アメリカのAIサービスコストが急騰し、Coinbaseなどの米企業が中国オープンソースモデルを使ってコストを削減するようになった。Coinbaseは智譜GLM5.2や月の暗面Kimi K2.7をエンジニアのデフォルトツールとして設定し、使用量に制限をかけずにAIの費用を大幅に削減している。コスト削減が今や主要な駆動力となっている。
WWDC2026で、LM StudioとAppleは4台のMac Studioだけで月の暗面の1兆パラメータモデルKimi K2.6を実行。MoEアーキテクチャ、320億の活性化パラメータ、長文脈・マルチモーダル・エージェント対応。クラウドGPU独占を打破し、コンシューマーハードウェアでの最先端AIを実現。....
WWDCでLM StudioとAppleが連携し、4台のMac StudioクラスタでMoonshot AIの旗艦モデル「Kimi K2.6」を稼働。MoEアーキテクチャ、総パラメータ数1兆。Apple Siliconの大規模AI処理能力を実証。....
WWDC 2026で、LM StudioとAppleが協力し、4台のMac Studioクラスターで月の暗面の1兆パラメータMoEモデル「Kimi K2.6」を円滑に実行。大規模モデルはクラウド必須という固定観念を打破し、民生用ハードウェアで最先端AIを動かす可能性を示し、ローカル展開の金字塔に。....
強力なオープンソースのKimi K2チャットプラットフォームで、Kimi AIはプログラミングと数学のベンチマークテストでGPT-4を上回っています。エンタープライズレベルのKimi AIでコストを95%削減できます。
Moonshot
$5
入力トークン/百万
$20
出力トークン/百万
32
コンテキスト長
$8
$32
262
inferencerlabs
Kimi - K2 - Thinking 3.825bit MLXは、テキスト生成に使用される量子化モデルで、異なる量子化方式を通じてテストで異なる困惑度の結果を得ています。そのうち、q3.825ビット量子化では1.256の困惑度を達成できます。
moonshotai
Kimi K2 Thinkingは月の暗面（Moonshot AI）が開発した最新世代のオープンソース思考モデルで、強力な深度推論能力とツール呼び出し機能を備えています。このモデルは混合専門家アーキテクチャを採用し、ネイティブINT4量子化をサポートし、256kのコンテキストウィンドウを持ち、複数のベンチマークテストで優れた性能を発揮します。
richardyoung
これは高性能の4ビット量子化版のKimi K2 Instructモデルで、MLXフレームワークを使用してApple Silicon（M1/M2/M3/M4）Mac上で実行するように最適化されています。このモデルは6710億のパラメータを持ち、128Kのコンテキストウィンドウをサポートし、品質と効率の間で優れたバランスを実現しており、ほとんどの実際のデプロイに理想的な選択肢です。
DevQuasar
これはLLM360/K2-Thinkモデルの量子化バージョンで、知識をより自由に伝播させることを目指し、「知識を誰もが利用できるようにする」という理念を持っています。このバージョンは量子化技術を通じてモデルのサイズと推論効率を最適化しています。
Kimi - K2 - Instructは、moonshotai/Kimi - K2 - Instructモデルに基づく量子化バージョンであり、知識をより広く大衆に普及させることを目的としています。
Kimi K2は、320億のアクティブパラメータと1兆の総パラメータを持つ、高度なハイブリッドエキスパート（MoE）言語モデルで、エージェント能力に対して最適化されています。
unsloth
Kimi K2は、320億のアクティブパラメータと1兆の総パラメータを持つ、高度なハイブリッドエキスパート（MoE）言語モデルで、インテリジェントエージェント能力に対して最適化されています。
Kimi K2は、320億のアクティブパラメータと1兆の総パラメータを持つ、高度な混合専門家（MoE）言語モデルで、エージェント能力に対して最適化されています。
Kimi K2は、320億のアクティブパラメータと1兆の総パラメータを持つ、高度な混合専門家（MoE）言語モデルで、エージェント機能に最適化されています。
LLM360
K2は650億パラメータ規模の大規模言語モデルで、完全に透明なトレーニング手法により、Llama 2 70Bを35%の計算量優位で凌駕しています。
Changgil
SOLAR-10.7B-v1.0を微調整した韓国語大規模言語モデルで、韓国語の理解と生成タスクに特化
speechcolab
Icefallはk2フレームワークに基づく自動音声認識（ASR）ツールキットで、効率的で柔軟な音声認識モデルのトレーニングと推論に焦点を当てています。
gagan3012
T5ベースのモデルで、入力されたキーワードを流暢な文章に変換します。
T5ベースのモデルで、入力されたキーワードを完全な文章に変換できます。
Mlx多言語%20--%3e%3cdefs%3e%3cstyle%3e%20.st0%20{%20fill:%20%23061b40;%20}%20.st1%20{%20fill:%20%23306af1;%20}%20.st2%20{%20fill:%20%235ce5cf;%20}%20%3c/style%3e%3c/defs%3e%3cg%3e%3cpath%20class='st0'%20d='M55,10.5h9v3h-9v9h12V7.5h-12v3ZM64,19.5h-6v-3h6v3Z'/%3e%3cpolygon%20class='st0'%20points='69%2016.5%2078%2016.5%2078%2019.5%2069%2019.5%2069%2022.5%2081%2022.5%2081%2013.5%2072%2013.5%2072%2010.5%2081%2010.5%2081%207.5%2069%207.5%2069%2016.5'/%3e%3cpolygon%20class='st0'%20points='95%2010.5%2095%207.5%2083%207.5%2083%2022.5%2095%2022.5%2095%2019.5%2086%2019.5%2086%2016.5%2095%2016.5%2095%2013.5%2086%2013.5%2086%2010.5%2095%2010.5'/%3e%3cpath%20class='st0'%20d='M40,1.5v21h11.6l1.4-1.4v-7.6h0c0,0-1.4-1.5-1.4-1.5l1.4-1.4V2.9l-1.4-1.4h-11.6ZM50,19.5h-7v-6h7v6ZM50,10.5h-7v-6h7v6Z'/%3e%3c/g%3e%3cpath%20class='st1'%20d='M23.1,24L14.7,4.8l-4.9,11.2h3.8l-1.8,4H3.3L12.1,0H2C.9,0,0,.9,0,2v20c0,1.1.9,2,2,2h21.1Z'/%3e%3cpath%20class='st2'%20d='M34,0h-16.8l10.6,24h6.2c1.1,0,2-.9,2-2V2C36,.9,35.1,0,34,0ZM32.5,20h-4V4h4v16Z'/%3e%3c/svg%3e)
'%3e%3cpath%20d='M55.2622%2038L48.2289%2022L44.1206%2031.3333H47.2539L45.7872%2034.6667H38.7622L46.0956%2018H37.6706C36.7539%2018%2036.0039%2018.75%2036.0039%2019.6667V36.3333C36.0039%2037.25%2036.7539%2038%2037.6706%2038H55.2622Z'%20fill='white'/%3e%3cpath%20d='M64.3368%2018H50.3535L59.1535%2038H64.3368C65.2535%2038%2066.0035%2037.25%2066.0035%2036.3333V19.6667C66.0035%2018.75%2065.2535%2018%2064.3368%2018ZM63.0868%2034.6667H59.7535V21.3333H63.0868V34.6667Z'%20fill='%23FFCC66'/%3e%3cpath%20d='M89.3379%2026.75V29.25H81.8379V36.75H91.8379V24.25H81.8379V26.75H89.3379ZM84.3379%2034.25V31.75H89.3379V34.25H84.3379Z'%20fill='white'/%3e%3cpath%20d='M103.504%2036.75V29.25H96.0039V26.75H103.504V24.25H93.5039V31.75H101.004V34.25H93.5039V36.75H103.504Z'%20fill='white'/%3e%3cpath%20d='M115.17%2026.75V24.25H105.17V36.75H115.17V34.25H107.67V31.75H115.17V29.25H107.67V26.75H115.17Z'%20fill='white'/%3e%3cpath%20d='M80.1712%2029.25V29.175L78.9962%2028L80.1712%2026.825V20.425L78.9962%2019.25H69.3379V36.75H78.9962L80.1712%2035.575V29.25ZM77.6712%2034.25H71.8379V29.25H77.6712V34.25ZM77.6712%2026.75H71.8379V21.75H77.6712V26.75Z'%20fill='white'/%3e%3c/g%3e%3cg%20clip-path='url(%23clip1_644_3948)'%3e%3cpath%20d='M169.59%2022.9827L169.59%2023.6491H177.409L168.175%2032.8822L169.118%2033.8248L178.351%2024.5917L178.352%2032.4106H179.685V22.3164L179.018%2022.3157H169.59V22.9827Z'%20fill='white'/%3e%3c/g%3e%3cdefs%3e%3cclipPath%20id='clip0_644_3948'%3e%3crect%20width='80'%20height='20'%20fill='white'%20transform='translate(36%2018)'/%3e%3c/clipPath%3e%3cclipPath%20id='clip1_644_3948'%3e%3crect%20width='20'%20height='20'%20fill='white'%20transform='translate(164%2018)'/%3e%3c/clipPath%3e%3c/defs%3e%3c/svg%3e)
