---
title: "Kimi (Moonshot AI) (HU)"
source: "https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)"
wiki: "systems-analysis.info/int"
article: "Kimi_(Moonshot_AI)_(HU)"
language: "hu"
categories:
  - "Category:Hungarian"
  - "Category:Large language models"
  - "Category:Machine learning"
revision_id: 3412
wiki_created_at: 2026-09-06T23:20:18Z
wiki_modified_at: 2026-09-06T23:20:18Z
downloaded_at: 2026-09-07T22:56:47Z
---

# Kimi (Moonshot AI) (HU)

**Kimi (a Moonshot AI modellsorozat)** — nagyméretű nyelvi modellek (Large Language Model, LLM) sorozata, amelyet a kínai Moonshot AI vállalat (Peking, KNR) fejleszt szöveges és multimodális generálási, programozási, valamint agentrendszeri (agentic systems — autonóm tervezésre, következtetésre és külső eszközök használatával végzett cselekvésre képes rendszerek) feladatokhoz. A modellcsalád szöveges és multimodális, Mixture-of-Experts (MoE, szakértők keveréke) architektúrájú modelleket tartalmaz, amelyek nagyságrendileg 1 billió paramétert ölelnek fel, tokenenkénti aktivált részhalmazuk nagyságrendileg 32 milliárd paraméter.<sup>[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_note-K2paper-1)[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_note-K25paper-2)</sup> A sorozat fontos jellemzője az agentikus viselkedésre való orientáció (többlépéses tervezés külső eszközök hívásával) és a Kimi K2, valamint Kimi K2.5 verzióiban legfeljebb 256 000 tokenes hosszú kontextus támogatása.<sup>[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_note-K2paper-1)[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_note-K25paper-2)</sup>\n\nA Kimi sorozat modelljeit nyílt súlyokkal (open-weight) is terjesztik a Hugging Face platformon módosított MIT-licenc alatt, valamint a Moonshot AI Open Platform saját API-ján keresztül.<sup>[\[3\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_note-HF_K25-3)[\[4\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_note-platform-4)</sup>\n\n== Történet és előzmények ==\n\n=== A Moonshot AI megalapítása ===\n\nA Moonshot AI-t 2023 márciusában alapította Pekingben Yang Zhilin (Yang Zhilin, CEO), Zhou Xinyu (Zhou Xinyu) és Wu Yuxin (Wu Yuxin) — a Tsinghua University (Tsingsua Egyetem) végzettjei. Yang Zhilin korábban a Google Brain-nél és a Meta-nál dolgozott, részt vett számítógépes látás és következtetés terén folytatott kutatásokban. A vállalat finanszírozást kapott az Alibabától (1 milliárd dolláros finanszírozási kör, 2024 februárjában), a Tencenttől és más befektetőktől.<sup>[\[5\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_note-wiki_moonshot-5)[\[6\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_note-wiki_kimi_chatbot-6)</sup>\n\n=== A főbb kiadások időrendje ===\n\n\* **2023 október–november** — a Kimi chatbot elindítása, legfeljebb 128 ezer tokenes kontextustámogatással (legfeljebb 200 ezer kínai írásjeggyel). A korai verziók saját fejlesztésű modelleket használtak, korlátozott mértékben nyilvánosságra hozott technikai részletekkel.<sup>[\[6\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_note-wiki_kimi_chatbot-6)[\[7\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_note-moonshot_site-7)</sup>\n\* **2024 március** — a kontextus kiterjesztése legfeljebb 2 millió írásjegyre a bétaverzióban.<sup>[\[6\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_note-wiki_kimi_chatbot-6)</sup>\n\* **2025 január** — megjelent a **Kimi k1.5** — multimodális modell skálázott megerősítéses tanulással (Reinforcement Learning, RL), amelynek teljesítménye a fejlesztők szerint összemérhető az OpenAI o1-jével matematikai, programozási és multimodális következtetési feladatokban. Kontextus legfeljebb 128 ezer token.<sup>[\[8\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_note-k15paper-8)</sup>\n\* **2025 április** — bemutatták a **Kimi-VL**-t — nyílt multimodális MoE-modell (vision-language model, VLM) MoonViT vizuális enkóderrel (~400 millió paraméter) és ~2,8 milliárd aktív paraméterrel a dekóderben. A technikai jelentést közzétették az arXiv-on.<sup>[\[9\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_note-kimivl-9)</sup>\n\* **2025 július** — megjelent a **Kimi K2** — az alap nyílt MoE-modell 1 billió paramétert és 32 milliárd aktív paramétert. A technikai jelentést közzétették az arXiv-on.<sup>[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_note-K2paper-1)</sup> A modell a kiadás idején az első helyen állt a nyílt modellek között az LMSYS Chatbot Arénán (több mint 3000 szavazat alapján).<sup>[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_note-K2paper-1)</sup>\n\* **2025 szeptember** — **Kimi-K2-Instruct-0905** frissítés, kiterjesztett, legfeljebb 256 ezer tokenes kontextussal és fejlettebb agentikus kódolással.<sup>[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_note-K2paper-1)</sup>\n\* **2025 november** — megjelent a **Kimi K2 Thinking** — a fejlettebb lépésről lépésre haladó következtetéssel (chain-of-thought) és 200–300 egymást követő eszközhívás (tool calls) támogatásával rendelkező verzió.<sup>[\[10\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_note-HF_K2Thinking-10)</sup>\n\* **2026 január** — bemutatták a **Kimi K2.5**-öt — multimodális MoE-modell natív multimodalitással és Agent Swarm mechanizmussal (részügynökök párhuzamos vezénylése).<sup>[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_note-K25paper-2)</sup>\n\nA modellfejlesztéssel párhuzamosan 2024-ben bemutatták a saját fejlesztésű **Mooncake** inferencia-szolgáltatást — egy KVCache-központú diszaggregált architektúrát, amely hosszú kontextusú LLM-ek kiszolgálására szolgál.<sup>[\[11\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_note-mooncake-11)</sup>\n\n== Elméleti alapok és architektúra ==\n\n=== A Mixture-of-Experts architektúra ===\n\nA Kimi K2 és K2.5 sorozat modelljei Mixture-of-Experts architektúrájú Transformert valósítanak meg egyes rétegekben. A transzformer standard blokkja többfejű önfigyelmi rétegek (Multi-Head Attention, MHA) és pozíciófüggő MLP (többrétegű perceptron) reziduális kapcsolatokkal alkotott kompozíciója:<sup>[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_note-K2paper-1)[\[12\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#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\nitt $\mathbf{H} \in {\mathbb{R}}^{L \times d}$ — a bemeneti tokenreprezentációk, $L$ — a szekvencia hossza, $d$ — a rejtett állapot mérete.\n\nAz MoE-rétegben egyetlen MLP helyett szakértők $\{ E_{i}\}_{i = 1}^{N}$ halmaza szerepel, amelyek mindegyike önálló MLP $\theta_{i}$ paraméterekkel. Az útválasztó (gating network) minden tokenhez kiválaszt egy szakértő-részhalmazt. Az MoE-réteg kimenete a $\mathbf{h}$ reprezentációjú tokenhez a következőképpen adható meg:<sup>[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#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\nitt $\mathcal{S}(\mathbf{h}) \subset \{ 1,\ldots,N\}$ — az adott tokenhez kiválasztott szakértők halmaza, $g_{i}(\mathbf{h})$ — az útválasztó normalizált súlyai, $\sum\limits_{i \in \mathcal{S}}g_{i} = 1$. Az útválasztási függvény TopK-művelettel választja ki a szakértőket:<sup>[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_note-K2paper-1)</sup>\n\n$g(\mathbf{h}) = {TopK}\left( {Softmax}(\mathbf{h} \cdot W_{g}) \right),$\n\nitt $W_{g}$ — az útválasztó tanítható mátrixa. Ez a séma lehetővé teszi a paraméterek összesített számának skálázását, miközben a tokenenkénti aktivált paraméterek száma korlátozott marad.\n\n=== A Kimi K2 / K2.5 architektúrális hiperparaméterei ===\n\n{\| class=\\wikitable\\\n! Paraméter !! Érték\n\|-\n\| Architektúra típusa \|\| Transformer Mixture-of-Experts megközelítéssel\n\|-\n\| Paraméterek teljes száma \|\| 1,04 billió\n\|-\n\| Tokenenkénti aktivált paraméterek \|\| 32 milliárd\n\|-\n\| Rétegek száma \|\| 61 (1 sűrű + 60 MoE)\n\|-\n\| Rejtett állapot mérete \|\| 7168\n\|-\n\| Figyelmi fejek száma \|\| 64\n\|-\n\| Szakértők száma \|\| 384 (tokenenkénti 8 kiválasztott + 1 közös)\n\|-\n\| Szakértő rejtett állapotának mérete (MoE hidden size) \|\| 2048\n\|-\n\| Szótár mérete \|\| 160 000 token\n\|-\n\| Aktivációs függvény \|\| SwiGLU\n\|-\n\| Figyelmi mechanizmus \|\| Multi-head Latent Attention (MLA)\n\|-\n\| Maximális kontextus \|\| 256 000 token (kiterjesztés YaRN-nel)\n\|-\n\| Vizuális enkóder (K2.5) \|\| MoonViT-3D, ~400 millió paraméter\n\|}\n<sup>[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_note-K2paper-1)[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_note-K25paper-2)[\[13\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_note-nvidia_nim-13)</sup>\n\nA ritkasági arány (a szakértők összesített és aktivált száma) 48:1 (384 szakértő, 8 aktív), ami jelentős számítási megtakarítást biztosít az azonos méretű sűrű (dense) modellhez képest.<sup>[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_note-K2paper-1)</sup>\n\n=== A Multi-head Latent Attention (MLA) mechanizmusa ===\n\nA Kimi K2/K2.5 sorozat modelljei Multi-head Latent Attention (MLA) mechanizmust alkalmaznak — a standard többfejű figyelem olyan módosítását, amely a hatékonyság és a skálázhatóság növelésére irányul. Az egyetlen rétegre vonatkozó standard figyelem kiszámítása:<sup>[\[12\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#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\nitt $\mathbf{Q},\mathbf{K},\mathbf{V} \in {\mathbb{R}}^{L \times d_{k}}$ — a lekérdezések, kulcsok és értékek mátrixai. Az MLA-ban látens reprezentációkat vezet be, amelyekre a lekérdezések és kulcsok vetülnek, csökkentve a közbülső műveletek dimenzióit és lehetővé téve a KV-gyorsítótár méretének csökkentését. A megközelítés hasonló a DeepSeek-V3-ban alkalmazott mechanizmushoz.<sup>[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_note-K2paper-1)[\[13\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_note-nvidia_nim-13)</sup>\n\n=== A MuonClip optimalizáló és a QK-clip ===\n\nA Kimi K2 modell tanításához a **MuonClip** optimalizálót javasolták — a Muon optimalizáló (Newton-Schulz-normalizálással rendelkező impulzusos optimalizáló) módosítását, amelyhez **QK-clip** technikát adtak hozzá a nagy MoE-architektúrájú nagyméretű nyelvi modellek tanításának stabilizálása érdekében.<sup>[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_note-K2paper-1)</sup>\n\nA QK-clip korlátozásokat alkalmaz a $\mathbf{Q}\mathbf{K}^{\top}$ figyelmi logitokra csonkítási (clipping) művelet révén. Minden $h$ figyelmi fejre meghatározható a maximális logit:\n\n$S_{h}^{\max} = \frac{1}{\sqrt{d}}\max\limits_{i,j}\left( Q_{h}^{i}(K_{h}^{j})^{\top} \right),$\n\nés kiszámítható a skálázási együttható:\n\n$\gamma_{h} = \min\!\left( 1,\;\frac{\tau}{S_{h}^{\max}} \right),$\n\nitt $\tau = 100$ — a küszöb hiperparaméter, $d$ — a figyelmi fej mérete. A $\gamma_{h}$ együtthatót a $W_{q},W_{k}$ súlyok skálázásához alkalmazzák, ha a maximális logit meghaladja a küszöböt. Ez korlátozza a logitértékek tartományát a softmax előtt, és csökkenti a nagy méretarányú tanítás során fellépő éles veszteségugrások (loss spikes) kockázatát.<sup>[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_note-K2paper-1)</sup>\n\nA szerzők adatai szerint a Kimi K2 15,5 billió tokenre való előtanítása MuonClip-pel egyetlen rögzített veszteségugrás nélkül zajlott le (*zero loss spikes*).<sup>[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_note-K2paper-1)</sup>\n\n=== Multimodalitás és MoonViT ===\n\nA Kimi K2.5 és Kimi-VL modellek **MoonViT** vizuális enkódert (a K2.5 verzióban MoonViT-3D) alkalmaznak, körülbelül 400 millió paraméterrel, amely SigLIP-SO-400M alapon épül NaViT-packing (változó felbontású bemeneti képek támogatása) és 3D-kiterjesztéssel a videófeldolgozáshoz (4 képkockánként csoportosítás).<sup>[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_note-K25paper-2)[\[9\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_note-kimivl-9)</sup>\n\nA vizuális enkóder a bemeneti képeket és videókat vizuális tokenek sorozatává alakítja. Legyen $\mathbf{X} \in {\mathbb{R}}^{H \times W \times 3}$ a bemeneti kép, $\Phi_{\text{vis}}$ a vizuális enkóder:\n\n$\mathbf{Z}_{\text{vis}} = \Phi_{\text{vis}}(\mathbf{X}) \in {\mathbb{R}}^{L_{v} \times d_{v}},$\n\nmajd lineáris vetítésen (kétrétegű MLP) $\mathbf{P} \in {\mathbb{R}}^{d_{v} \times d}$ keresztül:\n\n$\mathbf{H}_{\text{vis}} = \mathbf{Z}_{\text{vis}}\,\mathbf{P},$\n\nitt $d$ — a modell nyelvi részének rejtett terének mérete. Multimodális módban $\mathbf{H}_{\text{vis}}$ összekapcsolódik a szöveges tokenekkel, és a transzformerbe kerül.<sup>[\[9\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_note-kimivl-9)[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_note-K25paper-2)</sup>\n\nAz kéttételes sémákkal (vizuális adapter hozzáadása a szöveges modell tetejére) ellentétben a K2.5-öt az előtanítás elejétől vegyes vizuális-szöveges adatokon tanították (joint text-vision pre-training), a vizuális tokenek alacsony arányával (~10%) a korai szakaszban, majd fokozatos növeléssel. A teljes mennyiség körülbelül 15 billió vegyes vizuális-szöveges token.<sup>[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_note-K25paper-2)</sup>\n\n== Előtanítás és utótanítás ==\n\n=== Előtanítás ===\n\nA **Kimi K2** modellt 15,5 billió tokenen tanították elő (webes szövegek, kód, matematika, enciklopédikus ismeretek) MuonClip optimalizálóval. Az előtanítás teljes időtartama alatt egyetlen veszteségugrást (loss spike) sem rögzítettek.<sup>[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_note-K2paper-1)</sup>\n\nA **Kimi K2.5** modell folyamatos előtanításon (continual pre-training) esett át a K2 ellenőrzőpontjától kezdve további ~15 billió vegyes vizuális-szöveges tokenre, a modalitások együttes optimalizálásával (joint pre-training). Külön elvégeztek 1 billió tokenes önálló vizuális enkódertanítást és egy további long-context mid-training szakaszt a kontextus kiterjesztéséhez.<sup>[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_note-K25paper-2)</sup>\n\n=== Utótanítás ===\n\nA K2 sorozat modelljeinek utótanítása több szakaszból áll:<sup>[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_note-K2paper-1)[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_note-K25paper-2)</sup>\n\n**Supervised Fine-Tuning (SFT, felügyelt finomhangolás):**\n\* Szintetikus agentikus trajektóriák (agentic data synthesis) — eszközspecifikációk generálása, környezettel való interakciók szimulálása, eredmények ellenőrzése.\n\* A K2.5 esetén további zero-vision SFT is alkalmazásra kerül — szöveges SFT, amely képek közvetlen felhasználása nélkül aktiválja a vizuális képességeket a fine-tuning szakaszban.\n\n**Reinforcement Learning (RL, megerősítéses tanulás):**\n\* Ellenőrizhető jutalmakkal végzett megerősítéses tanulás (Reinforcement Learning with Verifiable Rewards, RLVR) kombinációja matematikai, kód- és biztonsági feladatokhoz.\n\* Rubrikák alapján végzett önértékelés (self-critique rubric rewards) — LLM-értékelők alkalmazása agentikus forgatókönyvek minőségének automatikus értékelésére.\n\* A K2.5 esetén — közös multimodális RL (joint multimodal RL).\n\n**Quantization-Aware Training (QAT):**\n\* A Kimi K2 Thinking és K2.5 natív INT4 súlykvantálást (weight-only quantization, 32-es csoport, tömörített tenzorok) támogat, amelyet NVIDIA Hopper architektúrára optimalizáltak, ezzel csökkentve a következtetés memóriaigényét.<sup>[\[10\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_note-HF_K2Thinking-10)[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_note-K25paper-2)</sup>\n\n=== Agent Swarm (K2.5) ===\n\nA K2.5 modellhez kifejlesztettek egy **Agent Swarm** mechanizmust — önirányított párhuzamos ügynökvezénylési keretrendszert. A vezénylőmodell dinamikusan hoz létre részügynököket (`create_subagent`, `assign_task` műveletek révén), elosztja a részfeladatokat és összegyűjti az eredményeket. Minden részügynök önállóan hívhat eszközöket és párhuzamosan dolgozhat a többi részügynökkel.<sup>[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_note-K25paper-2)</sup>\n\nAz Agent Swarm mechanizmus tanítása **Parallel-Agent Reinforcement Learning (PARL)** révén valósul meg, végrehajtás és optimalizálás szétválasztásával (decoupling execution/optimization). A szerzők adatai szerint az Agent Swarm akár 4,5-szeres késleltetéscsökkentést (latency) biztosít az egyszálú agentikus módhoz (single-agent) képest.<sup>[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_note-K25paper-2)</sup>\n\n== A sorozat főbb modelljei ==\n\n{\| class=\\wikitable\\\n! Modell !! Típus !! Paraméterek (összesen / aktív) !! Kontextus, token !! Multimodalitás !! Kiadás dátuma\n\|-\n\| **Kimi k1.5** \|\| LLM, RL-scaling \|\| nem nyilvánosan közzétett \|\| 128 000 \|\| Igen (korlátozott) \|\| 2025 január\n\|-\n\| **Kimi-VL** \|\| VLM, MoE \|\| kompakt / ~2,8 milliárd aktív + 400 millió ViT \|\| hosszú kontextus \|\| Igen (képek) \|\| 2025 április\n\|-\n\| **Kimi K2** \|\| LLM, MoE \|\| 1,04 billió / 32 milliárd \|\| 256 000 \|\| Nem (szöveg) \|\| 2025 július\n\|-\n\| **Kimi K2 Thinking** \|\| LLM, MoE \|\| 1,04 billió / 32 milliárd \|\| 256 000 \|\| Nem (szöveg) \|\| 2025 november\n\|-\n\| **Kimi K2.5** \|\| VLM-LLM, MoE \|\| 1,04 billió / 32 milliárd \|\| 256 000 \|\| Igen (képek, videó, PDF) \|\| 2026 január\n\|}\n<sup>[\[8\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_note-k15paper-8)[\[9\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_note-kimivl-9)[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_note-K2paper-1)[\[10\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_note-HF_K2Thinking-10)[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_note-K25paper-2)</sup>\n\n=== Kimi K2 ===\n\nA Kimi K2 egy Mixture-of-Experts LLM 1,04 billió teljes paraméterrel és 32 milliárd tokenenkénti aktivált paraméterrel. 15,5 billió tokenen tanították elő MuonClip optimalizálóval. Az architektúra 384 szakértőt és hosszú kontextussal kompatibilis MLA mechanizmust tartalmaz. A modell programozási, matematikai következtetési és agentikus forgatókönyvekre, szekvenciális eszközhívásokkal, összpontosít.<sup>[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_note-K2paper-1)</sup>\n\nA technikai jelentés többlépéses utótanítási pipeline-t ír le: agentikus adatok nagyméretű szintézise eszközökkel való interakciók szimulálásával; megerősítéses tanulás valós és szintetikus feladatok vegyes környezetében; LLM-értékelők alkalmazása a minőség automatikus értékelésére.<sup>[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_note-K2paper-1)[\[14\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_note-importai-14)</sup>\n\n=== Kimi K2 Thinking ===\n\nA Kimi K2 Thinking változat többlépéses következtetésre (chain-of-thought) van optimalizálva, dinamikus eszközhívás lehetőségével és legfeljebb 256 000 tokenes kontextustámogatással. A modell külön „Thinking" módot valósít meg, amelynek keretében egy `reasoning_content` mezőt ad vissza explicit módon, amely tartalmazza a belső következtetéseket. A K2 Thinking egyetlen agentikus epizódban 200–300 egymást követő eszközhívást támogat anélkül, hogy a viselkedés lényegesen degradálódna, és QAT-tal végzett natív INT4-kvantálást is támogat.<sup>[\[10\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_note-HF_K2Thinking-10)</sup>\n\n=== Kimi-VL ===\n\nA Kimi-VL egy nyílt multimodális MoE-VLM (vision-language model), amely vizuális megértési, vizuális-szöveges következtetési és valós jelenetekkel kapcsolatos feladatokra összpontosít. A modell kompakt MoE-architektúraként van leírva MoonViT vizuális enkóderrel. A technikai jelentést 2025 áprilisában tették közzé az arXiv-on.<sup>[\[9\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_note-kimivl-9)</sup>\n\n=== Kimi K2.5 ===\n\nA Kimi K2.5 egy multimodális MoE-modell, 1,04 billió paraméterrel és 32 milliárd aktiválttal, amely a Kimi-K2-Base ellenőrzőpontján alapul, és ~15 billió vegyes vizuális-szöveges tokenen folytatott előtanítással egészül ki. A modell képek, videók, PDF-ek és szövegek bemenetét legfeljebb 256 000 tokenes kontextussal támogatja.<sup>[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_note-K25paper-2)</sup>\n\nA K2.5 két fő következtetési módot támogat:\n\* **Thinking mode** — explicit `reasoning_content` kimenettel és többlépéses generálással;\n\* **Instant mode** — következtetési kimenet nélkül, alacsonyabb késleltetéssel.<sup>[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_note-K25paper-2)[\[13\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_note-nvidia_nim-13)</sup>\n\nA modell natív INT4 súlykvantálást (weight-only, 32-es csoport) valósít meg, amelyet NVIDIA Hopper architektúrára optimalizáltak.<sup>[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_note-K25paper-2)</sup>\n\n== Főbb eredmények és benchmarkok ==\n\n=== A Kimi K2 szöveges és agentikus benchmarkjai ===\n\nAz eredmények a Kimi-K2-Instruct non-thinking módra (kiterjesztett chain-of-thought nélkül) vonatkoznak a technikai jelentés adatai alapján.<sup>[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_note-K2paper-1)</sup>\n\n{\| class=\\wikitable\\\n! Benchmark !! Kimi K2-Instruct !! DeepSeek-V3-0324 !! Claude 4 Opus / Sonnet !! Forrás\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\nA szerzők állítása szerint ezek az eredmények a K2-t a thinking-kifejtés nélküli módban a nyílt modellek élvonalába helyezik, különösen mérnöki és agentikus feladatokon (a jelentés közzétételének időpontjában).<sup>[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_note-K2paper-1)</sup>\n\n=== A Kimi-VL benchmarkjai ===\n\n{\| class=\\wikitable\\\n! Benchmark !! Kimi-VL !! Qwen2.5-VL-7B !! GPT-4o-mini !! Forrás\n\|-\n\| MMVet (pontosság) \|\| 66,7 % \|\| 67,1 % \|\| 66,9 % \|\| arXiv:2504.07491\n\|-\n\| RealWorldQA \|\| 68,1 % \|\| 68,5 % \|\| — \|\| arXiv:2504.07491\n\|}\n\nAz eredmények azt mutatják, hogy a kompakt multimodális MoE-architektúra kevesebb aktív paraméterrel is a nagyobb modellek szintjével összehasonlítható teljesítményt ér el.<sup>[\[9\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_note-kimivl-9)</sup>\n\n=== A Kimi K2.5 benchmarkjai ===\n\nAz eredmények Thinking módban kerültek rögzítésre (temperature = 1,0; top-p = 0,95; 256 000 tokenes kontextus; vLLM motor; NVIDIA H200 hardverplatform) az NVIDIA NIM platformon közzétett modelltérkép és a technikai jelentés adatai alapján.<sup>[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_note-K25paper-2)[\[13\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_note-nvidia_nim-13)</sup>\n\n{\| class=\\wikitable\\\n! Kategória !! Benchmark !! Kimi K2.5\n\|-\n\| rowspan=\\6\\ \| Következtetés és tudás\n\| HLE-Full (eszközök nélkül) \|\| 30,1\n\|-\n\| HLE-Full (eszközökkel) \|\| 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\\ \| Vizuális és videó\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\\ \| Programozás\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\\ \| Hosszú kontextus\n\| Longbench v2 \|\| 61,0\n\|-\n\| AA-LCR \|\| 70,0\n\|-\n\| rowspan=\\4\\ \| Agentikus keresés\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\nEzen felül a K2.5 pozitív transzfert mutat a vizuális tanulásból a szöveges feladatokra: +1,7% az MMLU-Pro-n és +2,1% a GPQA-Diamond-on a K2 szöveges alapmodellhez képest.<sup>[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_note-K25paper-2)</sup>\n\nA végső összehasonlító értékelés a mutatók és forgatókönyvek megválasztásától függ; az eredmények a szerzők adatain alapulnak. A benchmarkok egy részének független validálása a közzététel időpontjában korlátozott.<sup>[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_note-K25paper-2)[\[15\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_note-deeplearning_batch-15)</sup>\n\n== Alkalmazás ==\n\n=== Szöveges asszisztens és keresés ===\n\nA Kimi platform asszisztensként szolgál hosszú dokumentumok (kutatási jelentések, pénzügyi adatok) feldolgozásának, automatizált elemzésnek és online keresésnek, információ-aggregálással. A Moonshot AI jelzi, hogy a Kimi legfeljebb 300 eszközhívást (tool calls) támogat egyetlen agentikus forgatókönyvön belül.<sup>[\[7\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_note-moonshot_site-7)[\[4\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_note-platform-4)</sup>\n\n=== Programozás és mérnöki feladatok ===\n\nA Kimi K2 és K2.5 magas eredményeket mutat az SWE-Bench Verified, SWE-Bench Multilingual, LiveCodeBench és más programozási benchmarkokon. A modelleket repozitóriumokban lévő hibák automatikus javítására, kódgenerálásra és refaktorálásra, illetve online bíráló feladatok megoldására (OJBench, LiveCodeBench) alkalmazzák. A K2 technikai jelentése megjegyzi, hogy a modellt nagy méretarányú szintetikus agentikus korpuszon tanították, beleértve verziókezelő rendszerekkel, csomagkezelőkkel és végrehajtási környezetekkel való interakciókat.<sup>[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_note-K2paper-1)[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_note-K25paper-2)[\[14\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_note-importai-14)</sup>\n\n=== Multimodális alkalmazások ===\n\nA Kimi-VL és K2.5 vizuális kérdés-válasz (VQA) feladatokra készült képeken és dokumentumokon; dokumentummegértésre (OCRBench, OmniDocBench); videóelemzésre (VideoMMMU, LongVideoBench); valamint vizuális specifikációkon alapuló programozási kombinált feladatokra (például felhasználói felület generálása képtervből). A K2.5-höz leírtak szerint „vision-grounded coding" és „autonomous visual debugging" forgatókönyvek is léteznek, ahol a modell vizuális leírás alapján generál kódot és iteratívan elemzi a vizuális eredményt.<sup>[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_note-K25paper-2)[\[9\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_note-kimivl-9)[\[15\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_note-deeplearning_batch-15)</sup>\n\n=== API és telepítés ===\n\nA modellek elérhetők a Moonshot AI Open Platform API-ján keresztül, tool calling, thinking mód, JSON mód és kontextus-gyorsítótárazás támogatásával. A nyílt súlyokat helyi telepítéshez vLLM, SGLang és TensorRT-LLM keretrendszereken keresztül használják. A Mooncake szolgáltatás skálázható inferenciát biztosít hosszú kontextus esetén.<sup>[\[4\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_note-platform-4)[\[11\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_note-mooncake-11)[\[16\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_note-github_k25-16)</sup>\n\n== Korlátok és nyitott problémák ==\n\n=== Erőforrásigény ===\n\nAz 1 billió paraméteres MoE-modellek, még 32 milliárd aktivált paraméterrel és INT4-kvantálással is, jelentős memória- és sávszélességi erőforrásokat igényelnek. A Kimi K2.5 telepítésének mérnöki megvitatásaiban a modell teljes betöltéséhez szükséges grafikus memória becslése száz gigabájtos nagyságrendben szerepel; a konkrét számok a kvantálási módtól és a keretrendszertől (vLLM, SGLang stb.) függenek.<sup>[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_note-K25paper-2)[\[17\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_note-baseten-17)</sup>\n\n=== Hallucinációk és a generálás minősége ===\n\nMint minden más LLM, a Kimi sorozat modelljei is hajlamosak hallucinációkra. A FACTS Grounding és FaithJudge tesztek jelentéseiben a hallucination rate mutatói 1,1–7,4% között vannak rögzítve RAG-forgatókönyvekben. Non-thinking módban a modell felesleges tokeneket generálhat homályos eszközspecifikációk esetén; az eszközhasználat kényszeres bekapcsolásakor a teljesítmény egyes feladatokon csökken.<sup>[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_note-K2paper-1)</sup>\n\n=== Szintetikus adatoktól és RL-pipeline-tól való függőség ===\n\nAz agentikus adatszintézis és megerősítéses tanulás pipeline-ja nagyszámú szintetikus eszközre és jelenetre, valamint LLM-értékelőkre támaszkodik az automatikus értékeléshez (self-judging). Ez a séma nyitott kérdéseket vet fel: az önértékelés elfogultságával (bias) szembeni ellenálló képesség; a többszöri iteráció során potenciálisan fellépő degradáció (bootstrap); az agentikus készségek átvihetősége valós, a szimulálttól eltérő környezetekre; a szintetikus feladatok eloszlásának hatása az általánosítási képességre.<sup>[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_note-K2paper-1)[\[14\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_note-importai-14)</sup>\n\n=== Átláthatóság és reprodukálhatóság ===\n\nA tanítási adatok összetételéről, a szűrési folyamatról, a nyelvek és tartományok eloszlásáról szóló információk egy része nem kerül nyilvánosságra, vagy csak korlátozott mértékben. Ez megnehezíti az elfogultsági forrásokra vonatkozó pontos értékelést, a tanítás reprodukálhatóságát és az egyes összetevők (MuonClip, QK-clip) stabilitásra gyakorolt hatásának független validálását. 2026 februárjáig a Kimi K2 és K2.5 tanításának harmadik felek általi teljes reprodukálása nem szerepel a nyílt irodalomban.<sup>[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_note-K2paper-1)[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_note-K25paper-2)</sup>\n\n== Etikai és szabályozási szempontok ==\n\nA modelltérképek és technikai jelentések hangsúlyozzák, hogy a fejlesztők felelősséget viselnek a modell bemeneteiért és kimeneteiért; a bevezetés előtt szükséges védőmechanizmusok (guardrails) hozzáadása és az adott esetre vonatkozó adatokon való tesztelés; a modell képeket és videókat dolgozhat fel, amelyek személyes adatokat is tartalmazhatnak, és az integrátor köteles betartani a vonatkozó jogszabályokat.<sup>[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_note-K25paper-2)[\[16\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_note-github_k25-16)</sup>\n\nA technikai jelentések biztonsági értékeléseket írnak le (biológiai, kémiai, kiberkockázatok) Promptfoo-hoz hasonló eszközök segítségével. A modellek RL-igazításon (alignment) esnek át ellenőrizhető jutalmakkal és önértékeléssel.<sup>[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_note-K2paper-1)</sup>\n\nMint kínai vállalat termékei, a modellek a KNR nemzeti mesterséges intelligencia szabályozásának hatálya alá tartoznak. Az írás időpontjában nem találhatók külön nyilvános szabályozási dokumentumok, amelyek kizárólag a Kimi modellekre vonatkoznak; a szabályozás a generatív modellekre és a mesterséges intelligenciára vonatkozó általános megközelítések keretein belül valósul meg az érintett joghatóságokban.<sup>[\[18\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_note-bismarck-18)</sup>\n\n2026 februárjában az Anthropic vállalat bejelentette, hogy a Moonshot AI (más kínai fejlesztőkkel együtt) hamis fiókokat használt a Claude-dal való interakciók generálásához a modellek tanításához szükséges adatok desztillálása céljából. Az információ egy fél állításának jellegével bír, és a közzétételkor nem erősítik meg független vizsgálatok; a Moonshot AI nem tett közzé hivatalos választ.<sup>[\[5\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_note-wiki_moonshot-5)</sup>\n\n== Perspektívák és kutatási irányok ==\n\nA közzétett anyagok alapján több további kutatási irány is azonosítható:\n\n\* **Skálázható agentikus rendszerek.** LLM-ek agentikus rendszerekként való tanítási megközelítéseinek fejlesztése szintetikus eszközkészlet, RL és self-judging alkalmazásával. Az Agent Swarm kiterjesztése nagyobb számú részügynökre és új típusú feladatokra.<sup>[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_note-K25paper-2)[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_note-K2paper-1)</sup>\n\* **Hatékony MoE-architektúrák.** 1 billió paraméter 32 milliárd aktiválttal és 384 szakértővel a méret és a hatékonyság közötti kompromisszum egyik változatát képviseli; különböző útválasztási sémákat alkalmazó alternatívák is vizsgálat alatt állnak.<sup>[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_note-K2paper-1)</sup>\n\* **Natív multimodalitás.** A K2.5 modellek az előtanítás elejétől vegyes vizuális-szöveges adatokon való tanítása a „natív" multimodalitás megközelítése, amelyet a kétlépéses sémákkal hasonlítanak össze.<sup>[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_note-K25paper-2)[\[9\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_note-kimivl-9)</sup>\n\* **Hatékony inferencia és hosszú kontextus.** Az INT4-kvantálás és a 256 000 tokenes kontextustámogatás ösztönzi a ritka figyelmi mechanizmusok, látens reprezentációk és külső memória területén folytatott további kutatásokat. Külön leírásra kerül a **Kimi Linear** projekt — hibrid lineáris figyelem 75%-os KV-gyorsítótár csökkentéssel és 6-szoros dekódolási gyorsítással 1 millió tokenes kontextus esetén.<sup>[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_note-K25paper-2)[\[19\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_note-kimilinear-19)</sup>\n\nA Moonshot AI hivatalos anyagaiban nem tesznek közzé részletes ütemtervet a Kimi jövőbeli verzióihoz; a felsorolt irányok a közzétett kutatásokon alapulnak.\n\n== Lásd még ==\n\* Transformer architektúra\n\* DeepSeek\n\* Qwen\n\n== Hivatkozások ==\n\* <a href="https://www.moonshot.ai/" class="external free" rel="nofollow">https://www.moonshot.ai/</a> — a Moonshot AI hivatalos weboldala\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> — a Kimi K2.5 GitHub-tárolója\n\* <a href="https://huggingface.co/moonshotai" class="external free" rel="nofollow">https://huggingface.co/moonshotai</a> — a Moonshot AI profilja a Hugging Face platformon\n\n== Irodalom ==\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> Megjegyzések ==\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)_(HU)#cite_ref-K2paper_1-0)</sup> <sup>[1.01](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_ref-K2paper_1-1)</sup> <sup>[1.02](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_ref-K2paper_1-2)</sup> <sup>[1.03](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_ref-K2paper_1-3)</sup> <sup>[1.04](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_ref-K2paper_1-4)</sup> <sup>[1.05](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_ref-K2paper_1-5)</sup> <sup>[1.06](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_ref-K2paper_1-6)</sup> <sup>[1.07](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_ref-K2paper_1-7)</sup> <sup>[1.08](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_ref-K2paper_1-8)</sup> <sup>[1.09](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_ref-K2paper_1-9)</sup> <sup>[1.10](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_ref-K2paper_1-10)</sup> <sup>[1.11](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_ref-K2paper_1-11)</sup> <sup>[1.12](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_ref-K2paper_1-12)</sup> <sup>[1.13](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_ref-K2paper_1-13)</sup> <sup>[1.14](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_ref-K2paper_1-14)</sup> <sup>[1.15](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_ref-K2paper_1-15)</sup> <sup>[1.16](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_ref-K2paper_1-16)</sup> <sup>[1.17](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_ref-K2paper_1-17)</sup> <sup>[1.18](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_ref-K2paper_1-18)</sup> <sup>[1.19](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_ref-K2paper_1-19)</sup> <sup>[1.20](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_ref-K2paper_1-20)</sup> <sup>[1.21](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_ref-K2paper_1-21)</sup> <sup>[1.22](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_ref-K2paper_1-22)</sup> <sup>[1.23](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_ref-K2paper_1-23)</sup> <sup>[1.24](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_ref-K2paper_1-24)</sup> <sup>[1.25](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_ref-K2paper_1-25)</sup> <sup>[1.26](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_ref-K2paper_1-26)</sup> <sup>[1.27](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#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)_(HU)#cite_ref-K25paper_2-0)</sup> <sup>[2.01](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_ref-K25paper_2-1)</sup> <sup>[2.02](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_ref-K25paper_2-2)</sup> <sup>[2.03](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_ref-K25paper_2-3)</sup> <sup>[2.04](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_ref-K25paper_2-4)</sup> <sup>[2.05](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_ref-K25paper_2-5)</sup> <sup>[2.06](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_ref-K25paper_2-6)</sup> <sup>[2.07](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_ref-K25paper_2-7)</sup> <sup>[2.08](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_ref-K25paper_2-8)</sup> <sup>[2.09](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_ref-K25paper_2-9)</sup> <sup>[2.10](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_ref-K25paper_2-10)</sup> <sup>[2.11](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_ref-K25paper_2-11)</sup> <sup>[2.12](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_ref-K25paper_2-12)</sup> <sup>[2.13](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_ref-K25paper_2-13)</sup> <sup>[2.14](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_ref-K25paper_2-14)</sup> <sup>[2.15](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_ref-K25paper_2-15)</sup> <sup>[2.16](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_ref-K25paper_2-16)</sup> <sup>[2.17](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_ref-K25paper_2-17)</sup> <sup>[2.18](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_ref-K25paper_2-18)</sup> <sup>[2.19](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_ref-K25paper_2-19)</sup> <sup>[2.20](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_ref-K25paper_2-20)</sup> <sup>[2.21](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_ref-K25paper_2-21)</sup> <sup>[2.22](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_ref-K25paper_2-22)</sup> <sup>[2.23](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_ref-K25paper_2-23)</sup> <sup>[2.24](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_ref-K25paper_2-24)</sup> <sup>[2.25](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_ref-K25paper_2-25)</sup> <sup>[2.26](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#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)_(HU)#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)_(HU)#cite_ref-platform_4-0)</sup> <sup>[4.1](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_ref-platform_4-1)</sup> <sup>[4.2](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#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)_(HU)#cite_ref-wiki_moonshot_5-0)</sup> <sup>[5.1](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#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)_(HU)#cite_ref-wiki_kimi_chatbot_6-0)</sup> <sup>[6.1](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_ref-wiki_kimi_chatbot_6-1)</sup> <sup>[6.2](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#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)_(HU)#cite_ref-moonshot_site_7-0)</sup> <sup>[7.1](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#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)_(HU)#cite_ref-k15paper_8-0)</sup> <sup>[8.1](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#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)_(HU)#cite_ref-kimivl_9-0)</sup> <sup>[9.1](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_ref-kimivl_9-1)</sup> <sup>[9.2](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_ref-kimivl_9-2)</sup> <sup>[9.3](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_ref-kimivl_9-3)</sup> <sup>[9.4](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_ref-kimivl_9-4)</sup> <sup>[9.5](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_ref-kimivl_9-5)</sup> <sup>[9.6](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_ref-kimivl_9-6)</sup> <sup>[9.7](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#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)_(HU)#cite_ref-HF_K2Thinking_10-0)</sup> <sup>[10.1](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_ref-HF_K2Thinking_10-1)</sup> <sup>[10.2](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_ref-HF_K2Thinking_10-2)</sup> <sup>[10.3](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#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)_(HU)#cite_ref-mooncake_11-0)</sup> <sup>[11.1](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#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)_(HU)#cite_ref-Vaswani2017_12-0)</sup> <sup>[12.1](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#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)_(HU)#cite_ref-nvidia_nim_13-0)</sup> <sup>[13.1](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_ref-nvidia_nim_13-1)</sup> <sup>[13.2](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_ref-nvidia_nim_13-2)</sup> <sup>[13.3](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#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)_(HU)#cite_ref-importai_14-0)</sup> <sup>[14.1](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#cite_ref-importai_14-1)</sup> <sup>[14.2](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#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)_(HU)#cite_ref-deeplearning_batch_15-0)</sup> <sup>[15.1](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#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)_(HU)#cite_ref-github_k25_16-0)</sup> <sup>[16.1](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(HU)#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)_(HU)#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)_(HU)#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)_(HU)#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>