Kimi K3.1 Pro
Kimi K3.1 Pro 是 Moonshot AI 的開放權重、原生多模態智能體模型,也是 K3.1 系列首款模型。它基於 Kimi K3 進行後訓練,採混合專家架構,總參數約 2.8 兆、每個 token 啟用約 1040 億參數,上下文長度為 1,048,576 tokens。官方模型卡列出的模態為文字與圖片。(huggingface.co) 適合長程程式開發、程式碼分析與除錯、多步驟工具…
模型發布檔案
彙整模型發布動態,按發布時間瀏覽,探索值得關注的新模型。
Kimi K3.1 Pro 是 Moonshot AI 的開放權重、原生多模態智能體模型,也是 K3.1 系列首款模型。它基於 Kimi K3 進行後訓練,採混合專家架構,總參數約 2.8 兆、每個 token 啟用約 1040 億參數,上下文長度為 1,048,576 tokens。官方模型卡列出的模態為文字與圖片。(huggingface.co) 適合長程程式開發、程式碼分析與除錯、多步驟工具…
Kimi K3.1 Pro Highspeed 是 Kimi K3.1 Pro 的高速版本,面向複雜推理、程式開發與長程代理任務。官方表示其模型能力與標準版相同,輸出生成速度約為標準版的 2–3 倍。(kimi.ai) 支援原生視覺理解,以及 1,048,576 token 的上下文視窗,可處理大型程式碼庫、長文件與多步驟工作流程。(kimi.com) 可用於互動式程式設計、程式碼修改與專案開發、…
Kimi K3.1 Pro 是 Moonshot AI 的開放權重、多模態代理模型,也是 K3.1 系列的首款模型;它基於 Kimi K3 經大規模後訓練而成。模型採用混合專家(MoE)架構,總參數約 2.8 兆,每個 token 啟用約 1,040 億參數。(huggingface.co) 支援文字與圖片輸入、文字輸出,上下文視窗為 1,048,576…
K2.8 Preview 是 Moonshot AI 在 Kimi Code 提供的編程與智能體預覽模型。官方於 2026 年 9 月 11 日宣布全面上線;沿用模型 ID kimi-for-coding,既有客戶端及第三方工具無須因這次升級而修改 ID。(kimi.com) 官方表示,其整體表現接近 K3,編程與智能體能力較前代提升,思考效率較 K2.7 Code 顯著改善;這是官方的定性比較。…
Kimi K3 是 Moonshot AI 的開放權重多模態模型,面向長程程式開發、知識工作與深度推理。它採用混合專家(MoE)架構,總參數量為 2.8 兆,使用 Kimi Delta Attention、Attention Residuals 和 Stable LatentMoE;每個 token 從 896 個路由專家中啟用 16 個。(kimi.com) 支援文字、原生視覺理解及影片理解;K…
Kimi K2.7 Code 是 Moonshot AI 的開放權重模型,專為程式設計、程式碼智能代理及長時間、多步驟的軟體工程任務設計。官方於 2026 年 6 月 12 日公告發布。(kimi.com) 支援文字、圖片和影片輸入,適合程式碼理解、開發工作流程及智能代理任務。(kimi.com) 上下文視窗為 262,144 tokens,可用於較大型程式碼庫及多輪編程工作。(kimi.com)…
Kimi K2.6 是 Moonshot AI 發布並開源的通用多模態模型,重點包括程式開發、長程任務執行和智能體協作。官方說明其發布日期為 2026 年 4 月 20 日。(kimi.com) 支援文字、圖片及影片輸入,可切換思考與非思考模式;適用於對話、程式碼生成、視覺理解及智能體任務。(kimi.com) 適合多步驟程式開發、前端介面生成、輕量全端工作流程、文件分析及研究等用途。(kimi.…
Kimi K2.5 是 Moonshot AI 發布的開放權重、原生多模態智慧代理模型,基於 Kimi K2 持續預訓練,結合視覺與語言理解、程式開發及工具使用能力。發布日期為 2026 年 1 月 27 日。(kimi.com) 採用混合專家(MoE)架構,總參數約 1 兆,每個 token 啟用約 320 億參數;官方列出的上下文長度為 256K tokens。(github.com) 支援文…
Kimi K2 Thinking 是 Moonshot AI 於 2025 年 11 月 6 日發布的思考型 Agent 模型,面向複雜推理及多步驟任務。官方宣布開源模型;模型權重與使用條款可參閱官方模型頁。(platform.kimi.com) 能交錯進行推理與工具呼叫,適用於研究、資訊搜尋、程式開發、寫作及複雜問題分析。官方表示,在其設定下可連續執行約 200 至 300…
Kimi-Linear-48B-A3B-Instruct 是指令版文字生成模型,採用混合線性注意力架構與專家混合(MoE)設計,總參數約 480 億,每個 token 約啟用 30 億參數。官方提供可下載的模型權重,模型卡標示 MIT 授權。(huggingface.co) 支援文字對話與指令式生成,可用於長文件處理、長上下文問答及自架文字助理等場景。 官方列示上下文長度為 1M tokens;模…
Kimi Linear 的預訓練基礎語言模型,採用混合專家(MoE)架構,總參數約 480 億,每個 token 啟用約 30 億參數。官方同時提供獨立的 Instruct 版本;兩者不應混為一談。(github.com) **文字生成與長上下文:**官方列示上下文長度為 1M tokens,可用於長文本處理、文字續寫與模型研究。(huggingface.co) **架構:**以 3:1 比例混合…
Kimi K2 的指令模型更新版,採用混合專家(MoE)架構,總參數約 1 兆,每次前向運算啟用約 320 億參數。官方於 2025 年 9 月 5 日發布更新公告。(huggingface.co) 加強代理式程式設計、前端程式碼生成與工具呼叫,適合程式開發、前端介面製作及工具輔助工作流程。 上下文視窗由前版的 128K 擴增至 256K tokens,適合需要處理較長上下文的任務。 官方公告提及…
Kimi-K2-Instruct 是 Kimi K2 的後訓練指令模型,面向通用對話和智慧代理應用,側重工具呼叫與任務執行,而非長思考模式。API 版本 kimi-k2-0711-preview 於 2025 年 7 月 11 日發布。(kimi.com) 採用混合專家(MoE)架構,總參數約 1 萬億,每個 token 啟用約 320 億參數。0711 版本的上下文視窗為 128K tokens…
Kimi-K2-Base 是 Kimi K2 系列的預訓練基礎語言模型,主要面向希望自行微調和建構客製化方案的研究人員與開發者。它與面向通用聊天和智慧代理互動的後訓練版本 Kimi-K2-Instruct 不同。(kimi.com) 採用混合專家(MoE)架構,總參數量約 1 兆,每次前向運算啟用約 320 億參數;官方模型卡標註上下文長度為 128K token。(huggingface.co)…
Kimi-VL-A3B-Thinking-2506 是 Kimi-VL 系列的多模態視覺語言推理模型,面向影像理解、長上下文和智慧代理任務。採用混合專家(MoE)語言模型、原生解析度視覺編碼器 MoonViT 和投影器;官方列出的總參數量約為 16B,每次啟用約 3B,上下文視窗為 128K tokens。(github.com) **視覺理解與推理:**可用於影像問答、圖表理解、數學推理、文字辨…
Kimi-Researcher 是面向複雜研究任務的自主智慧代理模型,基於內部 Kimi k-series 模型,並透過端到端智慧代理強化學習訓練。官方公告發布於 2025 年 6 月 20 日。(moonshotai.github.io) 可進行多步驟規劃、推理和工具呼叫,使用平行即時搜尋、文字瀏覽器及程式碼執行工具;官方報告稱,每個任務平均進行約 23 步推理、探索超過 200…
Kimi-Dev-72B 是面向軟體工程問題解決的開源程式碼大語言模型,以 Qwen2.5-72B 為基礎,經過程式碼相關資料訓練和強化學習最佳化。官方公告發布於 2025 年 6 月 16 日。(moonshotai.github.io) 根據問題描述定位需要修改的檔案,產生程式碼修復,並撰寫重現問題的單元測試。 可用於輔助處理程式碼儲存庫中的軟體缺陷、產生修補程式和測試,以及軟體工程研究。 官…