Kimi K2.5 — это open-source, нативная Multimodal агентская Model, созданная через постоянное предобучение на приблизительно 15 триллионах смешанных визуальных и Text token поверх Kimi-K2-Base. С архитектурой MoE на 1 триллион параметров (32 миллиарда активно) и длиной контекста 256 тысяч, она безупречно интегрирует Vision и понимание языка с расширенными агентскими возможностями, поддерживая как мгновенный, так и обдуманный режимы, а также разговорные и агентские парадигмы....

Kimi K2 Thinking — это последняя и самая мощная версия открытой модели мышления. Начиная с Kimi K2, мы создали его как агента мышления, который рассуждает шаг за шагом, динамически используя инструменты. Он устанавливает новый стандарт в "Последнем Экзамене Человечества" (HLE), BrowseComp и других бенчмарках, значительно увеличивая глубину многократных рассуждений и поддерживая стабильное использование инструментов на протяжении 200–300 последовательных вызовов. В то же время, K2 Thinking — это нативная модель квантования INT4 с контекстным окном в 262k, достигающая без потерь сокращения задержек в inference и использования памяти GPU....

Kimi K2-Instruct-0905, новейшая модель смешивания экспертов (MoE), является последней, самой мощной версией Kimi K2. Ключевые особенности включают улучшенные возможности кодирования, особенно для фронтенда и вызова инструментов, длину контекста, увеличенную до 256k tokens, а также улучшенную интеграцию с различными каркасами агентов....

Kimi K2 — это базовая модель со смесью экспертов (Mixture-of-Experts, MoE) с исключительными возможностями кодирования и агентирования, содержащая 1 триллион общих параметров и 32 миллиарда активированных параметров. В оценках по эталонным тестам, охватывающим общие знания, программирование, математику и задачи, связанные с агентами, модель K2 превосходит другие ведущие модели с открытым исходным кодом....

Kimi-Dev-72B — это новая модель крупного открытого исходного кода для кодирования, достигшая 60,4% на SWE-bench Verified, устанавливая передовой результат среди открытых моделей. Оптимизирована через масштабное обучение с подкреплением, она автономно исправляет реальные кодовые базы в Docker и получает вознаграждение только при успешном прохождении полного тестового набора. Это гарантирует, что модель предоставляет правильные, надежные и практичные решения, соответствующие стандартам реального мира программной инженерии....