Kimi K2 0905
1748°
MoonshotAI | 262,144 令牌上下文 | $0.60/M 输入，$2.50/M 输出。Kimi K2 0905 是 Kimi K2 0711 的九月更新版。它是 Moonshot AI 开发的大规模专家混合（MoE）语言模型，总参数量达 1 万亿，每次前向传递激活 320 亿参数。支持最长 256k 令牌的长上下文推理，较之前的 128k 有所扩展。此次更新提升了代理编码的准确性和跨脚手架的泛化能力，增强了前端编码，生成更美观且功能丰富的网页、3D 及相关任务输出。Kimi K2 针对代理能力进行了优化，包括高级工具使用、推理和代码合成。它在编码（LiveCodeBench、SWE-bench）、推理（ZebraLogic、GPQA）和工具使用（Tau2、AceBench）基准测试中表现优异。模型采用新型堆栈，结合 MuonClip 优化器，实现稳定的大规模 MoE 训练。
本模型的指南
按使用场景选最佳本地大语言模型（2026年10月）：每个任务的合适开源模型
本地AI到底需要多少显存？
开放权重 vs 开源 vs 仅API：你到底能做什么
什么是 GGUF 文件？量化模型详解（Q4、Q8、fp8、NF4）
船长笔记
2026-10-13 的笔记
Kimi K2 0905 是 Moonshot AI 于 2025 年 9 月发布的万亿参数 MoE 模型更新版本，每次前向推理激活 320 亿参数，支持 256k 令牌上下文窗口。此次更新提升了智能编码和前端工作能力，且权重开源。适合希望自托管或通过 API 低成本运行的开发者，作为一个强大的编码智能代理。
以……著称
- 强大的智能编码能力：在 SWE-Bench verified 和 SWE-Bench Multilingual 上表现竞争力十足。
- Hugging Face 上权重开源——你可以自行下载并运行。
- 256k 令牌上下文窗口，是之前 128k 版本的两倍。
- 改进的前端编码：在网页和 3D 任务中表现出更好的美观性和功能性。
- 内置工具使用和推理能力，而非后期附加。
注意
- 万亿级总参数意味着本地部署需要高端硬件；大多数用户会选择调用 API。
- 输出按令牌计费为 2.50 美元/百万——不算贵，但长时间智能代理运行费用会迅速累积。
- Moonshot AI 未显著公布许可条款；在基于此构建产品前请务必检查仓库。
推荐尝试的提示词
修复一个真实的错误
这是一个 Python 函数，旨在解析嵌套的 JSON 配置并返回一个以点分隔键及其对应值的扁平字典。当值为空列表时，它会静默丢弃该键。请找出错误，解释原因，并返回修正后的版本及一个能捕捉该错误的测试用例。
```python
def flatten(d, prefix=''):
out = {}
for k, v in d.items():
key = f'{prefix}.{k}' if prefix else k
if isinstance(v, dict):
out.update(flatten(v, key))
elif v:
out[key] = v
return out
```
构建一个小型网页组件
编写一个自包含的 HTML 文件，无需外部依赖，实现一个交互式看板，包含三个列：待办、进行中、已完成。卡片应可通过 HTML 拖放 API 在列间拖动。使用内联 CSS 进行简洁美观的样式设计。顶部添加一个小表单，用于创建带标题的新卡片。
规划一个多步骤智能代理任务
你是一个具备 bash 终端和文件编辑器访问权限的编码智能代理。用户的 Node.js 项目因最近重构后三个测试导入了不存在的模块而导致 CI 失败。描述你在修改任何文件前会执行的工具调用顺序——首先查看什么，如何追踪断裂的导入，以及如何决定写入内容。
与……比较
- Kimi K3开源权重模型1,048,576 令牌上下文 · $0.30/M 输入，$11.94/M 输出
- Kimi K2 Thinking开源权重模型262,144 令牌上下文 · $0.60/M 输入，$2.50/M 输出
- Kimi K2.7 Code开源权重模型262,144 令牌上下文 · $0.67/M 输入，$3.35/M 输出
- Kimi K2.5开源权重模型262,144 令牌上下文 · $0.50/M 输入，$2.50/M 输出
来自 moonshotai 的更多文本模型
常见问题
- 权重是开源的吗？我能本地运行 Kimi K2 0905 吗？
- 是的，权重已发布在 Hugging Face 的 moonshotai/Kimi-K2-Instruct-0905 下。由于总参数达万亿，运行全精度版本需要强大硬件；大多数人会使用量化版本或调用 API。
- Kimi K2 0905 的费用是多少？上下文窗口多大？
- API 费用为每百万输入令牌 0.60 美元，输出令牌 2.50 美元，支持 256k 令牌上下文窗口。
- 0905 版本与原始 Kimi K2 有何不同？
- 9 月更新提升了智能编码准确性和不同框架的泛化能力，加强了前端编码输出，并将上下文窗口从 128k 扩展到 256k 令牌。
船长评语一款具备开源权重的强大编码智能代理，API 价格合理——256k 上下文和智能代理改进使得 9 月更新值得升级。
Hugging Face 上的模型卡
船长根据模型自身描述和模型卡撰写这些笔记。价格和上下文大小为撰写时提供商的数据，可能会变动。
Ranking badge
Updated Oct 22, 2026
Made this model? Show this badge on your page.
Paste it into your Hugging Face card or Civitai description.
这个评分是怎么计算的
这个模型还没有任何来源的流行度数据，所以它用一个低于 7,000° 的替代数值来保持列表完整。它永远不会排在有数据的模型前面。一旦有来源报告数据，分解就会显示在这里。
术语表：这里用到的术语
- 热度得分
- 一个数字，表示模型当前的使用和需求程度，范围从0°到9,999°。本站所有标注为最热门的榜单都按这个分数排序，别无他物。
- 基准线
- 所有有真实数据的模型起始于7,000°。分数范围是0°到9,999°；基准线以下的部分保留给无数据的替代模型，这样有数据的模型总是排在无数据模型之上。基准线对所有人相同，不影响排名；超过基准线的度数才是实际测量值。
- 下载等价量
- 得分中当作下载计算的所有项目总和：下载本身，每个种子上传者算1,000，每个AI Horde图片和每次生成网站的运行算一个。
- 对数刻度
- 以十为单位计数，而不是以一为单位：从1,000到10,000下载增加的热度和从10,000到100,000增加的热度相同。这样可以防止巨头压倒一切。
- 点赞
- 来自所有来源的点赞和竖起大拇指，每个点赞在对数刻度上价值半个下载。
- 采用率
- 模型当前每天的下载次数，基于两次读数的差值。权重是下载项的四分之一。
- 测量与估算
- 测量表示有两个来源的读数，且差异是真实的。估算表示只知道今天的总数，过去的数据是根据模型的生命周期分配的；网站会说明显示的是哪种。
- 做种者
- 指那些在线保存权重副本供他人通过种子下载的人，或者提供同样服务的托管镜像。每个做种者相当于1000次下载。
- AI Horde
- 一个志愿者网络，在捐赠的电脑上免费生成图片。它用某个模型生成的图片数量是公开的，每张图片算作一次下载。
- 生成网站
- 托管自己模型副本并允许用户生成的站点，比如PixAI、SeaArt和Yodayo。它们的下载计数和Civitai一样，每次生成算一次下载。
- OpenRouter 令牌
- 通过API提供的文本模型，如Claude或GPT，没有权重需要下载，因此其使用量以令牌计量：过去30天内通过OpenRouter（一种许多应用使用的网关）读取和生成的文本片段。每10,000,000个令牌计为一次下载。来源：OpenRouter (openrouter.ai/rankings)，CC BY 4.0。
- 完整模型（检查点）
- 权重文件本身，是能独立生成的文件。它会获得额外加分，因为附加组件依赖它。
- LoRA和嵌入
- 小型附加文件，用来引导别人的权重朝向某种风格、角色或概念。它们不能单独运行。
- 家族与权重
- 模型构建所基于的基础，比如SD 1.5、SDXL、Flux或Wan。每个模型继承其家族权重的发布日期。
- 年龄
- 根据家族权重发布多久，扣除的度数：每年150°，最多750°。它保留了那些积累了多年下载量的老模型，防止它们被挤出榜单顶部。
- 家族加成
- 对当前网站重点推广的某个家族的LoRA给予的小幅度限制性加分，总是在分数细目中列出。
- 替代分数
- 给还没有任何来源报告的模型一个稳定的最低分数，这样榜单才完整。它永远不会高于有数据的模型。
- 新模型！（宽限期）
- 不到7天的新模型显示“新模型！”而非分数，且不参与排名。其分数从第一天开始计算，但一天大的模型增长最快，若不等待，周榜#1总是昨天刚发布的模型，而非持续一周的。
- 趋势
- 模型在某段时间内的增长与同一时间段内典型模型增长的对比。比典型快表示上升，比典型慢表示下降。
- 典型模型
- 目录的中间值：一半有数据的模型增长比它快，一半比它慢。
Kimi K2 0905 是 Text / LLM 系列的一个文本模型，收录于 ModelTrends.ai——一个只读的开源 AI 图像、视频和文本模型目录。你可以将它与其他 Text / LLM 模型比较，并查看热度分数了解趋势。
按模型系列浏览
Text / LLM 模型
434
Anima 模型
528
Chroma 模型
19
Fibo 模型
2
Flux 模型
1,496
Flux 2 / Klein 模型
1,239
Flux 3 模型
3
Moss 模型
3
Iris 模型
1
MiniMax H3 模型
364
Hunyuan 模型
204
Ideogram 模型
20
Krea2 模型
717
Qwen 模型
20
Qwen2 模型
47
Ltx2 模型
153