＜span class=“js_title_inner“＞Kimi2：又一次回到国产之巅＜/span＞

关注

转载最新推荐文章于 2026-04-15 09:08:15 发布 81 阅读 AI 写同款· GEO 优化 ›

YOLOv11改进 | 主干/Backbone篇 | 利用RT-DETR主干网络PPHGNetV2助力yolov11有效涨点（轻量化目标检测网络）本文给大家带来利用RT-DETR模型主干HGNet去替换YOLOv11的主干，RT-DETR是今年由百度推出的第一款实时的ViT模型，其在实时检测的领域上号称是打败了YOLO系列，其利用两个主干一个是HGNet一个是ResNet，其中HGNet就是我们今天来讲解的网络结构模型，这个网络结构目前还没有推出论文，所以其理论知识在网络上也是非常的少，我也是根据网络结构图进行了分析（精度mAP提高0.05）。YOLOv11改进系列专栏——本专栏持续复习各种顶会内容——科研必备目录一、本文介绍。阅读详情

概述

Kimi自从1.5之后，淡出视野有一段时间了，以至于让人觉得月之暗面是不是快凉了。

前天(7月13日)，Kimi 突然宣布发布开源的kimi2，准确的说是Kimi K2模型，模型参数量是 1T。

1T = 1024B，要知道 DeekSeek的 V3 和 R1 模型，最大参数量也只是671B。

从参数量来说，Kimi K2 ≈ 1.5 DeepSeek-R1。

本文就来从理论和实践两个角度，挖掘一下这款新模型的潜力。

模型理论

目前，该模型只有一篇技术博客简单做了相关介绍，论文尚未公开。

开源地址：https://github.com/MoonshotAI/Kimi-K2

技术博客：https://moonshotai.github.io/Kimi-K2

1. 模型版本

该模型有两个版本：

Kimi-K2-Base: 基础模型，类似于 DeepSeek-r1-Zero，做相关研究的可以关注
Kimi-K2-Instruct: 在基础模型的基础上，后训练的模型，实际上调用的就是这个。

两个版本的模型结构一致，具体如下：

架构	混合专家模型 (MoE)
总参数量	1万亿 (1T)
激活参数量	320亿 (32B)
层数（包含全连接层）	61
全连接层数量	1
注意力隐藏层维度	7168
MoE隐藏层维度（单专家）	2048
注意力头数量	64
专家数量	384
每token选择的专家数	8
共享专家数量	1
词表大小	16万 (160K)
上下文长度	12.8万 (128K)
注意力机制	MLA（多头层叠注意力）
激活函数	SwiGLU

2. 模型基准测试

根据技术博客披露的基准对比情况，整体和Claude 4 Opus 不相上下，在数学和自然科学方面，取得了SOTA的水准。

3. 技术细节

博客中没有写太多的技术细节，主要以下三点。

1.MuonClip优化器

Kimi 之前的工作提到过 Muon 优化器，这项工作中，进一步发展为 MuonClip优化器，旨在解决因注意力计算爆炸导致的训练不稳定性问题。

这个优化器使得大规模预训练极其稳定，下图是损失随token的变化曲线，基本没出现不稳定的波动。

2.Agent能力训练

受 ACEBench 启发，这项工作大规模模拟了现实世界的工具使用场景，以此去增强模型的 Agent 能力。

Agent与模拟环境和用户代理交互，创建逼真的多轮工具使用场景。LLM 评委根据任务评分标准评估模拟结果，筛选出高质量的训练数据。

具体流程如下图所示。

3.通用强化学习

以往的强化学习是使用数学和编程竞赛进行学习，这类任务有标准答案，是可验证奖励的任务。

而撰写研究报告通常被视为不可验证的任务。为了让模型在这类任务中学习，采用自我判断机制，让模型充当自身的“批评家”，为不可验证任务提供可扩展的、基于评分标准的反馈。

模型测试

下面来进行测试，吹得再多没什么用，还得拉出来遛遛才能知道真实效果。

Kimi-K2 兼容 OpenAI/Anthropic API，兼容 Anthropic，这就意味着可以直接在 Cluade Code 里面直接配置这款模型。

如果想直接测试 Kimi-K2 的问答效果，可以直接登陆其官网，里面的模型已经支持K2。

在线地址：https://www.kimi.com/

下面从程序员的角度来进行测试，核心目的是测试其在真实编程场景中的使用体验。

1. 创建API

首先需要登陆月之暗面控制台，创建一个API key。

月之暗面控制台：https://platform.moonshot.cn/console/api-keys

它的 key 只会在创建的时候显示一次，后续无法再次查看，因此看到时最好做一个记录，防止后续配置时找不到。

2. 安装 Cluade Code

Cluade Code 在我之前的两篇文章中，分别介绍了 windows 和 Linux 的安装方式，没看过的读者可以跳转阅读，这里不重复赘述。

3. 配置环境变量

在 Linux 上，如果要在当前终端中，临时修改环境变量，可采用如下方式：

export ANTHROPIC_AUTH_TOKEN="你的API_Key"  # 替换你的真实Key
export ANTHROPIC_BASE_URL="https://api.moonshot.cn/anthropic"

如果要永久配置，可写入配置文件。

echo 'export ANTHROPIC_AUTH_TOKEN="你的API_Key"' >> ~/.bashrc  # 永久保存
echo 'export ANTHROPIC_BASE_URL="https://api.moonshot.cn/anthropic"' >> ~/.bashrc
source ~/.bashrc

对于 windows 用户，可打开编辑账户环境变量，对应修改相应的环境变量。

配置完后，重新打开终端，输入claude就可以正常用了。

4. 实际测试

为了方便对比，我采用前文中整理的提示词，让它从零开始，写一个类OpenAI的聊天界面，具体 prompt 如下：

请帮我设计一个基于React的类OpenAI聊天界面，需满足以下功能：
1. **用户配置模块**
- 提供API Key输入框（支持本地存储，避免重复填写）
- 支持选择模型（如deepseek-v3/deepseek-R1等）和参数（temperature、max_tokens等

2. **对话交互界面**
- 仿ChatGPT的聊天布局：左侧历史会话列表，右侧主聊天区
- 支持多轮对话，保留上下文（通过messages数组传递历史记录）
- 实现流式响应（逐字输出效果），使用Server-Sent Events或OpenAI的stream参数

3. **功能增强**
- 消息Markdown渲染（代码高亮、链接解析等）
- 一键复制回复内容
- 响应耗时统计与token用量显示

4. **错误处理与状态管理**
- 网络错误、API限流等异常提示
- 加载状态动画（如发送中、流式响应时）

5. **技术栈建议**
- UI库：Ant Design或Material-UI
- 状态管理：Zustand或Context API
- 流式处理：使用`openai`库的`stream`参数或自定义SSE连接

**附加要求：**
- 提供完整的React Hooks实现方案
- 优先考虑TypeScript类型安全
- 兼容移动端布局
- 提供完整的readme.md文档

很快它列出了一长串任务清单。