在2026年达沃斯论坛上，月之暗面总裁张予彤指出，其AI产品Kimi仅用美国顶尖实验室1%的资源就取得显著成果，挑战了“算力至上”的行业观念，展现了中国团队高效利用资源、以低成本实现重大突破的能力。
在2026年达沃斯论坛上，月之暗面总裁张予彤分享了中国大模型发展的“中国经验”。她强调，公司并非依赖巨额算力，而是仅用美国顶尖实验室1%的资源，就成功开发出Kimi K2等模型，展示了在有限条件下实现技术突破的创新路径。
中国AI公司月之暗面在达沃斯论坛宣布，其Kimi模型仅用美国顶尖实验室1%的计算资源，便研发出性能领先的开源大模型，部分指标超越美国闭源模型，展示了高效创新的技术路径。
Kimi即将推出新一代万亿参数大模型，目前正招募测试人员，API内测已启动，仅向完成企业认证的用户开放。
Kimi-Audio 是一个开源音频基础模型，擅长音频理解与生成。
Kimi k1.5 是一个通过强化学习扩展的多模态语言模型，专注于提升推理和逻辑能力。
Kimi 视觉模型可理解图片内容，包括文字、颜色和物体形状等。
基于强化学习技术的视觉思考模型，理科测试行业领先
Openai
$2.8
Input tokens/M
$11.2
Output tokens/M
1k
Context Length
Google
$0.49
$2.1
Xai
$1.4
$3.5
2k
$7.7
$30.8
200
-
Anthropic
$105
$525
$0.7
$7
$35
$17.5
$21
Alibaba
$4
$16
$1
$10
256
$2
$20
$6
$24
Baidu
128
Bytedance
$1.2
$3.6
4
$3.9
$15.2
64
mlx-community
该模型是 Kimi-Linear-48B-A3B-Instruct 的 MLX 格式转换版本，专为苹果 Mac Studio 等 Apple Silicon 设备优化。它是一个 480 亿参数的大型语言模型，支持指令跟随，适用于本地推理和对话任务。
inferencerlabs
Kimi - K2 - Thinking 3.825bit MLX 是一款用于文本生成的量化模型，通过不同的量化方式在测试中取得不同的困惑度表现，其中q3.825bit量化能达到1.256的困惑度。
DevQuasar
本项目基于 moonshotai/Kimi-K2-Thinking 基础模型，通过自定义反量化脚本将原始的INT4模型转换为更高质量的文本生成模型，致力于让知识为每个人所用。
Kimi-K2-Thinking 是由 mlx-community 从 moonshotai 原版模型转换而来的 MLX 格式大语言模型，采用 mlx-lm 0.28.4 版本进行转换，保留了原模型的思维链推理能力。
moonshotai
Kimi K2 Thinking 是月之暗面（Moonshot AI）开发的最新一代开源思维模型，具有强大的深度推理能力和工具调用功能。该模型采用混合专家架构，支持原生INT4量化，拥有256k上下文窗口，在多个基准测试中表现出色。
这是一个基于 Kimi-Linear-48B-A3B-Instruct 模型转换的 6 位量化版本，专为 Apple MLX 框架优化。该模型保留了原模型强大的指令跟随能力，同时通过量化技术显著降低了存储和计算需求，适合在 Apple 硬件上高效运行。
本模型是基于moonshotai的Kimi-Linear-48B-A3B-Instruct大语言模型，使用mlx-lm工具转换为适用于Apple Silicon芯片（MLX框架）的8位量化版本。它是一个48B参数的指令微调模型，专为遵循人类指令和对话交互而设计。
这是基于moonshotai/Kimi-Linear-48B-A3B-Instruct模型转换的4位量化版本，专为Apple MLX框架优化，提供高效的文本生成能力
richardyoung
这是一个高性能的4位量化版本的Kimi K2 Instruct模型，专为使用MLX框架在Apple Silicon（M1/M2/M3/M4）Mac上运行而优化。该模型拥有6710亿参数，支持128K上下文窗口，在质量和效率之间实现了出色的平衡，是大多数实际部署的理想选择。
cs2764
本模型是基于moonshotai的Kimi-K2-Instruct-0905模型使用mlx-lm 0.28.0版本转换的MLX格式版本，采用3位量化技术，分组大小为32，平均每个权重仅占用4.002位，优化了模型在苹果设备上的运行效率。
anikifoss
这是对Moonshot AI的Kimi-K2-Instruct-0905模型的高质量量化版本，采用HQ4_K量化方法，专门优化了推理性能，支持75000上下文长度，适用于文本生成任务。
这是 moonshotai/Kimi-K2-Instruct-0905 模型的 MLX 格式转换版本，采用创新的 DQ3_K_M 动态 3 位量化技术，专门为 Apple Silicon Mac 设备优化，在保持接近 4 位量化性能的同时显著减少内存占用。
这是 moonshotai/Kimi-K2-Instruct-0905 模型的量化版本，致力于让知识为每个人所用。该项目提供了优化后的模型权重，便于在各种硬件上部署和使用。
基于moonshotai/Kimi-K2-Instruct-0905基础模型，使用改进版MLX 0.26进行动态量化的大语言模型。通过创新的动态量化策略，在保持出色性能的同时显著降低硬件需求，可在单台M3 Ultra设备上高效运行。
ubergarm
这是moonshotai/Kimi-K2-Instruct-0905模型的GGUF格式量化版本，使用ik_llama.cpp分支进行最优量化。该模型采用混合专家架构，支持中文对话和文本生成任务，经过多种量化方案优化，在保持高质量的同时显著减少内存占用。
本模型是 Kimi-K2-Instruct 模型的 MLX 格式 3 位量化版本，专为在 Apple Silicon 设备上高效运行而优化。它基于 moonshotai 的 Kimi-K2-Instruct 模型转换而来，保持了原模型的指令跟随和对话能力，同时通过量化显著减少了内存占用和提升了推理速度。
ssweens
Kimi-VL-A3B-Thinking-2506是月之暗面开发的多模态视觉语言模型，支持图像和文本的联合理解与推理，具备思维链推理能力，能够处理复杂的视觉语言任务。
AI-MO
Kimina-Prover-Distill-0.6B是由Project Numina和Kimi团队开发的定理证明模型，专注于Lean 4中的竞赛风格问题解决能力。它是Kimina-Prover-72B模型的蒸馏版本，在MiniF2F-test上达到了68.85%的准确率。
Kimi-K2 Dynamic MLX是基于moonshotai/Kimi-K2-Instruct模型构建的文本生成项目，采用优化后的MLX库实现高效量化性能。该模型在单台M3 Ultra 512GB RAM机器上运行，支持多种量化方式，在测试中展现出优秀的困惑度指标。
Kimi - K2 - Instruct 是一个基于 moonshotai/Kimi - K2 - Instruct 模型的量化版本，旨在让知识更广泛地惠及大众。
Mlx%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)
