Trọng số có mở và tôi có thể chạy Kimi K2 cục bộ không?

Có — trọng số được công bố trên Hugging Face tại moonshotai/Kimi-K2-Instruct. Với 1 nghìn tỷ tham số tổng bạn sẽ cần các phiên bản lượng tử (GGUF hoặc tương tự) và VRAM hoặc RAM lớn để chạy cục bộ.

Chi phí của Kimi K2 qua API và cửa sổ ngữ cảnh là bao nhiêu?

Moonshot AI định giá $0,57 cho mỗi triệu token đầu vào và $2,30 cho mỗi triệu token đầu ra, với cửa sổ ngữ cảnh 128K token.

Kimi K2 Instruct khác gì so với Kimi K2 Base?

Mô hình Base là checkpoint thô được huấn luyện sơ bộ dành cho các nhà nghiên cứu muốn tinh chỉnh hoặc xây dựng giải pháp tùy chỉnh. Mô hình Instruct được huấn luyện thêm để sử dụng trực tiếp trong chat và quy trình tác nhân, không có chế độ suy nghĩ kéo dài.

Kimi K2 0711

4608°

#llm #moonshotai #lập trình #tác nhân #lý luận #ngữ cảnh dài

Chạy mô hình này

Ưu đãi / Quảng cáo

OpenRouter Terminal / API

Trả theo token

Trò chuyện với mô hình này trên trình duyệt hoặc gọi nó từ mã của bạn với một khóa API.

MoonshotAI | ngữ cảnh 131,072 token | $0.57/M đầu vào, $2.30/M đầu ra. Kimi K2 Instruct là mô hình ngôn ngữ Mixture-of-Experts (MoE) quy mô lớn do Moonshot AI phát triển, với tổng cộng 1 nghìn tỷ tham số và 32 tỷ tham số kích hoạt mỗi lần chạy. Nó được tối ưu cho các khả năng tác nhân, bao gồm sử dụng công cụ nâng cao, suy luận và tổng hợp mã. Kimi K2 xuất sắc trên nhiều chuẩn mực, đặc biệt trong lập trình (LiveCodeBench, SWE-bench), suy luận (ZebraLogic, GPQA) và sử dụng công cụ (Tau2, AceBench). Hỗ trợ suy luận ngữ cảnh dài lên đến 128K token và được thiết kế với ngăn xếp huấn luyện mới bao gồm bộ tối ưu MuonClip để đào tạo MoE quy mô lớn ổn định.

Hướng dẫn cho mô hình này

LLM cục bộ tốt nhất theo từng trường hợp sử dụng (Tháng 10 năm 2026): mô hình mở phù hợp cho mọi công việc

Mình thực sự cần bao nhiêu VRAM cho AI cục bộ?

Tệp GGUF là gì? Giải thích về các mô hình lượng tử hóa (Q4, Q8, fp8, NF4)

Tất cả hướng dẫn

Ghi chú của thuyền trưởng

Viết bởi Captain, biên tập viên chính

Ghi chú từ 2026-10-13

Kimi K2 Instruct là mô hình MoE một nghìn tỷ tham số của Moonshot AI, kích hoạt 32 tỷ tham số mỗi lần chạy và được huấn luyện trên 15,5 nghìn tỷ token sử dụng bộ tối ưu MuonClip để đảm bảo huấn luyện ổn định quy mô lớn. Nó được xây dựng đặc biệt cho công việc tác nhân: sử dụng công cụ, lập trình tự động và suy luận nhiều bước thay vì chuỗi tư duy kéo dài. Trọng số mở có sẵn, và giá API khá hợp lý cho mô hình ở quy mô này.

Nổi tiếng với

Lập trình tác nhân hàng đầu trên SWE-bench Verified, cạnh tranh với Claude Sonnet 4.
Điểm số sử dụng công cụ mạnh trên Tau2 và AceBench trong các tác vụ bán lẻ, hàng không và viễn thông.
Cửa sổ ngữ cảnh 128K token cho công việc tài liệu dài và mã nguồn lớn.
Trọng số mở trên Hugging Face tại moonshotai/Kimi-K2-Instruct.
Kiến trúc MoE: tổng 1T tham số, chỉ 32B kích hoạt mỗi token — hiệu quả khi suy luận.

Cẩn thận với

Đây là mô hình hướng dẫn phản xạ, không có chế độ suy nghĩ kéo dài; nếu cần chuỗi tư duy sâu, hãy tìm nơi khác.
Với 1T tham số tổng, tự lưu trữ đòi hỏi phần cứng mạnh — các phiên bản lượng tử GGUF là lựa chọn thực tế để chạy cục bộ.
Điều khoản cấp phép cho sử dụng thương mại không được nêu rõ; hãy kiểm tra kho lưu trữ Hugging Face trước khi triển khai.

Phù hợp nhất cho

Lập trình

Tác nhân và sử dụng công cụ

Lý luận

Ngữ cảnh dài

Chạy cục bộ

Lời nhắc để thử

Gỡ lỗi vòng lặp tác nhân thất bại

Tôi có một tác nhân Python gọi công cụ tìm kiếm, phân tích kết quả, rồi quyết định có gọi lại hay không. Sau hai vòng lặp nó luôn thoát sớm, dù điều kiện dừng chưa đạt. Đây là mã: [dán mã của bạn]. Xác định lỗi, giải thích tại sao nó gây thoát sớm, và cho phiên bản sửa với giải thích ngắn về cách sửa.

Giải câu đố ràng buộc logic

Năm kỹ sư — Ada, Ben, Cara, Dan và Eve — mỗi người sở hữu đúng một trong năm chiếc laptop: A, B, C, D, E. Ada không sở hữu A hoặc B. Ben sở hữu laptop có chữ cái cao hơn Cara. Dan sở hữu D. Eve không sở hữu C. Không ai chia sẻ laptop. Ai sở hữu laptop nào? Trình bày suy luận từng bước.

Thiết kế quy trình đa công cụ

Bạn có ba công cụ: search(query), fetch_page(url), và summarize(text). Người dùng hỏi: 'Ba bài báo được trích dẫn nhiều nhất về mở rộng mô hình mixture-of-experts xuất bản sau 2022 là gì?' Viết ra chuỗi gọi công cụ chính xác bạn sẽ thực hiện, dự kiến kết quả từng công cụ, và cách bạn kết hợp chúng thành câu trả lời cuối cùng.

So sánh với

Kimi K3
Mô hình mở trọng số
ngữ cảnh 1,048,576 token · Đầu vào $0.30/M, đầu ra $11.94/M
Kimi K2 Thinking
Mô hình mở trọng số
ngữ cảnh 262,144 token · Đầu vào $0.60/M, đầu ra $2.50/M
Kimi K2.7 Code
Mô hình mở trọng số
ngữ cảnh 262,144 token · Đầu vào $0.67/M, đầu ra $3.35/M
Kimi K2.5
Mô hình mở trọng số
ngữ cảnh 262,144 token · Đầu vào $0.50/M, đầu ra $2.50/M

Thêm mô hình văn bản từ moonshotai

Câu hỏi thường gặp

Trọng số có mở và tôi có thể chạy Kimi K2 cục bộ không?: Có — trọng số được công bố trên Hugging Face tại moonshotai/Kimi-K2-Instruct. Với 1 nghìn tỷ tham số tổng bạn sẽ cần các phiên bản lượng tử (GGUF hoặc tương tự) và VRAM hoặc RAM lớn để chạy cục bộ.
Chi phí của Kimi K2 qua API và cửa sổ ngữ cảnh là bao nhiêu?: Moonshot AI định giá $0,57 cho mỗi triệu token đầu vào và $2,30 cho mỗi triệu token đầu ra, với cửa sổ ngữ cảnh 128K token.
Kimi K2 Instruct khác gì so với Kimi K2 Base?: Mô hình Base là checkpoint thô được huấn luyện sơ bộ dành cho các nhà nghiên cứu muốn tinh chỉnh hoặc xây dựng giải pháp tùy chỉnh. Mô hình Instruct được huấn luyện thêm để sử dụng trực tiếp trong chat và quy trình tác nhân, không có chế độ suy nghĩ kéo dài.

Phán quyết của thuyền trưởng
Một mô hình tác nhân trọng số mở nghiêm túc, vượt trội so với giá API trên các tác vụ lập trình và sử dụng công cụ — đáng thử trước khi mặc định chọn Claude hoặc GPT-4.1.

Thẻ mô hình trên Hugging Face

Thuyền trưởng viết những ghi chú này dựa trên mô tả và thẻ mô hình của mô hình. Giá cả và kích thước ngữ cảnh là của nhà cung cấp tại thời điểm viết và có thể thay đổi.

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

Điểm số này được tính như thế nào

Mô hình này chưa có dữ liệu phổ biến từ bất kỳ nguồn nào, nên nó mang một số thay thế dưới 7,000° để giữ cho danh sách đầy đủ. Nó không bao giờ xếp trên một mô hình có dữ liệu. Phân tích chi tiết sẽ xuất hiện ở đây ngay khi có nguồn báo cáo.

Thuật ngữ: các từ dùng ở đây

Điểm nhiệt: Một số duy nhất cho biết mô hình được dùng và mong muốn thế nào hiện tại, từ 0° đến 9.999°. Mọi danh sách trên trang này nói về độ hot đều sắp xếp theo nó và không theo gì khác.
Sàn điểm: 7.000° là điểm bắt đầu cho mọi mô hình có dữ liệu thật. Thang điểm chạy từ 0° đến 9.999°; phần dưới sàn dành cho mô hình thay thế (mô hình không có dữ liệu), để mô hình có dữ liệu luôn xếp trên mô hình không có. Sàn điểm giống nhau cho tất cả và không quyết định gì; điểm trên sàn mới là thước đo.
Tương đương lượt tải: Tất cả những gì điểm số coi là lượt tải, cộng lại: lượt tải thật, mỗi người chia sẻ torrent tính 1.000, mỗi ảnh AI Horde và mỗi lượt chạy trên trang tạo ảnh tính một.
Thang log: Đếm theo chục, không phải theo đơn vị: từ 1.000 lên 10.000 lượt tải thêm cùng số điểm như từ 10.000 lên 100.000. Giúp tránh việc các mô hình lớn lấn át hết mọi thứ khác.
Lượt thích: Giơ ngón tay cái và lượt thích từ mọi nguồn, mỗi lượt bằng một nửa lượt tải trên thang log.
Tỷ lệ áp dụng: Bao nhiêu lượt tải mỗi ngày mà mô hình nhận được hiện tại, tính từ chênh lệch giữa hai lần đọc nguồn. Bằng một phần tư trọng số của lượt tải.
Đã đo và ước tính: Đã đo nghĩa là có hai lần đọc từ một nguồn và sự khác biệt là thật. Ước tính nghĩa là chỉ biết tổng số hôm nay và quá khứ được phân bổ trong suốt thời gian tồn tại của mô hình; trang web sẽ nói rõ đang hiển thị loại nào.
Seeder: Người giữ bản sao trọng số trực tuyến để người khác tải qua torrent, hoặc một bản sao lưu trữ làm điều tương tự. Mỗi người được tính là 1.000 lượt tải.
AI Horde: Một mạng lưới tình nguyện tạo ảnh miễn phí trên máy tính được hiến tặng. Số ảnh nó đã tạo với một mô hình được công khai, và mỗi ảnh được tính là một lượt tải.
Trang tạo ảnh: Các trang lưu trữ bản sao mô hình riêng và cho phép người dùng tạo ảnh, như PixAI, SeaArt và Yodayo. Lượt tải của họ được tính giống như Civitai và mỗi lần tạo ảnh được tính là một lượt tải.
Token OpenRouter: Mô hình văn bản phục vụ qua API, như Claude hoặc GPT, không có trọng số để tải xuống, nên sử dụng token để đo lường: các đoạn văn bản nó đọc và viết qua OpenRouter, một cổng kết nối nhiều ứng dụng sử dụng, trong 30 ngày qua. Mỗi 10,000,000 token tính là một lượt tải. Nguồn: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Mô hình đầy đủ (checkpoint): Chính là trọng số, file tự tạo ảnh. Nó được cộng thêm điểm vì các add-on phụ thuộc vào nó.
LoRA và embedding: Các file add-on nhỏ giúp điều chỉnh trọng số của người khác theo phong cách, nhân vật hoặc ý tưởng. Chúng không thể chạy riêng.
Gia đình và trọng số: Nền tảng mà mô hình xây dựng trên đó, như SD 1.5, SDXL, Flux hoặc Wan. Mỗi mô hình kế thừa ngày phát hành của trọng số gia đình nó.
Tuổi: Điểm trừ dựa trên thời gian trọng số gia đình được phát hành: 150° mỗi năm, tối đa 750°. Nó giữ lại lượt tải cũ đã tích tụ nhiều năm bằng cách đóng băng đầu danh sách.
Tăng gia đình: Một đẩy nhỏ có giới hạn cho LoRA của một gia đình mà trang này đang ưu tiên, luôn được liệt kê trong phần phân tích.
Điểm thay thế: Một số ổn định dưới mức tối thiểu dành cho mô hình chưa có báo cáo nguồn, để danh sách luôn đầy đủ. Nó không bao giờ xếp trên mô hình có dữ liệu.
Mới! (giai đoạn thử nghiệm): Mô hình dưới 7 ngày tuổi hiển thị Mới! thay vì điểm số và không được xếp hạng. Điểm số được tính từ ngày đầu tiên, nhưng mô hình mới một ngày tăng trưởng nhanh nhất, nên nếu không chờ đợi thì #1 tuần này sẽ luôn là mô hình mới ra hôm qua thay vì mô hình giữ vững trong tuần.
Xu hướng: Tốc độ tăng trưởng của mô hình trong một khoảng thời gian so với tốc độ tăng trưởng trung bình của mô hình khác trong cùng khoảng thời gian. Nhanh hơn trung bình là tăng, chậm hơn là giảm.
Mô hình điển hình: Giữa danh mục: một nửa mô hình có số liệu tăng nhanh hơn trong khoảng thời gian, một nửa tăng chậm hơn.

Mô hình tương tự

Mô hình AI để tạo hình ảnh, video & văn bản

Kimi K2 0711 là một mô hình văn bản thuộc họ Text / LLM được liệt kê trên ModelTrends.ai, danh mục chỉ đọc về các mô hình AI hình ảnh, video và văn bản mã nguồn mở. So sánh nó với các mô hình Text / LLM khác và xem điểm độ hot để biết xu hướng.

Thêm mô hình Text / LLM Thêm Văn bản / LLM Text / LLM llm moonshotai lập trình tác nhân lý luận ngữ cảnh dài cục bộ

Duyệt theo họ mô hình