Kimi K2 Thinking 推理模型

是什么

Kimi K2 Thinking 是 Moonshot AI 在 2025 年 11 月发布的推理模型^[1][2]。所谓推理模型，是指在给出最终回答之前，先在内部展开一段思考过程——反复检查、尝试不同解法、调用外部工具——然后才输出结果的模型，而不是一次性把答案写出来。它的前身是 Kimi K2，新模型沿用了同一套混合专家（mixture-of-experts, MoE）结构：总参数 1 万亿，每个 token 激活 32B，共 384 个专家，每一步选中 8 个，另有 1 个共享专家；上下文长度为 256K token^[3]。

混合专家是一种稀疏结构：网络里有很多组彼此独立的「专家」子网络，但处理每一段文字时只调用其中少数几个，因此单次前向计算的成本远低于同等总参数量的稠密模型。这也是一个模型能带着 1 万亿参数、而每个 token 只激活很小一部分的原因。

原生低精度

这次发布中比较特别的一个工程选择，是模型的存储与运行方式。在后训练阶段，Moonshot 使用了量化感知训练（quantization-aware training），让混合专家部分可以原生地做仅权重的 INT4 量化^[3]。通俗地说，模型在训练时就已经承受着推理阶段会遇到的那种舍入误差，而不是训练完成后再压缩到低精度。Moonshot 表示，这样做大约能让生成速度翻倍^[3]。模型卡同时说明，所有基准成绩都是在 INT4 精度下报告的^[3]，也就是说这些数字描述的是用户实际运行的那个量化版本，而不是某个更高精度的参照版本。

长链条工具调用

Moonshot 着重提到模型在充当智能体、调用外部工具时的表现。据公司说法，模型在连续 200 到 300 次调用中能保持稳定的工具使用，而更早的模型在 30 到 50 步之后就开始退化^[3]。长链条之所以重要，是因为翻查大量网页、修改代码仓库、跑一个终端会话这类任务，需要模型在几十甚至上百个中间动作之间始终记着自己已经做过什么。

公布的成绩

发布时给出了若干基准测试分数。在覆盖大量专家级问题的 Humanity's Last Exam 上，带工具得 44.9 分，在标注为 Heavy 模式的配置下得 51.0 分^[3]。测试浏览检索能力的 BrowseComp 上得 60.2 分；测试修复代码仓库中真实软件问题的 SWE-bench Verified 上得 71.3 分^[3]。不带工具时，AIME25 得 94.5 分，LiveCodeBench v6 得 83.1 分^[3]。模型卡还列出：不带工具的 GPQA 为 84.5 分，配合模拟工具的 Terminal-Bench 为 47.1 分^[3]。

成本与许可

据报其训练成本约为 460 万美元^[1]。模型以修改版 MIT 许可发布，据 Wikipedia 记述，当月活用户超过 1 亿或月收入超过 2000 万美元的产品需要署名^[3][1]。

在模型谱系中的位置

Kimi K2 Thinking 在 2026 年 1 月由 Kimi K2.5 接续^[1]。它在整个系列里的位置，是 K2 家族中偏重推理的那一个：与 K2 相同的基础架构，针对逐步解题、长时间工具调用和高效低精度服务重新训练。