月之暗面发布 Kimi K2：万亿参数 MoE 模型开源

月之暗面于 2025 年 7 月 11 日正式发布 Kimi K2 大模型，总参数达 1 万亿，采用 MoE 架构，每次推理仅激活 320 亿参数，在自主 Agent 任务和代码生成方面表现尤为突出，发布时为全球参数量最大的开源模型。

Kimi K2 在 SWE-bench 等编程基准上取得开源模型领先成绩，能够自主完成多步骤软件开发任务，包括代码编写、调试和测试。模型专为智能体能力设计，强化了工具调用和多轮规划能力。

万亿参数的架构算盘

总参数 1 万亿、每次仅激活 320 亿——MoE 稀疏架构让 K2 把“规模”与“推理成本”解耦：容量决定能力上限，激活量决定每 token 成本。这条路线与 DeepSeek V3 一脉相承，也解释了中国开源模型为何能在受限算力下反复冲击前沿：把每一分算力都花在刀刃上（参见本站 R1 报道）。

为 Agent 而生的设计取向

K2 的差异化不在对话而在行动：面向工具调用与多轮规划训练，目标是自主完成写码-调试-测试的完整开发循环。发布时机也踩在 Agent 元年的风口上（参见本站 Operator/Deep Research 报道）：当行业从“回答问题”转向“完成工作”，一个 MIT 协议、可商用的开源 Agent 底座正好填上生态缺口。

中国开源梯队的接力赛

K2 发布前后，中国开源模型密集上新：DeepSeek 系列、阿里 Qwen3、智谱 GLM 各占一环，彼此在基准榜上轮流坐庄。这种梯队式接力让“中国开源”从个体现象变成系统性力量，也倒逼 OpenAI 以 gpt-oss 重返开源、Meta 重金重建团队（参见本站相关报道）。

本站解读

月之暗面同步开源两个版本并允许商用，后续 K2.5、K2.6 持续迭代。K2 的样本意义在于：开源不再是“比闭源差一代”的平替，而是在 Agent、编程等特定维度上直接争夺定义权。对开发者而言，万亿参数级开源模型的出现，意味着构建生产级 Agent 的模型地板已经免费可得——竞争点彻底上移到工程与场景。