---
title: "Kimi (Moonshot AI) (BG)"
source: "https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)"
wiki: "systems-analysis.info/int"
article: "Kimi_(Moonshot_AI)_(BG)"
language: "bg"
categories:
  - "Category:Bulgarian"
  - "Category:Large language models"
  - "Category:Machine learning"
revision_id: 3406
wiki_created_at: 2026-09-06T23:20:11Z
wiki_modified_at: 2026-09-06T23:20:11Z
downloaded_at: 2026-09-07T22:56:44Z
---

# Kimi (Moonshot AI) (BG)

**Kimi (серия от модели на Moonshot AI)** — серия от големи езикови модели (Large Language Model, LLM), разработвани от китайската компания Moonshot AI (Пекин, КНР) за задачи по текстова и мултимодална генерация, програмиране и агентни системи (agentic systems — системи, способни на автономно планиране, разсъждение и действие с използване на външни инструменти). Семейството включва текстови и мултимодални модели с архитектура Mixture-of-Experts (MoE, смес от експерти) от мащаб от порядъка на 1 трлн параметри и активиран поднабор от порядъка на 32 млрд параметри на token.<sup>[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_note-K2paper-1)[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_note-K25paper-2)</sup> Важна особеност на серията е ориентацията към агентно поведение (многостъпково планиране с извикване на външни инструменти) и поддръжка на дълъг контекст до 256 000 токена във версиите Kimi K2 и Kimi K2.5.<sup>[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_note-K2paper-1)[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_note-K25paper-2)</sup>\n\nМоделите от серията Kimi се разпространяват както с отворени тегла (open-weight) на платформата Hugging Face под модифициран MIT лиценз, така и чрез проприетарен API на платформата Moonshot AI Open Platform.<sup>[\[3\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_note-HF_K25-3)[\[4\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_note-platform-4)</sup>\n\n== История и предпоставки ==\n\n=== Основаване на Moonshot AI ===\n\nMoonshot AI е основана през март 2023 година в Пекин от Ян Джилин (Yang Zhilin, CEO), Джоу Синюй (Zhou Xinyu) и У Юйсин (Wu Yuxin) — възпитаници на Университета Цинхуа (Tsinghua University). Ян Джилин преди това е работил в Google Brain и Meta, участвал е в изследвания в областта на компютърното зрение и разсъждението. Компанията получи финансиране от Alibaba (рунд в обем от \$1 млрд, февруари 2024), Tencent и други инвеститори.<sup>[\[5\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_note-wiki_moonshot-5)[\[6\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_note-wiki_kimi_chatbot-6)</sup>\n\n=== Хронология на ключовите издания ===\n\n\* **Октомври–ноември 2023** — стартиране на чатбота Kimi с поддръжка на контекст до 128 хил. токена (до 200 хил. китайски йероглифа). Първите версии използваха проприетарни модели с ограничено разкрити технически детайли.<sup>[\[6\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_note-wiki_kimi_chatbot-6)[\[7\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_note-moonshot_site-7)</sup>\n\* **Март 2024** — разширяване на контекста до 2 млн йероглифа в бета версията.<sup>[\[6\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_note-wiki_kimi_chatbot-6)</sup>\n\* **Януари 2025** — издаване на **Kimi k1.5** — мултимодален модел с мащабирано обучение с подкрепление (Reinforcement Learning, RL), обявен като сравним по производителност с OpenAI o1 в задачи по математика, програмиране и мултимодално разсъждение. Контекст до 128 хил. токена.<sup>[\[8\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_note-k15paper-8)</sup>\n\* **Април 2025** — представен **Kimi-VL** — отворен мултимодален MoE модел (vision-language model, VLM) с визуален енкодер MoonViT (~400 млн параметри) и ~2,8 млрд активни параметри в декодера. Техническият доклад е публикуван на arXiv.<sup>[\[9\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_note-kimivl-9)</sup>\n\* **Юли 2025** — издаване на **Kimi K2** — основния отворен MoE модел с 1 трлн параметри и 32 млрд активни параметри. Техническият доклад е публикуван на arXiv.<sup>[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_note-K2paper-1)</sup> Моделът заемаше първо място сред отворените модели на LMSYS Chatbot Arena към момента на издаването (над 3000 гласа).<sup>[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_note-K2paper-1)</sup>\n\* **Септември 2025** — актуализация **Kimi-K2-Instruct-0905** с разширен контекст до 256 хил. токена и подобрено агентно кодиране.<sup>[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_note-K2paper-1)</sup>\n\* **Ноември 2025** — издаване на **Kimi K2 Thinking** — версия с усилено стъпково разсъждение (chain-of-thought) и поддръжка на 200–300 последователни извиквания на инструменти (tool calls).<sup>[\[10\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_note-HF_K2Thinking-10)</sup>\n\* **Януари 2026** — представен **Kimi K2.5** — мултимодален MoE модел с нативна мултимодалност и механизъм Agent Swarm (паралелна оркестрация на суб-агенти).<sup>[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_note-K25paper-2)</sup>\n\nПаралелно с разработката на моделите през 2024 година беше представена собствена услуга за инференс **Mooncake** — KVCache-центрична дезагрегирана архитектура за обслужване на LLM с дълъг контекст.<sup>[\[11\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_note-mooncake-11)</sup>\n\n== Теоретични основи и архитектура ==\n\n=== Архитектура Mixture-of-Experts ===\n\nМоделите от серията Kimi K2 и K2.5 реализират архитектура Transformer с Mixture-of-Experts в отделни слоеве. Стандартният блок на трансформера представлява композиция от слоеве на многоглаво самовнимание (Multi-Head Attention, MHA) и позиционно-wise MLP (многослоен персептрон) с резидуални връзки:<sup>[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_note-K2paper-1)[\[12\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_note-Vaswani2017-12)</sup>\n\n$\mathbf{H}^{\prime} = {MHA}(\mathbf{H}) + \mathbf{H},\quad\mathbf{H}^{\ast} = {MLP}(\mathbf{H}^{\prime}) + \mathbf{H}^{\prime},$\n\nкъдето $\mathbf{H} \in {\mathbb{R}}^{L \times d}$ — входните токенови представяния, $L$ — дължина на последователността, $d$ — размер на скритото състояние.\n\nВ MoE слоя вместо един MLP се използва набор от експерти $\{ E_{i}\}_{i = 1}^{N}$, всеки от които представлява отделен MLP с параметри $\theta_{i}$. Маршрутизаторът (gating network) за всеки токен избира подмножество от експерти. Изходът на MoE слоя за токен с представяне $\mathbf{h}$ се задава като:<sup>[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_note-K2paper-1)</sup>\n\n${MoE}(\mathbf{h}) = \sum\limits_{i \in \mathcal{S}(\mathbf{h})}g_{i}(\mathbf{h})\, E_{i}(\mathbf{h}),$\n\nкъдето $\mathcal{S}(\mathbf{h}) \subset \{ 1,\ldots,N\}$ — множеството от избраните експерти за дадения токен, $g_{i}(\mathbf{h})$ — нормализираните тегла на маршрутизатора, $\sum\limits_{i \in \mathcal{S}}g_{i} = 1$. Функцията на маршрутизация избира експертите чрез операция TopK:<sup>[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_note-K2paper-1)</sup>\n\n$g(\mathbf{h}) = {TopK}\left( {Softmax}(\mathbf{h} \cdot W_{g}) \right),$\n\nкъдето $W_{g}$ — обучаема матрица на маршрутизатора. Такава схема позволява мащабиране на общия брой параметри при ограничен брой параметри, активирани за всеки токен.\n\n=== Архитектурни хиперпараметри на Kimi K2 / K2.5 ===\n\n{\| class=\\wikitable\\\n! Параметър !! Стойност\n\|-\n\| Тип архитектура \|\| Transformer с Mixture-of-Experts\n\|-\n\| Общ брой параметри \|\| 1,04 трлн\n\|-\n\| Активирани параметри на токен \|\| 32 млрд\n\|-\n\| Брой слоеве \|\| 61 (1 плътен + 60 MoE)\n\|-\n\| Размер на скритото състояние \|\| 7168\n\|-\n\| Брой глави на вниманието \|\| 64\n\|-\n\| Брой експерти \|\| 384 (8 избирани на токен + 1 общ)\n\|-\n\| Размер на скритото състояние на експерта (MoE hidden size) \|\| 2048\n\|-\n\| Размер на речника \|\| 160 000 токена\n\|-\n\| Активационна функция \|\| SwiGLU\n\|-\n\| Механизъм на внимание \|\| Multi-head Latent Attention (MLA)\n\|-\n\| Максимален контекст \|\| 256 000 токена (разширение чрез YaRN)\n\|-\n\| Визуален енкодер (K2.5) \|\| MoonViT-3D, ~400 млн параметри\n\|}\n<sup>[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_note-K2paper-1)[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_note-K25paper-2)[\[13\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_note-nvidia_nim-13)</sup>\n\nСпарсността (отношението на общия брой експерти към активирания) е 48:1 (384 експерти, 8 активни), което осигурява значително намаляване на изчислителните разходи спрямо плътен (dense) модел от същия мащаб.<sup>[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_note-K2paper-1)</sup>\n\n=== Механизъм Multi-head Latent Attention (MLA) ===\n\nВ моделите от серията Kimi K2/K2.5 се използва механизъм Multi-head Latent Attention (MLA) — модификация на стандартното многоглаво внимание, насочена към повишаване на ефективността и мащабируемостта. Стандартното внимание за един слой се изчислява като:<sup>[\[12\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_note-Vaswani2017-12)</sup>\n\n${Attention}(\mathbf{Q},\mathbf{K},\mathbf{V}) = {softmax}\!\left( \frac{\mathbf{Q}\mathbf{K}^{\top}}{\sqrt{d_{k}}} \right)\mathbf{V},$\n\nкъдето $\mathbf{Q},\mathbf{K},\mathbf{V} \in {\mathbb{R}}^{L \times d_{k}}$ — матриците на заявките, ключовете и стойностите. В MLA се въвеждат латентни представяния, върху които се проектират заявките и ключовете, което намалява размерността на междинните операции и позволява да се намали обемът на KV кеша. Подходът е аналогичен на механизма, използван в DeepSeek-V3.<sup>[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_note-K2paper-1)[\[13\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_note-nvidia_nim-13)</sup>\n\n=== Оптимизатор MuonClip и QK-clip ===\n\nЗа обучението на модела Kimi K2 е предложен оптимизатор **MuonClip** — модификация на оптимизатора Muon (моментен оптимизатор с нормализация Newton-Schulz) с добавяне на техниката **QK-clip** за стабилизиране на обучението на големи езикови модели с MoE архитектура.<sup>[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_note-K2paper-1)</sup>\n\nQK-clip прилага ограничения върху логитите на вниманието $\mathbf{Q}\mathbf{K}^{\top}$ чрез операция на изрязване (clipping). За всяка глава на вниманието $h$ се определя максималният логит:\n\n$S_{h}^{\max} = \frac{1}{\sqrt{d}}\max\limits_{i,j}\left( Q_{h}^{i}(K_{h}^{j})^{\top} \right),$\n\nи се изчислява коефициент на мащабиране:\n\n$\gamma_{h} = \min\!\left( 1,\;\frac{\tau}{S_{h}^{\max}} \right),$\n\nкъдето $\tau = 100$ — хиперпараметър-праг, $d$ — размер на главата на вниманието. Коефициентът $\gamma_{h}$ се прилага за мащабиране на теглата $W_{q},W_{k}$, ако максималният логит надвишава прага. Това ограничава диапазона на стойностите на логитите преди softmax и намалява риска от резки скокове на загубата (loss spikes) при обучение в голям мащаб.<sup>[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_note-K2paper-1)</sup>\n\nСпоред данните на авторите, предобучението на Kimi K2 върху 15,5 трлн токена с MuonClip е преминало без нито един регистриран скок на функцията на загубата (*zero loss spikes*).<sup>[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_note-K2paper-1)</sup>\n\n=== Мултимодалност и MoonViT ===\n\nМоделите Kimi K2.5 и Kimi-VL използват визуален енкодер **MoonViT** (във версията K2.5 — MoonViT-3D) с приблизително 400 млн параметри, изграден на базата на SigLIP-SO-400M с NaViT-пакинг (поддръжка на променлива разделителна способност на входните изображения) и 3D разширение за обработка на видео (групиране по 4 кадъра).<sup>[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_note-K25paper-2)[\[9\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_note-kimivl-9)</sup>\n\nВизуалният енкодер преобразува входните изображения и видеа в последователност от визуални токени. Нека $\mathbf{X} \in {\mathbb{R}}^{H \times W \times 3}$ — входното изображение, $\Phi_{\text{vis}}$ — визуалният енкодер:\n\n$\mathbf{Z}_{\text{vis}} = \Phi_{\text{vis}}(\mathbf{X}) \in {\mathbb{R}}^{L_{v} \times d_{v}},$\n\nпо-нататък чрез линейна проекция (двуслоен MLP) $\mathbf{P} \in {\mathbb{R}}^{d_{v} \times d}$:\n\n$\mathbf{H}_{\text{vis}} = \mathbf{Z}_{\text{vis}}\,\mathbf{P},$\n\nкъдето $d$ — размер на скритото пространство на езиковата част на модела. В мултимодален режим $\mathbf{H}_{\text{vis}}$ се конкатенира с текстовите токени и се подава в трансформера.<sup>[\[9\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_note-kimivl-9)[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_note-K25paper-2)</sup>\n\nЗа разлика от двуетапните схеми (добавяне на визуален адаптер върху текстовия модел), K2.5 е обучен върху смесени визуално-текстови данни от началото на предобучението (joint text-vision pre-training), с ниска дялова тежест на визуалните токени (~10 %) в ранните етапи и постепенното ѝ увеличаване. Общият обем е приблизително 15 трлн смесени визуално-текстови токени.<sup>[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_note-K25paper-2)</sup>\n\n== Предобучение и постобучение ==\n\n=== Предобучение ===\n\n**Kimi K2** е предобучен върху 15,5 трлн токена (уеб текстове, код, математика, енциклопедични знания) с използване на оптимизатора MuonClip. Нито един скок на загубата (loss spike) не е регистриран за целия период на предобучението.<sup>[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_note-K2paper-1)</sup>\n\n**Kimi K2.5** е преминал непрекъснато предобучение (continual pre-training) от контролната точка на K2 върху допълнителни ~15 трлн смесени визуално-текстови токени със съвместна оптимизация на модалностите (joint pre-training). Отделно е проведено 1 трлн токена standalone обучение на визуалния енкодер и допълнителен етап long-context mid-training за разширяване на контекста.<sup>[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_note-K25paper-2)</sup>\n\n=== Постобучение ===\n\nПостобучението на моделите от серията K2 включва няколко стадия:<sup>[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_note-K2paper-1)[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_note-K25paper-2)</sup>\n\n**Supervised Fine-Tuning (SFT, контролирано фино настройване):**\n\* Синтетични агентни траектории (agentic data synthesis) — генериране на спецификации на инструменти, моделиране на взаимодействия с обкръжението, верификация на резултатите.\n\* За K2.5 допълнително се прилага zero-vision SFT — текстов SFT, активиращ визуалните способности без непосредствено използване на изображения на етапа на fine-tuning.\n\n**Reinforcement Learning (RL, обучение с подкрепление):**\n\* Комбинация от верифицируеми награди (Reinforcement Learning with Verifiable Rewards, RLVR) за задачи по математика, код и безопасност.\n\* Самооценка по рубрики (self-critique rubric rewards) — използване на LLM оценители за автоматична оценка на качеството на агентните сценарии.\n\* За K2.5 — съвместно мултимодално RL (joint multimodal RL).\n\n**Quantization-Aware Training (QAT):**\n\* Kimi K2 Thinking и K2.5 поддържат нативна INT4 квантовка на теглата (weight-only quantization, група 32, компресирани тензори), оптимизирана за архитектурата NVIDIA Hopper, което намалява изискванията към паметта при извод.<sup>[\[10\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_note-HF_K2Thinking-10)[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_note-K25paper-2)</sup>\n\n=== Agent Swarm (K2.5) ===\n\nЗа модела K2.5 е разработен механизъм **Agent Swarm** — фреймуърк за самоуправлявана паралелна оркестрация на агенти. Моделът-оркестратор динамично създава суб-агенти (чрез операции `create_subagent`, `assign_task`), разпределя подзадачи и събира резултатите. Всеки суб-агент може самостоятелно да извиква инструменти и да работи паралелно с другите суб-агенти.<sup>[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_note-K25paper-2)</sup>\n\nОбучението на механизма Agent Swarm е реализирано чрез **Parallel-Agent Reinforcement Learning (PARL)** с разделяне на изпълнението и оптимизацията (decoupling execution/optimization). Според данните на авторите, Agent Swarm осигурява намаляване на закъснението (latency) до 4,5 пъти в сравнение с еднопоточния агентен режим (single-agent).<sup>[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_note-K25paper-2)</sup>\n\n== Основни модели от серията ==\n\n{\| class=\\wikitable\\\n! Модел !! Тип !! Параметри (общи / активни) !! Контекст, токени !! Мултимодалност !! Дата на издаване\n\|-\n\| **Kimi k1.5** \|\| LLM, RL-scaling \|\| не е разкрито \|\| 128 000 \|\| Да (ограничена) \|\| Януари 2025\n\|-\n\| **Kimi-VL** \|\| VLM, MoE \|\| компактна / ~2,8 млрд активни + 400 млн ViT \|\| дълъг контекст \|\| Да (изображения) \|\| Април 2025\n\|-\n\| **Kimi K2** \|\| LLM, MoE \|\| 1,04 трлн / 32 млрд \|\| 256 000 \|\| Не (текст) \|\| Юли 2025\n\|-\n\| **Kimi K2 Thinking** \|\| LLM, MoE \|\| 1,04 трлн / 32 млрд \|\| 256 000 \|\| Не (текст) \|\| Ноември 2025\n\|-\n\| **Kimi K2.5** \|\| VLM-LLM, MoE \|\| 1,04 трлн / 32 млрд \|\| 256 000 \|\| Да (изображения, видео, PDF) \|\| Януари 2026\n\|}\n<sup>[\[8\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_note-k15paper-8)[\[9\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_note-kimivl-9)[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_note-K2paper-1)[\[10\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_note-HF_K2Thinking-10)[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_note-K25paper-2)</sup>\n\n=== Kimi K2 ===\n\nKimi K2 — Mixture-of-Experts LLM с 1,04 трлн общи параметри и 32 млрд активирани параметри на токен. Предобучен върху 15,5 трлн токена с оптимизатора MuonClip. Архитектурата включва 384 експерта и съвместим с дълъг контекст механизъм MLA. Моделът е ориентиран към задачи по програмиране, математическо разсъждение и агентни сценарии с последователни извиквания на инструменти.<sup>[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_note-K2paper-1)</sup>\n\nВ техническия доклад е описан многостадиен pipeline на постобучение: мащабен синтез на агентни данни чрез моделиране на взаимодействия с инструменти; обучение с подкрепление в смесена среда от реални и синтетични задачи; използване на LLM оценители за автоматична оценка на качеството.<sup>[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_note-K2paper-1)[\[14\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_note-importai-14)</sup>\n\n=== Kimi K2 Thinking ===\n\nВариантът Kimi K2 Thinking е оптимизиран за многостъпково разсъждение (chain-of-thought) с възможност за динамично извикване на инструменти и поддръжка на контекст до 256 000 токена. Моделът реализира отделен режим „Thinking" с явно връщано поле `reasoning_content`, съдържащо вътрешните разсъждения. K2 Thinking поддържа 200–300 последователни извиквания на инструменти в един агентен епизод без съществена деградация на поведението, както и нативна INT4 квантовка с използване на QAT.<sup>[\[10\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_note-HF_K2Thinking-10)</sup>\n\n=== Kimi-VL ===\n\nKimi-VL — отворен мултимодален MoE VLM (vision-language model), ориентиран към задачи по визуално разбиране, визуално-текстово разсъждение и реални сцени. Моделът е описан като компактна MoE архитектура с визуален енкодер MoonViT. Техническият доклад е публикуван на arXiv през април 2025 година.<sup>[\[9\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_note-kimivl-9)</sup>\n\n=== Kimi K2.5 ===\n\nKimi K2.5 — мултимодален MoE модел от мащаб 1,04 трлн параметри с 32 млрд активирани, основан на контролната точка Kimi-K2-Base с продължено предобучение върху ~15 трлн смесени визуално-текстови токени. Моделът поддържа входове от изображения, видео, PDF и текст с контекст до 256 000 токена.<sup>[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_note-K25paper-2)</sup>\n\nK2.5 поддържа два основни режима на извод:\n\* **Thinking mode** — с явен `reasoning_content` и многостъпкова генерация;\n\* **Instant mode** — без извод на разсъждения, с по-ниско закъснение.<sup>[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_note-K25paper-2)[\[13\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_note-nvidia_nim-13)</sup>\n\nМоделът реализира нативна INT4 квантовка на теглата (weight-only, група 32), оптимизирана за архитектурата NVIDIA Hopper.<sup>[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_note-K25paper-2)</sup>\n\n== Ключови резултати и benchmark-ове ==\n\n=== Текстови и агентни benchmark-ове на Kimi K2 ===\n\nРезултатите са посочени за Kimi-K2-Instruct в режим non-thinking (без разширен chain-of-thought) според данните на техническия доклад.<sup>[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_note-K2paper-1)</sup>\n\n{\| class=\\wikitable\\\n! Benchmark !! Kimi K2-Instruct !! DeepSeek-V3-0324 !! Claude 4 Opus / Sonnet !! Източник\n\|-\n\| SWE-Bench Verified (Pass@1) \|\| 65,8 % \|\| 38,8 % \|\| 72,5 % / 72,7 % \|\| arXiv:2507.20534\n\|-\n\| SWE-Bench Multilingual \|\| 47,3 % \|\| 20,9 % \|\| 51,0 % \|\| arXiv:2507.20534\n\|-\n\| LiveCodeBench v6 (Pass@1) \|\| 53,7 % \|\| 44,7 % \|\| 46,9 % \|\| arXiv:2507.20534\n\|-\n\| Tau2-Bench (micro-avg) \|\| 66,1 % \|\| 48,8 % \|\| 66,1 % \|\| arXiv:2507.20534\n\|-\n\| ACEBench (En) \|\| 76,5 % \|\| 75,6 % \|\| 80,1 % \|\| arXiv:2507.20534\n\|-\n\| AIME 2025 (Avg@64) \|\| 49,5 % \|\| 33,9 % \|\| 46,7 % \|\| arXiv:2507.20534\n\|-\n\| GPQA-Diamond (Avg@8) \|\| 75,1 % \|\| 68,2 % \|\| 74,9 % \|\| arXiv:2507.20534\n\|}\n\nСпоред заявлението на авторите, тези резултати позиционират K2 сред лидерите на отворените модели в режим без thinking разгъване, особено при инженерни и агентни задачи (към момента на публикуване на доклада).<sup>[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_note-K2paper-1)</sup>\n\n=== Benchmark-ове на Kimi-VL ===\n\n{\| class=\\wikitable\\\n! Benchmark !! Kimi-VL !! Qwen2.5-VL-7B !! GPT-4o-mini !! Източник\n\|-\n\| MMVet (точност) \|\| 66,7 % \|\| 67,1 % \|\| 66,9 % \|\| arXiv:2504.07491\n\|-\n\| RealWorldQA \|\| 68,1 % \|\| 68,5 % \|\| — \|\| arXiv:2504.07491\n\|}\n\nРезултатите демонстрират, че компактната мултимодална MoE архитектура достига ниво, сравнимо с по-големи модели при по-малък брой активни параметри.<sup>[\[9\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_note-kimivl-9)</sup>\n\n=== Benchmark-ове на Kimi K2.5 ===\n\nРезултатите са посочени в режим Thinking (temperature = 1,0; top-p = 0,95; контекст 256 000 токена; движок vLLM; хардуерна платформа NVIDIA H200) според данните на модалната карта на платформата NVIDIA NIM и техническия доклад.<sup>[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_note-K25paper-2)[\[13\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_note-nvidia_nim-13)</sup>\n\n{\| class=\\wikitable\\\n! Категория !! Benchmark !! Kimi K2.5\n\|-\n\| rowspan=\\6\\ \| Reasoning & Knowledge\n\| HLE-Full (без инструменти) \|\| 30,1\n\|-\n\| HLE-Full (с инструменти) \|\| 50,2\n\|-\n\| AIME 2025 \|\| 96,1\n\|-\n\| HMMT 2025 (Feb) \|\| 95,4\n\|-\n\| GPQA-Diamond \|\| 87,6\n\|-\n\| MMLU-Pro \|\| 87,1\n\|-\n\| rowspan=\\7\\ \| Vision & Video\n\| MMMU-Pro \|\| 78,5\n\|-\n\| MathVision \|\| 84,2\n\|-\n\| MathVista (mini) \|\| 90,1\n\|-\n\| OCRBench \|\| 92,3\n\|-\n\| OmniDocBench 1.5 \|\| 88,8\n\|-\n\| VideoMMMU \|\| 86,6\n\|-\n\| LongVideoBench \|\| 79,8\n\|-\n\| rowspan=\\7\\ \| Coding\n\| SWE-Bench Verified \|\| 76,8\n\|-\n\| SWE-Bench Pro \|\| 50,7\n\|-\n\| SWE-Bench Multilingual \|\| 73,0\n\|-\n\| Terminal Bench 2.0 \|\| 50,8\n\|-\n\| PaperBench \|\| 63,5\n\|-\n\| LiveCodeBench v6 \|\| 85,0\n\|-\n\| OJBench (C++) \|\| 57,4\n\|-\n\| rowspan=\\2\\ \| Long Context\n\| Longbench v2 \|\| 61,0\n\|-\n\| AA-LCR \|\| 70,0\n\|-\n\| rowspan=\\4\\ \| Agentic Search\n\| BrowseComp \|\| 60,6\n\|-\n\| BrowseComp (Agent Swarm) \|\| 78,4\n\|-\n\| WideSearch (iter-F1) \|\| 72,7\n\|-\n\| DeepSearchQA \|\| 77,1\n\|}\n\nДопълнително K2.5 демонстрира положителен трансфер на визуалното обучение върху текстови задачи: +1,7 % на MMLU-Pro и +2,1 % на GPQA-Diamond в сравнение с текстовия базов модел K2.<sup>[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_note-K25paper-2)</sup>\n\nОкончателната сравнителна оценка зависи от избора на метрики и сценарии; резултатите са посочени по данни на авторите. Независимата валидация на част от benchmark-овете към момента на публикуване е ограничена.<sup>[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_note-K25paper-2)[\[15\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_note-deeplearning_batch-15)</sup>\n\n== Приложение ==\n\n=== Текстов асистент и търсене ===\n\nПлатформата Kimi се използва като асистент с поддръжка на обработка на дълги документи (изследователски доклади, финансови данни), автоматизиран анализ и онлайн търсене с агрегиране на информация. Moonshot AI посочва, че Kimi поддържа над 300 извиквания на инструменти (tool calls) в рамките на един агентен сценарий.<sup>[\[7\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_note-moonshot_site-7)[\[4\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_note-platform-4)</sup>\n\n=== Програмиране и инженерни задачи ===\n\nKimi K2 и K2.5 демонстрират високи резултати на SWE-Bench Verified, SWE-Bench Multilingual, LiveCodeBench и други benchmark-ове по програмиране. Моделите се прилагат за автоматизиране на поправяне на грешки в хранилища, генериране и рефакторинг на код, решаване на задачи на онлайн съдии (OJBench, LiveCodeBench). Техническият доклад на K2 посочва, че моделът е обучен върху мащабен синтетичен агентен корпус, включително взаимодействия със системи за управление на версии, пакетни мениджъри и среди за изпълнение.<sup>[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_note-K2paper-1)[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_note-K25paper-2)[\[14\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_note-importai-14)</sup>\n\n=== Мултимодални приложения ===\n\nKimi-VL и K2.5 са предназначени за визуален въпрос-отговор (VQA) върху изображения и документи; разбиране на документи (OCRBench, OmniDocBench); анализ на видео (VideoMMMU, LongVideoBench); комбинирани задачи по програмиране по визуални спецификации (например генериране на интерфейс по макет на изображение). За K2.5 са описани сценарии „vision-grounded coding" и „autonomous visual debugging", при които моделът генерира код по визуално описание и итеративно анализира визуалния резултат.<sup>[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_note-K25paper-2)[\[9\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_note-kimivl-9)[\[15\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_note-deeplearning_batch-15)</sup>\n\n=== API и разгръщане ===\n\nМоделите са достъпни чрез API на платформата Moonshot AI Open Platform с поддръжка на tool calling, thinking режим, JSON режим и кеширане на контекста. Отворените тегла се използват за локално разгръщане чрез vLLM, SGLang и TensorRT-LLM. Услугата Mooncake осигурява мащабиране на инференса за дълъг контекст.<sup>[\[4\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_note-platform-4)[\[11\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_note-mooncake-11)[\[16\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_note-github_k25-16)</sup>\n\n== Ограничения и открити проблеми ==\n\n=== Изисквания към ресурсите ===\n\nMoE модели от мащаб 1 трлн параметри, дори при активирани 32 млрд параметри и INT4 квантовка, изискват значителни ресурси на паметта и пропускателна способност. В инженерните дискусии за разгръщането на Kimi K2.5 се споменават оценки от порядъка на стотици гигабайта видеопамет за пълно зареждане на модела; конкретните числа зависят от схемата на квантовка и фреймуърка (vLLM, SGLang и др.).<sup>[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_note-K25paper-2)[\[17\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_note-baseten-17)</sup>\n\n=== Халюцинации и качество на генерацията ===\n\nКакто и другите LLM, моделите от серията Kimi са податливи на халюцинации. В докладите по тестовете FACTS Grounding и FaithJudge са регистрирани показатели hallucination rate в рамките на 1,1–7,4 % в RAG сценарии. В non-thinking режим моделът може да генерира излишни токени при неясни спецификации на инструментите; при принудително активиране на tool-use производителността спада при някои задачи.<sup>[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_note-K2paper-1)</sup>\n\n=== Зависимост от синтетични данни и RL pipeline ===\n\nPipeline-ът за синтез на агентни данни и обучение с подкрепление разчита на голяма колекция от синтетични инструменти и сцени, както и на LLM оценители за автоматична оценка (self-judging). Такава схема поражда открити въпроси: устойчивост към отклонение (bias) при самооценката; потенциална деградация при многократна итерация (bootstrap); преносимост на агентните умения към реални среди, различаващи се от симулираните; влияние на разпределението на синтетичните задачи върху обобщаващата способност.<sup>[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_note-K2paper-1)[\[14\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_note-importai-14)</sup>\n\n=== Прозрачност и възпроизводимост ===\n\nЧаст от информацията за състава на обучаващите данни, процеса на филтриране, разпределението на езиците и домейните не се разкрива или се разкрива ограничено. Това затруднява точната оценка на източниците на отклонение, възпроизводимостта на обучението и независимата валидация на влиянието на отделните компоненти (MuonClip, QK-clip) върху стабилността. Към февруари 2026 година пълното възпроизвеждане на обучението на Kimi K2 и K2.5 от трети страни не е регистрирано в открытата литература.<sup>[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_note-K2paper-1)[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_note-K25paper-2)</sup>\n\n== Етични и регулаторни аспекти ==\n\nВ модалните карти и техническите доклади се подчертава, че разработчиците носят отговорност за входовете и изходите на модела; изисква се добавяне на защитни механизми (guardrails) и тестване върху данни от конкретния случай преди внедряване; моделът може да обработва изображения и видео, потенциално съдържащи лични данни, и интеграторът е длъжен да спазва съответното законодателство.<sup>[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_note-K25paper-2)[\[16\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_note-github_k25-16)</sup>\n\nВ техническите доклади са описани оценки на безопасността (биологични, химични, киберрискове) с използване на инструменти от типа Promptfoo. Моделите преминават RL изравняване (alignment) с верифицируеми награди и самооценка.<sup>[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_note-K2paper-1)</sup>\n\nКато продукт на китайска компания, моделите са подчинени на националното регулиране на КНР в областта на ИИ. Към момента на написването не са открити отделни публични регулаторни документи, посветени изключително на моделите Kimi; регулирането се осъществява в рамките на общите подходи към генеративните модели и ИИ в съответните юрисдикции.<sup>[\[18\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_note-bismarck-18)</sup>\n\nПрез февруари 2026 година компанията Anthropic заяви, че Moonshot AI (заедно с други китайски разработчици) е използвала фалшиви акаунти за генериране на взаимодействия с Claude с цел дистилация на данни за обучение на модели. Информацията е от характер на твърдение на една страна и не е потвърдена от независими разследвания към момента на публикуването; Moonshot AI не е публикувала официален отговор.<sup>[\[5\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_note-wiki_moonshot-5)</sup>\n\n== Перспективи и направления на изследванията ==\n\nВъз основа на публикуваните материали могат да се откроят няколко направления за по-нататъшни изследвания:\n\n\* **Мащабируеми агентни системи.** Развитие на подходите за обучение на LLM като агентни системи с използване на синтетичен инструментариум, RL и self-judging. Разширяване на Agent Swarm към по-голям брой суб-агенти и нови типове задачи.<sup>[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_note-K25paper-2)[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_note-K2paper-1)</sup>\n\* **Ефективни MoE архитектури.** Използването на 1 трлн параметри с 32 млрд активирани и 384 експерта представлява един от вариантите на компромис между мащаб и ефективност; изследват се алтернативи с различни схеми на маршрутизация.<sup>[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_note-K2paper-1)</sup>\n\* **Нативна мултимодалност.** Обучението на K2.5 върху смесени визуално-текстови данни от началото на предобучението представлява подход към „нативна" мултимодалност, който се сравнява с двуетапните схеми.<sup>[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_note-K25paper-2)[\[9\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_note-kimivl-9)</sup>\n\* **Ефективен инференс и дълъг контекст.** INT4 квантовката и поддръжката на контекст от 256 000 токена стимулират по-нататъшни изследвания в областта на разредено внимание, латентни представяния и външна памет. Отделно е описан проектът **Kimi Linear** — хибридно линейно внимание с намаляване на KV кеша с 75 % и ускоряване на декодирането 6 пъти при контекст от 1 млн токена.<sup>[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_note-K25paper-2)[\[19\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_note-kimilinear-19)</sup>\n\nВ официалните материали на Moonshot AI не се публикуват детайлни пътни карти за бъдещите версии на Kimi; изброените направления се основават на публикуваните изследвания.\n\n== Вж. също ==\n\* Архитектура Transformer\n\* DeepSeek\n\* Qwen\n\n== Препратки ==\n\* <a href="https://www.moonshot.ai/" class="external free" rel="nofollow">https://www.moonshot.ai/</a> — официален сайт на Moonshot AI\n\* <a href="https://platform.moonshot.ai/" class="external free" rel="nofollow">https://platform.moonshot.ai/</a> — Moonshot AI Open Platform (API)\n\* <a href="https://github.com/MoonshotAI/Kimi-K2.5" class="external free" rel="nofollow">https://github.com/MoonshotAI/Kimi-K2.5</a> — GitHub хранилище на Kimi K2.5\n\* <a href="https://huggingface.co/moonshotai" class="external free" rel="nofollow">https://huggingface.co/moonshotai</a> — профил на Moonshot AI в Hugging Face\n\n== Литература ==\n\* Kimi Team (2025). *Kimi K2: Open Agentic Intelligence*. arXiv:2507.20534. <a href="https://arxiv.org/abs/2507.20534\n*" class="external free" rel="nofollow">https://arxiv.org/abs/2507.20534\n*</a> Kimi Team (2026). *Kimi K2.5: Visual Agentic Intelligence*. arXiv:2602.02276. <a href="https://arxiv.org/abs/2602.02276\n*" class="external free" rel="nofollow">https://arxiv.org/abs/2602.02276\n*</a> Kimi Team (2025). *Kimi k1.5: Scaling Reinforcement Learning with LLMs*. arXiv:2501.12599. <a href="https://arxiv.org/abs/2501.12599\n*" class="external free" rel="nofollow">https://arxiv.org/abs/2501.12599\n*</a> Moonshot AI (2025). *Kimi-VL Technical Report*. arXiv:2504.07491. <a href="https://arxiv.org/abs/2504.07491\n*" class="external free" rel="nofollow">https://arxiv.org/abs/2504.07491\n*</a> Kimi Team (2025). *Kimi Linear: An Expressive, Efficient Attention Architecture*. arXiv:2510.26692. <a href="https://arxiv.org/abs/2510.26692\n*" class="external free" rel="nofollow">https://arxiv.org/abs/2510.26692\n*</a> Qin, R. et al. (2024). *Mooncake: A KVCache-centric Disaggregated Architecture for LLM Serving*. arXiv:2407.00079. <a href="https://arxiv.org/abs/2407.00079\n*" class="external free" rel="nofollow">https://arxiv.org/abs/2407.00079\n*</a> Vaswani, A. et al. (2017). *Attention Is All You Need*. NeurIPS. <a href="https://arxiv.org/abs/1706.03762\n\n==" class="external free" rel="nofollow">https://arxiv.org/abs/1706.03762\n\n==</a> Бележки ==\n\n\n\n<a href="https://systems-analysis.info/int/index.php?title=Template:SEOMeta%5Cn&amp;action=edit&amp;redlink=1" class="new" title="Template:SEOMeta\n (page does not exist)">Template:SEOMeta\n</a>

1.  <span id="cite_note-K2paper-1">↑ <sup>[1.00](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_ref-K2paper_1-0)</sup> <sup>[1.01](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_ref-K2paper_1-1)</sup> <sup>[1.02](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_ref-K2paper_1-2)</sup> <sup>[1.03](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_ref-K2paper_1-3)</sup> <sup>[1.04](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_ref-K2paper_1-4)</sup> <sup>[1.05](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_ref-K2paper_1-5)</sup> <sup>[1.06](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_ref-K2paper_1-6)</sup> <sup>[1.07](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_ref-K2paper_1-7)</sup> <sup>[1.08](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_ref-K2paper_1-8)</sup> <sup>[1.09](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_ref-K2paper_1-9)</sup> <sup>[1.10](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_ref-K2paper_1-10)</sup> <sup>[1.11](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_ref-K2paper_1-11)</sup> <sup>[1.12](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_ref-K2paper_1-12)</sup> <sup>[1.13](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_ref-K2paper_1-13)</sup> <sup>[1.14](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_ref-K2paper_1-14)</sup> <sup>[1.15](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_ref-K2paper_1-15)</sup> <sup>[1.16](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_ref-K2paper_1-16)</sup> <sup>[1.17](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_ref-K2paper_1-17)</sup> <sup>[1.18](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_ref-K2paper_1-18)</sup> <sup>[1.19](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_ref-K2paper_1-19)</sup> <sup>[1.20](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_ref-K2paper_1-20)</sup> <sup>[1.21](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_ref-K2paper_1-21)</sup> <sup>[1.22](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_ref-K2paper_1-22)</sup> <sup>[1.23](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_ref-K2paper_1-23)</sup> <sup>[1.24](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_ref-K2paper_1-24)</sup> <sup>[1.25](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_ref-K2paper_1-25)</sup> <sup>[1.26](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_ref-K2paper_1-26)</sup> <sup>[1.27](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_ref-K2paper_1-27)</sup> Kimi Team (2025). *Kimi K2: Open Agentic Intelligence*. arXiv:2507.20534 \[cs.LG\], 28 июля 2025 (v2: 3 февраля 2026). <a href="https://arxiv.org/abs/2507.20534" class="external free" rel="nofollow">https://arxiv.org/abs/2507.20534</a></span>
2.  <span id="cite_note-K25paper-2">↑ <sup>[2.00](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_ref-K25paper_2-0)</sup> <sup>[2.01](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_ref-K25paper_2-1)</sup> <sup>[2.02](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_ref-K25paper_2-2)</sup> <sup>[2.03](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_ref-K25paper_2-3)</sup> <sup>[2.04](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_ref-K25paper_2-4)</sup> <sup>[2.05](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_ref-K25paper_2-5)</sup> <sup>[2.06](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_ref-K25paper_2-6)</sup> <sup>[2.07](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_ref-K25paper_2-7)</sup> <sup>[2.08](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_ref-K25paper_2-8)</sup> <sup>[2.09](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_ref-K25paper_2-9)</sup> <sup>[2.10](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_ref-K25paper_2-10)</sup> <sup>[2.11](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_ref-K25paper_2-11)</sup> <sup>[2.12](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_ref-K25paper_2-12)</sup> <sup>[2.13](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_ref-K25paper_2-13)</sup> <sup>[2.14](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_ref-K25paper_2-14)</sup> <sup>[2.15](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_ref-K25paper_2-15)</sup> <sup>[2.16](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_ref-K25paper_2-16)</sup> <sup>[2.17](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_ref-K25paper_2-17)</sup> <sup>[2.18](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_ref-K25paper_2-18)</sup> <sup>[2.19](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_ref-K25paper_2-19)</sup> <sup>[2.20](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_ref-K25paper_2-20)</sup> <sup>[2.21](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_ref-K25paper_2-21)</sup> <sup>[2.22](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_ref-K25paper_2-22)</sup> <sup>[2.23](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_ref-K25paper_2-23)</sup> <sup>[2.24](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_ref-K25paper_2-24)</sup> <sup>[2.25](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_ref-K25paper_2-25)</sup> <sup>[2.26](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_ref-K25paper_2-26)</sup> Kimi Team (2026). *Kimi K2.5: Visual Agentic Intelligence*. arXiv:2602.02276 \[cs.CL\], 2 февраля 2026. <a href="https://arxiv.org/abs/2602.02276" class="external free" rel="nofollow">https://arxiv.org/abs/2602.02276</a></span>
3.  <span id="cite_note-HF_K25-3">[↑](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_ref-HF_K25_3-0) Moonshot AI. *moonshotai/Kimi-K2.5*. Hugging Face. <a href="https://huggingface.co/moonshotai/Kimi-K2.5" class="external free" rel="nofollow">https://huggingface.co/moonshotai/Kimi-K2.5</a></span>
4.  <span id="cite_note-platform-4">↑ <sup>[4.0](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_ref-platform_4-0)</sup> <sup>[4.1](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_ref-platform_4-1)</sup> <sup>[4.2](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_ref-platform_4-2)</sup> Moonshot AI Open Platform. <a href="https://platform.moonshot.ai/" class="external free" rel="nofollow">https://platform.moonshot.ai/</a></span>
5.  <span id="cite_note-wiki_moonshot-5">↑ <sup>[5.0](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_ref-wiki_moonshot_5-0)</sup> <sup>[5.1](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_ref-wiki_moonshot_5-1)</sup> *Moonshot AI*. Wikipedia (англ.). <a href="https://en.wikipedia.org/wiki/Moonshot_AI" class="external free" rel="nofollow">https://en.wikipedia.org/wiki/Moonshot_AI</a></span>
6.  <span id="cite_note-wiki_kimi_chatbot-6">↑ <sup>[6.0](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_ref-wiki_kimi_chatbot_6-0)</sup> <sup>[6.1](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_ref-wiki_kimi_chatbot_6-1)</sup> <sup>[6.2](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_ref-wiki_kimi_chatbot_6-2)</sup> *Kimi (chatbot)*. Wikipedia (англ.). <a href="https://en.wikipedia.org/wiki/Kimi_(chatbot)" class="external free" rel="nofollow">https://en.wikipedia.org/wiki/Kimi_(chatbot)</a></span>
7.  <span id="cite_note-moonshot_site-7">↑ <sup>[7.0](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_ref-moonshot_site_7-0)</sup> <sup>[7.1](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_ref-moonshot_site_7-1)</sup> Moonshot AI. Официальный сайт. <a href="https://www.moonshot.ai/" class="external free" rel="nofollow">https://www.moonshot.ai/</a></span>
8.  <span id="cite_note-k15paper-8">↑ <sup>[8.0](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_ref-k15paper_8-0)</sup> <sup>[8.1](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_ref-k15paper_8-1)</sup> Kimi Team (2025). *Kimi k1.5: Scaling Reinforcement Learning with LLMs*. arXiv:2501.12599 \[cs.AI\], 22 января 2025. <a href="https://arxiv.org/abs/2501.12599" class="external free" rel="nofollow">https://arxiv.org/abs/2501.12599</a></span>
9.  <span id="cite_note-kimivl-9">↑ <sup>[9.0](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_ref-kimivl_9-0)</sup> <sup>[9.1](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_ref-kimivl_9-1)</sup> <sup>[9.2](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_ref-kimivl_9-2)</sup> <sup>[9.3](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_ref-kimivl_9-3)</sup> <sup>[9.4](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_ref-kimivl_9-4)</sup> <sup>[9.5](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_ref-kimivl_9-5)</sup> <sup>[9.6](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_ref-kimivl_9-6)</sup> <sup>[9.7](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_ref-kimivl_9-7)</sup> Moonshot AI (2025). *Kimi-VL Technical Report*. arXiv:2504.07491 \[cs.CV\], 10 апреля 2025. <a href="https://arxiv.org/abs/2504.07491" class="external free" rel="nofollow">https://arxiv.org/abs/2504.07491</a></span>
10. <span id="cite_note-HF_K2Thinking-10">↑ <sup>[10.0](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_ref-HF_K2Thinking_10-0)</sup> <sup>[10.1](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_ref-HF_K2Thinking_10-1)</sup> <sup>[10.2](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_ref-HF_K2Thinking_10-2)</sup> <sup>[10.3](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_ref-HF_K2Thinking_10-3)</sup> Moonshot AI. *moonshotai/Kimi-K2-Thinking*. Hugging Face Model Card, 26 января 2026. <a href="https://huggingface.co/moonshotai/Kimi-K2-Thinking" class="external free" rel="nofollow">https://huggingface.co/moonshotai/Kimi-K2-Thinking</a></span>
11. <span id="cite_note-mooncake-11">↑ <sup>[11.0](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_ref-mooncake_11-0)</sup> <sup>[11.1](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_ref-mooncake_11-1)</sup> Qin, R. et al. (2024). *Mooncake: A KVCache-centric Disaggregated Architecture for LLM Serving*. arXiv:2407.00079 \[cs.DC\]. <a href="https://arxiv.org/abs/2407.00079" class="external free" rel="nofollow">https://arxiv.org/abs/2407.00079</a></span>
12. <span id="cite_note-Vaswani2017-12">↑ <sup>[12.0](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_ref-Vaswani2017_12-0)</sup> <sup>[12.1](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_ref-Vaswani2017_12-1)</sup> Vaswani, A. et al. (2017). *Attention Is All You Need*. <a href="https://arxiv.org/abs/1706.03762" class="external free" rel="nofollow">https://arxiv.org/abs/1706.03762</a></span>
13. <span id="cite_note-nvidia_nim-13">↑ <sup>[13.0](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_ref-nvidia_nim_13-0)</sup> <sup>[13.1](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_ref-nvidia_nim_13-1)</sup> <sup>[13.2](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_ref-nvidia_nim_13-2)</sup> <sup>[13.3](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_ref-nvidia_nim_13-3)</sup> NVIDIA. *kimi-k2.5 Model by Moonshotai — NVIDIA NIM APIs (Model Card)*. 26 января 2026. <a href="https://build.nvidia.com/moonshotai/kimi-k2.5/modelcard" class="external free" rel="nofollow">https://build.nvidia.com/moonshotai/kimi-k2.5/modelcard</a></span>
14. <span id="cite_note-importai-14">↑ <sup>[14.0](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_ref-importai_14-0)</sup> <sup>[14.1](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_ref-importai_14-1)</sup> <sup>[14.2](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_ref-importai_14-2)</sup> Import AI (Jack Clark). *Import AI 421: Kimi 2 — a great Chinese open weight model*. 20 июля 2025. <a href="https://importai.substack.com/p/import-ai-421-kimi-2-a-great-chinese" class="external free" rel="nofollow">https://importai.substack.com/p/import-ai-421-kimi-2-a-great-chinese</a></span>
15. <span id="cite_note-deeplearning_batch-15">↑ <sup>[15.0](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_ref-deeplearning_batch_15-0)</sup> <sup>[15.1](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_ref-deeplearning_batch_15-1)</sup> DeepLearning.ai. *Moonshot AI's Kimi K2.5 Takes the Open Model Crown with Vision Updates Aided by Subagents*. The Batch, 9 февраля 2026. <a href="https://www.deeplearning.ai/the-batch/moonshot-ais-kimi-k2-5-takes-the-open-model-crown-with-vision-updates-aided-by-subagents/" class="external free" rel="nofollow">https://www.deeplearning.ai/the-batch/moonshot-ais-kimi-k2-5-takes-the-open-model-crown-with-vision-updates-aided-by-subagents/</a></span>
16. <span id="cite_note-github_k25-16">↑ <sup>[16.0](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_ref-github_k25_16-0)</sup> <sup>[16.1](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_ref-github_k25_16-1)</sup> MoonshotAI. *MoonshotAI/Kimi-K2.5*. GitHub. <a href="https://github.com/MoonshotAI/Kimi-K2.5" class="external free" rel="nofollow">https://github.com/MoonshotAI/Kimi-K2.5</a></span>
17. <span id="cite_note-baseten-17">[↑](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_ref-baseten_17-0) Baseten. *Kimi K2 Explained: The 1 Trillion Parameter Model*. 17 июля 2025. <a href="https://www.baseten.co/blog/kimi-k2-explained-the-1-trillion-parameter-model-redefining-how-to-build-agents/" class="external free" rel="nofollow">https://www.baseten.co/blog/kimi-k2-explained-the-1-trillion-parameter-model-redefining-how-to-build-agents/</a></span>
18. <span id="cite_note-bismarck-18">[↑](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_ref-bismarck_18-0) Bismarck Analysis. *AI 2026: China's Moonshot AI Contends For Technical…*. 23 сентября 2025. <a href="https://brief.bismarckanalysis.com/p/ai-2026-chinas-moonshot-ai-contends" class="external free" rel="nofollow">https://brief.bismarckanalysis.com/p/ai-2026-chinas-moonshot-ai-contends</a></span>
19. <span id="cite_note-kimilinear-19">[↑](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(BG)#cite_ref-kimilinear_19-0) Kimi Team (2025). *Kimi Linear: An Expressive, Efficient Attention Architecture*. arXiv:2510.26692. <a href="https://arxiv.org/abs/2510.26692" class="external free" rel="nofollow">https://arxiv.org/abs/2510.26692</a></span>