---
title: "Kimi (Moonshot AI) (CS)"
source: "https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)"
wiki: "systems-analysis.info/int"
article: "Kimi_(Moonshot_AI)_(CS)"
language: "cs"
categories:
  - "Category:Czech"
  - "Category:Large language models"
  - "Category:Machine learning"
revision_id: 3408
wiki_created_at: 2026-09-06T23:20:14Z
wiki_modified_at: 2026-09-06T23:20:14Z
downloaded_at: 2026-09-07T22:56:45Z
---

# Kimi (Moonshot AI) (CS)

**Kimi (série modelů Moonshot AI)** — série velkých jazykových modelů (Large Language Model, LLM), vyvíjených čínskou společností Moonshot AI (Peking, ČLR) pro úlohy textové a multimodální generace, programování a agentních systémů (agentic systems — systémů schopných autonomního plánování, uvažování a jednání s využitím externích nástrojů). Rodina zahrnuje textové a multimodální modely s architekturou Mixture-of-Experts (MoE, směs expertů) v řádu 1 bilionu parametrů a aktivovanou podmnožinou v řádu 32 miliard parametrů na token.<sup>[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_note-K2paper-1)[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_note-K25paper-2)</sup> Důležitou vlastností série je orientace na agentní chování (vícekrokové plánování s voláním externích nástrojů) a podpora dlouhého kontextu až 256 000 tokenů ve verzích Kimi K2 a Kimi K2.5.<sup>[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_note-K2paper-1)[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_note-K25paper-2)</sup>\n\nModely série Kimi jsou distribuovány jak s otevřenými váhami (open-weight) na platformě Hugging Face pod modifikovanou licencí MIT, tak prostřednictvím proprietárního API platformy Moonshot AI Open Platform.<sup>[\[3\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_note-HF_K25-3)[\[4\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_note-platform-4)</sup>\n\n== Historie a předpoklady ==\n\n=== Založení Moonshot AI ===\n\nMoonshot AI byla založena v březnu 2023 v Pekingu Yangem Zhilinem (Yang Zhilin, CEO), Zhouem Xinyuem (Zhou Xinyu) a Wu Yuxinem (Wu Yuxin) — absolventy Univerzity Tsinghua (Tsinghua University). Yang Zhilin dříve pracoval v Google Brain a Meta, podílel se na výzkumu v oblasti počítačového vidění a uvažování. Společnost získala financování od Alibaba (kolo ve výši 1 miliardy USD, únor 2024), Tencent a dalších investorů.<sup>[\[5\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_note-wiki_moonshot-5)[\[6\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_note-wiki_kimi_chatbot-6)</sup>\n\n=== Chronologie klíčových vydání ===\n\n\* **Říjen–listopad 2023** — spuštění chatbotu Kimi s podporou kontextu až 128 tisíc tokenů (až 200 tisíc čínských znaků). První verze používaly proprietární modely s omezeně zveřejněnými technickými detaily.<sup>[\[6\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_note-wiki_kimi_chatbot-6)[\[7\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_note-moonshot_site-7)</sup>\n\* **Březen 2024** — rozšíření kontextu na 2 miliony znaků v beta verzi.<sup>[\[6\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_note-wiki_kimi_chatbot-6)</sup>\n\* **Leden 2025** — vydání **Kimi k1.5** — multimodálního modelu se škálovaným Reinforcement Learning (RL), deklarovaného jako srovnatelného s OpenAI o1 v úlohách matematiky, programování a multimodálního uvažování. Kontext až 128 tisíc tokenů.<sup>[\[8\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_note-k15paper-8)</sup>\n\* **Duben 2025** — představena **Kimi-VL** — otevřený multimodální MoE model (vision-language model, VLM) s vizuálním enkodérem MoonViT (~400 milionů parametrů) a ~2,8 miliardami aktivních parametrů v dekodéru. Technická zpráva zveřejněna na arXiv.<sup>[\[9\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_note-kimivl-9)</sup>\n\* **Červenec 2025** — vydání **Kimi K2** — hlavního otevřeného MoE modelu s 1 bilionem parametrů a 32 miliardami aktivních parametrů. Technická zpráva zveřejněna na arXiv.<sup>[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_note-K2paper-1)</sup> Model obsadil první místo mezi otevřenými modely na LMSYS Chatbot Arena v době vydání (více než 3000 hlasů).<sup>[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_note-K2paper-1)</sup>\n\* **Září 2025** — aktualizace **Kimi-K2-Instruct-0905** s rozšířeným kontextem na 256 tisíc tokenů a vylepšeným agentním kódováním.<sup>[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_note-K2paper-1)</sup>\n\* **Listopad 2025** — vydání **Kimi K2 Thinking** — verze s posíleným postupným uvažováním (chain-of-thought) a podporou 200–300 po sobě jdoucích volání nástrojů (tool calls).<sup>[\[10\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_note-HF_K2Thinking-10)</sup>\n\* **Leden 2026** — představena **Kimi K2.5** — multimodální MoE model s nativní multimodalitou a mechanismem Agent Swarm (paralelní orchestrace sub-agentů).<sup>[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_note-K25paper-2)</sup>\n\nParalelně s vývojem modelů byl v roce 2024 představen vlastní inferenční servis **Mooncake** — KVCache-centrická dezagregovaná architektura pro obsluhu LLM s dlouhým kontextem.<sup>[\[11\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_note-mooncake-11)</sup>\n\n== Teoretické základy a architektura ==\n\n=== Architektura Mixture-of-Experts ===\n\nModely série Kimi K2 a K2.5 implementují architekturu Transformer s Mixture-of-Experts v samostatných vrstvách. Standardní blok transformeru představuje kompozici vrstev vícehlav\u00e9ho samo-attention (Multi-Head Attention, MHA) a pozičně-wise MLP (vícevrstvého perceptronu) s reziduálními spojeními:<sup>[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_note-K2paper-1)[\[12\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#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\nkde $\mathbf{H} \in {\mathbb{R}}^{L \times d}$ — vstupní tokenové reprezentace, $L$ — délka sekvence, $d$ — velikost skrytého stavu.\n\nV MoE vrstvě se místo jednoho MLP používá sada expertů $\{ E_{i}\}_{i = 1}^{N}$, z nichž každý představuje samostatný MLP s parametry $\theta_{i}$. Směrovač (gating network) pro každý token vybírá podmnožinu expertů. Výstup MoE vrstvy pro token s reprezentací $\mathbf{h}$ je definován jako:<sup>[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#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\nkde $\mathcal{S}(\mathbf{h}) \subset \{ 1,\ldots,N\}$ — množina vybraných expertů pro daný token, $g_{i}(\mathbf{h})$ — normalizované váhy směrovače, $\sum\limits_{i \in \mathcal{S}}g_{i} = 1$. Funkce směrování vybírá experty prostřednictvím operace TopK:<sup>[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_note-K2paper-1)</sup>\n\n$g(\mathbf{h}) = {TopK}\left( {Softmax}(\mathbf{h} \cdot W_{g}) \right),$\n\nkde $W_{g}$ — trénovatelná matice směrovače. Toto schéma umožňuje škálovat celkový počet parametrů při omezeném počtu parametrů aktivovaných na každý token.\n\n=== Architektonické hyperparametry Kimi K2 / K2.5 ===\n\n{\| class=\\wikitable\\\n! Parametr !! Hodnota\n\|-\n\| Typ architektury \|\| Transformer s Mixture-of-Experts\n\|-\n\| Celkový počet parametrů \|\| 1,04 bilionu\n\|-\n\| Aktivované parametry na token \|\| 32 miliard\n\|-\n\| Počet vrstev \|\| 61 (1 hustá + 60 MoE)\n\|-\n\| Velikost skrytého stavu \|\| 7168\n\|-\n\| Počet attention hlav \|\| 64\n\|-\n\| Počet expertů \|\| 384 (8 vybíraných na token + 1 sdílený)\n\|-\n\| Velikost skrytého stavu experta (MoE hidden size) \|\| 2048\n\|-\n\| Velikost slovníku \|\| 160 000 tokenů\n\|-\n\| Aktivační funkce \|\| SwiGLU\n\|-\n\| Mechanismus attention \|\| Multi-head Latent Attention (MLA)\n\|-\n\| Maximální kontext \|\| 256 000 tokenů (rozšíření přes YaRN)\n\|-\n\| Vizuální enkodér (K2.5) \|\| MoonViT-3D, ~400 milionů parametrů\n\|}\n<sup>[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_note-K2paper-1)[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_note-K25paper-2)[\[13\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_note-nvidia_nim-13)</sup>\n\nSparsita (poměr celkového počtu expertů k aktivovanému) činí 48:1 (384 expertů, 8 aktivních), což zajišťuje výrazné snížení výpočetních nákladů oproti hustému (dense) modelu stejného měřítka.<sup>[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_note-K2paper-1)</sup>\n\n=== Mechanismus Multi-head Latent Attention (MLA) ===\n\nV modelech série Kimi K2/K2.5 se používá mechanismus Multi-head Latent Attention (MLA) — modifikace standardní vícehlav\u00e9 attention zaměřená na zvýšení efektivity a škálovatelnosti. Standardní attention pro jednu vrstvu se vypočítá jako:<sup>[\[12\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#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\nkde $\mathbf{Q},\mathbf{K},\mathbf{V} \in {\mathbb{R}}^{L \times d_{k}}$ — matice dotazů, klíčů a hodnot. V MLA jsou zavedeny latentní reprezentace, na které jsou projektovány dotazy a klíče, což snižuje dimenzionalitu mezioperací a umožňuje zmenšit objem KV-cache. Přístup je analogický mechanismu použitému v DeepSeek-V3.<sup>[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_note-K2paper-1)[\[13\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_note-nvidia_nim-13)</sup>\n\n=== Optimalizátor MuonClip a QK-clip ===\n\nPro trénování modelu Kimi K2 byl navržen optimalizátor **MuonClip** — modifikace optimalizátoru Muon (momentový optimalizátor s normalizací Newton-Schulz) s přidáním techniky **QK-clip** pro stabilizaci trénování velkých jazykových modelů s MoE architekturou.<sup>[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_note-K2paper-1)</sup>\n\nQK-clip aplikuje omezení na attention logity $\mathbf{Q}\mathbf{K}^{\top}$ prostřednictvím operace oříznutí (clipping). Pro každou attention hlavu $h$ je definován maximální logit:\n\n$S_{h}^{\max} = \frac{1}{\sqrt{d}}\max\limits_{i,j}\left( Q_{h}^{i}(K_{h}^{j})^{\top} \right),$\n\na vypočítá se koeficient škálování:\n\n$\gamma_{h} = \min\!\left( 1,\;\frac{\tau}{S_{h}^{\max}} \right),$\n\nkde $\tau = 100$ — hyperparametr-práh, $d$ — velikost attention hlavy. Koeficient $\gamma_{h}$ se používá pro škálování vah $W_{q},W_{k}$, pokud maximální logit překročí práh. To omezuje rozsah hodnot logitů před softmax a snižuje riziko náhlých skoků ztrátové funkce (loss spikes) při trénování ve velkém měřítku.<sup>[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_note-K2paper-1)</sup>\n\nPo údajích autorů proběhlo předtrénování Kimi K2 na 15,5 bilionu tokenů s MuonClip bez jediného zaznamenaného nárůstu ztrátové funkce (*zero loss spikes*).<sup>[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_note-K2paper-1)</sup>\n\n=== Multimodalita a MoonViT ===\n\nModely Kimi K2.5 a Kimi-VL používají vizuální enkodér **MoonViT** (ve verzi K2.5 — MoonViT-3D) s přibližně 400 miliony parametrů, postavený na základě SigLIP-SO-400M s NaViT-packingem (podpora proměnného rozlišení vstupních obrázků) a 3D rozšířením pro zpracování videa (seskupení po 4 snímcích).<sup>[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_note-K25paper-2)[\[9\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_note-kimivl-9)</sup>\n\nVizuální enkodér převádí vstupní obrázky a video na sekvenci vizuálních tokenů. Nechť $\mathbf{X} \in {\mathbb{R}}^{H \times W \times 3}$ — vstupní obrázek, $\Phi_{\text{vis}}$ — vizuální enkodér:\n\n$\mathbf{Z}_{\text{vis}} = \Phi_{\text{vis}}(\mathbf{X}) \in {\mathbb{R}}^{L_{v} \times d_{v}},$\n\ndále přes lineární projekci (dvouvrstvý MLP) $\mathbf{P} \in {\mathbb{R}}^{d_{v} \times d}$:\n\n$\mathbf{H}_{\text{vis}} = \mathbf{Z}_{\text{vis}}\,\mathbf{P},$\n\nkde $d$ — velikost skrytého prostoru jazykové části modelu. V multimodálním režimu je $\mathbf{H}_{\text{vis}}$ konkatenováno s textovými tokeny a předáno do transformeru.<sup>[\[9\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_note-kimivl-9)[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_note-K25paper-2)</sup>\n\nNa rozdíl od dvoustupňových schémat (přidání vizuálního adaptéru na textový model) byl K2.5 trénován na smíšených vizuálně-textových datech od začátku předtrénování (joint text-vision pre-training), s nízkým podílem vizuálních tokenů (~10 %) v raných fázích a postupným nárůstem. Celkový objem — přibližně 15 bilionů smíšených vizuálně-textových tokenů.<sup>[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_note-K25paper-2)</sup>\n\n== Předtrénování a dotrénování ==\n\n=== Předtrénování ===\n\n**Kimi K2** byl předtrénován na 15,5 bilionu tokenů (webové texty, kód, matematika, encyklopedické znalosti) s využitím optimalizátoru MuonClip. Během celého období předtrénování nebyl zaznamenán ani jeden nárůst ztrátové funkce (loss spike).<sup>[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_note-K2paper-1)</sup>\n\n**Kimi K2.5** prošel kontinuálním předtrénováním (continual pre-training) od kontrolního bodu K2 na dalších ~15 bilionech smíšených vizuálně-textových tokenů se sdílenou optimalizací modalit (joint pre-training). Samostatně bylo provedeno 1 bilion tokenů standalone trénování vizuálního enkodéru a dodatečná fáze long-context mid-training pro rozšíření kontextu.<sup>[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_note-K25paper-2)</sup>\n\n=== Dotrénování ===\n\nDotrénování modelů série K2 zahrnuje několik fází:<sup>[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_note-K2paper-1)[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_note-K25paper-2)</sup>\n\n**Supervised Fine-Tuning (SFT, řízené doladění):**\n\* Syntetické agentní trajektorie (agentic data synthesis) — generování specifikací nástrojů, simulace interakcí s prostředím, ověřování výsledků.\n\* Pro K2.5 se navíc používá zero-vision SFT — textový SFT aktivující vizuální schopnosti bez přímého využití obrázků ve fázi fine-tuning.\n\n**Reinforcement Learning (RL, zpětnovazební učení):**\n\* Kombinace ověřitelných odměn (Reinforcement Learning with Verifiable Rewards, RLVR) pro úlohy matematiky, kódu a bezpečnosti.\n\* Sebehodnocení podle rubrik (self-critique rubric rewards) — využití LLM hodnotitelů pro automatické hodnocení kvality agentních scénářů.\n\* Pro K2.5 — společné multimodální RL (joint multimodal RL).\n\n**Quantization-Aware Training (QAT):**\n\* Kimi K2 Thinking a K2.5 podporují nativní INT4 kvantizaci vah (weight-only quantization, skupina 32, komprimované tenzory), optimalizovanou pro architekturu NVIDIA Hopper, což snižuje paměťové nároky při inferenci.<sup>[\[10\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_note-HF_K2Thinking-10)[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_note-K25paper-2)</sup>\n\n=== Agent Swarm (K2.5) ===\n\nPro model K2.5 byl vyvinut mechanismus **Agent Swarm** — framework samořízeného paralelního orchestrování agentů. Model-orchestrátor dynamicky vytváří sub-agenty (prostřednictvím operací `create_subagent`, `assign_task`), rozděluje dílčí úlohy a shromažďuje výsledky. Každý sub-agent může samostatně volat nástroje a pracovat paralelně s ostatními sub-agenty.<sup>[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_note-K25paper-2)</sup>\n\nTrénování mechanismu Agent Swarm je realizováno prostřednictvím **Parallel-Agent Reinforcement Learning (PARL)** s oddělením provádění a optimalizace (decoupling execution/optimization). Podle údajů autorů zajišťuje Agent Swarm snížení latence až 4,5× ve srovnání s jednovláknovým agentním režimem (single-agent).<sup>[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_note-K25paper-2)</sup>\n\n== Hlavní modely série ==\n\n{\| class=\\wikitable\\\n! Model !! Typ !! Parametry (celkové / aktivní) !! Kontext, tokenů !! Multimodalita !! Datum vydání\n\|-\n\| **Kimi k1.5** \|\| LLM, RL-scaling \|\| nezveřejněno \|\| 128 000 \|\| Ano (omezená) \|\| Leden 2025\n\|-\n\| **Kimi-VL** \|\| VLM, MoE \|\| kompaktní / ~2,8 miliardy aktivních + 400 milionů ViT \|\| dlouhý kontext \|\| Ano (obrázky) \|\| Duben 2025\n\|-\n\| **Kimi K2** \|\| LLM, MoE \|\| 1,04 bilionu / 32 miliard \|\| 256 000 \|\| Ne (text) \|\| Červenec 2025\n\|-\n\| **Kimi K2 Thinking** \|\| LLM, MoE \|\| 1,04 bilionu / 32 miliard \|\| 256 000 \|\| Ne (text) \|\| Listopad 2025\n\|-\n\| **Kimi K2.5** \|\| VLM-LLM, MoE \|\| 1,04 bilionu / 32 miliard \|\| 256 000 \|\| Ano (obrázky, video, PDF) \|\| Leden 2026\n\|}\n<sup>[\[8\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_note-k15paper-8)[\[9\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_note-kimivl-9)[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_note-K2paper-1)[\[10\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_note-HF_K2Thinking-10)[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_note-K25paper-2)</sup>\n\n=== Kimi K2 ===\n\nKimi K2 — Mixture-of-Experts LLM s 1,04 bilionu celkových parametrů a 32 miliardami aktivovaných parametrů na token. Předtrénován na 15,5 bilionu tokenů s optimalizátorem MuonClip. Architektura zahrnuje 384 expertů a mechanismus MLA kompatibilní s dlouhým kontextem. Model je zaměřen na úlohy programování, matematického uvažování a agentních scénářů s postupnými voláními nástrojů.<sup>[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_note-K2paper-1)</sup>\n\nTechnická zpráva popisuje vícestupňový pipeline dotrénování: rozsáhlou syntézu agentních dat prostřednictvím simulace interakcí s nástroji; Reinforcement Learning ve smíšeném prostředí reálných a syntetických úloh; využití LLM hodnotitelů pro automatické hodnocení kvality.<sup>[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_note-K2paper-1)[\[14\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_note-importai-14)</sup>\n\n=== Kimi K2 Thinking ===\n\nVarianta Kimi K2 Thinking je optimalizována pro vícekrokové uvažování (chain-of-thought) s možností dynamického volání nástrojů a podporou kontextu až 256 000 tokenů. Model implementuje samostatný režim „Thinking" s explicitně vráceným polem `reasoning_content` obsahujícím vnitřní úvahy. K2 Thinking podporuje 200–300 po sobě jdoucích volání nástrojů v jedné agentní epizodě bez výrazné degradace chování, jakož i nativní INT4 kvantizaci s využitím QAT.<sup>[\[10\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_note-HF_K2Thinking-10)</sup>\n\n=== Kimi-VL ===\n\nKimi-VL — otevřený multimodální MoE-VLM (vision-language model) zaměřený na úlohy vizuálního porozumění, vizuálně-textového uvažování a scén reálného světa. Model je popsán jako kompaktní MoE architektura s vizuálním enkodérem MoonViT. Technická zpráva byla zveřejněna na arXiv v dubnu 2025.<sup>[\[9\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_note-kimivl-9)</sup>\n\n=== Kimi K2.5 ===\n\nKimi K2.5 — multimodální MoE model v měřítku 1,04 bilionu parametrů s 32 miliardami aktivovaných, založený na kontrolním bodě Kimi-K2-Base s pokračujícím předtrénováním na ~15 bilionech smíšených vizuálně-textových tokenů. Model podporuje vstupy obrázků, videa, PDF a textu s kontextem až 256 000 tokenů.<sup>[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_note-K25paper-2)</sup>\n\nK2.5 podporuje dva hlavní režimy výstupu:\n\* **Thinking mode** — s explicitním `reasoning_content` a vícekrokovou generací;\n\* **Instant mode** — bez výstupu úvah, s nižší latencí.<sup>[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_note-K25paper-2)[\[13\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_note-nvidia_nim-13)</sup>\n\nModel implementuje nativní INT4 kvantizaci vah (weight-only, skupina 32), optimalizovanou pro architekturu NVIDIA Hopper.<sup>[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_note-K25paper-2)</sup>\n\n== Klíčové výsledky a benchmarky ==\n\n=== Textové a agentní benchmarky Kimi K2 ===\n\nVýsledky jsou uvedeny pro Kimi-K2-Instruct v režimu non-thinking (bez rozšířeného chain-of-thought) dle údajů technické zprávy.<sup>[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_note-K2paper-1)</sup>\n\n{\| class=\\wikitable\\\n! Benchmark !! Kimi K2-Instruct !! DeepSeek-V3-0324 !! Claude 4 Opus / Sonnet !! Zdroj\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\nPo vyjádření autorů tyto výsledky řadí K2 mezi přední otevřené modely v režimu bez thinking rozvinutí, zejména v inženýrských a agentních úlohách (ke dni zveřejnění zprávy).<sup>[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_note-K2paper-1)</sup>\n\n=== Benchmarky Kimi-VL ===\n\n{\| class=\\wikitable\\\n! Benchmark !! Kimi-VL !! Qwen2.5-VL-7B !! GPT-4o-mini !! Zdroj\n\|-\n\| MMVet (přesnost) \|\| 66,7 % \|\| 67,1 % \|\| 66,9 % \|\| arXiv:2504.07491\n\|-\n\| RealWorldQA \|\| 68,1 % \|\| 68,5 % \|\| — \|\| arXiv:2504.07491\n\|}\n\nVýsledky ukazují, že kompaktní multimodální MoE architektura dosahuje úrovně srovnatelné s většími modely při menším počtu aktivních parametrů.<sup>[\[9\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_note-kimivl-9)</sup>\n\n=== Benchmarky Kimi K2.5 ===\n\nVýsledky jsou uvedeny v režimu Thinking (temperature = 1,0; top-p = 0,95; kontext 256 000 tokenů; engine vLLM; hardwarová platforma NVIDIA H200) dle údajů modelové karty na platformě NVIDIA NIM a technické zprávy.<sup>[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_note-K25paper-2)[\[13\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_note-nvidia_nim-13)</sup>\n\n{\| class=\\wikitable\\\n! Kategorie !! Benchmark !! Kimi K2.5\n\|-\n\| rowspan=\\6\\ \| Reasoning & Knowledge\n\| HLE-Full (bez nástrojů) \|\| 30,1\n\|-\n\| HLE-Full (s nástroji) \|\| 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\nNavíc K2.5 vykazuje pozitivní přenos vizuálního trénování na textové úlohy: +1,7 % na MMLU-Pro a +2,1 % na GPQA-Diamond ve srovnání s textovým základním modelem K2.<sup>[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_note-K25paper-2)</sup>\n\nKonečné srovnávací hodnocení závisí na výběru metrik a scénářů; výsledky jsou uvedeny dle údajů autorů. Nezávislá validace části benchmarků je ke dni publikace omezená.<sup>[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_note-K25paper-2)[\[15\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_note-deeplearning_batch-15)</sup>\n\n== Využití ==\n\n=== Textový asistent a vyhledávání ===\n\nPlatforma Kimi se používá jako asistent s podporou zpracování dlouhých dokumentů (výzkumné zprávy, finanční data), automatizované analýzy a online vyhledávání s agregací informací. Moonshot AI uvádí, že Kimi podporuje více než 300 volání nástrojů (tool calls) v rámci jednoho agentního scénáře.<sup>[\[7\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_note-moonshot_site-7)[\[4\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_note-platform-4)</sup>\n\n=== Programování a inženýrské úlohy ===\n\nKimi K2 a K2.5 dosahují vysokých výsledků na SWE-Bench Verified, SWE-Bench Multilingual, LiveCodeBench a dalších programovacích benchmarcích. Modely se využívají pro automatizaci oprav chyb v repozitářích, generování a refaktoring kódu, řešení úloh online soudců (OJBench, LiveCodeBench). Technická zpráva K2 uvádí, že model byl trénován na rozsáhlém syntetickém agentním korpusu zahrnujícím interakce se systémy správy verzí, správci balíčků a spouštěcími prostředími.<sup>[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_note-K2paper-1)[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_note-K25paper-2)[\[14\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_note-importai-14)</sup>\n\n=== Multimodální aplikace ===\n\nKimi-VL a K2.5 jsou určeny pro vizuální otázky a odpovědi (VQA) na obrázcích a dokumentech; porozumění dokumentům (OCRBench, OmniDocBench); analýzu videa (VideoMMMU, LongVideoBench); kombinované úlohy programování podle vizuálních specifikací (například generování rozhraní podle rozvržení obrázku). Pro K2.5 jsou popsány scénáře „vision-grounded coding" a „autonomous visual debugging", kde model generuje kód podle vizuálního popisu a iterativně analyzuje vizuální výsledek.<sup>[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_note-K25paper-2)[\[9\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_note-kimivl-9)[\[15\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_note-deeplearning_batch-15)</sup>\n\n=== API a nasazení ===\n\nModely jsou dostupné prostřednictvím API platformy Moonshot AI Open Platform s podporou tool calling, thinking režimu, JSON režimu a ukládání kontextu do mezipaměti. Otevřené váhy se používají pro lokální nasazení přes vLLM, SGLang a TensorRT-LLM. Servis Mooncake zajišťuje škálování inference pro dlouhý kontext.<sup>[\[4\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_note-platform-4)[\[11\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_note-mooncake-11)[\[16\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_note-github_k25-16)</sup>\n\n== Omezení a otevřené problémy ==\n\n=== Požadavky na zdroje ===\n\nMoE modely v měřítku 1 bilionu parametrů, i při aktivovaných 32 miliardách parametrů a INT4 kvantizaci, vyžadují značné paměťové prostředky a propustnost. V inženýrských diskusích o nasazení Kimi K2.5 se zmiňují odhady v řádu stovek gigabajtů video paměti pro úplné načtení modelu; konkrétní čísla závisí na formě kvantizace a frameworku (vLLM, SGLang apod.).<sup>[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_note-K25paper-2)[\[17\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_note-baseten-17)</sup>\n\n=== Halucinace a kvalita generace ===\n\nJako ostatní LLM jsou i modely série Kimi náchylné k halucinacím. V testech FACTS Grounding a FaithJudge byly zaznamenány hodnoty hallucination rate v rozsahu 1,1–7,4 % v RAG scénářích. V non-thinking režimu může model generovat nadbytečné tokeny při nejasných specifikacích nástrojů; při vynuceném zapnutí tool-use výkon klesá u některých úloh.<sup>[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_note-K2paper-1)</sup>\n\n=== Závislost na syntetických datech a RL pipeline ===\n\nPipeline syntézy agentních dat a zpětnovazebního učení se opírá o rozsáhlou kolekci syntetických nástrojů a scén, jakož i LLM hodnotitelů pro automatické hodnocení (self-judging). Toto schéma generuje otevřené otázky: odolnost vůči zkreslení (bias) sebehodnocení; potenciální degradace při opakované iteraci (bootstrap); přenositelnost agentních dovedností do reálných prostředí odlišných od simulovaných; vliv distribuce syntetických úloh na schopnost zobecnění.<sup>[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_note-K2paper-1)[\[14\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_note-importai-14)</sup>\n\n=== Transparentnost a reprodukovatelnost ===\n\nČást informací o složení tréninkových dat, procesu filtrování, distribuci jazyků a domén není zveřejněna nebo je zveřejněna omezeně. To ztěžuje přesné hodnocení zdrojů zkreslení, reprodukovatelnost trénování a nezávislou validaci dopadu jednotlivých komponent (MuonClip, QK-clip) na stabilitu. K únoru 2026 nebylo v otevřené literatuře zaznamenáno úplné reprodukování trénování Kimi K2 a K2.5 třetími stranami.<sup>[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_note-K2paper-1)[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_note-K25paper-2)</sup>\n\n== Etické a regulatorní aspekty ==\n\nV modelových kartách a technických zprávách je zdůrazněno, že vývojáři nesou odpovědnost za vstupy a výstupy modelu; je vyžadováno přidání ochranných mechanismů (guardrails) a testování na datech konkrétního případu před nasazením; model může zpracovávat obrázky a video potenciálně obsahující osobní údaje a integrátor je povinen dodržovat příslušné právní předpisy.<sup>[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_note-K25paper-2)[\[16\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_note-github_k25-16)</sup>\n\nTechnické zprávy popisují hodnocení bezpečnosti (biologická, chemická, kybernetická rizika) s využitím nástrojů typu Promptfoo. Modely procházejí RL vyrovnáváním (alignment) s ověřitelnými odměnami a sebehodnocením.<sup>[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_note-K2paper-1)</sup>\n\nJako produkt čínské společnosti podléhají modely národní regulaci ČLR v oblasti AI. V době psaní nebyly nalezeny samostatné veřejné regulatorní dokumenty věnované výhradně modelům Kimi; regulace probíhá v rámci obecných přístupů ke generativním modelům a AI v příslušných jurisdikcích.<sup>[\[18\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_note-bismarck-18)</sup>\n\nV únoru 2026 společnost Anthropic prohlásila, že Moonshot AI (společně s dalšími čínskými vývojáři) používala falešné účty pro generování interakcí s Claude za účelem destilace dat pro trénování modelů. Tato informace má charakter tvrzení jedné strany a není potvrzena nezávislými šetřeními ke dni publikace; Moonshot AI nezveřejnila oficiální vyjádření.<sup>[\[5\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_note-wiki_moonshot-5)</sup>\n\n== Perspektivy a směry výzkumu ==\n\nNa základě zveřejněných materiálů lze identifikovat několik směrů dalšího výzkumu:\n\n\* **Škálovatelné agentní systémy.** Rozvoj přístupů k trénování LLM jako agentních systémů s využitím syntetických nástrojů, RL a self-judging. Rozšíření Agent Swarm na větší počet sub-agentů a nové typy úloh.<sup>[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_note-K25paper-2)[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_note-K2paper-1)</sup>\n\* **Efektivní MoE architektury.** Využití 1 bilionu parametrů s 32 miliardami aktivovaných a 384 experty představuje jeden z kompromisů mezi měřítkem a efektivitou; zkoumají se alternativy s různými schématy směrování.<sup>[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_note-K2paper-1)</sup>\n\* **Nativní multimodalita.** Trénování K2.5 na smíšených vizuálně-textových datech od začátku předtrénování představuje přístup k „nativní" multimodalitě, který je srovnáván s dvoustupňovými schématy.<sup>[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_note-K25paper-2)[\[9\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_note-kimivl-9)</sup>\n\* **Efektivní inference a dlouhý kontext.** INT4 kvantizace a podpora kontextu 256 000 tokenů stimulují další výzkum v oblasti řídké attention, latentních reprezentací a externí paměti. Samostatně je popsán projekt **Kimi Linear** — hybridní lineární attention se snížením KV-cache o 75 % a zrychlením dekódování 6× při kontextu 1 milionu tokenů.<sup>[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_note-K25paper-2)[\[19\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_note-kimilinear-19)</sup>\n\nV oficiálních materiálech Moonshot AI nejsou zveřejňovány podrobné plány budoucích verzí Kimi; uvedené směry vycházejí ze zveřejněných výzkumů.\n\n== Viz také ==\n\* Architektura Transformer\n\* DeepSeek\n\* Qwen\n\n== Odkazy ==\n\* <a href="https://www.moonshot.ai/" class="external free" rel="nofollow">https://www.moonshot.ai/</a> — oficiální web 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 repozitář Kimi K2.5\n\* <a href="https://huggingface.co/moonshotai" class="external free" rel="nofollow">https://huggingface.co/moonshotai</a> — profil Moonshot AI na Hugging Face\n\n== Literatura ==\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> Poznámky ==\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)_(CS)#cite_ref-K2paper_1-0)</sup> <sup>[1.01](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_ref-K2paper_1-1)</sup> <sup>[1.02](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_ref-K2paper_1-2)</sup> <sup>[1.03](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_ref-K2paper_1-3)</sup> <sup>[1.04](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_ref-K2paper_1-4)</sup> <sup>[1.05](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_ref-K2paper_1-5)</sup> <sup>[1.06](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_ref-K2paper_1-6)</sup> <sup>[1.07](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_ref-K2paper_1-7)</sup> <sup>[1.08](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_ref-K2paper_1-8)</sup> <sup>[1.09](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_ref-K2paper_1-9)</sup> <sup>[1.10](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_ref-K2paper_1-10)</sup> <sup>[1.11](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_ref-K2paper_1-11)</sup> <sup>[1.12](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_ref-K2paper_1-12)</sup> <sup>[1.13](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_ref-K2paper_1-13)</sup> <sup>[1.14](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_ref-K2paper_1-14)</sup> <sup>[1.15](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_ref-K2paper_1-15)</sup> <sup>[1.16](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_ref-K2paper_1-16)</sup> <sup>[1.17](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_ref-K2paper_1-17)</sup> <sup>[1.18](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_ref-K2paper_1-18)</sup> <sup>[1.19](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_ref-K2paper_1-19)</sup> <sup>[1.20](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_ref-K2paper_1-20)</sup> <sup>[1.21](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_ref-K2paper_1-21)</sup> <sup>[1.22](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_ref-K2paper_1-22)</sup> <sup>[1.23](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_ref-K2paper_1-23)</sup> <sup>[1.24](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_ref-K2paper_1-24)</sup> <sup>[1.25](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_ref-K2paper_1-25)</sup> <sup>[1.26](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_ref-K2paper_1-26)</sup> <sup>[1.27](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#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)_(CS)#cite_ref-K25paper_2-0)</sup> <sup>[2.01](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_ref-K25paper_2-1)</sup> <sup>[2.02](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_ref-K25paper_2-2)</sup> <sup>[2.03](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_ref-K25paper_2-3)</sup> <sup>[2.04](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_ref-K25paper_2-4)</sup> <sup>[2.05](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_ref-K25paper_2-5)</sup> <sup>[2.06](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_ref-K25paper_2-6)</sup> <sup>[2.07](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_ref-K25paper_2-7)</sup> <sup>[2.08](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_ref-K25paper_2-8)</sup> <sup>[2.09](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_ref-K25paper_2-9)</sup> <sup>[2.10](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_ref-K25paper_2-10)</sup> <sup>[2.11](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_ref-K25paper_2-11)</sup> <sup>[2.12](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_ref-K25paper_2-12)</sup> <sup>[2.13](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_ref-K25paper_2-13)</sup> <sup>[2.14](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_ref-K25paper_2-14)</sup> <sup>[2.15](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_ref-K25paper_2-15)</sup> <sup>[2.16](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_ref-K25paper_2-16)</sup> <sup>[2.17](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_ref-K25paper_2-17)</sup> <sup>[2.18](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_ref-K25paper_2-18)</sup> <sup>[2.19](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_ref-K25paper_2-19)</sup> <sup>[2.20](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_ref-K25paper_2-20)</sup> <sup>[2.21](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_ref-K25paper_2-21)</sup> <sup>[2.22](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_ref-K25paper_2-22)</sup> <sup>[2.23](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_ref-K25paper_2-23)</sup> <sup>[2.24](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_ref-K25paper_2-24)</sup> <sup>[2.25](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_ref-K25paper_2-25)</sup> <sup>[2.26](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#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)_(CS)#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)_(CS)#cite_ref-platform_4-0)</sup> <sup>[4.1](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_ref-platform_4-1)</sup> <sup>[4.2](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#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)_(CS)#cite_ref-wiki_moonshot_5-0)</sup> <sup>[5.1](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#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)_(CS)#cite_ref-wiki_kimi_chatbot_6-0)</sup> <sup>[6.1](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_ref-wiki_kimi_chatbot_6-1)</sup> <sup>[6.2](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#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)_(CS)#cite_ref-moonshot_site_7-0)</sup> <sup>[7.1](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#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)_(CS)#cite_ref-k15paper_8-0)</sup> <sup>[8.1](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#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)_(CS)#cite_ref-kimivl_9-0)</sup> <sup>[9.1](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_ref-kimivl_9-1)</sup> <sup>[9.2](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_ref-kimivl_9-2)</sup> <sup>[9.3](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_ref-kimivl_9-3)</sup> <sup>[9.4](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_ref-kimivl_9-4)</sup> <sup>[9.5](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_ref-kimivl_9-5)</sup> <sup>[9.6](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_ref-kimivl_9-6)</sup> <sup>[9.7](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#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)_(CS)#cite_ref-HF_K2Thinking_10-0)</sup> <sup>[10.1](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_ref-HF_K2Thinking_10-1)</sup> <sup>[10.2](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_ref-HF_K2Thinking_10-2)</sup> <sup>[10.3](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#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)_(CS)#cite_ref-mooncake_11-0)</sup> <sup>[11.1](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#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)_(CS)#cite_ref-Vaswani2017_12-0)</sup> <sup>[12.1](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#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)_(CS)#cite_ref-nvidia_nim_13-0)</sup> <sup>[13.1](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_ref-nvidia_nim_13-1)</sup> <sup>[13.2](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_ref-nvidia_nim_13-2)</sup> <sup>[13.3](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#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)_(CS)#cite_ref-importai_14-0)</sup> <sup>[14.1](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#cite_ref-importai_14-1)</sup> <sup>[14.2](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#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)_(CS)#cite_ref-deeplearning_batch_15-0)</sup> <sup>[15.1](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#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)_(CS)#cite_ref-github_k25_16-0)</sup> <sup>[16.1](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(CS)#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)_(CS)#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)_(CS)#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)_(CS)#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>