Les poids sont-ils ouverts et puis-je exécuter Kimi K2 localement ?

Oui — les poids sont publiés sur Hugging Face à moonshotai/Kimi-K2-Instruct. Avec 1 trillion de paramètres au total, vous aurez besoin de versions quantifiées (GGUF ou similaires) et d'une VRAM ou RAM conséquente pour l'exécuter localement.

Quel est le coût de Kimi K2 via API et quelle est la fenêtre de contexte ?

Moonshot AI le facture à 0,57 $ par million de tokens en entrée et 2,30 $ par million de tokens en sortie, avec une fenêtre de contexte de 128K tokens.

En quoi Kimi K2 Instruct diffère-t-il de Kimi K2 Base ?

Le modèle Base est le checkpoint pré-entraîné brut destiné aux chercheurs souhaitant affiner ou construire des solutions personnalisées. Le modèle Instruct est post-entraîné pour une utilisation directe en chat et pipelines agentiques, sans mode de pensée étendue.

Kimi K2 0711

4608°

#llm #moonshotai #programmation #agents #raisonnement #contexte long

Lancer ce modèle

Offres / Pub

OpenRouter Terminal / API

Payer par token

Discute avec ce modèle dans le navigateur ou appelle-le depuis ton code avec une clé API.

MoonshotAI | contexte de 131 072 tokens | 0,57 $/M entrée, 2,30 $/M sortie. Kimi K2 Instruct est un modèle de langage Mixture-of-Experts (MoE) à grande échelle développé par Moonshot AI, comportant 1 trillion de paramètres au total avec 32 milliards actifs par passage avant. Il est optimisé pour des capacités agentiques, incluant une utilisation avancée d'outils, le raisonnement et la synthèse de code. Kimi K2 excelle sur un large éventail de benchmarks, particulièrement en codage (LiveCodeBench, SWE-bench), raisonnement (ZebraLogic, GPQA) et utilisation d'outils (Tau2, AceBench). Il supporte l'inférence sur contexte long jusqu'à 128K tokens et est conçu avec une pile d'entraînement novatrice incluant l'optimiseur MuonClip pour un entraînement MoE à grande échelle stable.

Guides pour ce modèle

Meilleur LLM local par cas d’usage (octobre 2026) : le bon modèle open source pour chaque tâche

De combien de VRAM ai-je vraiment besoin pour l'IA locale ?

Qu'est-ce qu'un fichier GGUF ? Explication des modèles quantifiés (Q4, Q8, fp8, NF4)

Tous les guides

Notes du capitaine

Écrit par Captain, le rédacteur maison

Notes du 2026-10-13

Kimi K2 Instruct est le modèle MoE à 1 trillion de paramètres de Moonshot AI, activant 32 milliards de paramètres par passage avant et entraîné sur 15,5 trillions de tokens avec l'optimiseur MuonClip pour un entraînement stable à grande échelle. Il est conçu spécifiquement pour le travail agentique : utilisation d'outils, codage autonome et raisonnement multi-étapes plutôt que la chaîne de pensée étendue. Les poids ouverts sont disponibles, et le prix API est modéré pour un modèle de cette taille.

Connu pour

Codage agentique de premier plan sur SWE-bench Verified, compétitif avec Claude Sonnet 4.
Excellents scores d'utilisation d'outils sur Tau2 et AceBench dans les domaines retail, aérien et télécom.
Fenêtre de contexte de 128K tokens pour le travail sur documents longs et bases de code.
Poids ouverts sur Hugging Face sous moonshotai/Kimi-K2-Instruct.
Architecture MoE : 1T de paramètres au total, seulement 32B actifs par token — efficace à l'inférence.

Attention à

C'est un modèle instructif de niveau réflexe sans mode de pensée étendue ; pour un raisonnement en chaîne profond, cherchez ailleurs.
Avec 1T de paramètres au total, l'auto-hébergement nécessite un matériel sérieux — les versions quantifiées GGUF sont votre option locale pratique.
Les termes de licence pour usage commercial ne sont pas détaillés ici ; vérifiez le dépôt Hugging Face avant déploiement.

Idéal pour

Programmation

Agents et utilisation d'outils

Raisonnement

Contexte long

Fonctionne localement

Prompts à essayer

Déboguer une boucle d'agent défaillante

J'ai un agent Python qui appelle un outil de recherche, analyse le résultat, puis décide s'il doit rappeler l'outil. Après deux itérations, il sort toujours prématurément, même si la condition d'arrêt n'est pas remplie. Voici le code : [collez votre code]. Identifiez le bug, expliquez pourquoi il cause une sortie précoce, et montrez la version corrigée avec une brève explication de la correction.

Résoudre une énigme logique par contraintes

Cinq ingénieurs — Ada, Ben, Cara, Dan et Eve — possèdent chacun exactement un des cinq ordinateurs portables : A, B, C, D, E. Ada ne possède ni A ni B. Ben possède un ordinateur avec une lettre plus élevée que celui de Cara. Dan possède D. Eve ne possède pas C. Deux personnes ne partagent pas un ordinateur. Qui possède quel ordinateur ? Montrez votre raisonnement étape par étape.

Concevoir un flux de travail multi-outils

Vous avez trois outils : search(query), fetch_page(url) et summarize(text). Un utilisateur demande : « Quels sont les trois articles les plus cités sur le scaling des mixtures d'experts publiés après 2022 ? » Écrivez la séquence exacte d'appels d'outils que vous feriez, ce que vous attendez de chacun, et comment vous combineriez les résultats en une réponse finale.

Comparer avec

Kimi K3
Modèle à poids ouverts
Contexte de 1,048,576 tokens · entrée $0.30/M, sortie $11.94/M
Kimi K2 Thinking
Modèle à poids ouverts
Contexte de 262,144 tokens · entrée $0.60/M, sortie $2.50/M
Kimi K2.7 Code
Modèle à poids ouverts
Contexte de 262,144 tokens · entrée $0.67/M, sortie $3.35/M
Kimi K2.5
Modèle à poids ouverts
Contexte de 262,144 tokens · entrée $0.50/M, sortie $2.50/M

Plus de modèles de texte de moonshotai

Questions fréquentes

Les poids sont-ils ouverts et puis-je exécuter Kimi K2 localement ?: Oui — les poids sont publiés sur Hugging Face à moonshotai/Kimi-K2-Instruct. Avec 1 trillion de paramètres au total, vous aurez besoin de versions quantifiées (GGUF ou similaires) et d'une VRAM ou RAM conséquente pour l'exécuter localement.
Quel est le coût de Kimi K2 via API et quelle est la fenêtre de contexte ?: Moonshot AI le facture à 0,57 $ par million de tokens en entrée et 2,30 $ par million de tokens en sortie, avec une fenêtre de contexte de 128K tokens.
En quoi Kimi K2 Instruct diffère-t-il de Kimi K2 Base ?: Le modèle Base est le checkpoint pré-entraîné brut destiné aux chercheurs souhaitant affiner ou construire des solutions personnalisées. Le modèle Instruct est post-entraîné pour une utilisation directe en chat et pipelines agentiques, sans mode de pensée étendue.

Verdict du capitaine
Un modèle agentique sérieux à poids ouverts qui surpasse son prix API sur les tâches de codage et d'utilisation d'outils — à tester avant de choisir Claude ou GPT-4.1 par défaut.

Fiche modèle sur Hugging Face

Le capitaine écrit ces notes à partir de la description et de la fiche modèle. Les prix et tailles de contexte sont ceux du fournisseur au moment de la rédaction et peuvent changer.

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

Comment ce score se calcule

Ce modèle n’a pas encore de données de popularité provenant de sources, donc il porte un nombre de remplacement en dessous de 7,000° pour que les listes restent complètes. Il ne sera jamais mieux classé qu’un modèle avec des données. La répartition apparaît ici dès qu’une source la rapporte.

Glossaire : les termes utilisés ici

Score de chaleur: Un seul chiffre pour montrer à quel point un modèle est utilisé et recherché en ce moment, de 0° à 9 999°. Chaque liste sur ce site qui dit « les plus chauds » est triée selon ce score et rien d’autre.
Plancher: Les 7 000° que chaque modèle avec des données réelles commence avec. L’échelle va de 0° à 9 999° ; la partie sous le plancher est réservée aux remplaçants (modèles sans données), pour qu’un modèle avec données soit toujours mieux classé qu’un sans. Le plancher est le même pour tous et ne décide rien ; les degrés au-dessus sont la mesure.
Équivalents de téléchargement: Tout ce que le score considère comme un téléchargement, additionné : les téléchargements eux-mêmes, chaque seeder torrent comme 1 000, chaque image AI Horde et chaque exécution sur un site de génération comme un.
Échelle logarithmique: On compte par dizaines, pas par unités : passer de 1 000 à 10 000 téléchargements ajoute autant de degrés que passer de 10 000 à 100 000. Ça évite que les géants écrasent tout le reste.
Likes: Les pouces levés et likes de toutes sources, valant chacun la moitié d’un téléchargement sur l’échelle logarithmique.
Taux d’adoption: Combien de téléchargements par jour un modèle obtient en ce moment, calculé à partir de la différence entre deux relevés d’une source. Un quart du poids du terme téléchargement.
Mesuré et estimé: Mesuré signifie qu'il existe deux relevés d'une source et que la différence est réelle. Estimé signifie que seul le total d'aujourd'hui est connu et que le passé est réparti sur la durée de vie du modèle ; le site indique lequel est affiché.
Seeder: Quelqu'un qui garde une copie des poids en ligne pour que d'autres puissent les télécharger via un torrent, ou un miroir hébergé qui fait la même chose. Chacun compte comme 1 000 téléchargements.
AI Horde: Un réseau de bénévoles qui génère des images gratuitement sur des ordinateurs donnés. Le nombre d'images créées avec un modèle est public, et chacune compte comme un téléchargement.
Sites de génération: Sites qui hébergent leurs propres copies d'un modèle et permettent aux gens de générer avec, comme PixAI, SeaArt et Yodayo. Leurs téléchargements comptent comme ceux de Civitai et chaque génération compte comme un téléchargement.
Tokens OpenRouter: Un modèle texte servi via une API, comme Claude ou GPT, n'a pas de poids à télécharger, son usage est donc mesuré en tokens : les morceaux de texte lus et écrits via OpenRouter, une passerelle utilisée par de nombreuses applications, sur les 30 derniers jours. Chaque 10,000,000 tokens compte comme un téléchargement. Source : OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Modèle complet (checkpoint): Les poids eux-mêmes, le fichier qui génère tout seul. Il reçoit un bonus parce que les add-ons en dépendent.
LoRA et embedding: Petits fichiers add-on qui orientent les poids de quelqu'un d'autre vers un style, un personnage ou un concept. Ils ne peuvent pas fonctionner seuls.
Famille et poids: La base sur laquelle un modèle est construit, comme SD 1.5, SDXL, Flux ou Wan. Chaque modèle hérite de la date de sortie des poids de sa famille.
Âge: Degrés retirés selon l'ancienneté des poids de la famille : 150° par an, jusqu'à 750°. Cela garde les anciens téléchargements qui ont eu des années pour s'accumuler en haut de la liste.
Boost de la famille: Une petite poussée limitée pour les LoRA d'une famille que ce site met en avant en ce moment, toujours listée dans la répartition.
Score de remplacement: Un nombre stable en dessous du minimum donné à un modèle dont aucune source ne rapporte encore, pour que les listes restent complètes. Il ne dépasse jamais un modèle avec des données.
Nouveau ! (période de grâce): Un modèle âgé de moins de 7 jours affiche Nouveau ! au lieu d'un score et ne figure pas dans le classement. Son score est calculé dès le premier jour, mais un modèle d'un jour grandit plus vite que tout, donc sans attente le #1 de la semaine serait toujours celui sorti hier plutôt que celui qui tient depuis une semaine.
Tendance: Comment la croissance d'un modèle sur une période se compare à la croissance typique d'un modèle sur la même période. Plus rapide que la moyenne signifie une hausse, plus lente une baisse.
Modèle typique: Le milieu du catalogue : la moitié des modèles avec un chiffre ont grandi plus vite sur la période, l'autre moitié plus lentement.

Modèles similaires

Modèles d'IA pour générer image, vidéo et texte

Kimi K2 0711 est un modèle de texte pour la famille Text / LLM, référencé sur ModelTrends.ai, un catalogue en lecture seule de modèles d'IA open source pour l'image, la vidéo et le texte. Comparez-le aux autres modèles Text / LLM et consultez son score de chaleur pour suivre sa tendance.

Plus de modèles Text / LLM Plus de Texte / LLM Text / LLM llm moonshotai programmation agents raisonnement contexte long local

Parcourir par famille de modèles