中国AI公司月之暗面完成超7亿美元融资，估值达100-120亿美元，由阿里、腾讯领投。其大模型Kimi带动营收快速增长，展现强劲商业潜力。
2026年春节期间，国产AI大模型在全球开发者生态中表现突出。根据AIbase对OpenRouter平台的数据统计，国产模型在前十名中的总token消耗量占比高达61%，包揽前三名，显示出强大的市场影响力。排名前三的模型分别是MiniMax M2.5、Kimi K2.5和智谱GLM-5，其中MiniMax M2.5以2.45万亿token的调用量位居榜首。
国产大模型月之暗面旗下Kimi K2.5发布近20天累计收入已超2025年全年总额，吸金能力惊人。其业绩神话主要得益于全球化布局，尤其是海外付费用户的爆发式增长成为核心驱动力。
中国AI大模型在全球竞争中表现强劲，OpenRouter平台数据显示，前十名模型总Token量达8.7万亿，其中中国模型占5.3万亿，市场份额高达61%。MiniMax M2.5以2.45万亿Token位居榜首，Kimi K2.5以1.21万亿Token紧随其后，显示中国AI技术正快速占领全球开发者市场。
强大的开源Kimi K2聊天平台，通过Kimi AI在编程和数学基准测试中超越GPT-4。企业级Kimi AI，成本降低95%。
开源编码 LLM，专为软件工程任务设计。
Kimi-Audio 是一个开源音频基础模型，擅长音频理解与生成。
高效的开源专家混合视觉语言模型，具备多模态推理能力。
Moonshot
$4
输入tokens/百万
$16
输出tokens/百万
256
上下文长度
Minimax
-
$5
$20
32
$2
$10
8
$30
131
$200
$8
$32
262
$1
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。
基于MLX库实现的文本生成模型，支持多种量化方式推理，具备分布式计算能力，可在苹果硬件环境下高效运行。
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
Kimi Linear是一种混合线性注意力架构，在各种场景下包括短、长上下文以及强化学习扩展机制中，均优于传统的全注意力方法。它能有效解决传统注意力机制在长上下文任务中效率低下的问题，为自然语言处理等领域带来更高效的解决方案。
Kimi Linear是一种高效混合线性注意力架构，在短上下文、长上下文和强化学习场景中均优于传统全注意力方法。它通过Kimi Delta Attention (KDA)机制优化注意力计算，显著提升性能和硬件效率，特别擅长处理长达100万令牌的长上下文任务。
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。
%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)
