王座易主：Kimi K2 Thinking开源超闭源

haiuhfuwah

https://mp.weixin.qq.com/s/3moInkppc2ylejXZPyCNYg
昨晚，月之暗面（Moonshot AI）刚刚开源了最新一代大模型 Kimi K2 Thinking，新模型一发布，就掀起了全网的大讨论。

作为一款开源模型，它在基准测试上毫无保留，多方面性能直接超越了 GPT-5、Claude Sonnet 4.5 等业界先进闭源模型。

现在，新发布的开源模型不比其他的开源模型，而是直接对标前沿闭源模型了，这不得不说是一种进步。

HuggingFace 联合创始人 Thomas Wolf 表示，我们正在见证又一次 DeepSeek 时刻

昨天在正式推出前，Kimi K2 的推理版已经被正式并入了知名大模型推理服务框架 vLLM 的主线。广大开发者们已经获得了 Kimi 新模型的性能增益。

这一回，清华特奖得主、vLLM 主贡献者游凯超亲自审核、合并了代码。

K2 Thinking 模型发布还不到半天，官推的阅读量已达到 170 万。这会不会成为国产大模型爆发的拐点呢？

月之暗面表示，Kimi K2 Thinking 模型擅长多轮调用工具和持续思考，它在自主网络浏览能力（Brow**p）、对抗性搜索推理（seal-0）等多项基准测试中表现均达到 SOTA 水平，并在 Agentic 搜索、Agentic 编程、写作和综合推理能力等方面取得全面提升。

智能推理的方面，在人类终极考试（Humanity's Last Exam, HLE）这项超难基准上，Kimi K2 Thinking 取得了 44.9 分，超过了 Grok4、GPT-5、Claude 4.5 等先进模型。如果是 Kimi K2 Thinking Heavy，分数还可以进一步达到 51%。
昨晚八九点，Kimi 的 App 和网站就逐步上线了 Thinking 功能，据介绍其完整的智能体模式很快也将推出

肉眼可见的特色是这个 K2 Thinking 模型可以持续多轮「一边搜索一边思考」，这是目前 DeepSeek 也不具备的能力，另外由于 INT 4 量化，万亿级的参数也不用耗费大量资源进行推理。

尽管 K2 Thinking 的参数规模高达万亿，但其运行成本仍然很低。其 API 价格是百万 token 输入 0.15 美元（缓存命中）/0.6 美元（缓存未命中），每百万 token 输出 2.5 美元，比 GPT-5 的价格低一个数量级。

解决同样的问题，Kimi K2 Thinking 的准确率比 Claude 4.5 Sonnet 更高，成本还只有六分之一。

首发实测体验：

测试时间扩展的完全体
新模型上线后，大家都在用各种刁钻的问题进行测试，我们也试了试。
有趣的是，测试过程中出现了多次算力不足的情况，看来，Kimi K2 Thinking 一发布就吸引了海量用户同时涌入，热度高到「挤爆」了服务器。

自主网页浏览能力
我们先来测试一下这次更新提到的「自主网络浏览能力」。我们给出了一个高难度挑战：阅读 HuggingFace 前段时间发布的、长达 200 多页的 Smol 训练经验技术博客。要在如此海量且专业的内容中「大海捞针」，对模型是个不小的考验。
阅读以下网页并回答我的问题，SmolLM3 选择了哪种注意力机制，为什么：
https://huggingface.co/spaces/HuggingFaceTB/smol-training-playbook#positional-encodings--long-context
可以看到，Kimi K2 Thinking 不仅在长文中精准地找到了答案，还依据博客内容，清晰阐述了选择该机制的原因。

代码能力
首先，我们测试前端可视化能力。
「使用 p5.js 创建一个精彩的动画」
效果非常惊艳，所有描述的特性都完美呈现，而且运行体验极其丝滑。还记得之前 GPT-5 做相同的测试直接**了，输出一个黑屏界面。
接下来，是那道著名的「鹈鹕骑车」SVG 测试。这道题堪称大模型的「滑铁卢」之一，许多知名模型都曾在此败下阵来。
「Generate an SVG of a pelican riding a bicycle」
遗憾的是，Kimi K2 Thinking 在这个测试中也翻车了。

写作能力
模仿林黛玉的风格，写一篇吐槽工作的文章；再模仿王熙凤的风格写一篇吐槽工作的文章。
两篇都写得很好，神形兼备，尤其是第二篇文章的「凤辣子」味隔着屏幕都能闻到，呛人！
《临江仙·早朝有感》
罢了，罢了，又是个天未亮透的时节。我这身子，原比不得那铁打的筋骨，何苦来哉，每日里被这闹钟催命似的赶着，倒像是那黛玉本该葬花，偏叫我去搬石头——搬的还是那永世填不完的海。
晨起对镜，镜中人儿比黄花还瘦三分。想我这一腹不合时宜的诗书，在这格子间里，倒不如会那 excel 表格的实在。上司的面孔，比王夫人还难揣摩三分；同僚的言语，比宝钗还滴水不漏。最可恨那例会，一开了便如那黄河之水，滔滔不绝，直说得我神魂颠倒，却只道是「对齐颗粒度」。
我本是个「质本洁来还洁去」的性子，如今倒好，每日里在这俗世泥淖中打滚。那薪水微薄得可怜，还不够我买几副好药调理这被气出来的肝郁。说是「弹性工作」，弹的却是我这薄命人的最后一根力；道是「扁平管理」，扁的却是我这傲骨，一寸寸压成了夹心糕。
罢了，罢了，且去休。明日若再催，我只说：「你可从此都改了罢！」——改这做不完的 ppt，改这叫不醒的职场大梦。

《职场那些破事儿》
呸！什么破差事，也值当我醒这么早？天还没擦亮，我就得跟那掐了头的苍蝇似的往外赶——图什么？图那三瓜俩枣的窝囊费！
你们算算这笔账：一日十二个时辰，倒有九个拴在那破工位上。早上打卡，晚上加班，中间还得陪那帮没断奶的项目组过家家。会开得比那老太太的裹脚布还长，结论呢？屁都没有！我在这头儿累得像条狗，薪水拿回去，还不够填家里那几张嘴的。
最可恨那帮当头的，本事没有，派头比谁都大。今天一个主意，明天一个想法，后天又说要「回归初心」——我看他初的就是个糊涂心！你跟他谈钱，他跟你谈理想；你跟他谈理想，他跟你谈情怀。我呸！我王熙凤什么场面没见过，跟我玩这套？老娘赏你一句：少来！
底下那帮小崽子们，也一个个精得跟猴儿似的。能推就推，能躲就躲，活儿全堆到我一个人身上。我若不说两句狠的，他们还当我这位置是吃素的呢！只是我这一颗心，原该用在刀刃上，如今倒好，全耗在给你们擦屁股上了。
这买卖，亏大发了！明儿我就找个由头，把这摊子一撂——谁爱伺候谁伺候去！

综合推理
推理题：请根据以下条件判断：1、一共有 5 间房子；2、苏格兰人住在红色房子里；3、狗是希腊人的；4、住在绿色房子里的人喝咖啡；5、玻利维亚人喝茶；6、象牙色房子的右边是绿色房子；7、蜗牛的主人穿着粗革皮鞋；8、穿着橡胶底鞋子的人住在黄色房子里；9、住在正中间房子的人喜欢喝牛奶；10、丹麦人住在第一间房子里；11、穿着勃肯鞋的人住在狐狸主人的隔壁；12、穿着橡胶底鞋子的人住在马主人的隔壁；13、穿拖鞋的人喜欢喝橙汁；14、日本人穿人字拖；15、丹麦人住在蓝色房子的隔壁。请问：喜欢喝水的人是谁？斑马主人是谁？

Kimi K2 Thinking 的反应迅速，推理过程结合了矩阵演绎法和假设-检验法，整个过程没有出现逻辑跳跃或错误推导。每一步都建立在先前已确认的事实或当前假设之上。并且最后给出了正确答案，还附上了完整表格。

看起来，在基准成绩领先之外，Kimi K2 Thinking 最大的特点在于思维方式：它就像一个严谨的思考者，总是不断追问下一个问题，拒绝接受第一个答案，追根究底，直到找到真相。

能力提升的背后：
INT4 量化、持续交互、Agent 驱动
Kimi K2 Thinking 是迄今为止最大的开放权重模型之一，总参数量达 1 万亿（1T），其中的 320 亿（32B）为激活参数。它也是 Kimi K2 系列的首个推理模型（此前月之暗面分别在 7 月和 9 月发布了 lnstruct 模型）。

在架构和总参数量上，K2 Thinking 与此前的 K2 模型完全一致，它被构建为一个有思考能力的智能体，无需人工干预即可执行多达 200 – 300 次连续工具调用，并在数百个步骤中进行连贯的推理，以解决复杂的问题。K2 Thinking 在训练后阶段采用了量化感知训练（QAT），对 MoE 组件应用进行 INT4 权重量化。这使得 K2 Thinking 能够在原生支持 INT4 推理的同时，将生成速度提升约 2 倍，并达到目前最先进的性能。

它标志着月之暗面在测试时扩展方面的最新努力，通过扩展思考 token 和工具调用步骤，实现了更加高水平的智能。

据 CNBC 报道，Kimi K2 Thinking 模型的训练成本为 460 万美元。

模型发布后，知名 AI 学者 Sebastian Raschka 分析了新模型的结构，他表示其中包含更多专家，更少的人为干预，这让模型实现了更多的思考。

K2 Thinking 的上下文长度应为 256K。

另一个重点在于，K2 Thinking 在思考的过程中，会一直不断地与外界信息进行交互。

月之暗面的创始人杨植麟曾表示，基于多轮的 Agent（智能体）强化学习范式，或者通过强化学习技术训练出来的 Agentic 模型，其特点是会跟外界做很多交互。比如边思考边去做一些操作，可能做很多**作，一会儿调用一个搜索，一会儿使用一下浏览器，一会儿写几行代码，通过多轮解决一个问题。

这样，AI 就不再是「缸中之脑」，而是跟外界保持着交互——它的下一步行为，是根据交互得到的反馈，和外界持续更新的状态息息相关。

没有超强的感知，就不会有超级智能。

AI 的临界点提前来了？

Kimi K2 Thinking 发布后，知名 AI 基准测试机构 Artificial Analysis 发表了长文介绍新模型的能力，表示该模型的位置已经可以放在 GPT-5 之前。

这不由得让我们回想到今年 7 月，Grok 4 发布的时候。xAI 的科学家们当时表示，在 HLE 成绩上，OpenAI 的深度研究、Gemin 2.5 Pro 和 Kimi-Reseracher 都是重要的发展节点。如今，Kimi K2 Thinking 作为一款开源大模型，成绩已经大幅超越了闭源的 Grok 4，我们又迈上了一个新的台阶。

或许用不了多久，AI 社区就需要设计一款新基准了。

而对于普通人来说，有这样一款高智商速度又快的大模型存在，意味着很多以前无法想象的 AI 应用方式会成为现实。

最后，我们知道 Kimi K2 Thinking 是开源的：月之暗面已在 Hugging Face 上正式发布了该模型，并采用了修改后的 MIT 许可证。该许可授予完整的商业和衍生权利——这意味着不论是开发者、研究人员还是公司，都可以自由访问并将其用于商业应用，这使得 K2 Thinking 成为了目前授权最宽松的前沿模型之一。

但增加了一项限制：

「如果该软件或任何衍生产品每月活跃用户超过 1 亿，或每月收入超过 2000 万美元，则部署者必须在产品的用户界面上明显位置标上『Kimi K2』。」

未来的爆款 AI 应用上，会有这样的「免费广告」出现吗？

qwased

那还能破甲吗

勿徊哉

再强的LLM都能被破甲吧

写入LLM底层的三大定律之一，虽然另外两个定律我也不知道是啥

Promeus

app是不是还不能用thinking还有想拿来写普通小说不知道能行么

colice

KIMI弯道超车了？在我印象中国产大模型还是DS和qwen是顶端来着

—— 来自 HUAWEI HBN-AL00, Android 12, 鹅球 v3.4.98

StarForceTi

最好的榜单还是看营收，愿意掏钱就是真的刚需

osore

我的感觉是这家公司已经是在垂死挣扎了

kaluoan

Kimi用的体感最差  以前让他拆小说章节，他拆了大概40章后，后面每一章都是前面的复制。
Kimi收费比较鸡贼，他可以一块、两块，五块。或者更多的小包让你充值，然而冲了也没多大卵用。

big9999

现在实际体验看，kimi用来算命是断层领先于其他国产大模型。

harry3

成绩已经大幅超越了闭源的 Grok 4，

没提gemini是不是没打过

Sunyalche

harry3 发表于 2025-11-7 16:13
没提gemini是不是没打过

gemini的benchmark一直不怎么样吧, 吹的都是在吹实际体验世界知识什么的

malisa

哈吉米2.5已经太老了
等3.0吧
不过文笔是哈吉米2.5好

coding和deep research 还是gpt好些

app体验的话 谷歌真是一塌糊涂，和gpt差几条街了

drodchang

实际体验国内大模型还是deepseek最好

假面骑士decade

kimi一直在吹怎么怎么好，但是我各家用下来能让我感受到卧槽牛逼啊或者说，它吹的东西能直观让人感受到的，只有豆包和ds。豆包感觉好多人都说很烂，可能是使用需求不一样，豆包我自己也试了数理逻辑这一块确实不太行，这一块我都转去ds的，但是文本分析真的太牛了，两百页图片pdf直接ocr给你读完，总结质量极高。考虑免费这一点上真是碾压所有竞品。
不过也有可能是kimi自己算力不行吧，或许模型本身是厉害的，但是客户端体验确实糟糕。

luodang007

trae自带的模型我还是比较喜欢kimi,感觉比千问更适合

ercai1

刚才用第三方部署的dsV3.1、dsR1和K2instruct分别推演了一下数字华容道的无解概率，输出条理性最清晰的还真就是K2 dsV3比K2思路乱一点但速度也算快，R1直接思考了差不多3分钟差点奔着穷举去了
总的来说我还是很看好K2这次的开源模型的

洛拉斯

xuanwu_lei 发表于 2025-11-7 16:12
我才充了OK Computer你告诉我他垂死挣扎了

这个我使用过一次，用了半个小时搞了个笑话出来

我给他一个试卷和成绩单让他统计学生学情，他又是编程又是做表，最后给了我一个我上传的成绩单

洛拉斯

假面骑士decade 发表于 2025-11-7 16:27
kimi一直在吹怎么怎么好，但是我各家用下来能让我感受到卧槽牛逼啊或者说，它吹的东西能直观让人感受到的， ...

豆包的视觉理解独树一帜

国内没有大模型可以比

木水风铃

看了一下，上下文256k，似乎酒馆够用了
反正我目前评价标准就是酒馆用的多的就厉害
—— 来自 鹅球 v3.3.96

守名居

俗人第一定律，写瑟瑟好用不

Youszsh

搞瑟瑟和哈基米比如何？

卡仑治糖

其实 kimi 的深度研究应该是国内大模型唯一能打的，虽然比不过 gemini，但有这个功能需求的用户可能实际并不多

—— 来自 S1Fun

朋友

守名居 发表于 2025-11-7 16:53
俗人第一定律，写瑟瑟好用不

思考模型都不大适合写**，瞎几把想的结果大头控制小头了

沉默的寒冰

那么有kimi破甲教程吗,我试试酒馆

守名居

朋友 发表于 2025-11-7 16:57
思考模型都不大适合写**，瞎几把想的结果大头控制小头了

ds还好啊，自己码完框架让ds进行润色，反正文笔吊打我还不用自己写具体
又不是要写长篇，短篇万来字基本就搞定所有灵感了

2035年

算力落后这么多的情况下，紧追不舍，感觉对面压力应该很大

烦死了

malisa 发表于 2025-11-7 16:20
哈吉米2.5已经太老了
等3.0吧
不过文笔是哈吉米2.5好

能细说一下Gemini哪里一塌糊涂吗 我就当搜索引擎用 没觉得有啥问题

nukacolamania

Youszsh 发表于 2025-11-7 16:54
搞瑟瑟和哈基米比如何？

刚出K2时非常牛逼

现在已经从底层砍残了，破了甲他就复读摆烂

另外推荐Gemini api可选的一个模型Gemini-Pro Latest，看不到版本号，也没有思考功能，体感水平比2.5-pro要强，但又不像是3，非常神奇

scg2017

大模型更新换代是很快的，刻板印象没啥用。但是跑分高也不代表就一定好用，还是自己实际试试新发布模型比较好判断。
我感觉最近的deepseek不好用，说话自带一大堆修饰词

—— 来自 鹅球 v3.5.99

子虚乌有

kimi免费的好用吗？我看有3档收费，49 99 199，不知道体验上啥区别。

椎名mahuyo

前两天还在用，至少很多方面用着还不如豆包，而且幻觉特别多

飛霞精灵

k2的深度思考功能我记得还是要收费的吧？

malisa

烦死了 发表于 2025-11-7 17:58
能细说一下Gemini哪里一塌糊涂吗 我就当搜索引擎用 没觉得有啥问题

一个是比较懒 其实联网搜索不是很勤快,很多时候信息会比较旧,特别是写weekly的时候,日期稍不注意就给你改成2024年了

gpt 付费之后联网搜索还是比较勤快的,过期信息不能说没有 少很多, 特别是thinking

Gemini  连 gpt的ask引用 分支 这些很基本的功能 都没有
Gemini 只能修改上一条 分支也不能做 要canvas要发一条对话才能开

我不是说模型能力, 谷歌不重视app客户体验, api其实还是蛮好的 还有Gemini cli也不是纯编码,其他事情也可以干 这点谷歌是用心了

astkaasa

训练成本460万刀

坏掉了

Grok 4刘备文写得飞起，国产大模型能么？

羊寢

与此同时的鲸鱼娘:一个实验版本挂了一个半月，化身咸鱼(虽然知道下一次更新应该会整个大的，但一个实验版吊着人胃口也没一点消息，是真的埋头做研究不闻窗外事的理工科研狗风格了

羊寢

坏掉了 发表于 2025-11-7 19:50
Grok 4刘备文写得飞起，国产大模型能么？

国产模型api甲都很薄，随便引导一下就破了，网页版也能破(应该，至少ds官网是可以直接破，不过官网破限用的时候还是小心点就是，另外听说元宝还是火山现在网页版有审核？不确定，反正我都是用api，api随便破)不过网页版破限要去找一下专用prompt