Är vikterna öppna och kan jag köra Kimi K2 lokalt?

Ja — vikterna är publicerade på Hugging Face under moonshotai/Kimi-K2-Instruct. Med 1 trillion totala parametrar behöver du kvantiserade versioner (GGUF eller liknande) och betydande VRAM eller RAM för att köra lokalt.

Vad kostar Kimi K2 via API och hur stort är kontextfönstret?

Moonshot AI tar $0,57 per miljon inmatningstoken och $2,30 per miljon utmatningstoken, med ett 128K token kontextfönster.

Hur skiljer sig Kimi K2 Instruct från Kimi K2 Base?

Basmodellen är en rå förtränad checkpoint avsedd för forskare som vill finjustera eller bygga egna lösningar. Instruct-modellen är eftertränad för direkt användning i chatt och agentpipelines, utan utökat tänkandeläge.

Kimi K2 0711

4608°

#llm #moonshotai #kodning #agenter #resonemang #lång kontext

Kör modellen

Erbjudanden / annonser

OpenRouter Terminal / API

Betala per token

Chatta med den här modellen i webbläsaren eller anropa den från din kod med en API-nyckel.

MoonshotAI | 131,072 token kontext | $0.57/M input, $2.30/M output. Kimi K2 Instruct är en storskalig Mixture-of-Experts (MoE) språkmodell utvecklad av Moonshot AI, med totalt 1 biljon parametrar och 32 miljarder aktiva per framåtpass. Den är optimerad för agentbaserade förmågor, inklusive avancerad verktygsanvändning, resonemang och kodsyntes. Kimi K2 utmärker sig över ett brett spektrum av benchmarks, särskilt inom kodning (LiveCodeBench, SWE-bench), resonemang (ZebraLogic, GPQA) och verktygsanvändning (Tau2, AceBench). Den stödjer långkontextinferens upp till 128K tokens och är designad med en ny träningsstack som inkluderar MuonClip-optimeraren för stabil storskalig MoE-träning.

Guider för denna modell

Bästa lokala LLM efter användningsområde (oktober 2026): rätt öppna modell för varje jobb

Hur mycket VRAM behöver jag egentligen för lokal AI?

Vad är en GGUF-fil? Förklaringar av kvantiserade modeller (Q4, Q8, fp8, NF4)

Alla guider

Kaptenens anteckningar

Skrivet av Captain, husets redaktör

Anteckningar från 2026-10-13

Kimi K2 Instruct är Moonshot AIs 1-trillion-parameters MoE-modell som aktiverar 32 miljarder parametrar per framåtpass och tränats på 15,5 biljoner token med MuonClip-optimeraren för stabil storskalig träning. Den är byggd specifikt för agentarbete: verktygsanvändning, autonom kodning och flerstegsresonemang snarare än utökat kedjetänkande. Vikterna är öppna och API-priset är måttligt för en modell i denna skala.

Känd för

Toppresultat för agentkodning på SWE-bench Verified, konkurrenskraftig med Claude Sonnet 4.
Starka verktygsanvändningsresultat på Tau2 och AceBench inom detaljhandel, flyg och telekom.
128K token kontextfönster för arbete med långa dokument och kodbaser.
Öppna vikter på Hugging Face under moonshotai/Kimi-K2-Instruct.
MoE-arkitektur: 1T totala parametrar, endast 32B aktiva per token — effektiv vid inferens.

Se upp för

Detta är en reflexnivå instruktionsmodell utan utökat tänkandeläge; för djup kedjetänkning, sök annat.
Med 1T totala parametrar krävs seriös hårdvara för självhosting — kvantiserade GGUF-versioner är ditt praktiska lokala alternativ.
Licensvillkor för kommersiell användning är inte detaljerade här; kontrollera Hugging Face-repositoryt innan distribution.

Bäst för

Kodning

Agenter och verktygsanvändning

Resonemang

Lång kontext

Kör lokalt

Promptar att prova

Debugga en felande agentloop

Jag har en Python-agent som anropar ett sökverktyg, tolkar resultatet och sedan bestämmer om det ska anropas igen. Efter två iterationer avslutas den alltid tidigt, även när stoppvillkoret inte är uppfyllt. Här är koden: [klistra in din kod]. Identifiera buggen, förklara varför den orsakar tidigt avslut och visa den korrigerade versionen med en kort förklaring av fixen.

Lös ett logiskt begränsningspussel

Fem ingenjörer — Ada, Ben, Cara, Dan och Eve — äger varsin av fem laptops: A, B, C, D, E. Ada äger inte A eller B. Ben äger en laptop med högre bokstav än Cara. Dan äger D. Eve äger inte C. Ingen delar laptop med någon annan. Vem äger vilken laptop? Visa ditt resonemang steg för steg.

Designa ett arbetsflöde med flera verktyg

Du har tre verktyg: search(query), fetch_page(url) och summarize(text). En användare frågar: 'Vilka är de tre mest citerade artiklarna om mixture-of-experts-skalning publicerade efter 2022?' Skriv ut den exakta sekvensen av verktygsanrop du skulle göra, vad du förväntar dig att varje anrop returnerar, och hur du skulle kombinera resultaten till ett slutgiltigt svar.

Jämför med

Kimi K3
Öppen vikt-modell
1,048,576 tokens kontext · $0.30/M indata, $11.94/M utdata
Kimi K2 Thinking
Öppen vikt-modell
262,144 tokens kontext · $0.60/M indata, $2.50/M utdata
Kimi K2.7 Code
Öppen vikt-modell
262,144 tokens kontext · $0.67/M indata, $3.35/M utdata
Kimi K2.5
Öppen vikt-modell
262,144 tokens kontext · $0.50/M indata, $2.50/M utdata

Fler textmodeller från moonshotai

Vanliga frågor

Är vikterna öppna och kan jag köra Kimi K2 lokalt?: Ja — vikterna är publicerade på Hugging Face under moonshotai/Kimi-K2-Instruct. Med 1 trillion totala parametrar behöver du kvantiserade versioner (GGUF eller liknande) och betydande VRAM eller RAM för att köra lokalt.
Vad kostar Kimi K2 via API och hur stort är kontextfönstret?: Moonshot AI tar $0,57 per miljon inmatningstoken och $2,30 per miljon utmatningstoken, med ett 128K token kontextfönster.
Hur skiljer sig Kimi K2 Instruct från Kimi K2 Base?: Basmodellen är en rå förtränad checkpoint avsedd för forskare som vill finjustera eller bygga egna lösningar. Instruct-modellen är eftertränad för direkt användning i chatt och agentpipelines, utan utökat tänkandeläge.

Kaptens omdöme
En seriös öppen vikts agentmodell som levererar mer än sitt API-pris på kodning och verktygsanvändning — värd att testa innan du defaultar till Claude eller GPT-4.1.

Model card på Hugging Face

Kapten skriver dessa anteckningar från modellens egen beskrivning och model card. Priser och kontextstorlekar är från leverantören vid skrivtillfället och kan ändras.

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

Hur denna poäng räknas ihop

Den här modellen har ännu inga popularitetsdata från någon källa, så den har ett tillfälligt nummer under 7,000° som håller listorna kompletta. Den rankas aldrig högre än en modell med data. Uppdelningen visas här så fort en källa rapporterar den.

Ordlista: termerna som används här

Heat-poäng: Ett nummer för hur mycket en modell används och efterfrågas just nu, från 0° till 9 999°. Varje lista på den här sidan som säger hetast sorteras efter den och inget annat.
Golvet: De 7 000° som varje modell med verklig data börjar från. Skalan går från 0° till 9 999°; delen under golvet är reserverad för ersättare (modeller utan data), så att en modell med data alltid rankas över en utan. Golvet är samma för alla och avgör inget; graderna ovanför är själva mätningen.
Nedladdnings-ekvivalenter: Allt som poängen räknar som en nedladdning, summerat: själva nedladdningarna, varje torrent-seeder som 1 000, varje AI Horde-bild och varje körning på en genereringssajt som en.
Logaritmisk skala: Räknar i tiotal, inte i ental: att gå från 1 000 till 10 000 nedladdningar ger lika många grader som att gå från 10 000 till 100 000. Det hindrar jättar från att tränga ut allt annat.
Gillanden: Tummar upp och gillanden från alla källor, värda hälften av en nedladdning på den logaritmiska skalan.
Adoptionshastighet: Hur många nedladdningar per dag en modell får just nu, från skillnaden mellan två mätningar av en källa. En fjärdedels vikt av nedladdningsdelen.
Mätt och uppskattad: Mätt betyder att det finns två mätningar från en källa och skillnaden är verklig. Uppskattad betyder att bara dagens total är känd och det fördelas över modellens livstid; sidan visar vilken det är.
Seeder: Någon som håller en kopia av vikterna online för andra att ladda ner via torrent, eller en hostad spegel som gör samma sak. Varje sådan räknas som 1 000 nedladdningar.
AI Horde: Ett frivilligt nätverk som genererar bilder gratis på donerade datorer. Antalet bilder det har gjort med en modell är offentligt, och varje bild räknas som en nedladdning.
Genereringssajter: Sajter som hostar sina egna kopior av en modell och låter folk generera med den, som PixAI, SeaArt och Yodayo. Deras nedladdningar räknas som Civitaís och varje genereringskörning räknas som en nedladdning.
OpenRouter-token: En textmodell som nås via API, som Claude eller GPT, har inga vikter att ladda ner, så dess användning mäts i token: textbitar den läst och skrivit via OpenRouter, en gateway som många appar använder, under de senaste 30 dagarna. Varje 10,000,000 token räknas som en nedladdning. Källa: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Full modell (checkpoint): Själva vikterna, filen som genererar självständigt. Den får en bonus eftersom tillägg beror på den.
LoRA och embedding: Små tilläggsfiler som styr någon annans vikter mot en stil, en karaktär eller ett koncept. De kan inte köras själva.
Familj och vikter: Basen en modell är byggd på, som SD 1.5, SDXL, Flux eller Wan. Varje modell ärver släppdatumet för sin familjs vikter.
Ålder: Poäng som dras av beroende på hur länge sedan familjens vikter släpptes: 150° per år, upp till 750°. Det behåller gamla nedladdningar som haft år på sig att samlas för att frysa toppen av listan.
Familjeboost: En liten, begränsad skjuts för LoRAs från en familj som den här sajten just nu vill lyfta fram, alltid med i uppdelningen.
Stand-in-poäng: Ett stabilt nummer under golvet som ges till en modell som ännu inte har rapporter från någon källa, så listorna förblir kompletta. Den rankas aldrig högre än en modell med data.
Ny! (karensperiod): En modell som är mindre än 7 dagar gammal visar Ny! istället för poäng och räknas inte i rankningen. Poängen räknas från dag ett, men en modell som är en dag gammal växer snabbare än allt annat, så utan väntan skulle veckans #1 alltid vara det som kom ut igår istället för det som hållit i en vecka.
Trend: Hur en modells tillväxt under en period jämförs med den typiska modellens tillväxt under samma period. Snabbare än vanligt läses som en ökning, långsammare som en nedgång.
Typisk modell: Mitten av katalogen: hälften av modellerna med siffror växte snabbare under perioden, hälften långsammare.

Liknande modeller

Llama 3.2 1B Instruct

TEXT / LLM

Seed 2.0 Lite

TEXT / LLM

Qwen3 VL 235B A22B Thinking

TEXT / LLM

Gemma 4 31B

TEXT / LLM

AI-modeller för bild-, video- och textgenerering

Kimi K2 0711 är en textmodell för familjen Text / LLM, listad på ModelTrends.ai, en skrivskyddad katalog över AI-modeller med öppen källkod för bild, video och text. Jämför den med andra Text / LLM-modeller och se dess hettapoäng.

Fler Text / LLM-modeller llm moonshotai kodning agenter resonemang lång kontext lokal

Bläddra efter modellfamilj