GPT-4o。
- 数学推理：在 AceBench、GPQA-Diamond 等测试中表现优异，逻辑连贯性优于部分闭源模型。
- 技术亮点：
- 大规模 Agentic 数据合成：通过模拟数千种工具使用场景生成高质量训练数据。
- 通用强化学习：结合自我评价机制，解决不可验证任务（如写作）的奖励稀缺问题。
- 应用场景：
- 企业服务：自动化报表生成、智能客服。
- 开发者工具：兼容 OpenAI/Anthropic API，支持 VS Code 等 IDE 集成。
对比总结
| 特性 | Kimi-K2-Base | Kimi-K2-Instruct |
|---|---|---|
| 参数规模 | 1T 总参数，320B 激活参数 | 同左 |
| 训练阶段 | 纯预训练，未微调 | 后训练 + 指令微调 |
| 优势场景 | 科研、定制开发 | 问答、Agent 任务、代码生成 |
| 部署复杂度 | 需额外微调 | 开箱即用 |
| 性能标杆 | 基础能力强大，需二次开发 | 在 SWE Bench、AceBench 等测试中 SOTA |
