Kimi 是由北京月之暗面科技有限公司开发的大语言模型系列，自2023年10月首次发布以来，已从一款主打超长上下文理解的对话助手，演进为覆盖推理、编程、多模态理解和自主智能体（Agent）执行的完整模型矩阵。
从版本谱系来看，Kimi 已发展出以下主要版本：
早期对话系列：Kimi Chat（Moonshot v1，2023年10月）→ Kimi Latest（2025年2月），这是 Kimi 面向消费者的初始产品形态，以20万汉字超长上下文处理能力闻名。
推理探索系列（K系列） ：Kimi k1.5（2025年1月），月之暗面首个多模态思考模型，在数学、代码和多模态推理上对标 OpenAI o1 满血版。
开源基座系列（K2系列） ：Kimi K2（2025年7月11日）→ K2-0905（2025年9月5日）→ K2 Thinking（2025年11月6日）→ K2.5（2026年1月27日）→ K2.6（2026年4月20日）。K2系列标志着 Kimi 全面转向开源与Agent优先战略，每一代都在编程、长程任务和Agent集群能力上持续突破。
旗舰开源系列（K3系列） ：Kimi K3（2026年7月16日发布，7月27日开放权重），全球首个开源的3T级模型，参数规模达2.8万亿，支持原生视觉理解和100万token上下文。
编程专项：Kimi K2.7 Code，基于K2.6的智能体编程模型，专注于代码生成与仓库级理解，支持256K上下文。
第二部分：各版本详细对比与拆解
一、K2系列核心架构与代际对比
Kimi K2 是月之暗面开源战略的起点。K2采用混合专家架构（MoE），总参数1万亿，每个token仅激活320亿参数，包含384个专家，每层激活8个专家。训练依托于 NVIDIA H800 构成的大规模GPU集群，团队摒弃了传统的Adam优化器，创新性地使用了 MuonClip 优化器，在万亿参数规模下实现了更快的收敛速度和更好的训练稳定性。
维度 K2 / K2-0905 K2 Thinking K2.5 K2.6 K3
发布日期 2025.07 / 2025.09 2025.11 2026.01 2026.04 2026.07
总参数 1T 1T 1T 1T 2.8T
激活参数 32B 32B 32B 32B 104B
上下文 128K 256K 256K 256K 1M
专家数量 384 384 384 384 896
核心定位 开源基座 / Agent 深度推理 Office + 多模态 长程编程 + Agent集群 旗舰3T / 原生视觉
开源协议 修改版MIT 修改版MIT 修改版MIT 修改版MIT 修改版MIT
K2 系列的核心突破在于将“智能体智能”（Agentic Intelligence）作为模型的核心能力，而非附加特性。K2的智能体能力来源于专门的数据合成管线，构建了涵盖多轮工具使用场景的大规模数据集，模拟了编程、搜索、数据分析等真实应用场景。
二、K3：从1T到2.8T的架构跃迁
K3不是简单的“同架构放大一版”，而是在总容量、激活计算和专家池规模上同步扩容。层数从约61层提升到93层，路由专家从384个扩展到896个，每token激活16个专家。
K3最核心的架构创新是 Kimi Delta Attention（KDA） 。K2系列主要采用MLA（Multi-head Latent Attention），K3改为混合设计：大量层使用KDA（线性注意力变体），并周期性插入Gated MLA以保留全局交互。公开配置中约为69层KDA + 24层Gated MLA。KDA的目标是在超长序列下降低注意力的内存与计算压力，使100万token级上下文真正可行。配套还有 FlashKDA、上下文并行与前缀缓存等系统侧优化。
K3还引入了 Attention Residuals（AttnRes） ，让深层可以有选择地回看更早层的表示，改善信息在深度方向上的流动，有利于长链路推理与Agent任务的一致性。Stable LatentMoE 则在高稀疏条件下稳定了优化过程。官方宣称，K3相对K2的整体扩展效率提升约2.5倍。
三、K2.6：长程编程与Agent集群的里程碑
K2.6是Kimi迄今最强的代码模型。在测试中可以不间断编码13小时，编写或修改超过4000行代码，完成复杂系统的开发和优化。在Kimi内部严格代码评测基准Kimi Code Bench中，K2.6的代码能力持平GPT-5.4。
K2.6同步强化了 Agent Swarm 能力——一个模型可以调度最多300个子Agent并行工作，各Agent分别负责不同的子任务，由一个主模型统一协调。这种“模型即操作系统”的设计思路，使Kimi从“写代码的工具”进化为“管理工程团队的系统”。
四、K2.5：Office场景与多模态融合
K2.5将Agent能力扩展到日常办公领域，掌握了Word、Excel、PPT、PDF等常用软件的中高阶技能，包括Word智能排版与修订审阅、PDF视觉设计与图文混排、Excel数据分析与金融建模、PPT自动生成与视觉叙事等。在HLE、BrowseComp、DeepSearchQA等多项Agent评测中，K2.5斩获全球开源模型最佳成绩，以原生多模态架构实现视觉、文本、编程、Agent能力的全面集成。
第三部分：为什么分这么多版本？
Kimi 推出如此密集的版本迭代，背后有清晰的战略逻辑。
一、从“对话助手”到“Agent操作系统”的产品范式转移
月之暗面提出的“模型即Agent”理念，意味着模型不再只是被动回答问题的文本生成器，而是能够自主感知环境、规划任务、调用工具并完成交付的“活”智能体。K2系列每一代的迭代重点，本质上都在回答同一个问题：模型能自主工作多久、管理多少个子任务、交付多复杂的成果。K2管基础Agent能力，K2 Thinking管深度推理，K2.5管Office文档交付，K2.6管长程编程和多Agent调度，K3把上下文拉到100万token让超长任务成为可能。版本分化的本质是Agent能力在不同场景下的逐步深化。
二、开源策略的精细分层
Kimi K2系列采用修改版MIT协议开源，支持免费商业使用，仅要求月活超1亿或月收入超2000万美元的企业标注“Kimi K2”。这一策略的精妙之处在于：开源版本作为技术标杆吸引开发者构建应用生态，而旗舰版本通过API服务和“登月计划”企业合作计划实现商业变现。月之暗面在2026年9月启动的Kimi企业合作伙伴“登月计划”，以FDE（前置部署工程师）模式与系统集成商共建交付队伍，推动大模型进入企业核心业务流程。
三、算力效率与成本的分层优化
K3虽然参数规模达到2.8T，但每个token仅激活104B参数，稀疏度远高于K2系列的32B激活。这种极度稀疏的设计意味着K3在保持巨大容量的同时，单次推理的计算成本并未线性增长。但对于资源有限的开发者，K2系列仍然是更务实的选择——K2在16×H800上即可部署FP8权重，而K3全精度需要594GB磁盘空间。不同版本对应不同硬件门槛，让从个人开发者到大型企业的用户都能找到合适的切入点。
第四部分：最著名版本——Kimi K2 本地部署实战
Kimi K2 是Kimi开源战略的奠基之作，1T总参数/32B激活的MoE架构在开源模型中具有里程碑意义。以下为完整的本地部署步骤。
步骤一：环境准备与硬件规划
硬件要求：推荐使用 16×NVIDIA H800 或等效GPU集群，K2的FP8权重在主流H800平台上以128K上下文长度运行需要至少16卡张量并行。对于量化部署，Unsloth Dynamic 2-bit量化可将K2.7 Code的磁盘需求从605GB降至325GB。
软件环境：
操作系统：Ubuntu 22.04 LTS
CUDA 12.1+，PyTorch 2.5+
Python 3.10+
vLLM 0.7.0+
步骤二：安装vLLM推理框架
bash
# 创建虚拟环境
python3 -m venv kimi_env
source kimi_env/bin/activate
# 安装vLLM（推荐使用uv加速）
pip install uv
uv pip install -U vllm --torch-backend auto
步骤三：启动K2推理服务
bash
# 在16卡H800上启动K2 FP8推理服务
NCCL_SOCKET_IFNAME=$IFACE_NAME vllm serve moonshotai/Kimi-K2-Instruct \
--trust-remote-code \
--tokenizer-mode auto \
--tensor-parallel-size 16 \
--enable-auto-tool-choice \
--tool-call-parser kimi_k2
其中 --tensor-parallel-size 16 表示张量并行度为16，--tool-call-parser kimi_k2 启用K2原生的工具调用解析器。
步骤四：API调用与测试
python
from openai import OpenAI
client = OpenAI(
base_url="http://localhost:8000/v1",
api_key="EMPTY"
)
response = client.chat.completions.create(
model="moonshotai/Kimi-K2-Instruct",
messages=[
{"role": "user", "content": "请用Python实现一个LRU缓存"}
],
temperature=0.6,
max_tokens=2048
)
print(response.choices[0].message.content)
步骤五：启用工具调用能力
K2的核心优势之一是原生工具调用能力。启用后，模型可以自主决定何时调用外部工具：
python
response = client.chat.completions.create(
model="moonshotai/Kimi-K2-Instruct",
messages=[{"role": "user", "content": "查询北京今天的天气"}],
tools=[{
"type": "function",
"function": {
"name": "get_weather",
"description": "获取指定城市的天气",
"parameters": {
"type": "object",
"properties": {
"city": {"type": "string", "description": "城市名称"}
},
"required": ["city"]
}
}
}],
tool_choice="auto"
)
步骤六：监控与调优
监控GPU利用率和显存占用，目标GPU利用率>80%。若出现OOM错误，可减小--max-model-len参数或启用量化权重。K2支持FP8原生权重，在H800上运行时无需额外量化转换。
第五部分：不同版本的实践成果
案例一：中国联通北京分公司京元平台上线Kimi K3调用服务（基于K3）
2026年7月27日Kimi K3正式开源后，中国联通北京市分公司依托京元Token平台一体化算力调度与模型优化能力，快速完成Kimi K3模型在国产算力环境下的适配部署，并正式对外上线服务。在复杂推理、长程代码开发、多模态理解等场景，Kimi K3展现出领先能力。
实践成效：企业无需投入底层集群搭建、模型调优、国产算力兼容适配等复杂工作，通过京元平台即可直接调用K3能力。这是K3开源后首个在国产算力平台上完成适配并对外提供服务的运营商级案例，标志着国产3T级开源模型首次进入电信运营商的算力服务体系。
案例二：亚信科技与月之暗面企业级Agentic AI合作（基于K2.6 + K3）
2026年8月，亚信科技与月之暗面在企业级Agentic AI业务领域开展全面合作。根据双方协议，月之暗面提供完整Kimi模型权重、技术文档及后端研发支撑，亚信科技组建专属FDE交付团队，双方共同覆盖模型适配、参数调优、本地化部署和持续运维。
实践成效：这一合作以Kimi K2.6和K3模型为核心技术底座，共同推进企业级智能体技术在通信、金融等行业的规模化商用。亚信科技在公告中明确，双方的合作模式是“模型能力开放+行业交付能力”的深度绑定，月之暗面负责模型底座，亚信科技负责客户现场的全流程交付。这是Kimi开源模型从“技术输出”走向“产业落地”的关键一步。
案例三：中软国际“登月计划”Token分成与联合创新合作（基于K2.7 Code + K3）
2026年7月，中软国际与月之暗面签署“登月计划”之Token分成及联合创新合作协议。双方以中软国际自主研发的企业智能操作系统AllMeta平台与月之暗面K2.7 Code及K3模型为核心技术底座，共同推进企业级智能体技术在能源电力、金融等行业的规模化商用。
实践成效：中软国际作为首批加入“登月计划”的系统集成商之一，将Kimi模型能力嵌入其企业智能操作系统，面向能源电力、金融等高价值行业客户提供智能体解决方案。这一合作代表了Kimi企业生态的一种典型模式——月之暗面提供模型权重和技术支撑，系统集成商负责行业适配和客户交付，双方通过Token分成实现商业闭环。
版权声明：本平台仅提供信息存储空间服务，用户发布内容不代表本站观点，交易风险自担；侵权违法内容请立即举报（邮箱：37996619@qq.com），本站接通知后先行屏蔽，责任由发布者承担。