Kimi K2 开源了：MoE × 1T 参数，中国大模型的成人礼

7 月 11 日，月之暗面发布了 Kimi K2。看完技术报告和社区评测，我的第一感受是：中国大模型终于到了能和全球顶级选手正面竞争的阶段。

硬核参数

Kimi K2 采用 MoE（Mixture of Experts）架构： - 总参数：1T（1 万亿） - 激活参数：32B - 上下文窗口：原生支持 128K

MoE 架构的精髓在于：模型很大（1T 参数），但每次推理只激活一小部分专家（32B）。这样既保持了强能力，又控制了推理成本和延迟。DeepSeek V3/V4 用的也是这个思路。

K2 同步开源了两个模型版本——这是最让我惊喜的。不是"开源上个版本的阉割版"，而是直接把最新的 K2 放出来。

Benchmark 表现

官方给出的数据（和社区初步验证）：

• 代码生成（HumanEval+）：追平 GPT-5，略微领先 Claude Opus 4.8
• 数学推理（MATH 500）：接近 GPT-5 水平
• 中文理解（C-Eval/CMMLU）：明显领先所有美国模型
• Agent 任务：在 Tool-Use 相关的 benchmark 上表现亮眼，这得益于 MoE 架构对 instruction following 的天然优势

HuggingFace 上一个开发者评论被顶了很高："I just ran K2 on my local setup and the code generation quality is insane for an open model."

MoE 为什么重要

我在之前的文章里写过，MoE 可能是接下来几年最重要的模型架构方向。简单说：

• Dense 模型（GPT-5 等）：所有参数参与每次推理。能力上限高，但成本高。
• MoE 模型（K2、DeepSeek V4）：每次推理只激活一部分参数。能力接近 Dense，但成本低得多。

Kimi K2 的 MoE 实现有几点做得特别好： 1. 专家负载均衡：没有出现某些专家过载、某些闲置的问题 2. 推理效率：32B 激活参数的推理成本，对标 GPT-5 的 400B+ Dense 推理 3. 训练稳定性：1T 参数的 MoE 训练不出 bug 本身就是实力

和 Fable 5 管制的对比

有意思的时间线：Fable 5 被管制（6 月中）→ 7 月 1 日受限回归 → Kimi K2 开源（7 月 11 日）。

这两件事没有直接关系，但放在一起看很有意思。Fable 5 代表着"最强但受限"的闭源路线，Kimi K2 代表着"接近最强且完全开放"的开源路线。

对于全球开发者来说，选择正在变得清晰：如果你不想被地缘政治和身份验证绑架，开源是唯一的路。

一个但是

Kimi K2 在 Agent 场景下的真实表现还需要更多验证。Benchmark 是一回事，在真实项目中连续运行 30 分钟不出错是另一回事。

另外，K2 的训练数据截止到什么时间、对英文任务的表现是否真的稳定、生态工具（LangChain 集成、Function Calling 兼容性）是否完善——这些问题都需要时间回答。

但不管怎么说，7 月 11 日是中国大模型的一个重要节点。从"追赶者"到"竞争者"，K2 给出了一个明确的信号：差距在缩小，而且比很多人预期的更快。

参考来源：

• 百度百科 — 北京月之暗面科技有限公司
• 月之暗面官网