Är vikterna öppna och kan jag köra Kimi K2 0905 lokalt?

Ja, vikterna är publicerade på Hugging Face under moonshotai/Kimi-K2-Instruct-0905. Med 1 biljon totala parametrar behöver du kraftfull hårdvara för att köra den i full precision; de flesta använder en kvantiserad version eller API.

Vad kostar Kimi K2 0905 och hur stort är kontextfönstret?

Via API kostar det $0,60 per miljon inmatningstoken och $2,50 per miljon utmatningstoken, med ett kontextfönster på 256k token.

Hur skiljer sig 0905-uppdateringen från originalet Kimi K2?

Septemberuppdateringen förbättrar agentbaserad kodningsnoggrannhet och generalisering över olika ramverk, stärker frontend-kodningsutdata och förlänger kontextfönstret från 128k till 256k token.

Kimi K2 0905

1748°

#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 | 262 144 tokens kontext | $0.60/M input, $2.50/M output. Kimi K2 0905 är septemberuppdateringen av Kimi K2 0711. Det är en storskalig Mixture-of-Experts (MoE) språkmodell utvecklad av Moonshot AI, med totalt 1 biljon parametrar och 32 miljarder aktiva per framåtpass. Den stödjer inferens med lång kontext upp till 256k tokens, utökat från tidigare 128k. Denna uppdatering förbättrar agentbaserad kodning med högre noggrannhet och bättre generalisering över olika ramverk, och förbättrar frontend-kodning med mer estetiska och funktionella utdata för webb, 3D och relaterade uppgifter.…MoonshotAI | 262 144 tokens kontext | $0.60/M input, $2.50/M output. Kimi K2 0905 är septemberuppdateringen av Kimi K2 0711. Det är en storskalig Mixture-of-Experts (MoE) språkmodell utvecklad av Moonshot AI, med totalt 1 biljon parametrar och 32 miljarder aktiva per framåtpass. Den stödjer inferens med lång kontext upp till 256k tokens, utökat från tidigare 128k. Denna uppdatering förbättrar agentbaserad kodning med högre noggrannhet och bättre generalisering över olika ramverk, och förbättrar frontend-kodning med mer estetiska och funktionella utdata för webb, 3D och relaterade uppgifter. Kimi K2 är optimerad för agentkapaciteter, inklusive avancerad verktygsanvändning, resonemang och kodsyntes. Den excellerar i kodningsbenchmarks (LiveCodeBench, SWE-bench), resonemangsbenchmarks (ZebraLogic, GPQA) och verktygsanvändningsbenchmarks (Tau2, AceBench). Modellen är tränad med en ny stack 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?

Öppna vikter vs öppen källkod vs endast API: vad du faktiskt får göra

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 0905 är september 2025-uppdateringen av Moonshot AI:s MoE-modell med biljonparametrar, med 32 miljarder aktiva parametrar per framåtpass och ett kontextfönster på 256k token. Uppdateringen skärper agentbaserad kodning och frontend-arbete, och vikterna är öppna. Den passar utvecklare som vill ha en seriös kodningsagent som de kan köra själva eller billigt via API.

Känd för

Stark agentbaserad kodning: konkurrenskraftig på SWE-Bench verified och SWE-Bench Multilingual.
Öppna vikter på Hugging Face — du kan ladda ner och köra den själv.
256k kontextfönster, fördubblat från tidigare 128k-versionen.
Förbättrad frontend-kodning: bättre estetik och funktion för webb- och 3D-uppgifter.
Inbyggd verktygsanvändning och resonemang, inte påklistrat.

Se upp för

1 biljon totala parametrar innebär att lokal drift kräver seriös hårdvara; de flesta användare kommer att använda API.
Utdata kostar $2,50 per miljon token — inte dyrt, men längre agentbaserade körningar blir snabbt kostsamma.
Moonshot AI har inte publicerat licensvillkoren tydligt; kontrollera repot innan du bygger en produkt på det.

Bäst för

Kodning

Agenter och verktygsanvändning

Resonemang

Lång kontext

Kör lokalt

Promptar att prova

Fixa en verklig bugg

Här är en Python-funktion som ska parsa en nästlad JSON-konfiguration och returnera en platt dict med punktskiljda nycklar och deras värden. Den släpper tyst nycklar när ett värde är en tom lista. Identifiera buggen, förklara varför den uppstår och returnera en korrigerad version med ett test som skulle ha fångat den. ```python def flatten(d, prefix=''): out = {} for k, v in d.items(): key = f'{prefix}.{k}' if prefix else k if isinstance(v, dict): out.update(flatten(v, key)) elif v: out[key] = v return out ```

Bygg en liten webbkomponent

Skriv en självständig HTML-fil utan externa beroenden som renderar en interaktiv kanban-tavla med tre kolumner: Att göra, Pågående, Klart. Kort ska kunna dras mellan kolumner med HTML drag-and-drop API. Styla den snyggt med inline CSS. Lägg till ett litet formulär högst upp för att skapa ett nytt kort med titel.

Planera en flerstegs agentuppgift

Du är en kodningsagent med tillgång till ett bash-terminal och en filredigerare. En användares Node.js-projekt misslyckas i CI-pipelinen eftersom tre tester importerar en modul som inte längre finns efter en nyligen refaktorering. Beskriv den exakta sekvensen av verktygsanrop du skulle göra — vad du läser först, hur du spårar de trasiga importerna och hur du bestämmer vad du ska skriva — innan du rör någon fil.

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 0905 lokalt?: Ja, vikterna är publicerade på Hugging Face under moonshotai/Kimi-K2-Instruct-0905. Med 1 biljon totala parametrar behöver du kraftfull hårdvara för att köra den i full precision; de flesta använder en kvantiserad version eller API.
Vad kostar Kimi K2 0905 och hur stort är kontextfönstret?: Via API kostar det $0,60 per miljon inmatningstoken och $2,50 per miljon utmatningstoken, med ett kontextfönster på 256k token.
Hur skiljer sig 0905-uppdateringen från originalet Kimi K2?: Septemberuppdateringen förbättrar agentbaserad kodningsnoggrannhet och generalisering över olika ramverk, stärker frontend-kodningsutdata och förlänger kontextfönstret från 128k till 256k token.

Kaptens omdöme
En kapabel kodningsagent med öppna vikter till ett rimligt API-pris — 256k kontext och agentförbättringar gör septemberuppdateringen värd att byta till.

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

Nano Banana 2 (Gemini 3.1 Flash Image)

TEXT / LLM

Qwen3 Coder Plus

TEXT / LLM

AI-modeller för bild-, video- och textgenerering

Kimi K2 0905 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