Czy wagi są otwarte i czy mogę uruchomić Kimi K2 lokalnie?

Tak — wagi są opublikowane na Hugging Face pod moonshotai/Kimi-K2-Instruct. Przy bilionie parametrów potrzebujesz wersji kwantyzowanych (GGUF lub podobnych) oraz znacznej ilości VRAM lub RAM, aby uruchomić go lokalnie.

Ile kosztuje Kimi K2 przez API i jakie ma okno kontekstu?

Moonshot AI wycenia go na 0,57 USD za milion tokenów wejściowych i 2,30 USD za milion tokenów wyjściowych, z oknem kontekstu 128K tokenów.

Czym Kimi K2 Instruct różni się od Kimi K2 Base?

Model Base to surowy checkpoint przedtrenowany, przeznaczony dla badaczy chcących dostrajać lub budować własne rozwiązania. Model Instruct jest posttrenowany do bezpośredniego użycia w czacie i pipeline’ach agentowych, bez trybu rozbudowanego myślenia.

Kimi K2 0711

4608°

#llm #moonshotai #kodowanie #agenci #rozumowanie #długi kontekst

Uruchom model

Oferty / Reklamy

OpenRouter Terminal / API

Płać za token

Rozmawiaj z tym modelem w przeglądarce lub wywołuj go z kodu za pomocą jednego klucza API.

MoonshotAI | 131,072 tokenów kontekstu | $0.57/M wejścia, $2.30/M wyjścia. Kimi K2 Instruct to duży model językowy Mixture-of-Experts (MoE) opracowany przez Moonshot AI, posiadający 1 bilion parametrów łącznie, z 32 miliardami aktywnymi na pojedyncze przejście. Jest zoptymalizowany pod kątem zdolności agentowych, w tym zaawansowanego użycia narzędzi, rozumowania i syntezy kodu. Kimi K2 wyróżnia się na wielu benchmarkach, szczególnie w kodowaniu (LiveCodeBench, SWE-bench), rozumowaniu (ZebraLogic, GPQA) oraz zadaniach użycia narzędzi (Tau2, AceBench). Obsługuje inferencję z długim kontekstem do 128K tokenów i jest zaprojektowany z nowatorskim stosikiem treningowym, który obejmuje optymalizator MuonClip dla stabilnego treningu dużych modeli MoE.

Poradniki do tego modelu

Najlepsze lokalne LLM według zastosowania (październik 2026): odpowiedni otwarty model do każdego zadania

Ile VRAM naprawdę potrzebuję do lokalnej AI?

Co to jest plik GGUF? Wyjaśnienie modeli kwantyzowanych (Q4, Q8, fp8, NF4)

Wszystkie poradniki

Notatki kapitana

Napisane przez Captain, redaktora domu

Notatki z 2026-10-13

Kimi K2 Instruct to model MoE o bilionie parametrów od Moonshot AI, aktywujący 32 miliardy parametrów na wywołanie i trenowany na 15,5 biliona tokenów z użyciem optymalizatora MuonClip dla stabilnego treningu na dużą skalę. Został stworzony specjalnie do pracy agentowej: użycia narzędzi, autonomicznego kodowania i wieloetapowego rozumowania, a nie do rozbudowanego chain-of-thought. Wagi są otwarte, a ceny API są umiarkowane jak na model tej skali.

Znany z

Najwyższej klasy agentowe kodowanie na SWE-bench Verified, konkurencyjne z Claude Sonnet 4.
Silne wyniki w użyciu narzędzi na Tau2 i AceBench w zadaniach z branży detalicznej, lotniczej i telekomunikacyjnej.
Okno kontekstu 128K tokenów do pracy z długimi dokumentami i kodem.
Otwarte wagi na Hugging Face pod moonshotai/Kimi-K2-Instruct.
Architektura MoE: 1 bilion parametrów, aktywne tylko 32 mld na token — efektywność podczas inferencji.

Uważaj na

To model refleksyjny typu instruct bez trybu rozbudowanego myślenia; do głębokiego chain-of-thought szukaj gdzie indziej.
Przy bilionie parametrów samodzielne hostowanie wymaga poważnego sprzętu — wersje kwantyzowane GGUF to praktyczna opcja lokalna.
Warunki licencji do użytku komercyjnego nie są tu szczegółowo opisane; sprawdź repozytorium Hugging Face przed wdrożeniem.

Najlepszy do

Kodowanie

Agenci i użycie narzędzi

Rozumowanie

Długi kontekst

Działa lokalnie

Podpowiedzi do wypróbowania

Debugowanie pętli agenta z błędem

Mam agenta w Pythonie, który wywołuje narzędzie wyszukiwania, analizuje wynik, a następnie decyduje, czy wywołać je ponownie. Po dwóch iteracjach zawsze wychodzi wcześniej, nawet gdy warunek zatrzymania nie jest spełniony. Oto kod: [wklej swój kod]. Zidentyfikuj błąd, wyjaśnij, dlaczego powoduje przedwczesne zakończenie, i pokaż poprawioną wersję z krótkim wyjaśnieniem poprawki.

Rozwiąż zagadkę logiczną

Pięciu inżynierów — Ada, Ben, Cara, Dan i Eve — ma po jednym z pięciu laptopów: A, B, C, D, E. Ada nie ma A ani B. Ben ma laptop z literą wyższą niż Cara. Dan ma D. Eve nie ma C. Nikt nie dzieli laptopa z inną osobą. Kto ma który laptop? Pokaż rozumowanie krok po kroku.

Zaprojektuj przepływ pracy z wieloma narzędziami

Masz trzy narzędzia: search(query), fetch_page(url) i summarize(text). Użytkownik pyta: 'Jakie są trzy najczęściej cytowane artykuły o skalowaniu mixture-of-experts opublikowane po 2022 roku?' Napisz dokładną sekwencję wywołań narzędzi, czego się spodziewasz po każdym, i jak połączysz wyniki w ostateczną odpowiedź.

Porównaj z

Kimi K3
Model z otwartymi wagami
Kontekst 1,048,576 tokenów · $0.30/M wejście, $11.94/M wyjście
Kimi K2 Thinking
Model z otwartymi wagami
Kontekst 262,144 tokenów · $0.60/M wejście, $2.50/M wyjście
Kimi K2.7 Code
Model z otwartymi wagami
Kontekst 262,144 tokenów · $0.67/M wejście, $3.35/M wyjście
Kimi K2.5
Model z otwartymi wagami
Kontekst 262,144 tokenów · $0.50/M wejście, $2.50/M wyjście

Więcej modeli tekstowych od moonshotai

Pytania, które ludzie zadają

Czy wagi są otwarte i czy mogę uruchomić Kimi K2 lokalnie?: Tak — wagi są opublikowane na Hugging Face pod moonshotai/Kimi-K2-Instruct. Przy bilionie parametrów potrzebujesz wersji kwantyzowanych (GGUF lub podobnych) oraz znacznej ilości VRAM lub RAM, aby uruchomić go lokalnie.
Ile kosztuje Kimi K2 przez API i jakie ma okno kontekstu?: Moonshot AI wycenia go na 0,57 USD za milion tokenów wejściowych i 2,30 USD za milion tokenów wyjściowych, z oknem kontekstu 128K tokenów.
Czym Kimi K2 Instruct różni się od Kimi K2 Base?: Model Base to surowy checkpoint przedtrenowany, przeznaczony dla badaczy chcących dostrajać lub budować własne rozwiązania. Model Instruct jest posttrenowany do bezpośredniego użycia w czacie i pipeline’ach agentowych, bez trybu rozbudowanego myślenia.

Wyrok kapitana
Poważny model agentowy z otwartymi wagami, który przewyższa swoją cenę API w zadaniach kodowania i użycia narzędzi — warto go przetestować, zanim zdecydujesz się na Claude lub GPT-4.1.

Karta modelu na Hugging Face

Kapitan pisze te notatki na podstawie opisu modelu i karty modelu. Ceny i rozmiary kontekstu pochodzą od dostawcy w momencie pisania i mogą się zmieniać.

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

Jak ten wynik się sumuje

Ten model nie ma jeszcze danych o popularności z żadnego źródła, więc ma zastępczą wartość poniżej 7,000°, która pozwala utrzymać kompletność list. Nigdy nie zajmuje wyższej pozycji niż model z danymi. Szczegóły pojawią się tutaj, gdy tylko jakieś źródło je zgłosi.

Słowniczek: używane tu terminy

Wynik heat: Jedna liczba pokazująca, jak bardzo model jest używany i pożądany teraz, od 0° do 9,999°. Każda lista na tej stronie z napisem hottest jest sortowana według tego i niczego innego.
Podstawa: 7,000° to punkt startowy dla każdego modelu z prawdziwymi danymi. Skala idzie od 0° do 9,999°; część poniżej podstawy jest zarezerwowana dla zastępczych modeli (bez danych), żeby model z danymi zawsze był wyżej. Podstawa jest taka sama dla wszystkich i nic nie decyduje; stopnie powyżej niej to właściwy pomiar.
Równoważniki pobrań: Wszystko, co wynik traktuje jak pobranie, zsumowane: same pobrania, każdy seeder torrenta jako 1,000, każde AI Horde zdjęcie i każde uruchomienie na stronie generującej jako jedno.
Skala logarytmiczna: Liczenie co dziesięć, nie co jeden: przejście z 1,000 do 10,000 pobrań dodaje tyle samo stopni, co z 10,000 do 100,000. Zapobiega to dominacji gigantów nad resztą.
Polubienia: Kciuki w górę i polubienia ze wszystkich źródeł, warte połowę pobrania na skali logarytmicznej.
Tempo adopcji: Ile pobrań dziennie model ma teraz, na podstawie różnicy między dwoma odczytami źródła. Ćwierć wagi terminu pobrania.
Zmierzony i szacowany: Zmierzony oznacza, że istnieją dwa odczyty źródła i różnica jest rzeczywista. Szacowany oznacza, że znana jest tylko dzisiejsza suma, a przeszłość jest rozłożona na czas życia modelu; strona mówi, który z nich pokazuje.
Seeder: Ktoś, kto trzyma kopię wag online, aby inni mogli je pobrać przez torrent, albo hostowany mirror robiący to samo. Każdy taki liczy się jako 1 000 pobrań.
AI Horde: Sieć wolontariuszy, która generuje obrazy za darmo na komputerach darczyńców. Liczba obrazów wygenerowanych z modelem jest publiczna i każde liczy się jako jedno pobranie.
Strony generujące: Strony, które mają własne kopie modelu i pozwalają ludziom generować z nim obrazy, takie jak PixAI, SeaArt i Yodayo. Ich pobrania liczą się jak na Civitai, a każde uruchomienie generowania to jedno pobranie.
Tokeny OpenRouter: Model tekstowy obsługiwany przez API, taki jak Claude czy GPT, nie ma wag do pobrania, więc jego użycie mierzy się tokenami: fragmentami tekstu, które przeczytał i napisał przez OpenRouter, bramkę używaną przez wiele aplikacji, w ciągu ostatnich 30 dni. Każde 10,000,000 tokenów liczy się jako jedno pobranie. Źródło: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Pełny model (checkpoint): Same wagi, plik, który generuje samodzielnie. Dostaje bonus, bo dodatki od niego zależą.
LoRA i embedding: Małe pliki dodatków, które kierują czyjeś wagi w stronę stylu, postaci lub koncepcji. Nie mogą działać samodzielnie.
Rodzina i wagi: Podstawa, na której zbudowano model, np. SD 1.5, SDXL, Flux lub Wan. Każdy model dziedziczy datę wydania wag swojej rodziny.
Wiek: Stopnie odejmowane za to, jak dawno wyszły wagi rodziny: 150° za rok, do 750°. Zachowuje stare pobrania, które miały lata na narastanie, zamrażając szczyt listy.
Wzmocnienie rodziny: Małe, ograniczone wsparcie dla LoRA z rodziny, którą ta strona teraz promuje, zawsze podane w rozbiciu.
Wynik zastępczy: Stabilna liczba poniżej minimum, przyznawana modelowi, o którym jeszcze nie ma danych źródłowych, żeby listy były kompletne. Nigdy nie jest wyżej niż model z danymi.
Nowy! (okres karencji): Model młodszy niż 7 dni pokazuje Nowy! zamiast wyniku i nie zajmuje miejsca w rankingu. Jego wynik jest liczony od pierwszego dnia, ale model jednodniowy rośnie najszybciej, więc bez oczekiwania #1 tygodnia byłby zawsze tym, który pojawił się wczoraj, a nie tym, który utrzymał się przez tydzień.
Trend: Jak wzrost modelu w danym okresie wypada na tle typowego wzrostu modelu w tym samym czasie. Szybszy niż zwykle to wzrost, wolniejszy to spadek.
Typowy model: Środek katalogu: połowa modeli z danymi rosła szybciej w tym okresie, połowa wolniej.

Podobne modele

Qwen3 VL 32B Instruct

TEXT / LLM

Pareto Code Router

TEXT / LLM

Modele AI do generowania obrazów, wideo i tekstu

Kimi K2 0711 to model tekstowy z rodziny Text / LLM wymieniony na ModelTrends.ai, katalogu tylko do odczytu otwartych modeli AI do obrazów, wideo i tekstu. Porównaj go z innymi modelami Text / LLM i sprawdź wynik popularności, aby zobaczyć trend.

Więcej modeli Text / LLM Więcej Text / LLM Tekst / LLM llm moonshotai kodowanie agenci rozumowanie długi kontekst lokalny

Przeglądaj według rodziny modeli