MoonshotAI: Kimi K2 0905
moonshotai/kimi-k2-0905Kimi K2 0905 — это сентябрьское обновление Kimi K2 0711. Это крупномасштабная языковая модель Mixture-of-Experts (MoE), разработанная Moonshot AI, с общим количеством параметров в 1 триллион и 32 миллиардами активных параметров на каждый прямой проход. Она поддерживает инференс с длинным контекстом до 256k токенов, что расширено по сравнению с предыдущими 128k.
Это обновление улучшает агентное кодирование за счет более высокой точности и лучшей обобщаемости в различных scaffold, а также улучшает фронтенд-кодирование за счет более эстетичных и функциональных результатов для веба, 3D и связанных задач. Kimi K2 оптимизирована для агентных возможностей, включая расширенное использование инструментов, рассуждения и синтез кода. Она превосходно показывает себя в бенчмарках по кодированию (LiveCodeBench, SWE-bench), рассуждениям (ZebraLogic, GPQA) и использованию инструментов (Tau2, AceBench). Модель обучена с использованием нового стека, включающего оптимизатор MuonClip для стабильного крупномасштабного обучения MoE.
Провайдер для MoonshotAI: Kimi K2 0905
Hubris маршрутизирует запросы через OpenRouter к лучшему доступному провайдеру с автоматическим fallback при сбоях.
Модальности
Поддерживаемые параметры
Другие модели от moonshotai
MoonshotAI: Kimi K2.6
Kimi K2.6 — это мультимодальная модель нового поколения от Moonshot AI, разработанная для долгосрочного кодирования, генерации UI/UX на основе кодирования и оркестрации мультиагентов. Она справляется со сложными сквозными задачами кодирования на Python, Rust и Go, а также может преобразовывать промпты и визуальные входные данные в готовые к производству интерфейсы. Её архитектура роя агентов масштабируется до сотен параллельных субагентов для автономной декомпозиции задач — создания документов, веб-сайтов и электронных таблиц за один запуск без участия человека.
MoonshotAI: Kimi K2.5
Kimi K2.5 — это нативная мультимодальная модель Moonshot AI, обеспечивающая передовые возможности визуального кодирования и парадигму самонаправляемой агентной системы. Созданная на базе Kimi K2 с продолженным предварительным обучением на примерно 15 триллионах смешанных визуальных и текстовых токенов, она демонстрирует высокую производительность в общем рассуждении, визуальном кодировании и агентном вызове инструментов.
MoonshotAI: Kimi K2 Thinking
Kimi K2 Thinking — это самая передовая открытая модель рассуждений Moonshot AI на сегодняшний день, расширяющая серию K2 в область агентных рассуждений с длительным горизонтом. Построенная на архитектуре Mixture-of-Experts (MoE) с триллионом параметров, представленной в Kimi K2, она активирует 32 миллиарда параметров за один прямой проход и поддерживает контекстные окна размером 256 тысяч токенов. Модель оптимизирована для последовательного пошагового мышления, динамического вызова инструментов и сложных рабочих процессов рассуждений, охватывающих сотни ходов. Она чередует пошаговые рассуждения с использованием инструментов, обеспечивая автономные исследования, кодирование и написание текстов, которые могут продолжаться сотни последовательных действий без отклонений. Она устанавливает новые открытые бенчмарки на HLE, BrowseComp, SWE-Multilingual и LiveCodeBench, сохраняя при этом стабильное многоагентное поведение на протяжении 200–300 вызовов инструментов. Построенная на крупномасштабной архитектуре MoE с оптимизацией MuonClip, она сочетает в себе сильную глубину рассуждений с высокой эффективностью вывода для требовательных агентных и аналитических задач.
MoonshotAI: Kimi K2 0711
Kimi K2 Instruct — это крупномасштабная языковая модель Mixture-of-Experts (MoE), разработанная Moonshot AI, с общим количеством параметров в 1 триллион и 32 миллиардами активных параметров на каждый прямой проход. Она оптимизирована для агентских возможностей, включая расширенное использование инструментов, рассуждение и синтез кода. Kimi K2 превосходно показывает себя в широком спектре бенчмарков, особенно в задачах кодирования (LiveCodeBench, SWE-bench), рассуждения (ZebraLogic, GPQA) и использования инструментов (Tau2, AceBench). Модель поддерживает вывод с длинным контекстом до 128K токенов и разработана с использованием нового стека обучения, который включает оптимизатор MuonClip для стабильного крупномасштабного обучения MoE.