杨植麟交卷，Kimi 万亿参数K2开源：Agent能力紧逼Anthropic，延展DeepSeek，上手实测如何？

作者 ｜ 周一笑、董道力、Yoky

没有预热，也没有发布会，月之暗面在2025年7月11日深夜选择直接开源Kimi K2 。就在当天，Kimi K2模型悄无声息地出现在Hugging Face上，官网、App和API同步开放，模型参数、训练细节等信息也一并放出 。

这次发布的Kimi K2是一个万亿（1T）参数规模的混合专家（MoE）模型，激活参数为320亿 。其核心能力发生了清晰的转向，Kimi此前的标签是长文本，而K2则为智能体任务（agentic tasks）做了专门优化。

官方展示的例子很能说明问题，比如Kimi K2可以接收一个模糊的需求，通过17次工具调用，自主完成包含航班和酒店预订的旅行规划 ；或是执行16次数据分析指令，完成一份专业的薪资分析报告。

在榜单方面，它在SWE Bench Verified（编程）、Tau2（智能体）、AceBench（工具调用）这三项基准测试中是开源模型表现最好的。

在自主编程（Agentic Coding）、工具调用（Tool Use）和数学推理（Math & Reasoning）这三个能力维度上，Kimi K2也紧逼Claude 4 Opus、OpenAI GPT-4.1等闭源模型。

月之暗面此次开源了两个版本，一个是适合做后续研究和定制化开发的Kimi-K2-Base基础模型，另一个是能直接用于通用聊天和智能体场景的Kimi-K2-Instruct指令微调模型 。

任何模型都有它的取舍和待解问题。那个以超长上下文能力深入人心的Kimi，这次在K2上只配置了128K的窗口虽然以及对表主流模型，但这背后很可能是在当前阶段，优先将资源投入到提升模型的代码和Agent能力上。

另一个现实问题是运行门槛。官方部署指南明确指出，在主流H200等平台上运行Kimi-K2的FP8版本并支持128k上下文，最小硬件需求是一个由16块GPU组成的集群 。尽管模型在vLLM、SGLang等主流推理框架上提供了详细的部署方案，并支持张量并行、专家并行等多种策略来适配不同规模的集群 ，但这个基础的硬件门槛，已将绝大多数个人开发者和中小团队排除在本地化部署之外。这种对大规模、高I/O性能集群的依赖，是其强大能力背后普通用户难以企及的成本。

一些开发者已经在自己尝试把它跑在2个苹果M3芯片的环境里，并表示运转良好。但要提供更好的本地和低资源环境的可用性，还需要Kimi官方的量化版本。

Kimi K2的发布，是杨植麟在给月之暗面调整方向后，交出的一份重要答卷。

DeepSeek出现证明了开源的价值以及底层模型能力依然是竞争的基石，它甚至会“摧毁”在模型单一能力上优化并用在c端产品里然后快速推广的竞争策略。

之后Kimi开始在技术上全线转向预训练，并步步紧跟DeepSeek。2025年2月，两家几乎同时发表论文，挑战Transformer的注意力效率问题，DeepSeek提出了NSA（原生稀疏注意力）架构，月之暗面则提出了MoBA（混合块注意力）架构。两者都试图解决模型处理长文本时的效率瓶颈。清华大学教授章明星曾对此评论，这说明两家顶尖团队对技术演进的方向得出了相似的结论 。但这次K2在文本长度上一般，似乎还没把MoBA彻底用上。

另外，与MiniMax等对手的做法不太相同的地方在于，Kimi此次的开源模型，架构上选择了DeepSeek开发和依赖的MLA（多头潜在注意力），目前技术报告还没发布，从Hugging Face的信息来看，Kimi K2用了结构类似DeepSeek V3的MLA，专家数增加到了384个，激活专家保持在8个。

在优化器上Kimi此前的工作也成了此次模型关键。要训练万亿模型，通用的AdamW优化器已面临挑战。Kimi此前选择了在更新的Muon优化器上深度投入 ，并针对大规模训练中的不稳定性，提出了MuonClip技术，最终支撑了K2在15.5万亿token数据量下的平稳训练。

这些技术投入背后还有一个清晰的技术赌注：“模型即Agent，Agent即模型”的理念。

在K2发布前，月之暗面就通过Kimi-Researcher产品展示了其对智能体的理解——追求一种“零结构”的智能体，不依赖人类预设流程，而是通过端到端的强化学习，让模型在真实的任务反馈中自主学习如何思考、规划和使用工具 。为了实现这一点，Kimi K2在可验证任务（如代码和数学）上进行强化学习的同时，还通过引入“自我评价（self-judging）”机制，解决了在开放性、非验证类任务上的奖励稀缺问题，从而提升了模型的泛化表现。

将这些线索串联起来看，Kimi K2的开源更像是杨植麟给Kimi重新定位后交出的第一个答卷。其实看看这一路的各种动作，会发现这个团队一直有一个明显的特征，他们在技术上还是想争一口气，这体现在他们总会有一个自己的“赌注”，此前是长文本，今天就是Agent，然后围绕一个点，做取舍，押注，交卷。

1

实测K2，瞄准Anthropic的Agent能力

此次Kimi选择先全线上线给用户使用的策略，我们也第一时间上手测了测它的实际能力。

首先是一个“打字游戏”。

我们在cline上接入kimi k2模型，并尝试复现一个中文版打字游戏。

prompts：做一个“打字”游戏，页面上跳出来一句话，用户需要在规定时间内，把这句话打出来。

我们在prompts中只简单描述了一下游戏玩法，而kimi k2自动生成了“需求分析”和“技术方案”，并且针对游戏功能还进行了补充，如进度条、得分系统等。在游戏生成后，kimi k2写了一份简单的游戏介绍，包含了操作说明和游戏特点。

而且，kimi k2的打字游戏一次生成完成度就很高，可以直接运行，基本没有bug。

项目网址：http://ddlpmj.github.io/pw_kimik2_test/

此外，浏览网页获取信息并作出规划，也是Agent的重要能力体现之一。

prompts：我喜欢音乐节，我希望你可以帮我找一下今年各大音乐节的名称、行程等，做成日历清单，并以html的形式整理出来。

我们尝试让kimi k2帮我们做一份“音乐节日历清单”，并以网页的形式展现出来。和打字游戏一样，kimi k2除了prompts中的要求，还像个助理一样，补充了音乐节的其他信息，如地点、是否确认举办等。

在成品页面设计中，kimi k2还做了规划，如1-3月举行的音乐节在同一页面展示，4-6月的在另一页面展示。鼠标移动到具体的音乐节上，还会有放大的特效。

能否取得大量数据，并从中做出洞察也是我们考验的能力之一。我们下载了近5年的上上证指数数据，共1214条，交给kimi k2进行分析。

prompts：@/000001perf.xlsx 这是一份上证指数数据，分析数据并做一份分析报告，报告中要包含图表

可以发现，kimi k2决定用python进行报告生成，为了读取表格文件和生成图表，它会自动检查有没有pyhton相对应的库，并进行下载。

在指标上，kimi k2会自动挑选有代表性的进行分析，如最高/低日成交额，数据波动等。

从分析报告成品来看，kimi k2先生成图表，后生成分析报告，最后将二者结合，逻辑比较顺畅。此外，kimi k2生成的图表形式多样，趋势线、热力散点图等都有。

并且kimi k2基本找出了上证指数的特点。

为了测试K2的风格化文本生成能力，我们选择了一个具有挑战性的任务：让它模仿知名脱口秀演员付航的表演风格，创作一段300字的脱口秀段子。

测试结果显示，K2确实展现出了一定的风格模仿能力。从表面看，生成的文本在语言节奏和表达方式上有那么几分相似，但仔细分析后发现，它并没有真正捕捉到付航段子的核心特质。

初次生成的内容存在明显的逻辑混乱问题，读起来让人摸不着头脑，甚至难以理解基本的表达意图。经过参数调整和prompt优化后，第二次的输出在可理解性方面有了显著提升，至少能够清晰地传达想要表达的内容，但依旧不好笑。

不过值得注意的是，K2在最近的升级中展现出了一个有趣的变化趋势。它的文本表达风格明显向R1靠拢，开始频繁使用一些颇为华丽的比喻和相对复杂的措辞。这很可能也跟Kimi K2在训练中对合成数据的使用有关。

更多的细节等待它的官方技术报告来揭秘。

在Kimi的英文技术博客里，它也直接取名：Kimi K2: Open Agentic Intelligence。在此之前，Anthropic的Claude是把自己和Agent能力捆绑最紧密的模型系列，并且也同样在聚焦Agent能力同时没有太多去提高多模态等能力。此次K2对标Claude的思路很明显，在模型能力上也做了很明显的取舍。

根据Kimi透露，K2现在已具备复杂指令集解析能力，可以兼容Anthropic等的API接口，可以无缝接入Cline，owl等Agent框架。在社区里，各种对K2的实测也纷纷出现。其中不少开发者也表达了对实测上手K2在Agent能力上的惊艳。甚至已经有人“开发”出把Claude Code里的Claude模型替换成Kimi K2的方法，并且表示可以用来平替。

接下来可能可以期待Kimi 的产品上，也会像Claude那样衍生出更多功能，预训练模型的进展最终真正“反哺”到它C端产品上，然后Make Kimi great again。

点个爱心，再走 吧