Kimi K2 Instruct 0905 模型参数、许可证与获取服务

中文简介

Kimi K2 Instruct 0905 是 Moonshot AI 发布方仓库中的万亿参数 MoE 指令模型。固定 README 标注总参数约 1T、每 token 激活约 32B、上下文 256K，仓库为 block-FP8 权重。它适合具备大规模推理基础设施的团队，不是“32B 激活参数即可用单卡运行”的普通 32B 模型。

UPSTREAM README

上游模型卡 / 数据集卡

在 Hugging Face 查看原文 ↗

简体中文（默认）上游原文

版本定位：Kimi K2 Instruct 0905 是 Moonshot AI 发布的 K2 更新版，固定模型卡列出 1T 总参数、32B 激活参数和 256K 上下文。本站将它归入多节点部署级资源，不用“激活 32B”淡化完整权重与通信成本。

选择建议：适合已有集群、需要长上下文和工具调用能力的团队。若项目仍处于需求验证阶段，应先以 API 或较小模型验证任务指标，再决定是否承担近 1 TB 权重的存储、校验和部署成本。

许可与安全：权重和代码采用 Modified MIT License，需逐条阅读固定许可证；同时应审查自定义代码、工具调用权限和输出安全。本站只提供合规获取、版本核对与交付咨询，不代表 Moonshot AI 官方渠道。

已有简体中文译文 · Codex 基于固定版本上游 README 编写；待人工复核 · 2026-07-26 01:42

📰   Tech Blog     |     📄   Paper 1. Model Introduction Kimi K2-Instruct-0905 is the latest, most capable version of Kimi K2. It is a state-of-the-art mixture-of-experts (MoE) language model, featuring 32 billion activated parameters and a total of 1 trillion parameters. Key Features Enhanced agentic coding intelligence: Kimi K2-Instruct-0905 demonstrates significant improvements in performance on public benchmarks and real-world coding agent tasks. Improved frontend coding experience: Kimi K2-Instruct-0905 offers advancements in both the aesthetics and practicality of frontend programming. Extended context length: Kimi K2-Instruct-0905’s context window has been increased from 128k to 256k tokens, providing better support for long-horizon tasks. 2. Model Summary | | | |:---:|:---:| | **Architecture** | Mixture-of-Experts (MoE) | | **Total Parameters** | 1T | | **Activated Parameters** | 32B | | **Number of Layers** (Dense layer included) | 61 | | **Number of Dense Layers** | 1 | | **Attention Hidden Dimension** | 7168 | | **MoE Hidden Dimension** (per Expert) | 2048 | | **Number of Attention Heads** | 64 | | **Number of Experts** | 384 | | **Selected Experts per Token** | 8 | | **Number of Shared Experts** | 1 | | **Vocabulary Size** | 160K | | **Context Length** | 256K | | **Attention Mechanism** | MLA | | **Activation Function** | SwiGLU | 3. Evaluation Results | Benchmark | Metric | K2-Instruct-0905 | K2-Instruct-0711 | Qwen3-Coder-480B-A35B-Instruct | GLM-4.5 | DeepSeek-V3.1 | Claude-Sonnet-4 | Claude-Opus-4 | |------------------------|--------|------------------|------------------|--------|--------|--------|-----------------|---------------| | SWE-Bench verified | ACC | 69.2 ± 0.63 | 65.8 | 69.6* | 64.2* | 66.0* | 72.7* | 72.5* | | SWE-Bench Multilingual | ACC | 55.9 ± 0.72 | 47.3 | 54.7* | 52.7 | 54.5* | 53.3* | - | | Multi-SWE-Bench | ACC | 33.5 ± 0.28 | 31.3 | 32.7 | 31.7 | 29.0 | 35.7 | - | | Terminal-Bench

公开页仅展示原文摘录；完整模型卡或数据集卡请前往上游仓库查看。

适用场景

适合企业或高校评估长上下文、工具调用、代理任务和大规模 MoE 推理，也适合已部署 K2 早期版本的团队核对 0905 版本差异。若只需要单机多模态实验，应另看 Kimi-VL A3B；若只需要在线使用 Kimi 产品，也不需要下载本仓库权重。

模型参数

固定版本：ac6c49f04883bd0a0598b790693a72061c676629。固定 README：总参数 1T、激活参数 32B、上下文 256K、block-FP8 checkpoint；模型元数据参数量为 1,026,470,735,448，架构字段为 DeepseekV3ForCausalLM。

文件说明

固定 SHA 下记录 80 个文件，文件元数据求和约 958.52 GB，Hugging Face used_storage 字段约 958.57 GB。交付前需要确认是否完整获取全部权重分片、部署文档、自定义配置、tokenizer、LICENSE 与第三方声明，并为校验及失败重试预留额外磁盘。

上游文件元数据

以下仅为 Hugging Face 官方 API 返回的文件名与大小元数据，官网没有下载或托管这些文件。

.gitattributes1.60 KB
chat_template.jinja1.98 KB
config.json3.10 KB
configuration_deepseek.py10.40 KB
docs/deploy_guidance.md8.69 KB
docs/tool_call_guidance.md11.08 KB
figures/banner.png284.90 KB
figures/Base-Evaluation.png239.70 KB
figures/kimi-logo.png85.93 KB
generation_config.json52 B
LICENSE1.43 KB
model-00001-of-000062.safetensors474.59 MB

硬件建议

应按近 1 TB 权重仓库规划多节点 GPU 与高速共享存储，32B 激活参数不能代替总权重驻留和通信成本。长上下文还会显著增加 KV cache。建议先在目标推理框架中验证官方支持的 FP8 路径、张量/专家并行、网络带宽和故障恢复，再安排完整交付。

注意事项

Modified MIT 不是标准 MIT 文本，必须阅读固定 LICENSE 中的附加条件，不能只看“MIT”字样。256K 是模型卡能力字段，实际显存与吞吐仍受 KV cache、并发和推理框架影响。仓库包含自定义代码与 FP8 格式，部署前应进行代码审查和框架兼容验证。

获取、校验与交付

先核对上游版本、访问条件和许可证，再根据文件规模选择自行获取或人工协助。橙子AI科技可在合法访问权限、许可证及平台规则允许的前提下，提供版本与文件范围核对、下载协助、完整性校验和国内交付咨询；本官网本身不托管或下载资源文件。

第三方资源声明

本页面为橙子AI科技基于固定版本上游卡片整理的中文信息与服务说明，不代表资源作者或平台官方页面。实际许可、访问和使用条件以上游原文为准。