Kimi K2 Thinking
来自 Kimi Blog · 期号 2025-11-06
摘要
月之暗面发布开源思考模型 Kimi K2 Thinking。 它一边推理一边调用工具，在 Humanity's Last Exam（带工具）上拿到 44.9%，BrowseComp 上 60.2%，SWE-Bench Verified 上 71.3%，均创下新纪录。 模型可以连续执行 200–300 步工具调用而不需要人工介入。 采用量化感知训练（QAT）做 INT4 量化，推理速度提升约 2 倍。 已在 kimi.ai 上线，完整 agent 模式即将推出。
深读
导读 月之暗面发布了其最强开源思考模型 Kimi K2 Thinking。它最大的特点是能边推理边调用工具，在多个高难度基准测试上刷新了纪录，尤其擅长需要长链条推理和自主搜索的复杂任务。读完可以了解当前开源模型在 agent 能力上的最新进展，以及量化感知训练对推理效率的实际提升。 关键信息 - Humanity's Last Exam (HLE) 带工具：K2 Thinking 得分 44.9%，超过 GPT-5 的 35.2% 和 Grok-4 的 38.6%。 - BrowseComp：得分 60.2%，显著超过人类基线 29.2%。 - SWE-Bench Verified：得分 71.3%，SWE-Multilingual 得分 61.1%，Terminal-Bench 得分 47.1%。 - 连续工具调用：模型可执行 200–300 步连续工具调用，无需人工介入。在一次测试中，它通过 23 步交错的推理与工具调用解决了一个博士级数学问题。 - 推理效率：采用量化感知训练（QAT）做 INT4 权重量化，推理速度提升约 2 倍，所有基准测试结果均在 INT4 精度下报告。 - 已上线：模型已在 kimi.ai 的聊天模式上线，完整 agent 模式即将推出，同时提供 API 访问。 逐节讲解 模型定位与核心能力 Kimi K2 Thinking 是一个开源思考模型，其核心设计是“思考型 agent”——在逐步推理的同时调用工具。它通过扩展测试时计算（test-time scaling），同时增加思考 token 和工具调用步数，来应对复杂问题。模型能够连续执行 200–300 步工具调用，在整个过程中保持推理的连贯性。 基准测试表现 模型在多个维度刷新了纪录： - Agent 推理：在 HLE（带搜索、Python、网页浏览工具）上得分 44.9%，该基准涵盖超过 100 个学科的数千道专家级问题。 - Agent 编程：在 SWE-Bench Verified 上得分 71.3%，在 HTML、React 等前端任务上也有明显提升。 - Agent 搜索与浏览：在 BrowseComp 上得分 60.2%，远超人类基线 29.2%。模型通过“思考→搜索→浏览→思考→编码”的动态循环来分解模糊的开放性问题。 通用能力提升 模型在创意写作上风格更丰富、指令遵循更精准；在学术和研究类长文写作中逻辑更严谨、内容更充实；在处理个人或情感类问题时，回应更具同理心和平衡性。 推理效率优化 思考模型通常解码长度很长，直接量化会导致性能大幅下降。K2 Thinking 采用量化感知训练（QAT），在训练后阶段对 MoE 组件应用 INT4 权重量化，使得原生 INT4 推理速度提升约 2 倍，同时保持 SOTA 性能。 测试与基线说明 所有基准测试在温度 1.0、…