Kimi K2-Thinking: тесты глубокого логического рассуждения

Kimi K2 Thinking — это новая ведущая модель открытых весов: она демонстрирует особую силу в агентных контекстах, но очень многословна и генерирует наибольшее количество токенов среди всех моделей при заполнении наших оценок индекса интеллекта.

Кими К2 Thinking из Moonshot AI набрал 67 баллов в индексе искусственного интеллекта. Это явно ставит его выше всех других моделей с открытым весом, включая недавно выпущенные MiniMax-M2 и DeepSeek-V3.2-Exp, и уступает только GPT-5 среди проприетарных моделей.

Он использовал самое большое количество токенов за всю историю испытаний в индексе искусственного анализа интеллекта (140 млн), но с учетом официальной цены API MoonShot в размере 0,6/2,5 доллара США за миллион токенов ввода-вывода (для базовой конечной точки), общая стоимость запуска индекса искусственного анализа интеллекта оказывается дешевле, чем у ведущих пограничных моделей — 356 долларов США. Moonshot также предлагает более быструю конечную точку турбо по цене 1,15 доллара США/8 долларов США (что приводит к результату индекса затрат на запуск искусственного анализа интеллекта в 1172 доллара США за конечную точку турбо-турбо - уступая только Grok 4 как самая дорогая модель). Базовая конечная точка очень медленная — ~8 выходных токенов/с, тогда как турбо — несколько быстрее — ~50 выходных токенов/с.

Эта модель является одной из самых больших моделей открытого веса за всю историю с общими параметрами 1T и активным 32B. K2 Thinking — это первая модель рассуждения в семействе моделей Kimi K2 компании Moonshot AI после нерассуждающих моделей Kimi K2 Instruct, выпущенных ранее в июле и сентябре 2025 года.

Moonshot AI в своем объявлении относится только к пост-тренингу. В этом выпуске подчеркивается продолжающаяся тенденция повышения производительности после обучения и, в частности, RL, в моделях рассуждения и в долгосрочных задачах, связанных с вызовом инструментов.

Ключевые выводы

• Подробности: только текст (без ввода изображений), контекстное окно 256 КБ, изначально выпущено с точностью INT4, всего 1 Т с активными 32 Б (~ 594 ГБ)
• Новый лидер в области интеллекта в открытых весах: Kimi K2 Thinking получил 67 баллов в индексе интеллекта искусственного анализа. Это самый высокий показатель открытого веса, который значительно выше, чем у gpt-oss-120b (61), MiniMax-M2 (61), Qwen 235B A22B 2507 (57) и DeepSeek-V3.2-Exp (57). Этот выпуск продолжает тенденцию создания моделей с открытыми весами, которые по уровню интеллекта следуют за запатентованными моделями.
• Китай возвращает себе границы открытых весов: данные китайских лабораторий искусственного интеллекта лидировали по количеству аналитических данных по открытым весам, предлагаемых на протяжении большей части прошлого года. Выпуск OpenAI gpt-oss-120b в августе 2025 года ненадолго вернул США лидерские позиции. K2 Thinking от Moonshot AI возвращает ведущую модель с открытыми весами для китайских лабораторий искусственного интеллекта
• Высокие агентские характеристики: Kimi K2 Thinking демонстрирует особую силу в агентных контекстах, о чем свидетельствует его позиция №2 в агентном индексе искусственного анализа, где он уступает только GPT-5. В основном это связано с достижением K2 Thinking 93% в 𝜏²-Bench Telecom, тесте использования агентских инструментов, где модель выступает в качестве агента по обслуживанию клиентов. Это самый высокий результат, который мы получили независимо. Использование инструментов в долгосрочных агентских контекстах было сильной стороной Kimi K2 Instruct, и похоже, что этот новый вариант мышления дает существенные преимущества.
• Самая популярная модель кодирования с открытыми весами, но уступающая проприетарным моделям: K2 Thinking не одерживает победу ни в одном из наших тестов кодирования - он занимает 6-е место в Terminal-Bench Hard, 7-е место в SciCode и 2-е место в LiveCodeBench. По сравнению с моделями открытых весов, он находится на первом или первом месте для каждой из этих оценок - и, следовательно, опережает предыдущего лидера открытых весов DeepSeek V3.2 в нашем индексе кодирования искусственного анализа.
• Самый большой скачок в показателях открытых весов на «Последнем экзамене человечества»: самые сильные результаты K2 Thinking включают «Последний экзамен человечества», где мы измерили результат 22,3% (без инструментов) — рекордный показатель за все время для моделей с открытыми весами, уступающий только GPT-5 и Grok 4.
• Подробность: мышление Kimi K2 очень подробное — для оценки индекса интеллекта используется 140 миллионов токенов, что примерно в 2,5 раза превышает количество токенов, используемых DeepSeek V3.2, и примерно в 2 раза больше, чем в GPT-5. Такая высокая степень детализации приводит как к более высокой стоимости, так и к более высокой задержке по сравнению с менее многословными моделями. На базовой конечной точке Mooshot K2 Thinking в 2,5 раза дешевле, чем GPT-5 (высокий), но в 9 раз дороже, чем DeepSeek V3.2 (индекс стоимости запуска искусственного анализа интеллекта).
• Вариант рассуждения Kimi K2 Instruct: Модель, согласно ее названию, является рассуждением варианта Kimi K2 Instruct. Модель имеет ту же архитектуру и такое же количество параметров (хотя и другую точность), что и Kimi K2 Instruct. Он продолжает поддерживать только текстовый ввод и вывод.
• Параметры 1T, но INT4 вместо FP8: в отличие от предыдущих выпусков Kimi K2 Instruct от Moonshot, в которых использовалась точность FP8, эта модель изначально была выпущена с точностью INT4. Для достижения этой цели Moonshot использовал обучение с учетом квантования на этапе после обучения. Результатом этого является то, что K2 Thinking занимает всего около 594 ГБ по сравнению с чуть более 1 ТБ у K2 Instruct и K2 Instruct 0905, что приводит к повышению эффективности вывода и обучения. Потенциальная причина использования INT4 заключается в том, что графические процессоры NVIDIA до Blackwell не поддерживают FP4, что делает INT4 более подходящим для достижения повышения эффективности на более раннем оборудовании.
• Доступ: Модель доступна на Hugging Face с измененной лицензией MIT. Moonshot AI обслуживает официальный API (доступен по всему миру), а сторонние поставщики логических выводов уже запускают конечные точки, включая Baseten, Fireworks, Novita, Parasail.

Индекс искусственного анализа интеллекта (7 ноября 25)

Kimi K2 Thinking использовал самое большое количество токенов за всю историю испытаний в индексе искусственного анализа интеллекта.

Выходные токены, используемые для запуска индекса искусственного анализа интеллекта (7 ноября 25 г.)

Moonshot предлагает две конечные точки для мышления K2. Более быстрая и дорогая конечная точка «турбо» и более дешевая стандартная конечная точка. В зависимости от того, какой из них используется, стоимость использования нашего индекса интеллекта существенно варьируется от 380 до 1172 долларов. Базовая конечная точка очень медленная — ~8 выходных токенов/с, тогда как турбо — несколько быстрее — ~50 выходных токенов/с.

Стоимость запуска индекса искусственного анализа интеллекта (7 ноября 25 г.)

Индекс интеллекта искусственного анализа по открытым весам и проприетарным продуктам (7 ноября 25)

Kimi K2 Thinking теперь является ведущей моделью открытых весов в индексе искусственного анализа интеллекта.

Индивидуальные результаты по всем оценкам в индексе искусственного анализа интеллекта: MMLU-Pro, GPQA Diamond, Humanity's Last Exam, LiveCodeBench, SciCode, AIME 2025, IFBench, AA-LCR, Terminal-Bench Hard, 𝜏²-Bench Telecom.

Оценки разведки (7 ноября 25 г.)