给你一堆 2020 到 2025 年的薪资数据，让你分析远程工作比例对工资的影响，还要看这个影响在不同经验级别（入门、中级、高级、专家）之间是不是有显著差异。你会怎么做？

Kimi K2 Thinking 的做法是：先加载数据看看结构，然后筛选年份，画小提琴图看分布，把远程比例分成现场、混合、远程三类，跑双因素方差分析，发现数据不够又改成 t 检验，算平均工资，画条形图，计算百分比差异，画散点图，最后生成一个交互式网页报告。

整个过程，16 次 Python 调用，一气呵成。

这就是月之暗面在 2025 年 11 月 6 日发布的 Kimi K2 Thinking——一个会边思考边干活的 AI。

什么是 Kimi K2 Thinking

月之暗面把它叫做"Thinking Agent"，核心理念是"模型即 Agent"。简单说，这个模型不只是回答问题，它会主动思考、调用工具、再思考、再调用工具，像人解决复杂问题一样一步步推进。

最夸张的是，它能在一个任务里连续执行 200 到 300 步工具调用，中间不需要人插手。比如你让它规划一次伦敦看 Coldplay 演唱会的行程，它会自己搜索演出信息、查日历、订机票、找 Airbnb、预订餐厅，总共 17 次工具调用，全自动完成。

而且它是开源的。整个模型权重都放在 Hugging Face 上，用的是修改版 MIT 协议。

万亿参数背后的设计

Kimi K2 Thinking 用的是 Mixture-of-Experts 架构，总共 1 万亿参数，但每次推理只激活 320 亿参数。具体来说，模型有 384 个"专家"，每次从中选 8 个来处理任务，外加 1 个共享专家。这种设计让模型既有大参数量带来的能力，又不会在推理时太慢。

上下文窗口是 256K tokens，这意味着它能记住很长的对话历史和工具调用记录。

MuonClip 优化器

训练这么大的模型，稳定性是个大问题。月之暗面之前的工作 Moonlight 用的是 Muon 优化器，比常用的 AdamW 更高效，但在扩大规模时遇到了注意力 logits 爆炸的问题——模型训练到一半突然崩溃。

他们的解决方案是 MuonClip，核心是 qk-clip 技术。原理不复杂，在每次更新后直接缩放 query 和 key 的权重矩阵，从源头控制注意力 logits 的规模。公式看起来挺数学的，但效果很实在：Kimi K2 在 15.5 万亿 tokens 的预训练过程中，零训练崩溃。

原生 INT4 量化

大多数模型发布时用的是 FP8 或 BF16 精度，Kimi K2 Thinking 直接用 INT4。这不是训练完再量化，而是在后训练阶段就用量化感知训练，让模型适应 INT4 的精度损失。

好处很明显：模型大小从 1TB 降到 594GB，推理速度提升 2 倍，基准测试成绩基本不掉。而且 INT4 对老一代 GPU 更友好，不需要 Blackwell 架构也能高效推理。

越难的问题，思考越深

Kimi K2 Thinking 的一个关键特性是测试时扩展（test-time scaling）。简单说，遇到简单问题它不会浪费时间，遇到难题它会主动延长思考过程。

拿 Humanity’s Last Exam 这个基准测试来说，这是一套设计来挑战 AI 极限的题目。Kimi K2 Thinking 在不用工具的情况下能答对 23.9%，给它工具之后涨到 44.9%，开启"重度模式"（并行跑 8 条推理路径再综合）能到 51.0%。

数学竞赛的表现更夸张。AIME 2025（美国数学邀请赛）它能拿 99.1 分（满分 100），HMMT 2025（哈佛-麻省理工数学竞赛）95.1 分。这些题目对人类高中生来说都很难。

不同任务的思考 token 预算也不一样。Humanity’s Last Exam 给 96K tokens 的思考空间，每步最多 48K tokens，最多 120 步。IMO AnswerBench（国际数学奥林匹克）给 128K tokens。长文写作给 32K tokens。

这种设计让模型能根据任务难度自适应调整计算资源，而不是所有问题都用固定长度的推理链。

从数据分析到旅行规划

前面提到的薪资数据分析只是个开胃菜。Kimi K2 Thinking 能干的事情范围很广。

有人让它做斯坦福 NLP 研究组的学术家谱可视化网站，它先搜索 5 次找资料，浏览 4 个网页，点击 3 次，滚动 5 次，编辑 6 次代码，部署 2 次，最后生成一个交互式网站。整个过程全自动，你只需要提需求。

还有人让它规划 Coldplay 2025 伦敦演唱会的行程，它会调用搜索、日历、Gmail、航班、Airbnb、餐厅预订等 API，17 次工具调用之后给你一个完整的行程方案。

命令行操作也不在话下。给它访问你的终端，它能编辑文件、运行命令、看日志、调试代码。比如让它把一个 Flask 项目转成 Rust，它会系统地重构代码库，跑性能基准测试，确保结果可靠。

怎么训练出来的

这种 Agent 能力不是天生的，月之暗面做了两件事。

第一是大规模 Agent 数据合成。他们参考 ACEBench 的思路，模拟了几百个领域、几千种工具，生成几百个 Agent，每个 Agent 有不同的工具集。然后让这些 Agent 在模拟环境里执行任务，用 LLM 作为评委根据 rubric 打分，筛选出高质量的训练数据。

第二是通用强化学习。难点在于有些任务有明确对错（比如数学题），有些任务没有标准答案（比如写研究报告）。他们的做法是让模型自己当评委，给自己的输出打分，同时用有明确对错的任务来持续更新这个评委模型，让它越来越准。

这个类比不太严谨，但大概就是这意思：模型一边做题，一边学习怎么给自己打分，而且用简单题的反馈来提升打分的准确度。

基准测试：开源模型的新高度

Artificial Analysis 给 Kimi K2 Thinking 打了 67 分（Intelligence Index），这是开源模型迄今为止的最高分，超过了 MiniMax-M2、DeepSeek-V3.2-Exp、Qwen 235B 等一众对手。在闭源模型里，只有 GPT-5 分数更高。

编程能力方面，LiveCodeBench 它拿了 53.7%（DeepSeek-V3 是 46.9%），SWE-bench Verified（真实 GitHub issue 修复任务）单次尝试 65.8%，多次尝试 71.6%。这个成绩在开源模型里是第一，但还是比不过 Claude 4 Opus 的 80.2%。

Agent 任务是它的强项。Tau2-Bench 的电信客服场景，它拿了 93% 的成绩，这是 Artificial Analysis 测过的所有模型里最高的。BrowseComp（自主网页浏览能力）60.2%，Seal-0（复杂信息收集推理）56.3%，都是 SOTA 水平。

数学和科学推理也不错。GPQA Diamond（研究生级别物理化学生物题）75.1%，ZebraLogic（逻辑推理）89.0%，AutoLogi（自动推理）89.5%。

但它也是最"话痨"的模型。跑完 Artificial Analysis 的全套测试，它用了 1.4 亿个 tokens，是 DeepSeek-V3 的 2.5 倍，GPT-5 的 2 倍。这导致虽然单价便宜（输入 $0.6/百万 tokens，输出 $2.5/百万 tokens），总成本还是不低。而且基础端点的推理速度只有 8 tokens/秒，turbo 端点快一些但贵很多。

开源模型重回前沿

过去一年，中国的 AI 实验室在开源模型领域一直领先。OpenAI 在 2025 年 8 月发布 gpt-oss-120b 的时候短暂夺回了榜首，现在 Kimi K2 Thinking 又把这个位置抢回来了。

这个趋势挺有意思。闭源模型（OpenAI、Anthropic、Google）在绝对性能上还是领先，但开源模型的追赶速度很快，而且差距在缩小。Kimi K2 Thinking 的 67 分已经很接近一些闭源模型的水平，考虑到它完全开源、可以自己部署，这个性价比就很有吸引力了。

它也有问题

月之暗面在官方文档里坦诚地列了一些局限性。

第一个是工具定义不清晰或者任务太难的时候，模型可能生成过多 tokens，导致输出被截断或者工具调用不完整。这个问题和它的"话痨"属性有关，遇到不确定的情况它倾向于多说，而不是简洁地表达。

第二个是某些任务启用工具之后性能反而下降。这听起来很反直觉，但确实存在。可能是模型在判断什么时候该用工具、用哪个工具上还不够精准，有时候直接回答反而更好。

第三个是一次性生成完整软件项目的能力不如在 Agent 框架下分步执行。这其实是个设计取舍，Kimi K2 Thinking 的优势在于多步骤、多工具的协调，而不是一次性输出大量代码。

视觉理解能力目前还没有，官方说未来会加。更高级的思考能力也在规划中。

怎么用

如果你只是想试试，最简单的方式是去 kimi.com，免费用户就能选择 K2 模型。不过目前网页版和 App 的 MCP 工具功能还在开发中，要体验完整的 Agent 能力可能还要等几周。

开发者可以用 Moonshot Platform 的 API，接口兼容 OpenAI 和 Anthropic 的格式，迁移成本很低。价格前面提到了，基础端点输入 $0.6、输出 $2.5 每百万 tokens，turbo 端点贵一些但快很多。

想自己部署的话，推荐用 vLLM、SGLang、KTransformers 或 TensorRT-LLM。模型权重在 Hugging Face 上，594GB 的 INT4 版本，如果你有足够的 GPU 内存可以解压成 FP8 或 BF16。

从 demo 到基础设施

Kimi K2 Thinking 让我觉得有意思的地方，不是它在某个基准测试上拿了第一，而是它展示了一种趋势：AI Agent 正在从研究 demo 变成可以实际部署的基础设施。

以前的推理模型，比如 OpenAI o1 或者 DeepSeek R1，主要优势在于解数学题、写代码这种有明确对错的任务。Kimi K2 Thinking 往前走了一步，它能处理那些需要多步规划、多工具协调、没有标准答案的开放任务。

测试时扩展这个设计思路也值得关注。传统模型是固定推理长度，简单问题和难题用同样的计算资源。K2 Thinking 的做法更像人类，遇到简单问题快速处理，遇到难题花时间深入思考。这种自适应的资源分配可能是未来推理模型的标配。

当然，它现在还有不少毛病，话太多、有时候不知道什么时候该闭嘴、工具使用的判断还不够精准。但考虑到这是个完全开源的模型，任何人都能下载、修改、部署，这些问题迟早会被社区解决。