---
title: "Kimi (Moonshot AI) (PL)"
source: "https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)"
wiki: "systems-analysis.info/int"
article: "Kimi_(Moonshot_AI)_(PL)"
language: "pl"
categories:
  - "Category:Large language models"
  - "Category:Machine learning"
  - "Category:Polish"
revision_id: 3417
wiki_created_at: 2026-09-06T23:20:22Z
wiki_modified_at: 2026-09-06T23:20:22Z
downloaded_at: 2026-09-07T22:56:51Z
---

# Kimi (Moonshot AI) (PL)

**Kimi (seria modeli Moonshot AI)** — seria dużych modeli językowych (Large Language Model, LLM), opracowywanych przez chińską firmę Moonshot AI (Pekin, ChRL) do zadań generowania tekstu i treści multimodalnych, programowania oraz systemów agentowych (agentic systems — systemów zdolnych do autonomicznego planowania, wnioskowania i działania z wykorzystaniem zewnętrznych narzędzi). Rodzina obejmuje modele tekstowe i multimodalne z architekturą Mixture-of-Experts (MoE, mieszanina ekspertów) w skali rzędu 1 biliona parametrów i aktywowanym podzbiorem rzędu 32 miliardów parametrów na token.<sup>[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_note-K2paper-1)[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_note-K25paper-2)</sup> Istotną cechą serii jest orientacja na zachowanie agentowe (wieloetapowe planowanie z wywoływaniem zewnętrznych narzędzi) oraz obsługa długiego kontekstu do 256 000 tokenów w wersjach Kimi K2 i Kimi K2.5.<sup>[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_note-K2paper-1)[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_note-K25paper-2)</sup>\n\nModele serii Kimi są dystrybuowane zarówno z otwartymi wagami (open-weight) na platformie Hugging Face na zmodyfikowanej licencji MIT, jak i przez własnościowe API platformy Moonshot AI Open Platform.<sup>[\[3\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_note-HF_K25-3)[\[4\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_note-platform-4)</sup>\n\n== Historia i przesłanki ==\n\n=== Założenie Moonshot AI ===\n\nMoonshot AI zostało założone w marcu 2023 roku w Pekinie przez Yang Zhilina (Yang Zhilin, CEO), Zhou Xinyua (Zhou Xinyu) i Wu Yuxina (Wu Yuxin) — absolwentów Uniwersytetu Tsinghua (Tsinghua University). Yang Zhilin wcześniej pracował w Google Brain i Meta, uczestniczył w badaniach z zakresu widzenia komputerowego i wnioskowania. Firma pozyskała finansowanie od Alibaba (runda o wartości 1 mld USD, luty 2024), Tencent i innych inwestorów.<sup>[\[5\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_note-wiki_moonshot-5)[\[6\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_note-wiki_kimi_chatbot-6)</sup>\n\n=== Chronologia kluczowych wydań ===\n\n\* **Październik–listopad 2023** — uruchomienie chatbota Kimi z obsługą kontekstu do 128 tys. tokenów (do 200 tys. chińskich znaków). Pierwsze wersje korzystały z modeli własnościowych z ograniczonymi ujawnionymi szczegółami technicznymi.<sup>[\[6\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_note-wiki_kimi_chatbot-6)[\[7\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_note-moonshot_site-7)</sup>\n\* **Marzec 2024** — rozszerzenie kontekstu do 2 milionów znaków w wersji beta.<sup>[\[6\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_note-wiki_kimi_chatbot-6)</sup>\n\* **Styczeń 2025** — wydanie **Kimi k1.5** — multimodalnego modelu z skalowanym uczeniem ze wzmocnieniem (Reinforcement Learning, RL), deklarowanego jako porównywalnego pod względem wydajności z OpenAI o1 w zadaniach matematyki, programowania i multimodalnego wnioskowania. Kontekst do 128 tys. tokenów.<sup>[\[8\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_note-k15paper-8)</sup>\n\* **Kwiecień 2025** — przedstawiono **Kimi-VL** — otwarty multimodalny model MoE (vision-language model, VLM) z enkoderem wizualnym MoonViT (~400 mln parametrów) i ~2,8 mld aktywnych parametrów w dekoderze. Raport techniczny opublikowano na arXiv.<sup>[\[9\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_note-kimivl-9)</sup>\n\* **Lipiec 2025** — wydanie **Kimi K2** — głównego otwartego modelu MoE z 1 bilionem parametrów i 32 miliardami aktywnych parametrów. Raport techniczny opublikowano na arXiv.<sup>[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_note-K2paper-1)</sup> Model zajmował pierwsze miejsce wśród otwartych modeli na LMSYS Chatbot Arena w momencie wydania (ponad 3000 głosów).<sup>[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_note-K2paper-1)</sup>\n\* **Wrzesień 2025** — aktualizacja **Kimi-K2-Instruct-0905** z rozszerzonym kontekstem do 256 tys. tokenów i ulepszonym agentowym kodowaniem.<sup>[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_note-K2paper-1)</sup>\n\* **Listopad 2025** — wydanie **Kimi K2 Thinking** — wersji z wzmocnionym rozumowaniem krok po kroku (chain-of-thought) i obsługą 200–300 sekwencyjnych wywołań narzędzi (tool calls).<sup>[\[10\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_note-HF_K2Thinking-10)</sup>\n\* **Styczeń 2026** — przedstawiono **Kimi K2.5** — multimodalny model MoE z natywną multimodalnością i mechanizmem Agent Swarm (równoległa orkiestracja sub-agentów).<sup>[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_note-K25paper-2)</sup>\n\nRównolegle z rozwojem modeli w 2024 roku przedstawiono własną usługę inferencji **Mooncake** — zdezagregowaną architekturę zorientowaną na KVCache do obsługi LLM z długim kontekstem.<sup>[\[11\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_note-mooncake-11)</sup>\n\n== Podstawy teoretyczne i architektura ==\n\n=== Architektura Mixture-of-Experts ===\n\nModele serii Kimi K2 i K2.5 implementują architekturę Transformer z Mixture-of-Experts w poszczególnych warstwach. Standardowy blok transformera stanowi kompozycję warstw wielogłowej samouwagi (Multi-Head Attention, MHA) i pozycyjnie-wise MLP (wielowarstwowego perceptronu) z połączeniami resztkowymi:<sup>[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_note-K2paper-1)[\[12\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#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\ngdzie $\mathbf{H} \in {\mathbb{R}}^{L \times d}$ — wejściowe reprezentacje tokenów, $L$ — długość sekwencji, $d$ — rozmiar stanu ukrytego.\n\nW warstwie MoE zamiast jednego MLP używany jest zestaw ekspertów $\{ E_{i}\}_{i = 1}^{N}$, z których każdy stanowi oddzielny MLP z parametrami $\theta_{i}$. Router (gating network) dla każdego tokenu wybiera podzbiór ekspertów. Wyjście warstwy MoE dla tokenu z reprezentacją $\mathbf{h}$ definiowane jest jako:<sup>[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#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\ngdzie $\mathcal{S}(\mathbf{h}) \subset \{ 1,\ldots,N\}$ — zbiór wybranych ekspertów dla danego tokenu, $g_{i}(\mathbf{h})$ — znormalizowane wagi routera, $\sum\limits_{i \in \mathcal{S}}g_{i} = 1$. Funkcja routingu wybiera ekspertów poprzez operację TopK:<sup>[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_note-K2paper-1)</sup>\n\n$g(\mathbf{h}) = {TopK}\left( {Softmax}(\mathbf{h} \cdot W_{g}) \right),$\n\ngdzie $W_{g}$ — uczalna macierz routera. Taki schemat pozwala skalować całkowitą liczbę parametrów przy ograniczonej liczbie parametrów aktywowanych na każdy token.\n\n=== Hiperparametry architektoniczne Kimi K2 / K2.5 ===\n\n{\| class=\\wikitable\\\n! Parametr !! Wartość\n\|-\n\| Typ architektury \|\| Transformer z Mixture-of-Experts\n\|-\n\| Całkowita liczba parametrów \|\| 1,04 biliona\n\|-\n\| Aktywowane parametry na token \|\| 32 miliardy\n\|-\n\| Liczba warstw \|\| 61 (1 gęsta + 60 MoE)\n\|-\n\| Rozmiar stanu ukrytego \|\| 7168\n\|-\n\| Liczba głów uwagi \|\| 64\n\|-\n\| Liczba ekspertów \|\| 384 (8 wybieranych na token + 1 wspólny)\n\|-\n\| Rozmiar stanu ukrytego eksperta (MoE hidden size) \|\| 2048\n\|-\n\| Rozmiar słownika \|\| 160 000 tokenów\n\|-\n\| Funkcja aktywacji \|\| SwiGLU\n\|-\n\| Mechanizm uwagi \|\| Multi-head Latent Attention (MLA)\n\|-\n\| Maksymalny kontekst \|\| 256 000 tokenów (rozszerzenie przez YaRN)\n\|-\n\| Enkoder wizualny (K2.5) \|\| MoonViT-3D, ~400 mln parametrów\n\|}\n<sup>[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_note-K2paper-1)[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_note-K25paper-2)[\[13\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_note-nvidia_nim-13)</sup>\n\nRzadkość (stosunek całkowitej liczby ekspertów do aktywowanych) wynosi 48:1 (384 ekspertów, 8 aktywnych), co zapewnia znaczące zmniejszenie nakładów obliczeniowych w porównaniu do modelu gęstego (dense) tej samej skali.<sup>[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_note-K2paper-1)</sup>\n\n=== Mechanizm Multi-head Latent Attention (MLA) ===\n\nW modelach serii Kimi K2/K2.5 stosowany jest mechanizm Multi-head Latent Attention (MLA) — modyfikacja standardowej wielogłowej uwagi, ukierunkowana na zwiększenie wydajności i skalowalności. Standardowa uwaga dla jednej warstwy obliczana jest jako:<sup>[\[12\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#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\ngdzie $\mathbf{Q},\mathbf{K},\mathbf{V} \in {\mathbb{R}}^{L \times d_{k}}$ — macierze zapytań, kluczy i wartości. W MLA wprowadzane są reprezentacje ukryte, na które projektowane są zapytania i klucze, co zmniejsza wymiarowość operacji pośrednich i pozwala zredukować rozmiar pamięci podręcznej KV. Podejście jest analogiczne do mechanizmu zastosowanego w DeepSeek-V3.<sup>[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_note-K2paper-1)[\[13\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_note-nvidia_nim-13)</sup>\n\n=== Optymalizator MuonClip i QK-clip ===\n\nDo trenowania modelu Kimi K2 zaproponowano optymalizator **MuonClip** — modyfikację optymalizatora Muon (momentowy optymalizator z normalizacją Newton-Schulz) z dodaniem techniki **QK-clip** w celu stabilizacji trenowania dużych modeli językowych z architekturą MoE.<sup>[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_note-K2paper-1)</sup>\n\nQK-clip stosuje ograniczenia na logity uwagi $\mathbf{Q}\mathbf{K}^{\top}$ poprzez operację obcinania (clipping). Dla każdej głowy uwagi $h$ wyznaczany jest maksymalny logit:\n\n$S_{h}^{\max} = \frac{1}{\sqrt{d}}\max\limits_{i,j}\left( Q_{h}^{i}(K_{h}^{j})^{\top} \right),$\n\ni obliczany jest współczynnik skalowania:\n\n$\gamma_{h} = \min\!\left( 1,\;\frac{\tau}{S_{h}^{\max}} \right),$\n\ngdzie $\tau = 100$ — hiperparametr-próg, $d$ — rozmiar głowy uwagi. Współczynnik $\gamma_{h}$ stosowany jest do skalowania wag $W_{q},W_{k}$, jeśli maksymalny logit przekracza próg. Ogranicza to zakres wartości logitów przed softmax i zmniejsza ryzyko gwałtownych skoków straty (loss spikes) podczas trenowania na dużych skalach.<sup>[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_note-K2paper-1)</sup>\n\nWedług autorów, wstępne trenowanie Kimi K2 na 15,5 bilionach tokenów z MuonClip przebiegło bez ani jednego zarejestrowanego skoku funkcji straty (*zero loss spikes*).<sup>[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_note-K2paper-1)</sup>\n\n=== Multimodalność i MoonViT ===\n\nModele Kimi K2.5 i Kimi-VL wykorzystują enkoder wizualny **MoonViT** (w wersji K2.5 — MoonViT-3D) z około 400 milionami parametrów, zbudowany na bazie SigLIP-SO-400M z pakowaniem NaViT (obsługa zmiennej rozdzielczości obrazów wejściowych) i rozszerzeniem 3D do przetwarzania wideo (grupowanie co 4 klatki).<sup>[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_note-K25paper-2)[\[9\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_note-kimivl-9)</sup>\n\nEnkoder wizualny przekształca wejściowe obrazy i wideo w sekwencję tokenów wizualnych. Niech $\mathbf{X} \in {\mathbb{R}}^{H \times W \times 3}$ — obraz wejściowy, $\Phi_{\text{vis}}$ — enkoder wizualny:\n\n$\mathbf{Z}_{\text{vis}} = \Phi_{\text{vis}}(\mathbf{X}) \in {\mathbb{R}}^{L_{v} \times d_{v}},$\n\nnastępnie przez projekcję liniową (dwuwarstwowy MLP) $\mathbf{P} \in {\mathbb{R}}^{d_{v} \times d}$:\n\n$\mathbf{H}_{\text{vis}} = \mathbf{Z}_{\text{vis}}\,\mathbf{P},$\n\ngdzie $d$ — rozmiar przestrzeni ukrytej części językowej modelu. W trybie multimodalnym $\mathbf{H}_{\text{vis}}$ jest konkatenowany z tokenami tekstowymi i przekazywany do transformera.<sup>[\[9\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_note-kimivl-9)[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_note-K25paper-2)</sup>\n\nW odróżnieniu od schematów dwuetapowych (dodanie adaptera wizualnego na szczyt modelu tekstowego), K2.5 jest trenowana na mieszanych danych wizualno-tekstowych od początku wstępnego trenowania (joint text-vision pre-training), z niskim udziałem tokenów wizualnych (~10%) na wczesnych etapach i stopniowym jego zwiększaniem. Całkowity wolumen — około 15 bilionów mieszanych tokenów wizualno-tekstowych.<sup>[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_note-K25paper-2)</sup>\n\n== Wstępne trenowanie i dostrajanie ==\n\n=== Wstępne trenowanie ===\n\n**Kimi K2** była wstępnie trenowana na 15,5 bilionach tokenów (teksty webowe, kod, matematyka, wiedza encyklopedyczna) z użyciem optymalizatora MuonClip. Przez cały okres wstępnego trenowania nie zarejestrowano ani jednego skoku straty (loss spike).<sup>[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_note-K2paper-1)</sup>\n\n**Kimi K2.5** przeszła ciągłe wstępne trenowanie (continual pre-training) od punktu kontrolnego K2 na dodatkowych ~15 bilionach mieszanych tokenów wizualno-tekstowych z jednoczesną optymalizacją modalności (joint pre-training). Odrębnie przeprowadzono samodzielne trenowanie enkodera wizualnego na 1 bilion tokenów oraz dodatkowy etap long-context mid-training w celu rozszerzenia kontekstu.<sup>[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_note-K25paper-2)</sup>\n\n=== Dostrajanie ===\n\nDostrajanie modeli serii K2 obejmuje kilka etapów:<sup>[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_note-K2paper-1)[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_note-K25paper-2)</sup>\n\n**Supervised Fine-Tuning (SFT, nadzorowane dostrajanie):**\n\* Syntetyczne trajektorie agentowe (agentic data synthesis) — generowanie specyfikacji narzędzi, modelowanie interakcji ze środowiskiem, weryfikacja wyników.\n\* Dla K2.5 dodatkowo stosowany jest zero-vision SFT — tekstowy SFT aktywujący zdolności wizualne bez bezpośredniego użycia obrazów na etapie fine-tuning.\n\n**Reinforcement Learning (RL, uczenie ze wzmocnieniem):**\n\* Kombinacja weryfikowalnych nagród (Reinforcement Learning with Verifiable Rewards, RLVR) dla zadań matematyki, kodu i bezpieczeństwa.\n\* Samoocena według rubryk (self-critique rubric rewards) — używanie oceniających LLM do automatycznej oceny jakości scenariuszy agentowych.\n\* Dla K2.5 — wspólne multimodalne RL (joint multimodal RL).\n\n**Quantization-Aware Training (QAT):**\n\* Kimi K2 Thinking i K2.5 obsługują natywną kwantyzację wag INT4 (weight-only quantization, grupa 32, skompresowane tensory), zoptymalizowaną pod architekturę NVIDIA Hopper, co zmniejsza wymagania pamięciowe podczas inferencji.<sup>[\[10\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_note-HF_K2Thinking-10)[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_note-K25paper-2)</sup>\n\n=== Agent Swarm (K2.5) ===\n\nDla modelu K2.5 opracowano mechanizm **Agent Swarm** — framework samozarządzającej się równoległej orkiestracji agentów. Model-orkiestrator dynamicznie tworzy sub-agentów (poprzez operacje `create_subagent`, `assign_task`), rozdziela podzadania i zbiera wyniki. Każdy sub-agent może samodzielnie wywoływać narzędzia i pracować równolegle z innymi sub-agentami.<sup>[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_note-K25paper-2)</sup>\n\nTrenowanie mechanizmu Agent Swarm realizowane jest poprzez **Parallel-Agent Reinforcement Learning (PARL)** z oddzieleniem wykonania od optymalizacji (decoupling execution/optimization). Według autorów, Agent Swarm zapewnia zmniejszenie opóźnienia (latency) do 4,5× w porównaniu z jednowątkowym trybem agentowym (single-agent).<sup>[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_note-K25paper-2)</sup>\n\n== Główne modele serii ==\n\n{\| class=\\wikitable\\\n! Model !! Typ !! Parametry (całkowite / aktywne) !! Kontekst, tokenów !! Multimodalność !! Data wydania\n\|-\n\| **Kimi k1.5** \|\| LLM, RL-scaling \|\| nieujawnione \|\| 128 000 \|\| Tak (ograniczona) \|\| Styczeń 2025\n\|-\n\| **Kimi-VL** \|\| VLM, MoE \|\| kompaktowa / ~2,8 mld aktywnych + 400 mln ViT \|\| długi kontekst \|\| Tak (obrazy) \|\| Kwiecień 2025\n\|-\n\| **Kimi K2** \|\| LLM, MoE \|\| 1,04 biliona / 32 miliardy \|\| 256 000 \|\| Nie (tekst) \|\| Lipiec 2025\n\|-\n\| **Kimi K2 Thinking** \|\| LLM, MoE \|\| 1,04 biliona / 32 miliardy \|\| 256 000 \|\| Nie (tekst) \|\| Listopad 2025\n\|-\n\| **Kimi K2.5** \|\| VLM-LLM, MoE \|\| 1,04 biliona / 32 miliardy \|\| 256 000 \|\| Tak (obrazy, wideo, PDF) \|\| Styczeń 2026\n\|}\n<sup>[\[8\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_note-k15paper-8)[\[9\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_note-kimivl-9)[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_note-K2paper-1)[\[10\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_note-HF_K2Thinking-10)[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_note-K25paper-2)</sup>\n\n=== Kimi K2 ===\n\nKimi K2 — LLM Mixture-of-Experts z 1,04 biliona całkowitych parametrów i 32 miliardami aktywowanych parametrów na token. Wstępnie trenowany na 15,5 bilionach tokenów z optymalizatorem MuonClip. Architektura obejmuje 384 ekspertów i kompatybilny z długim kontekstem mechanizm MLA. Model jest ukierunkowany na zadania programowania, wnioskowania matematycznego i scenariuszy agentowych z sekwencyjnymi wywołaniami narzędzi.<sup>[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_note-K2paper-1)</sup>\n\nW raporcie technicznym opisano wieloetapowy potok dostrajania: masową syntezę danych agentowych poprzez modelowanie interakcji z narzędziami; uczenie ze wzmocnieniem w mieszanym środowisku rzeczywistych i syntetycznych zadań; użycie oceniających LLM do automatycznej oceny jakości.<sup>[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_note-K2paper-1)[\[14\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_note-importai-14)</sup>\n\n=== Kimi K2 Thinking ===\n\nWariant Kimi K2 Thinking zoptymalizowany jest do wieloetapowego wnioskowania (chain-of-thought) z możliwością dynamicznego wywoływania narzędzi i obsługą kontekstu do 256 000 tokenów. Model implementuje odrębny tryb „Thinking" z jawnie zwracanym polem `reasoning_content`, zawierającym wewnętrzne rozumowania. K2 Thinking obsługuje 200–300 sekwencyjnych wywołań narzędzi w jednym epizodzie agentowym bez istotnej degradacji zachowania, a także natywną kwantyzację INT4 z użyciem QAT.<sup>[\[10\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_note-HF_K2Thinking-10)</sup>\n\n=== Kimi-VL ===\n\nKimi-VL — otwarty multimodalny MoE-VLM (vision-language model), ukierunkowany na zadania rozumienia wizualnego, wizualno-tekstowego wnioskowania i rzeczywistych scen. Model opisywany jest jako kompaktowa architektura MoE z enkoderem wizualnym MoonViT. Raport techniczny opublikowano na arXiv w kwietniu 2025 roku.<sup>[\[9\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_note-kimivl-9)</sup>\n\n=== Kimi K2.5 ===\n\nKimi K2.5 — multimodalny model MoE w skali 1,04 biliona parametrów z 32 miliardami aktywowanych, oparty na punkcie kontrolnym Kimi-K2-Base z kontynuowanym wstępnym trenowaniem na ~15 bilionach mieszanych tokenów wizualno-tekstowych. Model obsługuje wejścia w postaci obrazów, wideo, PDF i tekstu z kontekstem do 256 000 tokenów.<sup>[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_note-K25paper-2)</sup>\n\nK2.5 obsługuje dwa główne tryby wyjścia:\n\* **Tryb Thinking** — z jawnym `reasoning_content` i wieloetapową generacją;\n\* **Tryb Instant** — bez wyświetlania rozumowań, z niższym opóźnieniem.<sup>[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_note-K25paper-2)[\[13\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_note-nvidia_nim-13)</sup>\n\nModel implementuje natywną kwantyzację wag INT4 (weight-only, grupa 32), zoptymalizowaną pod architekturę NVIDIA Hopper.<sup>[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_note-K25paper-2)</sup>\n\n== Kluczowe wyniki i benchmarki ==\n\n=== Benchmarki tekstowe i agentowe Kimi K2 ===\n\nWyniki podane są dla Kimi-K2-Instruct w trybie non-thinking (bez rozszerzonego chain-of-thought) według danych z raportu technicznego.<sup>[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_note-K2paper-1)</sup>\n\n{\| class=\\wikitable\\\n! Benchmark !! Kimi K2-Instruct !! DeepSeek-V3-0324 !! Claude 4 Opus / Sonnet !! Źródło\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\nWedług deklaracji autorów, wyniki te pozycjonują K2 wśród liderów otwartych modeli w trybie bez rozwinięcia thinking, szczególnie w zadaniach inżynierskich i agentowych (według stanu na moment publikacji raportu).<sup>[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_note-K2paper-1)</sup>\n\n=== Benchmarki Kimi-VL ===\n\n{\| class=\\wikitable\\\n! Benchmark !! Kimi-VL !! Qwen2.5-VL-7B !! GPT-4o-mini !! Źródło\n\|-\n\| MMVet (dokładność) \|\| 66,7 % \|\| 67,1 % \|\| 66,9 % \|\| arXiv:2504.07491\n\|-\n\| RealWorldQA \|\| 68,1 % \|\| 68,5 % \|\| — \|\| arXiv:2504.07491\n\|}\n\nWyniki pokazują, że kompaktowa multimodalna architektura MoE osiąga poziom porównywalny z większymi modelami przy mniejszej liczbie aktywnych parametrów.<sup>[\[9\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_note-kimivl-9)</sup>\n\n=== Benchmarki Kimi K2.5 ===\n\nWyniki podane są w trybie Thinking (temperature = 1,0; top-p = 0,95; kontekst 256 000 tokenów; silnik vLLM; platforma sprzętowa NVIDIA H200) według danych z karty modelu na platformie NVIDIA NIM i raportu technicznego.<sup>[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_note-K25paper-2)[\[13\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_note-nvidia_nim-13)</sup>\n\n{\| class=\\wikitable\\\n! Kategoria !! Benchmark !! Kimi K2.5\n\|-\n\| rowspan=\\6\\ \| Reasoning & Knowledge\n\| HLE-Full (bez narzędzi) \|\| 30,1\n\|-\n\| HLE-Full (z narzędziami) \|\| 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\nDodatkowo K2.5 demonstruje pozytywny transfer uczenia wizualnego na zadania tekstowe: +1,7% na MMLU-Pro i +2,1% na GPQA-Diamond w porównaniu z tekstowym modelem bazowym K2.<sup>[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_note-K25paper-2)</sup>\n\nOstateczna ocena porównawcza zależy od wyboru metryk i scenariuszy; wyniki podane są według danych autorów. Niezależna walidacja części benchmarków w momencie publikacji jest ograniczona.<sup>[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_note-K25paper-2)[\[15\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_note-deeplearning_batch-15)</sup>\n\n== Zastosowania ==\n\n=== Asystent tekstowy i wyszukiwanie ===\n\nPlatforma Kimi używana jest jako asystent z obsługą przetwarzania długich dokumentów (raporty badawcze, dane finansowe), automatycznej analizy i wyszukiwania online z agregowaniem informacji. Moonshot AI podaje, że Kimi obsługuje ponad 300 wywołań narzędzi (tool calls) w ramach jednego scenariusza agentowego.<sup>[\[7\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_note-moonshot_site-7)[\[4\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_note-platform-4)</sup>\n\n=== Programowanie i zadania inżynierskie ===\n\nKimi K2 i K2.5 demonstrują wysokie wyniki na SWE-Bench Verified, SWE-Bench Multilingual, LiveCodeBench i innych benchmarkach programowania. Modele stosowane są do automatyzacji naprawy błędów w repozytoriach, generowania i refaktoryzacji kodu, rozwiązywania zadań w systemach oceny online (OJBench, LiveCodeBench). Raport techniczny K2 wskazuje, że model był trenowany na masowym syntetycznym korpusie agentowym, obejmującym interakcje z systemami kontroli wersji, menedżerami pakietów i środowiskami wykonawczymi.<sup>[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_note-K2paper-1)[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_note-K25paper-2)[\[14\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_note-importai-14)</sup>\n\n=== Zastosowania multimodalne ===\n\nKimi-VL i K2.5 przeznaczone są do wizualnego pytania i odpowiedzi (VQA) na obrazach i dokumentach; rozumienia dokumentów (OCRBench, OmniDocBench); analizy wideo (VideoMMMU, LongVideoBench); złożonych zadań programowania według specyfikacji wizualnych (np. generowanie interfejsu na podstawie makiety graficznej). Dla K2.5 opisano scenariusze „vision-grounded coding" i „autonomous visual debugging", w których model generuje kod na podstawie opisu wizualnego i iteracyjnie analizuje wizualny wynik.<sup>[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_note-K25paper-2)[\[9\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_note-kimivl-9)[\[15\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_note-deeplearning_batch-15)</sup>\n\n=== API i wdrożenie ===\n\nModele dostępne są przez API platformy Moonshot AI Open Platform z obsługą tool calling, trybu thinking, trybu JSON i buforowania kontekstu. Otwarte wagi wykorzystywane są do lokalnego wdrażania przez vLLM, SGLang i TensorRT-LLM. Usługa Mooncake zapewnia skalowanie inferencji dla długiego kontekstu.<sup>[\[4\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_note-platform-4)[\[11\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_note-mooncake-11)[\[16\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_note-github_k25-16)</sup>\n\n== Ograniczenia i otwarte problemy ==\n\n=== Wymagania zasobowe ===\n\nModele MoE w skali 1 biliona parametrów, nawet przy aktywowanych 32 miliardach parametrów i kwantyzacji INT4, wymagają znacznych zasobów pamięciowych i przepustowości. W dyskusjach inżynierskich dotyczących wdrożenia Kimi K2.5 wspominane są szacunki rzędu setek gigabajtów pamięci karty graficznej dla pełnego załadowania modelu; konkretne liczby zależą od schematu kwantyzacji i frameworka (vLLM, SGLang itp.).<sup>[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_note-K25paper-2)[\[17\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_note-baseten-17)</sup>\n\n=== Halucynacje i jakość generacji ===\n\nPodobnie jak inne LLM, modele serii Kimi podatne są na halucynacje. W raportach z testów FACTS Grounding i FaithJudge odnotowano wskaźniki hallucination rate w przedziale 1,1–7,4% w scenariuszach RAG. W trybie non-thinking model może generować nadmiarowe tokeny przy nieprecyzyjnych specyfikacjach narzędzi; przy wymuszonym użyciu narzędzi (tool-use) wydajność spada w niektórych zadaniach.<sup>[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_note-K2paper-1)</sup>\n\n=== Zależność od danych syntetycznych i potoku RL ===\n\nPotok syntezy danych agentowych i uczenia ze wzmocnieniem opiera się na dużej kolekcji syntetycznych narzędzi i scen oraz oceniających LLM do automatycznej oceny (self-judging). Taki schemat rodzi otwarte pytania: odporność na odchylenie (bias) samooceny; potencjalna degradacja przy wielokrotnej iteracji (bootstrap); przenoszalność umiejętności agentowych na rzeczywiste środowiska różniące się od symulowanych; wpływ rozkładu zadań syntetycznych na zdolność uogólniania.<sup>[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_note-K2paper-1)[\[14\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_note-importai-14)</sup>\n\n=== Przejrzystość i odtwarzalność ===\n\nCzęść informacji o składzie danych treningowych, procesie filtrowania, rozkładzie języków i dziedzin nie jest ujawniana lub ujawniana jest w ograniczonym zakresie. Utrudnia to dokładną ocenę źródeł odchylenia, odtwarzalność trenowania i niezależną walidację wpływu poszczególnych komponentów (MuonClip, QK-clip) na stabilność. Według stanu na luty 2026 roku pełne odtworzenie trenowania Kimi K2 i K2.5 przez strony trzecie nie zostało odnotowane w otwartej literaturze.<sup>[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_note-K2paper-1)[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_note-K25paper-2)</sup>\n\n== Aspekty etyczne i regulacyjne ==\n\nW kartach modeli i raportach technicznych podkreśla się, że deweloperzy ponoszą odpowiedzialność za dane wejściowe i wyjściowe modelu; wymagane jest dodanie mechanizmów ochronnych (guardrails) i testowanie na danych konkretnego przypadku przed wdrożeniem; model może przetwarzać obrazy i wideo potencjalnie zawierające dane osobowe, a integrator zobowiązany jest przestrzegać odpowiednich przepisów prawa.<sup>[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_note-K25paper-2)[\[16\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_note-github_k25-16)</sup>\n\nW raportach technicznych opisano oceny bezpieczeństwa (zagrożenia biologiczne, chemiczne, cybernetyczne) z użyciem narzędzi takich jak Promptfoo. Modele przechodzą wyrównanie RL (alignment) z weryfikowalnymi nagrodami i samooceną.<sup>[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_note-K2paper-1)</sup>\n\nJako produkt chińskiej firmy, modele podlegają krajowemu regulowaniu ChRL w zakresie AI. Na moment pisania niniejszego artykułu nie odnaleziono odrębnych publicznych dokumentów regulacyjnych poświęconych wyłącznie modelom Kimi; regulacja odbywa się w ramach ogólnych podejść do modeli generatywnych i AI w odpowiednich jurysdykcjach.<sup>[\[18\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_note-bismarck-18)</sup>\n\nW lutym 2026 roku firma Anthropic oświadczyła, że Moonshot AI (obok innych chińskich deweloperów) używała fałszywych kont do generowania interakcji z Claude w celu destylacji danych do trenowania modeli. Informacja ma charakter twierdzenia jednej strony i nie jest potwierdzona niezależnymi dochodzeniami na moment publikacji; Moonshot AI nie opublikowała oficjalnej odpowiedzi.<sup>[\[5\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_note-wiki_moonshot-5)</sup>\n\n== Perspektywy i kierunki badań ==\n\nNa podstawie opublikowanych materiałów można wyróżnić kilka kierunków dalszych badań:\n\n\* **Skalowalne systemy agentowe.** Rozwój podejść do trenowania LLM jako systemów agentowych z użyciem syntetycznego zestawu narzędzi, RL i self-judging. Rozszerzenie Agent Swarm na większą liczbę sub-agentów i nowe typy zadań.<sup>[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_note-K25paper-2)[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_note-K2paper-1)</sup>\n\* **Wydajne architektury MoE.** Użycie 1 biliona parametrów z 32 miliardami aktywowanych i 384 ekspertów stanowi jeden z wariantów kompromisu między skalą a wydajnością; badane są alternatywy z różnymi schematami routingu.<sup>[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_note-K2paper-1)</sup>\n\* **Natywna multimodalność.** Trenowanie K2.5 na mieszanych danych wizualno-tekstowych od początku wstępnego trenowania stanowi podejście do „natywnej" multimodalności, które porównywane jest z schematami dwuetapowymi.<sup>[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_note-K25paper-2)[\[9\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_note-kimivl-9)</sup>\n\* **Wydajna inferencja i długi kontekst.** Kwantyzacja INT4 i obsługa kontekstu 256 000 tokenów stymulują dalsze badania w dziedzinie rzadkiej uwagi (sparse attention), reprezentacji ukrytych i pamięci zewnętrznej. Osobno opisano projekt **Kimi Linear** — hybrydową liniową uwagę ze zmniejszeniem KV-cache o 75% i 6-krotnym przyspieszeniem dekodowania przy kontekście 1 miliona tokenów.<sup>[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_note-K25paper-2)[\[19\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_note-kimilinear-19)</sup>\n\nW oficjalnych materiałach Moonshot AI nie są publikowane szczegółowe mapy drogowe dotyczące przyszłych wersji Kimi; wymienione kierunki oparte są na opublikowanych badaniach.\n\n== Zobacz też ==\n\* Architektura Transformer\n\* DeepSeek\n\* Qwen\n\n== Odnośniki ==\n\* <a href="https://www.moonshot.ai/" class="external free" rel="nofollow">https://www.moonshot.ai/</a> — oficjalna strona 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> — repozytorium GitHub 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> Przypisy ==\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)_(PL)#cite_ref-K2paper_1-0)</sup> <sup>[1.01](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_ref-K2paper_1-1)</sup> <sup>[1.02](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_ref-K2paper_1-2)</sup> <sup>[1.03](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_ref-K2paper_1-3)</sup> <sup>[1.04](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_ref-K2paper_1-4)</sup> <sup>[1.05](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_ref-K2paper_1-5)</sup> <sup>[1.06](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_ref-K2paper_1-6)</sup> <sup>[1.07](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_ref-K2paper_1-7)</sup> <sup>[1.08](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_ref-K2paper_1-8)</sup> <sup>[1.09](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_ref-K2paper_1-9)</sup> <sup>[1.10](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_ref-K2paper_1-10)</sup> <sup>[1.11](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_ref-K2paper_1-11)</sup> <sup>[1.12](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_ref-K2paper_1-12)</sup> <sup>[1.13](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_ref-K2paper_1-13)</sup> <sup>[1.14](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_ref-K2paper_1-14)</sup> <sup>[1.15](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_ref-K2paper_1-15)</sup> <sup>[1.16](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_ref-K2paper_1-16)</sup> <sup>[1.17](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_ref-K2paper_1-17)</sup> <sup>[1.18](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_ref-K2paper_1-18)</sup> <sup>[1.19](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_ref-K2paper_1-19)</sup> <sup>[1.20](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_ref-K2paper_1-20)</sup> <sup>[1.21](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_ref-K2paper_1-21)</sup> <sup>[1.22](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_ref-K2paper_1-22)</sup> <sup>[1.23](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_ref-K2paper_1-23)</sup> <sup>[1.24](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_ref-K2paper_1-24)</sup> <sup>[1.25](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_ref-K2paper_1-25)</sup> <sup>[1.26](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_ref-K2paper_1-26)</sup> <sup>[1.27](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#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)_(PL)#cite_ref-K25paper_2-0)</sup> <sup>[2.01](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_ref-K25paper_2-1)</sup> <sup>[2.02](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_ref-K25paper_2-2)</sup> <sup>[2.03](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_ref-K25paper_2-3)</sup> <sup>[2.04](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_ref-K25paper_2-4)</sup> <sup>[2.05](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_ref-K25paper_2-5)</sup> <sup>[2.06](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_ref-K25paper_2-6)</sup> <sup>[2.07](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_ref-K25paper_2-7)</sup> <sup>[2.08](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_ref-K25paper_2-8)</sup> <sup>[2.09](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_ref-K25paper_2-9)</sup> <sup>[2.10](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_ref-K25paper_2-10)</sup> <sup>[2.11](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_ref-K25paper_2-11)</sup> <sup>[2.12](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_ref-K25paper_2-12)</sup> <sup>[2.13](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_ref-K25paper_2-13)</sup> <sup>[2.14](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_ref-K25paper_2-14)</sup> <sup>[2.15](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_ref-K25paper_2-15)</sup> <sup>[2.16](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_ref-K25paper_2-16)</sup> <sup>[2.17](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_ref-K25paper_2-17)</sup> <sup>[2.18](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_ref-K25paper_2-18)</sup> <sup>[2.19](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_ref-K25paper_2-19)</sup> <sup>[2.20](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_ref-K25paper_2-20)</sup> <sup>[2.21](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_ref-K25paper_2-21)</sup> <sup>[2.22](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_ref-K25paper_2-22)</sup> <sup>[2.23](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_ref-K25paper_2-23)</sup> <sup>[2.24](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_ref-K25paper_2-24)</sup> <sup>[2.25](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_ref-K25paper_2-25)</sup> <sup>[2.26](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#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)_(PL)#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)_(PL)#cite_ref-platform_4-0)</sup> <sup>[4.1](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_ref-platform_4-1)</sup> <sup>[4.2](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#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)_(PL)#cite_ref-wiki_moonshot_5-0)</sup> <sup>[5.1](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#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)_(PL)#cite_ref-wiki_kimi_chatbot_6-0)</sup> <sup>[6.1](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_ref-wiki_kimi_chatbot_6-1)</sup> <sup>[6.2](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#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)_(PL)#cite_ref-moonshot_site_7-0)</sup> <sup>[7.1](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#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)_(PL)#cite_ref-k15paper_8-0)</sup> <sup>[8.1](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#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)_(PL)#cite_ref-kimivl_9-0)</sup> <sup>[9.1](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_ref-kimivl_9-1)</sup> <sup>[9.2](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_ref-kimivl_9-2)</sup> <sup>[9.3](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_ref-kimivl_9-3)</sup> <sup>[9.4](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_ref-kimivl_9-4)</sup> <sup>[9.5](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_ref-kimivl_9-5)</sup> <sup>[9.6](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_ref-kimivl_9-6)</sup> <sup>[9.7](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#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)_(PL)#cite_ref-HF_K2Thinking_10-0)</sup> <sup>[10.1](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_ref-HF_K2Thinking_10-1)</sup> <sup>[10.2](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_ref-HF_K2Thinking_10-2)</sup> <sup>[10.3](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#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)_(PL)#cite_ref-mooncake_11-0)</sup> <sup>[11.1](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#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)_(PL)#cite_ref-Vaswani2017_12-0)</sup> <sup>[12.1](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#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)_(PL)#cite_ref-nvidia_nim_13-0)</sup> <sup>[13.1](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_ref-nvidia_nim_13-1)</sup> <sup>[13.2](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_ref-nvidia_nim_13-2)</sup> <sup>[13.3](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#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)_(PL)#cite_ref-importai_14-0)</sup> <sup>[14.1](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#cite_ref-importai_14-1)</sup> <sup>[14.2](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#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)_(PL)#cite_ref-deeplearning_batch_15-0)</sup> <sup>[15.1](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#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)_(PL)#cite_ref-github_k25_16-0)</sup> <sup>[16.1](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(PL)#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)_(PL)#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)_(PL)#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)_(PL)#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>