Itinatakda ng Kimi K2 Thinking ng China ang bagong bilis para sa open-source AI, at nahihigitan ang GPT 5 sa mahahalagang pagsusulit

Hinahamon ng isang makapangyarihang open model ang mga nangunguna

Inilabas ng Moonshot AI ang Kimi K2 Thinking, isang modelong may bukas na weights na direktang tumatarget sa pinakamataas na antas ng mga sistemang pangangatwiran. Ayon sa kumpanya, nahihigitan ng modelo ang mga nangungunang proprietary system sa iba’t ibang mahihirap na pagsusuri na sumusukat sa sunod-sunod na pangangatwiran, mga web-browsing agent, at software engineering. Magagamit ang K2 Thinking sa platform ng Moonshot at sa Kimi.com, at inilathala ang weights nito sa mga pampublikong hub para sa sariling pagho-host sa ilalim ng Modified MIT License, na nagpapahintulot sa komersiyal na paggamit basta’t may kaunting pagkilala sa pinagmulan para sa napakalalaking deployment.

Pinagsasama ng disenyo ng modelo ang laki at episyensiya. Gumagamit ang K2 Thinking ng Mixture of Experts architecture na may iniulat na kabuuang isang trilyong parameter, ngunit humigit-kumulang 32 bilyon lamang ang aktibo sa bawat token na nalilikha. Sinusuportahan nito ang context window na 256,000 token at sinanay ito para sa native na INT4 inference gamit ang quantization-aware training. Binabawasan ng setup na ito ang latency at pangangailangan sa memorya, na nakatutulong magpaliwanag sa mapagkumpitensiya nitong presyo. Higit pa sa mga iskor, itinutulak ng paglalabas na ito ang mga open model tungo sa pagkilos bilang agent. Nagpapakita ang K2 Thinking ng pangmatagalang pagpaplano at organisadong paggamit ng mga tool sa 200 hanggang 300 sunod-sunod na pagtawag, at kaya nitong maglabas ng malinaw na bakas ng pangangatwiran upang masuri ng mga user ang mga gitnang hakbang. Kasabay ng mas mababang gastos, pinatataas ng mga kakayahang ito ang hamon para sa mga katunggaling closed model.

Ano ang K2 Thinking at paano ito gumagana

Binuo ang K2 Thinking bilang isang Mixture of Experts transformer. Nasa likod ng isang router ang malaking pangkat ng mga espesyalisadong expert module. Pumipili ang router ng maliit na bahagi ng mga ito para sa bawat token, kaya nababawasan ang kailangang compute habang napapanatili ang kapasidad. Inilalarawan ng Moonshot ang isang stack na may 61 layer, 384 na expert, walong expert na pinipili sa bawat token, 64 attention head, hidden dimension na 7168, at vocabulary na may 160,000 salita o token. Humigit-kumulang 32 bilyon lamang na parameter ang aktibo sa anumang sandali, kaya nananatiling kayang pangasiwaan ang inference habang napakalaki pa rin ng kabuuang kapasidad. Inilalarawan ang mekanismo ng attention bilang multi-head latent attention na may SwiGLU activation. Itinutuon ng paraang ito ang training at inference sa mga expert na pinakamahalaga sa nilalaman ng konteksto, kaya napapahusay ang throughput at katumpakan.

Mga sparse expert at episyensiya

Pinahihintulutan ng Mixture of Experts na lumaki ang isang modelo hanggang isang trilyong parameter nang hindi kailangang patakbuhin ang bawat parameter para sa bawat token. Sa praktika, nangangahulugan ito na makapagpapakita ang modelo ng mas malalim na pangangatwiran at mas malawak na kaalaman habang nananatili sa saklaw ng kasalukuyang accelerator ang memory footprint at oras ng bawat hakbang. Dahil sa 256k context window, naipapasok ng modelo ang malalaking codebase o mahahabang pangkat ng pananaliksik, saka nakapagpaplano sa maraming hakbang habang gumagamit ng mga tool. Akma ang disenyong ito sa mga gawaing agent, kung saan maaaring maghanap, magbasa, magsulat, at magberipika ng resulta ang isang sistema sa dose-dosenang o daan-daang pagkilos.

Native na INT4 at quantization-aware training

Sinanay ng Moonshot ang K2 Thinking gamit ang mga quantization-aware na pamamaraan upang native itong makatakbo sa INT4 para sa pag-iimbak ng weights at inference. Gumagamit ang INT4 ng dalawang bit bawat nibble para sa bawat halaga ng parameter sa halip na mga format na mas mataas ang precision, kaya nababawasan ang pangangailangan sa memorya at napabibilis ang pagbuo ng output. Iniulat ng kumpanya na halos doble ang bilis ng pagbuo ng output at napakaliit ng ibinaba ng kalidad kumpara sa mas mataas na precision; iniulat ding gamit ang INT4 ang lahat ng iskor sa benchmark. Mahalaga ito sa gastos at lawak ng paggamit. Iniulat ng mga community tester na napapatakbo nila ang modelo sa mga high-end na desktop system, at inirerekomenda ng Moonshot ang mga engine gaya ng vLLM, SGLang, at KTransformers. Sinusuportahan din ng modelo ang mga API na tugma sa OpenAI at Anthropic, kaya mas madali itong isama ng mga pangkat na gumagamit na ng mga pamamaraang iyon.

Mga benchmark kung saan nangunguna ang K2 Thinking

Sa mga pampublikong pagsusuri, nakakakuha ang modelo ng mga resultang naglalagay dito sa hanay ng pinakamahusay na mga sistemang pangangatwiran, at sa ilang pagsusuri ay nangunguna ito. Kabilang sa mga iniulat na iskor ang 44.9 porsiyento sa Humanity’s Last Exam kapag naka-enable ang mga tool, 23.9 porsiyento sa text-only na setting, at 51.0 porsiyento sa mabigat na setting; 60.2 porsiyento sa BrowseComp para sa mga web-browsing agent; 71.3 porsiyento sa SWE Bench Verified para sa pag-aayos ng mga software bug gamit ang mga tool; 83.1 porsiyento sa LiveCodeBench v6; at 56.3 porsiyento sa Seal 0. Sa matematika at agham, umabot ang modelo sa 94.5 porsiyento sa AIME25 nang walang mga tool, 99.1 porsiyento sa AIME25 kapag pinayagang magpatakbo ng Python, 89.4 porsiyento sa HMMT25 nang walang mga tool, at humigit-kumulang 85 hanggang 86 porsiyento sa pagsusuri sa kaalamang siyentipiko na GPQA Diamond. Iniulat din ang mga iskor na 87.0 sa Frames, 47.4 sa FinSearchComp T3, at 61.1 sa SWE Multilingual. Sa marami sa mga kategoryang ito, kapantay o nahihigitan ng K2 Thinking ang GPT 5, at malaki ang lamang ng iskor nito sa BrowseComp kumpara sa Claude Sonnet 4.5.

Mga gawaing agent sa paghahanap at pag-browse

Sinusukat ng BrowseComp kung kaya ng isang modelo na magplano, maghanap sa web, sumunod sa mga link, pagsama-samahin ang mga natuklasan, at beripikahin ang mga sagot. Mas mataas ang 60.2 porsiyentong iskor ng K2 Thinking sa BrowseComp kaysa sa 54.9 porsiyentong iniulat para sa GPT 5, at malaki ang lamang nito sa 24.1 porsiyento ng Claude Sonnet 4.5. Mataas din ang iskor ng modelo sa Seal 0 at Frames, na sumusukat sa pangangalap ng impormasyon, pagpaplano, at pagkakapare-pareho habang gumagamit ng mga tool. Kaayon ng mga layunin sa disenyo ng modelo ang mga resultang ito. Dahil sa salit-salitang pag-iisip, nakahihinto muna ang modelo upang mangatwiran, tumawag ng tool, at pagkatapos ay mag-update ng plano. Nakatutulong ang suporta para sa 200 hanggang 300 sunod-sunod na pagtawag upang mapanatili ang estado sa maraming hakbang, habang pinananatili naman sa memorya ng malaking context window ang mga kinakailangang datos.

Pagko-code at software engineering

Sinusuri ng SWE Bench Verified ang kakayahan ng isang modelo na magbasa ng mga isyu sa repository, gumawa ng patch, at magpasa sa mga test. Iniulat ng K2 Thinking ang iskor na 71.3 porsiyento gamit ang mga tool, isang mahusay na resulta para sa isang sistemang may bukas na weights. Umabot ito sa 83.1 porsiyento sa LiveCodeBench v6 at nakakuha ng 61.1 porsiyento sa SWE Multilingual. Ipinakikita ng mga demo ng komunidad na kaya nitong bumuo ng mga gumaganang proyekto mula sa iisang prompt, kabilang ang mga laro at buong web app, at saka paulit-ulit na mag-ayos gamit ang mga siklo ng pagtawag sa tool. Nakatutulong ang mahabang konteksto sa pag-navigate sa code, samantalang pinananatiling mababa ng INT4 inference ang latency sa mahahabang sesyon ng pagbuo.

Presyo, access, at lisensiya

Inilabas ang K2 Thinking sa ilalim ng Modified MIT License. Pinapayagan ang komersiyal na paggamit, at kailangang magbigay ng kaunting pagkilala sa pinagmulan ang mga napakalalaking deployment. Magagamit ang modelo sa Kimi.com para sa pakikipag-chat, at maa-access ito sa pamamagitan ng API sa Kimi Open Platform. Para sa sariling pagho-host, maaaring kunin ng mga pangkat ang weights mula sa mga pampublikong model hub gaya ng Hugging Face sa huggingface.co/moonshotai/Kimi-K2-Thinking, at makikita ang dokumentasyon ng platform sa platform.moonshot.ai.

Itinakda ang presyo nito upang maging mas mababa sa mga closed alternative. Nagtatakda ang Moonshot ng humigit-kumulang 0.15 dolyar kada isang milyong token para sa mga cache hit, humigit-kumulang 0.60 dolyar kada isang milyong token para sa mga cache miss, at humigit-kumulang 2.50 dolyar kada isang milyong token para sa output. Ihambing ito sa presyo ng GPT 5 na humigit-kumulang 1.25 dolyar kada isang milyong input token at 10 dolyar kada isang milyong output token. Pinabababa ng native na suporta ng K2 Thinking sa INT4 ang gastos sa pagpapatakbo, at tinitiyak ng Mixture of Experts setup na bahagi lamang ng network ang tumatakbo sa bawat sandali. Sa Kimi.com, gumagamit ang karaniwang chat mode ng limitadong hanay ng mga tool para sa mas magaang karanasan, kaya maaaring hindi tumugma ang mga resulta sa site sa mga benchmark ng agent hanggang matapos ang paglalabas ng Agent mode.

Bakit mahalaga ito sa paligsahan sa AI

Lumalapit na ang mga open model sa pinakamahusay na mga closed system. Ipinakikita ng mga panalo ng K2 Thinking sa benchmark na kaya nang makipagkompetensiya ng bukas na pananaliksik sa pinakamataas na antas ng pangangatwiran, pagko-code, at mga gawaing agent. Naglalagay ito ng pressure sa mga proprietary vendor na magpakita ng pagkakaiba sa pagiging maaasahan, mga tool para sa kaligtasan, suporta sa negosyo, at mga pinagsamang produkto, sa halip na umasa lamang sa matataas na pangunahing iskor. Para sa mga negosyo, nagbibigay ang open weights ng kontrol sa datos, pagsunod sa mga regulasyon, at lawak ng deployment. Para sa mga developer, nag-aalok ang mga ito ng paraan upang mag-eksperimento sa makabagong pagkilos ng mga agent nang hindi nagbabayad ng premium sa bawat token.

Lumalawak na presensiya ng China sa AI

Bumibilis ang kilos ng mga laboratoryo sa China at mas lumalawak ang bahagi nila sa usapan. Kabilang sa mga pangalang umuusbong ang DeepSeek, Qwen, MiniMax, at Kimi, na sunod-sunod ang paglalabas ng mga modelo. Nagtakda ang naunang modelo ng MiniMax ng bilis para sa mga open benchmark at mas mababang batayang presyo. Mas pinalalawak ngayon ng K2 Thinking ang kakayahan sa pangmatagalang pangangatwiran at paggamit ng mga tool ng agent. Itinuturo ng mga analyst na pinaiikli ng mga pangkat sa China ang mga siklo ng feedback, umaasa sa test-time scaling, at ginagamit na bentahe ang bilis ng paglalabas ng mga modelo, kahit na may ilang gawaing mas mahusay pa rin ang mga pinakamahusay na closed system. Lumilipat din ang kompetisyon mula sa chat tungo sa katalinuhan ng mga agent, kung saan nakapagpaplano, gumagamit ng mga tool, at tumatapos ng masalimuot na layunin ang isang sistema. Tahasang nakatuon ang K2 Thinking sa pagbabagong ito.

Mga kakayahan at halimbawa sa totoong gamit

Itinatampok ng mga demonstrasyon ng Moonshot at pagsusuri ng mga user kung paano tinatapos ng modelo ang mahahabang gawain. Sa isang demonstrasyon, sinasagot ng sistema ang tanong sa matematika na pang-doktorado sa pamamagitan ng paulit-ulit na pagbabasa ng mga papel, pagkuha ng mga pormula, pagpapatakbo ng Python code, at pagberipika ng mga resulta sa mahigit dalawampung hakbang ng pangangatwiran at paggamit ng tool bago ilahad ang huling solusyon. Ipinakikita naman ng isa pang demo ang paulit-ulit na paghahanap ng modelo upang matukoy ang aktor na si Jimmy Gary Jr. at kumpirmahin ang isang partikular na papel niya sa pelikula, isang gawaing nangangailangan ng maingat na pagsuri ng mga sanggunian sa maraming web page. Sa mga sesyon ng pagko-code, iniulat ng mga tester na kaya ng K2 Thinking na gumawa sa isang pasada ng gumaganang larong kahawig ng Space Invaders, at pagkatapos ay pagbutihin ito sa pamamagitan ng paulit-ulit na pagtawag sa mga tool. Ipinakikita rin ng iba kung paano ito bumubuo ng buong website, gumagawa ng mga front-end component, at gumagaya pa nga ng interface na kahawig ng desktop para sa pamamahala ng mga file at menu.

Mga napapansin ng mga developer

Inilalarawan ng mga independent tester sa mga forum ng developer ang balanse ng bilis at kontrol. Sinubukan ng isang bihasang user ang modelo gamit ang hardware na mabibili ng mamimili at iniulat na nanatili itong maaasahan sa mahahabang sunod-sunod na paggamit ng tool at malalaking prompt. Idinagdag ng tagasuri na pinabibilis ng native na INT4 mode ang modelo habang nananatiling matatag ang kalidad.

Sa mga pagsubok ko, nakayanan nito ang hanggang 300 sunod-sunod na pagtawag sa tool nang hindi nawawala ang pagkakaugnay-ugnay, isang malaking pagbuti kumpara sa mga naunang modelo.

Binanggit din ng tester ang 256k context window na nakayanan ang malalaking proyekto ng code, husay sa pagko-code sa maraming wika, at praktikal na pakinabang sa mga gawaing front-end. Umabot sa sampu-sampu hanggang daan-daang token bawat segundo ang iniulat na throughput sa mga high-end na desktop, depende sa mga setting, kaya sapat na tumutugon ang mga siklo ng agent para sa gawaing development.

Pananaw ng eksperto

Sinabi ni Nathan Lambert, isang mananaliksik sa AI na sumusubaybay sa mga open model at sistema ng agent, na nagmamarka ang K2 Thinking ng mahalagang pagbabago para sa open weights sa pinakamataas na antas ng performance. Itinampok din niya ang bilis ng paglalabas ng mga modelo ng mga laboratoryo sa China.

Itinuturing ang paglabas na ito bilang pinakamalapit na narating ng mga open model sa performance ng mga nangungunang closed model.

Itinuro rin ni Lambert ang bentahe ng open ecosystem sa bilis ng pagpapalabas ng mga bagong sistema at bersiyon, kahit may ilang larangang nangunguna pa rin ang mga closed model.

Mas mabilis maglabas ng mga modelo ang open ecosystem. Mas mabilis maglabas ng mga modelo ang mga laboratoryo sa China kaysa sa mga laboratoryo sa Kanluran.

Mga kailangan pang patunayan ng K2 Thinking

Hindi katumbas ng pagiging nangunguna sa benchmark ang pagiging pinakamahusay sa lahat ng aspeto sa aktuwal na produksyon. May ilang user na nag-ulat ng paminsan-minsang paghina ng pag-alala sa napakahahabang konteksto, isang karaniwang hamon para sa mga sistemang may malaking context window. Nagkakaiba rin ang mga benchmark sa pinapayagang dami ng paggamit ng tool at limitasyon ng thinking token, kaya maaaring nakadepende ang paghahambing sa lawak ng test-time scaling na ginagamit ng bawat pangkat. Nagdudulot din ng hamon sa pagho-host ang daan-daang pagtawag sa tool sa iisang sesyon, dahil kailangang pangasiwaan ng mga provider ang mas maraming estado, tawag sa network, at malalaking log.

Babantayan ng mga negosyo ang katatagan sa iba’t ibang bersiyon, kakayahang ulitin ang mga resulta sa ilalim ng nakapirming mga setting, at mga tool para sa kaligtasan na maiaangkop sa dati nang mga workflow. Nakatutulong ang paglalabas ng bakas ng pangangatwiran dahil nasusuri ng mga pangkat ang mga gitnang hakbang, ngunit kailangan ding magpasya ng mga operator kung gaano karaming pag-iisip ang itatala at kung kailan itatago ang sensitibong nilalaman. Sa huli, nag-aanyaya ang bukas na disenyo ng modelo ng mabilis na pag-aambag at pagbabago mula sa komunidad, na isang kalakasan, ngunit nangangahulugan din itong lilitaw ang maraming variant na may magkakaibang kompromiso sa bilis, paggamit ng memorya, at kalidad. Promising ang mga unang resulta, at matutukoy ng patuloy na pagsubok sa iba’t ibang wika, larangan, at hardware kung saan pinakamalakas ang K2 Thinking.

Sa kabuuan

• Inilabas ng Moonshot AI ang Kimi K2 Thinking bilang modelong may bukas na weights sa ilalim ng Modified MIT License na nagpapahintulot sa komersiyal na paggamit.
• Gumagamit ang modelo ng Mixture of Experts design na may kabuuang isang trilyong parameter at humigit-kumulang 32 bilyong aktibo sa bawat token.
• Pinabababa ng native na INT4 inference mula sa quantization-aware training ang gastos at latency habang napapanatili ang kalidad.
• Nag-ulat ang K2 Thinking ng 44.9 porsiyento sa Humanity’s Last Exam gamit ang mga tool at 60.2 porsiyento sa BrowseComp, na nahihigitan ang GPT 5 sa pagsusuring iyon para sa mga agent.
• Kabilang sa mga iskor sa pagko-code ang 71.3 porsiyento sa SWE Bench Verified at 83.1 porsiyento sa LiveCodeBench v6.
• Sinusuportahan ng sistema ang 256k context window at kaya nitong magsagawa ng 200 hanggang 300 sunod-sunod na pagtawag sa tool.
• Humigit-kumulang 0.15 dolyar kada milyong token ang presyo para sa mga cache hit, 0.60 dolyar para sa mga cache miss, at 2.50 dolyar para sa output, na mas mababa nang malaki sa mga singil ng GPT 5.
• Magagamit ito sa Kimi.com, sa pamamagitan ng API sa Kimi Open Platform, at sa mga pampublikong hub gaya ng Hugging Face.
• Itinutulak ng mga open model mula sa China, kabilang ang Kimi, DeepSeek, Qwen, at MiniMax, ang mabilis na paglalabas ng mga modelo at mas matataas na iskor sa benchmark.
• Kabilang sa mga dapat bantayan ang pagiging maaasahan sa mahabang konteksto, suporta sa pagho-host para sa mahahabang siklo ng paggamit ng tool, at performance sa totoong gamit sa ilalim ng mga limitasyon sa produksyon.