I pesi sono aperti e posso eseguire Kimi K2 localmente?

Sì — i pesi sono pubblicati su Hugging Face in moonshotai/Kimi-K2-Instruct. Con 1 trilione di parametri totali serviranno versioni quantizzate (GGUF o simili) e una quantità significativa di VRAM o RAM per l’esecuzione locale.

Quanto costa Kimi K2 via API e qual è la finestra di contesto?

Moonshot AI lo prezza a $0,57 per milione di token in input e $2,30 per milione di token in output, con una finestra di contesto da 128K token.

In cosa differisce Kimi K2 Instruct dal Kimi K2 Base?

Il modello Base è il checkpoint pre-addestrato grezzo destinato a ricercatori che vogliono fare fine-tuning o costruire soluzioni personalizzate. Il modello Instruct è post-addestrato per l’uso diretto in chat e pipeline agentiche, senza modalità di pensiero esteso.

Kimi K2 0711

4608°

#llm #moonshotai #programmazione #agenti #ragionamento #contesto lungo

Esegui questo modello

Offerte / Annunci

OpenRouter Terminale / API

Paga per token

Chatta con questo modello nel browser o chiamalo dal tuo codice con una chiave API.

MoonshotAI | contesto da 131.072 token | $0.57/M input, $2.30/M output. Kimi K2 Instruct è un modello linguistico Mixture-of-Experts (MoE) su larga scala sviluppato da Moonshot AI, con 1 trilione di parametri totali e 32 miliardi attivi per ogni passaggio in avanti. È ottimizzato per capacità agentiche, inclusi uso avanzato di strumenti, ragionamento e sintesi di codice. Kimi K2 eccelle in un'ampia gamma di benchmark, in particolare in attività di codifica (LiveCodeBench, SWE-bench), ragionamento (ZebraLogic, GPQA) e uso di strumenti (Tau2, AceBench). Supporta inferenza a lungo contesto fino a 128K token ed è progettato con una nuova pila di addestramento che include l'ottimizzatore MuonClip per un addestramento MoE su larga scala stabile.

Guide per questo modello

Il miglior LLM locale per caso d'uso (ottobre 2026): il modello open giusto per ogni lavoro

Quanta VRAM serve davvero per l'AI locale?

Cos'è un file GGUF? Modelli quantizzati spiegati (Q4, Q8, fp8, NF4)

Tutte le guide

Note del capitano

Scritto da Captain, l'editor di casa

Note del 2026-10-13

Kimi K2 Instruct è il modello MoE da 1 trilione di parametri di Moonshot AI, che attiva 32 miliardi di parametri per passaggio e viene addestrato su 15,5 trilioni di token usando l’ottimizzatore MuonClip per un training stabile su larga scala. È costruito specificamente per lavoro agentico: uso di strumenti, coding autonomo e ragionamento multi-step, piuttosto che catene di pensiero estese. I pesi sono aperti e il prezzo API è contenuto per un modello di questa scala.

Conosciuto per

Coding agentico di alto livello su SWE-bench Verified, competitivo con Claude Sonnet 4.
Ottimi punteggi nell’uso di strumenti su Tau2 e AceBench in ambiti retail, airline e telecom.
Finestra di contesto da 128K token per lavoro su documenti e codebase lunghi.
Pesi aperti su Hugging Face sotto moonshotai/Kimi-K2-Instruct.
Architettura MoE: 1T parametri totali, solo 32B attivi per token — efficiente in inferenza.

Attenzione a

Modello di tipo reflex-grade senza modalità di pensiero esteso; per catene di pensiero profonde cerca altrove.
Con 1T parametri totali, il self-hosting richiede hardware serio — le versioni quantizzate GGUF sono l’opzione pratica locale.
I termini di licenza per uso commerciale non sono dettagliati qui; verifica il repository Hugging Face prima di distribuire.

Ideale per

Programmazione

Agenti e uso di strumenti

Ragionamento

Contesto lungo

Funziona localmente

Prompt da provare

Debug di un ciclo agente fallito

Ho un agente Python che chiama uno strumento di ricerca, analizza il risultato e poi decide se richiamarlo. Dopo due iterazioni esce sempre prematuramente, anche se la condizione di stop non è soddisfatta. Ecco il codice: [incolla il tuo codice]. Individua il bug, spiega perché causa l’uscita anticipata e mostra la versione corretta con una breve spiegazione della correzione.

Risolvi un puzzle di vincoli logici

Cinque ingegneri — Ada, Ben, Cara, Dan ed Eve — possiedono ciascuno esattamente uno dei cinque laptop: A, B, C, D, E. Ada non possiede A né B. Ben possiede un laptop con lettera più alta di Cara. Dan possiede D. Eve non possiede C. Nessuno condivide un laptop. Chi possiede quale laptop? Mostra il ragionamento passo passo.

Progetta un flusso di lavoro multi-strumento

Hai tre strumenti: search(query), fetch_page(url) e summarize(text). Un utente chiede: 'Quali sono i tre articoli più citati sul scaling dei mixture-of-experts pubblicati dopo il 2022?' Scrivi la sequenza esatta di chiamate agli strumenti che faresti, cosa ti aspetti che restituiscano e come combineresti i risultati in una risposta finale.

Confronta con

Kimi K3
Modello con pesi aperti
Contesto di 1,048,576 token · Input $0.30/M, output $11.94/M
Kimi K2 Thinking
Modello con pesi aperti
Contesto di 262,144 token · Input $0.60/M, output $2.50/M
Kimi K2.7 Code
Modello con pesi aperti
Contesto di 262,144 token · Input $0.67/M, output $3.35/M
Kimi K2.5
Modello con pesi aperti
Contesto di 262,144 token · Input $0.50/M, output $2.50/M

Altri modelli di testo da moonshotai

Domande frequenti

I pesi sono aperti e posso eseguire Kimi K2 localmente?: Sì — i pesi sono pubblicati su Hugging Face in moonshotai/Kimi-K2-Instruct. Con 1 trilione di parametri totali serviranno versioni quantizzate (GGUF o simili) e una quantità significativa di VRAM o RAM per l’esecuzione locale.
Quanto costa Kimi K2 via API e qual è la finestra di contesto?: Moonshot AI lo prezza a $0,57 per milione di token in input e $2,30 per milione di token in output, con una finestra di contesto da 128K token.
In cosa differisce Kimi K2 Instruct dal Kimi K2 Base?: Il modello Base è il checkpoint pre-addestrato grezzo destinato a ricercatori che vogliono fare fine-tuning o costruire soluzioni personalizzate. Il modello Instruct è post-addestrato per l’uso diretto in chat e pipeline agentiche, senza modalità di pensiero esteso.

Verdetto del capitano
Un modello agentico open-weights serio che offre molto più del suo prezzo API in compiti di coding e uso di strumenti — vale la pena provarlo prima di affidarsi a Claude o GPT-4.1.

Scheda modello su Hugging Face

Il capitano scrive queste note dalla descrizione e dalla scheda modello. Prezzi e dimensioni del contesto sono quelli del provider al momento della scrittura e possono cambiare.

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

Come si calcola questo punteggio

Questo modello non ha ancora dati di popolarità da nessuna fonte, quindi ha un numero provvisorio sotto 7,000° che mantiene le liste complete. Non supera mai un modello con dati. La suddivisione appare qui appena una fonte la segnala.

Glossario: i termini usati qui

Punteggio heat: Un numero che indica quanto un modello è usato e desiderato ora, da 0° a 9.999°. Ogni lista su questo sito che dice più caldo è ordinata per questo e nient’altro.
Soglia minima: I 7.000° da cui parte ogni modello con dati reali. La scala va da 0° a 9.999°; la parte sotto la soglia è riservata ai sostituti (modelli senza dati), così un modello con dati è sempre sopra uno senza. La soglia è uguale per tutti e non decide nulla; i gradi sopra sono la misura.
Equivalenti di download: Tutto ciò che il punteggio considera come un download, sommato: i download stessi, ogni seeder torrent come 1.000, ogni immagine AI Horde e ogni esecuzione su un sito di generazione come uno.
Scala logaritmica: Conta a decine, non a unità: passare da 1.000 a 10.000 download aggiunge gli stessi gradi che passare da 10.000 a 100.000. Evita che i giganti schiaccino tutto il resto.
Like: Pollici in su e like da ogni fonte, valgono metà di un download sulla scala logaritmica.
Tasso di adozione: Quanti download al giorno riceve un modello ora, dalla differenza tra due rilevazioni di una fonte. Un quarto del peso del termine download.
Misurato e stimato: Misurato significa che ci sono due letture di una fonte e la differenza è reale. Stimato significa che si conosce solo il totale di oggi e il passato è distribuito sulla vita del modello; il sito indica quale viene mostrato.
Seeder: Qualcuno che mantiene una copia dei pesi online per farli scaricare agli altri tramite torrent, o uno specchio ospitato che fa lo stesso. Ognuno conta come 1.000 download.
AI Horde: Una rete di volontari che genera immagini gratis su computer donati. Il numero di immagini create con un modello è pubblico, e ognuna conta come un download.
Siti di generazione: Siti che ospitano copie di un modello e permettono di generare con esso, come PixAI, SeaArt e Yodayo. I loro download contano come quelli di Civitai e ogni generazione come un download.
Token OpenRouter: Un modello di testo servito tramite API, come Claude o GPT, non ha pesi da scaricare, quindi il suo utilizzo si misura in token: i pezzi di testo letti e scritti tramite OpenRouter, un gateway usato da molte app, negli ultimi 30 giorni. Ogni 10,000,000 token conta come un download. Fonte: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Modello completo (checkpoint): I pesi stessi, il file che genera da solo. Riceve un bonus perché da esso dipendono gli add-on.
LoRA e embedding: Piccoli file add-on che indirizzano i pesi di qualcun altro verso uno stile, un personaggio o un concetto. Non possono funzionare da soli.
Famiglia e pesi: La base su cui è costruito un modello, come SD 1.5, SDXL, Flux o Wan. Ogni modello eredita la data di rilascio dei pesi della sua famiglia.
Età: Gradi tolti in base a quanto tempo fa sono usciti i pesi della famiglia: 150° all'anno, fino a 750°. Mantiene i vecchi download che hanno avuto anni per accumularsi congelando la cima della lista.
Boost famiglia: Una piccola spinta limitata per le LoRA di una famiglia che questo sito sta promuovendo ora, sempre elencata nel dettaglio.
Punteggio stand-in: Un numero stabile sotto il minimo dato a un modello su cui nessuna fonte ha ancora dati, così le liste restano complete. Non supera mai un modello con dati.
Novità! (periodo di grazia): Un modello più giovane di 7 giorni mostra Novità! invece di un punteggio e non ha posizione nelle classifiche. Il suo punteggio è calcolato dal primo giorno, ma un modello di un giorno cresce più velocemente di qualsiasi altro, quindi senza l'attesa il #1 della settimana sarebbe sempre quello uscito ieri invece di quello che ha resistito per una settimana.
Tendenza: Come la crescita di un modello in un periodo si confronta con la crescita tipica di un modello nello stesso periodo. Più veloce del tipico si legge come aumento, più lento come calo.
Modello tipico: Il centro del catalogo: metà dei modelli con un valore è cresciuta più velocemente nel periodo, metà più lentamente.

Modelli simili

Meta Llama 3 8B Instruct

TEXT / LLM

Nano Banana (Gemini 2.5 Flash Image)

Modelli di IA per generare immagini, video e testo

Kimi K2 0711 è un modello di testo per la famiglia Text / LLM presente su ModelTrends.ai, un catalogo in sola lettura di modelli di IA open source per immagini, video e testo. Confrontalo con gli altri modelli Text / LLM e controlla il punteggio di calore per vedere la tendenza.

Altri modelli Text / LLM Altri Testo / LLM Text / LLM llm moonshotai programmazione agenti ragionamento contesto lungo locale

Sfoglia per famiglia di modelli