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。
國產團隊Moonshot AI發佈Kimi Linear架構技術報告，提出可替代完全注意力機制的混合線性架構。該架構在速度、內存效率和長上下文處理三方面實現突破，顯著降低KV緩存使用，兼具高效與性能優勢，被譽爲智能體時代注意力機制新起點。
Moonshot AI旗下智能助手Kimi推出Agent會員服務，爲早期打賞用戶提供福利：訂閱會員後，打賞金額可全額轉換爲會員時長。例如，訂閱一個月可獲贈九個月額外時長，回饋用戶支持。建議有打賞記錄的用戶儘快查看App詳情，機會有限。
Moonshot AI宣佈Kimi K2模型輸出速度大幅提升，kimi-k2-turbo-preview模型達每秒60個Tokens，最高100個Tokens，優化用戶體驗。目前仍享5折優惠，每百萬Tokens輸入價格（緩存命中）2.00元，緩存未命中價格未提及。
Kimi 視覺模型可理解圖片內容，包括文字、顏色和物體形狀等。
全球首個20萬漢字智能助手
月之暗面AI助手,您的私人AI夥伴
moonshotai
$4.1
輸入tokens/百萬
$16.56
輸出tokens/百萬
128k
上下文長度
moonshot
$0.5
-
8k
$1
$8
32k
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。
這是一個基於Moonshot AI技術的量化版本模型，專注於視覺語言理解與生成任務，致力於降低知識獲取門檻，讓知識為每個人所用。
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
Kimi Linear是一種混合線性注意力架構，在各種場景下包括短、長上下文以及強化學習擴展機制中，均優於傳統的全注意力方法。它能有效解決傳統注意力機制在長上下文任務中效率低下的問題，為自然語言處理等領域帶來更高效的解決方案。
Kimi Linear是一種高效混合線性注意力架構，在短上下文、長上下文和強化學習場景中均優於傳統全注意力方法。它通過Kimi Delta Attention (KDA)機制優化注意力計算，顯著提升性能和硬件效率，特別擅長處理長達100萬令牌的長上下文任務。
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。
inferencerlabs
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。
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。
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。
Kimi K2 是一款先進的混合專家（MoE）語言模型，擁有 320 億激活參數和 1 萬億總參數，針對代理能力進行了優化。
Kimi-K2-Instruct-4bit 是一個基於 moonshotai/Kimi-K2-Instruct 轉換而來的 4bit 量化模型，適用於 MLX 框架。
Kimi-Dev-72B-4bit 是一個基於 moonshotai/Kimi-Dev-72B 轉換的 4 位量化大語言模型，專為 MLX 框架優化。
Kimi-Dev-72B-5bit 是一個基於 moonshotai/Kimi-Dev-72B 轉換的 5 位量化大語言模型，適用於 Apple 設備的 MLX 框架。
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)
