橙子AI科技 Logo 橙子AI科技 需求咨询
菜单
模型

Kimi-K2-Instruct

moonshotai/Kimi-K2-Instruct

查看上游原文 ↗
上游访问：公开 本站服务：可咨询 内容检查：AI 辅助整理并检查 许可证：modified-mit 上游版本：fd1984e2b7a3

中文简介

moonshotai/Kimi-K2-Instruct 是 moonshotai 在 Hugging Face 发布的模型仓库，当前卡片主要关联文本生成与推理。本站固定记录上游版本 fd1984e2b7a3，同步到 83 个文件，文件元数据合计 958.54 GB；访问状态为“公开”，许可证字段为“modified-mit”。

UPSTREAM README

上游模型卡 / 数据集卡

在 Hugging Face 查看原文 ↗

【README 卡片中文译介】

以下内容依据上游仓库 moonshotai/Kimi-K2-Instruct 的固定版本 README、卡片字段和文件元数据进行中文结构化整理。它保留便于选型的关键信息，完整技术细节、代码示例和许可文本请同时查看上游原文。

【资源概览】
moonshotai/Kimi-K2-Instruct 是 moonshotai 在 Hugging Face 发布的模型仓库，当前卡片主要关联文本生成与推理。本站固定记录上游版本 fd1984e2b7a3，同步到 83 个文件，文件元数据合计 958.54 GB；访问状态为“公开”，许可证字段为“modified-mit”。

【适用方向】
适合在真实样本上评估文本生成与推理能力，并比较质量、时延和资源消耗。 建议先用小规模样本验证推理框架、输入输出格式和任务指标，再决定是否进入完整权重获取、量化或部署评估。

【版本与规格】
固定版本：fd1984e2b7a3。 任务标签：文本生成与推理。 架构：DeepseekV3ForCausalLM。 上游 Safetensors 元数据显示参数量约 1026.47 B。 库标记：transformers。 模型类型字段：kimi_k2。 上游页面记录的最近更新时间：2026-04-23。

【文件信息】
上游 API 返回 83 个文件，文件元数据合计 958.54 GB。 已保存文件清单中的主要扩展名：.safetensors 61 个、.json 4 个、.md 4 个、.png 4 个、.py 3 个、.yaml 3 个。 当前较大的文件包括：model-61-of-61.safetensors（18.08 GB）；model-11-of-61.safetensors（15.89 GB）；model-12-of-61.safetensors（15.89 GB）。

【运行或处理环境】
仓库文件元数据合计 958.54 GB。 按每参数 2 字节只计算 BF16 权重，理论下限约 1.87 TB；这不包含 KV Cache、激活值、框架开销或并发余量。 实际显存与内存由精度、量化方式、上下文长度、批量、并发、MoE 专家加载方式和推理框架共同决定，不能只凭参数名或仓库大小作部署承诺；应在目标格式和目标硬件上实测。

【使用边界】
许可证显示为“modified-mit”，具体用途限制、附加政策和归属要求仍以上游原文为准。 模型输出、工具调用和生成内容可能出现错误、偏见或安全风险，面向业务前应建立任务级评测、权限隔离和人工确认。

已有简体中文译文 · Codex 基于固定版本 README 与上游元数据生成中文结构化译介 · 2026-07-24 01:09

📰   Tech Blog     |     📄   Paper 0. Changelog 2025.8.11 Messages with `name` field are now supported. We’ve also moved the chat template to a standalone file for easier viewing. 2025.7.18 We further modified our chat template to improve its robustness. The default system prompt has also been updated. 2025.7.15 We have updated our tokenizer implementation. Now special tokens like `[EOS]` can be encoded to their token ids. We fixed a bug in the chat template that was breaking multi-turn tool calls. 1. Model Introduction Kimi K2 is a state-of-the-art mixture-of-experts (MoE) language model with 32 billion activated parameters and 1 trillion total parameters. Trained with the Muon optimizer, Kimi K2 achieves exceptional performance across frontier knowledge, reasoning, and coding tasks while being meticulously optimized for agentic capabilities. Key Features Large-Scale Training: Pre-trained a 1T parameter MoE model on 15.5T tokens with zero training instability. MuonClip Optimizer: We apply the Muon optimizer to an unprecedented scale, and develop novel optimization techniques to resolve instabilities while scaling up. Agentic Intelligence: Specifically designed for tool use, reasoning, and autonomous problem-solving. Model Variants **Kimi-K2-Base**: The foundation model, a strong start for researchers and builders who want full control for fine-tuning and custom solutions. **Kimi-K2-Instruct**: The post-trained model best for drop-in, general-purpose chat and agentic experiences. It is a reflex-grade model without long thinking. 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** | 38

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

适合在真实样本上评估文本生成与推理能力，并比较质量、时延和资源消耗。 建议先用小规模样本验证推理框架、输入输出格式和任务指标，再决定是否进入完整权重获取、量化或部署评估。

模型参数

固定版本：fd1984e2b7a3。 任务标签：文本生成与推理。 架构：DeepseekV3ForCausalLM。 上游 Safetensors 元数据显示参数量约 1026.47 B。 库标记：transformers。 模型类型字段：kimi_k2。 上游页面记录的最近更新时间：2026-04-23。

文件说明

上游 API 返回 83 个文件，文件元数据合计 958.54 GB。 已保存文件清单中的主要扩展名：.safetensors 61 个、.json 4 个、.md 4 个、.png 4 个、.py 3 个、.yaml 3 个。 当前较大的文件包括：model-61-of-61.safetensors（18.08 GB）；model-11-of-61.safetensors（15.89 GB）；model-12-of-61.safetensors（15.89 GB）。

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。

  • .eval_results/apex-swe.yaml268 B
  • .eval_results/swe_bench_pro.yaml221 B
  • .eval_results/terminal_bench.yaml277 B
  • .gitattributes1.66 KB
  • chat_template.jinja1.97 KB
  • config.json1.68 KB
  • configuration_deepseek.py10.40 KB
  • docs/deploy_guidance.md8.69 KB
  • docs/tool_call_guidance.md10.04 KB
  • figures/banner.png284.90 KB
  • figures/Base-Evaluation.png239.70 KB
  • figures/kimi-logo.png85.93 KB

硬件建议

仓库文件元数据合计 958.54 GB。 按每参数 2 字节只计算 BF16 权重，理论下限约 1.87 TB；这不包含 KV Cache、激活值、框架开销或并发余量。 实际显存与内存由精度、量化方式、上下文长度、批量、并发、MoE 专家加载方式和推理框架共同决定，不能只凭参数名或仓库大小作部署承诺；应在目标格式和目标硬件上实测。

注意事项

许可证显示为“modified-mit”，具体用途限制、附加政策和归属要求仍以上游原文为准。 模型输出、工具调用和生成内容可能出现错误、偏见或安全风险，面向业务前应建立任务级评测、权限隔离和人工确认。

获取、校验与交付

咨询此资源时只需发送本页链接或资源准确全称。橙子AI科技会继续核对版本、文件与类型、README资料卡、许可证和访问条件，并在合法访问权限、许可证及平台规则允许的前提下，协助海内外下载、完整性校验及网盘或硬盘交付；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。