Kimi推出基於Google Nano Banana Pro模型的幻燈片生成器，提供48小時免費試用。核心功能“Agentic Slides”可自動將PDF、圖片等文檔轉換爲演示文稿，支持瀏覽器內直接編輯。
在2025開放原子開發者大會上，倪光南院士指出，中國已成爲全球開源AI大模型最大提供者，Qwen、DeepSeek和Kimi等模型在國際評估中表現卓越。他強調開源技術正推動全球信息技術發展，尤其在AI領域，順應時代需求，展現創新活力。
國產Kimi K2 Thinking模型成功接入全球知名AI搜索應用Perplexity，成爲唯一接入該平臺的國產模型。此次與OpenAI GPT-5.1同期接入，彰顯國產AI技術國際競爭力。Perplexity作爲2022年成立的對話式"答案引擎"，已成長爲全球估值最高AI搜索應用，革新了用戶獲取信息方式。
Moonshot AI推出Kosong，作爲LLM抽象層解決多模型工具交互的技術棧維護難題。它統一消息結構、支持異步工具編排和可插拔聊天提供商，避免業務邏輯硬編碼，簡化智能體開發。該Python庫作爲代理邏輯與LLM提供商間的中間層，是Kimi CLI的核心驅動組件。
Kimi-Audio 是一個開源音頻基礎模型，擅長音頻理解與生成。
Kimi k1.5 是一個通過強化學習擴展的多模態語言模型，專注於提升推理和邏輯能力。
Kimi 視覺模型可理解圖片內容，包括文字、顏色和物體形狀等。
基於強化學習技術的視覺思考模型，理科測試行業領先
Google
$0.49
輸入tokens/百萬
$2.1
輸出tokens/百萬
1k
上下文長度
Openai
$2.8
$11.2
Xai
$1.4
$3.5
2k
$7.7
$30.8
200
-
Anthropic
$105
$525
$0.7
$7
$35
$17.5
$21
Alibaba
$6
$24
256
$4
$16
Baidu
128
Bytedance
$1.2
$3.6
4
$2
$0.8
Moonshot
inferencerlabs
Kimi - K2 - Thinking 3.825bit MLX 是一款用於文本生成的量化模型，通過不同的量化方式在測試中取得不同的困惑度表現，其中q3.825bit量化能達到1.256的困惑度。
DevQuasar
本項目基於 moonshotai/Kimi-K2-Thinking 基礎模型，通過自定義反量化腳本將原始的INT4模型轉換為更高質量的文本生成模型，致力於讓知識為每個人所用。
mlx-community
Kimi-K2-Thinking 是由 mlx-community 從 moonshotai 原版模型轉換而來的 MLX 格式大語言模型，採用 mlx-lm 0.28.4 版本進行轉換，保留了原模型的思維鏈推理能力。
moonshotai
Kimi K2 Thinking 是月之暗面（Moonshot AI）開發的最新一代開源思維模型，具有強大的深度推理能力和工具調用功能。該模型採用混合專家架構，支持原生INT4量化，擁有256k上下文窗口，在多個基準測試中表現出色。
這是一個基於 Kimi-Linear-48B-A3B-Instruct 模型轉換的 6 位量化版本，專為 Apple MLX 框架優化。該模型保留了原模型強大的指令跟隨能力，同時通過量化技術顯著降低了存儲和計算需求，適合在 Apple 硬件上高效運行。
這是基於moonshotai/Kimi-Linear-48B-A3B-Instruct模型轉換的4位量化版本，專為Apple MLX框架優化，提供高效的文本生成能力
richardyoung
這是一個高性能的4位量化版本的Kimi K2 Instruct模型，專為使用MLX框架在Apple Silicon（M1/M2/M3/M4）Mac上運行而優化。該模型擁有6710億參數，支持128K上下文窗口，在質量和效率之間實現了出色的平衡，是大多數實際部署的理想選擇。
cs2764
本模型是基於moonshotai的Kimi-K2-Instruct-0905模型使用mlx-lm 0.28.0版本轉換的MLX格式版本，採用3位量化技術，分組大小為32，平均每個權重僅佔用4.002位，優化了模型在蘋果設備上的運行效率。
anikifoss
這是對Moonshot AI的Kimi-K2-Instruct-0905模型的高質量量化版本，採用HQ4_K量化方法，專門優化了推理性能，支持75000上下文長度，適用於文本生成任務。
這是 moonshotai/Kimi-K2-Instruct-0905 模型的 MLX 格式轉換版本，採用創新的 DQ3_K_M 動態 3 位量化技術，專門為 Apple Silicon Mac 設備優化，在保持接近 4 位量化性能的同時顯著減少內存佔用。
這是 moonshotai/Kimi-K2-Instruct-0905 模型的量化版本，致力於讓知識為每個人所用。該項目提供了優化後的模型權重，便於在各種硬件上部署和使用。
基於moonshotai/Kimi-K2-Instruct-0905基礎模型，使用改進版MLX 0.26進行動態量化的大語言模型。通過創新的動態量化策略，在保持出色性能的同時顯著降低硬件需求，可在單臺M3 Ultra設備上高效運行。
ubergarm
這是moonshotai/Kimi-K2-Instruct-0905模型的GGUF格式量化版本，使用ik_llama.cpp分支進行最優量化。該模型採用混合專家架構，支持中文對話和文本生成任務，經過多種量化方案優化，在保持高質量的同時顯著減少內存佔用。
ssweens
Kimi-VL-A3B-Thinking-2506是月之暗面開發的多模態視覺語言模型，支持圖像和文本的聯合理解與推理，具備思維鏈推理能力，能夠處理複雜的視覺語言任務。
AI-MO
Kimina-Prover-Distill-0.6B是由Project Numina和Kimi團隊開發的定理證明模型，專注於Lean 4中的競賽風格問題解決能力。它是Kimina-Prover-72B模型的蒸餾版本，在MiniF2F-test上達到了68.85%的準確率。
Kimi-K2 Dynamic MLX是基於moonshotai/Kimi-K2-Instruct模型構建的文本生成項目，採用優化後的MLX庫實現高效量化性能。該模型在單臺M3 Ultra 512GB RAM機器上運行，支持多種量化方式，在測試中展現出優秀的困惑度指標。
Kimi - K2 - Instruct 是一個基於 moonshotai/Kimi - K2 - Instruct 模型的量化版本，旨在讓知識更廣泛地惠及大眾。
prithivMLmods
由 Project Numina 和 Kimi 團隊開發的定理證明模型，專注於 Lean 4 中的競賽風格問題解決能力。
Kimi-Dev-72B-8bit 是基於 moonshotai/Kimi-Dev-72B 轉換的 8 位量化版本，適用於 MLX 框架的文本生成模型。
Kimi-Dev-72B-4bit-DWQ 是一個基於 moonshotai/Kimi-Dev-72B 轉換而來的 4 位量化大語言模型，適用於 MLX 框架。
%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)
