Zijn de gewichten open en kan ik Kimi K2 lokaal draaien?

Ja — de gewichten zijn gepubliceerd op Hugging Face onder moonshotai/Kimi-K2-Instruct. Met 1 biljoen parameters heb je gekwantiseerde versies (GGUF of vergelijkbaar) en aanzienlijke VRAM of RAM nodig om lokaal te draaien.

Wat kost Kimi K2 via API en wat is het contextvenster?

Moonshot AI rekent $0,57 per miljoen inputtokens en $2,30 per miljoen outputtokens, met een contextvenster van 128K tokens.

Hoe verschilt Kimi K2 Instruct van Kimi K2 Base?

Het basismodel is de ruwe pre-getrainde checkpoint bedoeld voor onderzoekers die willen fine-tunen of aangepaste oplossingen bouwen. Het Instruct-model is post-getraind voor direct gebruik in chat- en agentworkflows, zonder uitgebreide denkmodus.

Kimi K2 0711

4608°

#llm #moonshotai #coderen #agenten #redeneren #lange context

Voer dit model uit

Aanbiedingen / Advertenties

OpenRouter Terminal / API

Betaal per token

Chat met dit model in de browser of roep het aan vanuit je code met één API-sleutel.

MoonshotAI | 131.072 token context | $0.57/M input, $2.30/M output. Kimi K2 Instruct is een grootschalig Mixture-of-Experts (MoE) taalmodel ontwikkeld door Moonshot AI, met 1 triljoen totale parameters waarvan 32 miljard actief per voorwaartse stap. Het is geoptimaliseerd voor agentische capaciteiten, waaronder geavanceerd toolgebruik, redeneren en code-synthese. Kimi K2 blinkt uit in een breed scala aan benchmarks, met name in codering (LiveCodeBench, SWE-bench), redeneren (ZebraLogic, GPQA) en toolgebruik (Tau2, AceBench) taken. Het ondersteunt lange-context inferentie tot 128K tokens en is ontworpen met een nieuwe trainingsstack die de MuonClip optimizer bevat voor stabiele grootschalige MoE-training.

Gidsen voor dit model

Beste lokale LLM per gebruik (oktober 2026): het juiste open model voor elke klus

Hoeveel VRAM heb ik eigenlijk nodig voor lokale AI?

Wat is een GGUF-bestand? Uitleg over gekwantiseerde modellen (Q4, Q8, fp8, NF4)

Alle gidsen

Aantekeningen van de kapitein

Geschreven door Captain, de huisredacteur

Aantekeningen van 2026-10-13

Kimi K2 Instruct is Moonshot AI's 1-biljoen-parameter MoE-model, dat 32 miljard parameters per voorwaartse stap activeert en getraind is op 15,5 biljoen tokens met de MuonClip optimizer voor stabiele grootschalige training. Het is specifiek gebouwd voor agentwerk: toolgebruik, autonome codering en meerstaps redenering in plaats van uitgebreide keten-van-gedachte. Open gewichten zijn beschikbaar en de API-prijzen zijn bescheiden voor een model van deze schaal.

Bekend om

Topniveau agentische codering op SWE-bench Verified, concurrerend met Claude Sonnet 4.
Sterke tool-gebruik scores op Tau2 en AceBench voor retail-, luchtvaart- en telecomtaken.
128K token contextvenster voor lange documenten en codebases.
Open gewichten op Hugging Face onder moonshotai/Kimi-K2-Instruct.
MoE-architectuur: 1 biljoen totale parameters, slechts 32 miljard actief per token — efficiënt bij inferentie.

Let op

Dit is een reflex-klasse instructiemodel zonder uitgebreide denkmodus; voor diepe keten-van-gedachte zoek je elders.
Met 1 biljoen parameters vereist zelf-hosting serieuze hardware — gekwantiseerde GGUF-versies zijn je praktische lokale optie.
Licentievoorwaarden voor commercieel gebruik zijn hier niet gedetailleerd; controleer de Hugging Face repository voor implementatie.

Het beste voor

Coderen

Agenten en toolgebruik

Redeneren

Lange context

Draait lokaal

Prompts om te proberen

Debug een falende agentlus

Ik heb een Python-agent die een zoektool aanroept, het resultaat parseert en dan beslist of hij opnieuw moet zoeken. Na twee iteraties stopt hij altijd vroeg, ook als de stopvoorwaarde niet is bereikt. Hier is de code: [plak je code]. Identificeer de bug, leg uit waarom die vroegtijdig stoppen veroorzaakt, en toon de gecorrigeerde versie met een korte uitleg van de fix.

Los een logische constraintpuzzel op

Vijf ingenieurs — Ada, Ben, Cara, Dan en Eve — bezitten elk precies één van vijf laptops: A, B, C, D, E. Ada bezit niet A of B. Ben bezit een laptop met een hogere letter dan Cara. Dan bezit D. Eve bezit niet C. Geen twee mensen delen een laptop. Wie bezit welke laptop? Toon je redenering stap voor stap.

Ontwerp een multi-tool workflow

Je hebt drie tools: search(query), fetch_page(url) en summarize(text). Een gebruiker vraagt: 'Wat zijn de drie meest geciteerde papers over mixture-of-experts scaling gepubliceerd na 2022?' Schrijf de exacte volgorde van tool-aanroepen die je zou maken, wat je verwacht dat elke tool teruggeeft, en hoe je de resultaten combineert tot een eindantwoord.

Vergelijk met

Kimi K3
Model met open gewichten
1,048,576 token context · $0.30/M invoer, $11.94/M uitvoer
Kimi K2 Thinking
Model met open gewichten
262,144 token context · $0.60/M invoer, $2.50/M uitvoer
Kimi K2.7 Code
Model met open gewichten
262,144 token context · $0.67/M invoer, $3.35/M uitvoer
Kimi K2.5
Model met open gewichten
262,144 token context · $0.50/M invoer, $2.50/M uitvoer

Meer tekstmodellen van moonshotai

Veelgestelde vragen

Zijn de gewichten open en kan ik Kimi K2 lokaal draaien?: Ja — de gewichten zijn gepubliceerd op Hugging Face onder moonshotai/Kimi-K2-Instruct. Met 1 biljoen parameters heb je gekwantiseerde versies (GGUF of vergelijkbaar) en aanzienlijke VRAM of RAM nodig om lokaal te draaien.
Wat kost Kimi K2 via API en wat is het contextvenster?: Moonshot AI rekent $0,57 per miljoen inputtokens en $2,30 per miljoen outputtokens, met een contextvenster van 128K tokens.
Hoe verschilt Kimi K2 Instruct van Kimi K2 Base?: Het basismodel is de ruwe pre-getrainde checkpoint bedoeld voor onderzoekers die willen fine-tunen of aangepaste oplossingen bouwen. Het Instruct-model is post-getraind voor direct gebruik in chat- en agentworkflows, zonder uitgebreide denkmodus.

Oordeel van de kapitein
Een serieus open-gewichten agentisch model dat boven zijn API-prijs presteert op codering en toolgebruik — het is de moeite waard om te testen voordat je standaard voor Claude of GPT-4.1 kiest.

Modelkaart op Hugging Face

De kapitein schrijft deze aantekeningen op basis van de eigen beschrijving en modelkaart van het model. Prijzen en contextgroottes zijn die van de provider op het moment van schrijven en kunnen veranderen.

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.

Change colors / personalize / get code

Not this creator?

Get your own badge

Hoe deze score wordt opgebouwd

Dit model heeft nog geen populariteitsgegevens van welke bron dan ook, dus het krijgt een tijdelijke waarde onder 7,000° om de lijsten compleet te houden. Het staat nooit hoger dan een model met data. De uitsplitsing verschijnt hier zodra een bron het rapporteert.

Woordenlijst: de gebruikte termen

Heat-score: Één getal voor hoe veel een model nu gebruikt en gewenst wordt, van 0° tot 9.999°. Elke lijst op deze site die zegt heetste is gesorteerd op deze score en niets anders.
Vloer: De 7.000° waar elk model met echte data mee begint. De schaal loopt van 0° tot 9.999°; het deel onder de vloer is gereserveerd voor plaatsvervangers (modellen zonder data), zodat een model met data altijd hoger scoort dan een zonder. De vloer is voor iedereen gelijk en beslist niets; de graden erboven zijn de meting.
Download-equivalenten: Alles wat de score als een download telt, bij elkaar opgeteld: downloads zelf, elke torrent seeder als 1.000, elke AI Horde-afbeelding en elke run op een generatie-site als één.
Logaritmische schaal: Tellen per tien, niet per één: van 1.000 naar 10.000 downloads voegt evenveel graden toe als van 10.000 naar 100.000. Zo verdringen grote spelers niet alles.
Likes: Duimen omhoog en likes van elke bron, elk de helft van een download waard op de log-schaal.
Adoptiesnelheid: Hoeveel downloads een model nu per dag krijgt, uit het verschil tussen twee metingen van een bron. Een kwart van het gewicht van de downloadterm.
Gemeten en geschat: Gemeten betekent dat er twee metingen van een bron zijn en het verschil echt is. Geschat betekent dat alleen het totaal van vandaag bekend is en het verleden over de levensduur van het model wordt verdeeld; de site geeft aan welke het toont.
Seeder: Iemand die een kopie van de gewichten online houdt zodat anderen die via een torrent kunnen downloaden, of een gehoste mirror die hetzelfde doet. Elk telt als 1.000 downloads.
AI Horde: Een vrijwilligersnetwerk dat gratis beelden genereert op gedoneerde computers. Het aantal beelden dat het met een model heeft gemaakt is openbaar, en elk telt als één download.
Generatiesites: Sites die hun eigen kopieën van een model hosten en mensen laten genereren, zoals PixAI, SeaArt en Yodayo. Hun downloads tellen net als die van Civitai en elke generatie telt als één download.
OpenRouter tokens: Een tekstmodel dat via een API wordt aangeboden, zoals Claude of GPT, heeft geen gewichten om te downloaden, dus het gebruik wordt gemeten in tokens: de tekststukken die het las en schreef via OpenRouter, een gateway die veel apps gebruiken, in de afgelopen 30 dagen. Elke 10,000,000 tokens telt als één download. Bron: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Volledig model (checkpoint): De gewichten zelf, het bestand dat zelfstandig genereert. Het krijgt een bonus omdat add-ons ervan afhangen.
LoRA en embedding: Kleine add-on bestanden die iemands gewichten sturen naar een stijl, een personage of een concept. Ze kunnen niet zelfstandig draaien.
Familie en gewichten: De basis waarop een model is gebouwd, zoals SD 1.5, SDXL, Flux of Wan. Elk model erft de releasedatum van de gewichten van zijn familie.
Leeftijd: Graden afgetrokken voor hoe lang geleden de gewichten van de familie uitkwamen: 150° per jaar, tot 750°. Het houdt oude downloads die jaren hadden om op te lopen door de top van de lijst te bevriezen.
Familie boost: Een kleine, begrensde duw voor LoRA's van een familie die deze site nu naar voren schuift, altijd vermeld in de uitsplitsing.
Stand-in score: Een stabiel getal onder de vloer gegeven aan een model waar nog geen bron over rapporteert, zodat lijsten compleet blijven. Het staat nooit hoger dan een model met data.
Nieuw! (gratieperiode): Een model dat minder dan 7 dagen oud is, toont Nieuw! in plaats van een score en neemt geen plaats in de ranglijst in. De score wordt vanaf dag één berekend, maar een model van één dag oud groeit sneller dan wat dan ook, dus zonder de wachttijd zou de #1 van de week altijd het model zijn dat gisteren uitkwam in plaats van wat een week standhield.
Trend: Hoe de groei van een model over een periode zich verhoudt tot de typische groei van een model over dezelfde periode. Sneller dan typisch betekent stijging, langzamer betekent daling.
Typisch model: Het midden van de catalogus: de helft van de modellen met een cijfer groeide sneller over de periode, de andere helft langzamer.

Vergelijkbare modellen

NVIDIA Nemotron 3 Ultra 550B A55B

AI-modellen voor het genereren van afbeeldingen, video en tekst

Kimi K2 0711 is een tekstmodel voor de Text / LLM-familie, vermeld op ModelTrends.ai, een alleen-lezen catalogus van open source AI-modellen voor afbeeldingen, video en tekst. Vergelijk het met andere Text / LLM-modellen en bekijk de populariteitsscore om de trend te zien.

Meer Text / LLM-modellen Meer Text / LLM Tekst / LLM llm moonshotai coderen agenten redeneren lange context lokaal

Bladeren op modelfamilie