--- title: "Kimi (Moonshot AI) (TH)" source: "https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)" wiki: "systems-analysis.info/int" article: "Kimi_(Moonshot_AI)_(TH)" language: "th" categories: - "Category:Large language models" - "Category:Machine learning" - "Category:Thai" revision_id: 3420 wiki_created_at: 2026-09-06T23:20:25Z wiki_modified_at: 2026-09-06T23:20:25Z downloaded_at: 2026-09-07T22:56:53Z --- # Kimi (Moonshot AI) (TH) **Kimi (ซีรีส์โมเดล Moonshot AI)** — ซีรีส์ของ Large Language Model (LLM) ที่พัฒนาโดยบริษัทจีน Moonshot AI (ปักกิ่ง สาธารณรัฐประชาชนจีน) สำหรับงานการสร้างข้อความและมัลติโมดัล การเขียนโปรแกรม และระบบ agentic (agentic systems — ระบบที่สามารถวางแผน ใช้เหตุผล และดำเนินการโดยอัตโนมัติโดยใช้เครื่องมือภายนอก) ตระกูลนี้ประกอบด้วยโมเดลข้อความและมัลติโมดัลที่มีสถาปัตยกรรม Mixture-of-Experts (MoE) ในระดับประมาณ 1 ล้านล้านพารามิเตอร์ และชุดย่อยที่เปิดใช้งานประมาณ 32 พันล้านพารามิเตอร์ต่อ token[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_note-K2paper-1)[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_note-K25paper-2) คุณสมบัติสำคัญของซีรีส์นี้คือการมุ่งเน้นไปที่พฤติกรรม agentic (การวางแผนหลายขั้นตอนพร้อมการเรียกใช้เครื่องมือภายนอก) และรองรับ context ยาวถึง 256,000 token ในเวอร์ชัน Kimi K2 และ Kimi K2.5[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_note-K2paper-1)[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_note-K25paper-2) โมเดลในซีรีส์ Kimi เผยแพร่ทั้งแบบ open-weight บนแพลตฟอร์ม Hugging Face ภายใต้สัญญาอนุญาต MIT ที่ดัดแปลง และผ่าน API แบบ proprietary ของแพลตฟอร์ม Moonshot AI Open Platform[\[3\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_note-HF_K25-3)[\[4\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_note-platform-4) ## ประวัติและภูมิหลัง ### การก่อตั้ง Moonshot AI Moonshot AI ก่อตั้งขึ้นในเดือนมีนาคม 2023 ที่ปักกิ่งโดย Yang Zhilin (CEO), Zhou Xinyu และ Wu Yuxin — บัณฑิตจาก Tsinghua University (มหาวิทยาลัยชิงหัว) Yang Zhilin เคยทำงานที่ Google Brain และ Meta และมีส่วนร่วมในงานวิจัยด้าน computer vision และการใช้เหตุผล บริษัทได้รับเงินทุนจาก Alibaba (รอบมูลค่า 1 พันล้านดอลลาร์ กุมภาพันธ์ 2024), Tencent และนักลงทุนรายอื่น[\[5\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_note-wiki_moonshot-5)[\[6\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_note-wiki_kimi_chatbot-6) ### ลำดับเวลาของการเปิดตัวที่สำคัญ - **ตุลาคม–พฤศจิกายน 2023** — เปิดตัว chatbot Kimi ที่รองรับ context ถึง 128,000 token (ถึง 200,000 อักขระจีน) เวอร์ชันแรกใช้โมเดล proprietary ที่มีการเปิดเผยรายละเอียดทางเทคนิคอย่างจำกัด[\[6\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_note-wiki_kimi_chatbot-6)[\[7\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_note-moonshot_site-7) - **มีนาคม 2024** — ขยาย context เป็น 2 ล้านอักขระในเวอร์ชันเบต้า[\[6\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_note-wiki_kimi_chatbot-6) - **มกราคม 2025** — เปิดตัว **Kimi k1.5** — โมเดลมัลติโมดัลที่มีการปรับขนาด Reinforcement Learning (RL) ซึ่งอ้างว่ามีประสิทธิภาพเทียบเคียงกับ OpenAI o1 ในงานคณิตศาสตร์ การเขียนโปรแกรม และการใช้เหตุผลแบบมัลติโมดัล Context ถึง 128,000 token[\[8\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_note-k15paper-8) - **เมษายน 2025** — แนะนำ **Kimi-VL** — โมเดล MoE มัลติโมดัลแบบเปิด (vision-language model, VLM) ที่มี visual encoder MoonViT (~400 ล้านพารามิเตอร์) และ ~2.8 พันล้านพารามิเตอร์ที่ใช้งานอยู่ใน decoder รายงานทางเทคนิคเผยแพร่บน arXiv[\[9\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_note-kimivl-9) - **กรกฎาคม 2025** — เปิดตัว **Kimi K2** — โมเดล MoE แบบเปิดหลักที่มี 1 ล้านล้านพารามิเตอร์และพารามิเตอร์ที่ใช้งานอยู่ 32 พันล้าน รายงานทางเทคนิคเผยแพร่บน arXiv[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_note-K2paper-1) โมเดลครองอันดับหนึ่งในบรรดาโมเดลแบบเปิดบน LMSYS Chatbot Arena ณ เวลาที่เปิดตัว (มากกว่า 3,000 คะแนนโหวต)[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_note-K2paper-1) - **กันยายน 2025** — อัปเดต **Kimi-K2-Instruct-0905** พร้อม context ที่ขยายเป็น 256,000 token และการเขียนโปรแกรม agentic ที่ปรับปรุงแล้ว[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_note-K2paper-1) - **พฤศจิกายน 2025** — เปิดตัว **Kimi K2 Thinking** — เวอร์ชันที่มีการใช้เหตุผลแบบทีละขั้นตอน (chain-of-thought) ที่เสริมความแข็งแกร่งและรองรับการเรียกใช้เครื่องมือ (tool calls) แบบต่อเนื่อง 200–300 ครั้ง[\[10\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_note-HF_K2Thinking-10) - **มกราคม 2026** — แนะนำ **Kimi K2.5** — โมเดล MoE มัลติโมดัลที่มีความสามารถมัลติโมดัลแบบ native และกลไก Agent Swarm (การจัดการ sub-agent แบบขนาน)[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_note-K25paper-2) ควบคู่ไปกับการพัฒนาโมเดลในปี 2024 มีการแนะนำบริการ inference ของตนเองชื่อ **Mooncake** — สถาปัตยกรรมแบบ disaggregated ที่เน้น KVCache สำหรับการให้บริการ LLM ที่มี context ยาว[\[11\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_note-mooncake-11) ## พื้นฐานทางทฤษฎีและสถาปัตยกรรม ### สถาปัตยกรรม Mixture-of-Experts โมเดลในซีรีส์ Kimi K2 และ K2.5 ใช้สถาปัตยกรรม Transformer ที่มี Mixture-of-Experts ในชั้นแยกต่างหาก บล็อก transformer มาตรฐานเป็นองค์ประกอบของชั้น Multi-Head Attention (MHA) และ MLP แบบ position-wise (multilayer perceptron) พร้อม residual connection:[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_note-K2paper-1)[\[12\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_note-Vaswani2017-12) $$ \mathbf{H}^{\prime} = {MHA}(\mathbf{H}) + \mathbf{H},\quad\mathbf{H}^{\ast} = {MLP}(\mathbf{H}^{\prime}) + \mathbf{H}^{\prime}, $$ โดยที่ $\mathbf{H} \in {\mathbb{R}}^{L \times d}$ — การแสดงแทน token อินพุต, $L$ — ความยาวลำดับ, $d$ — ขนาด hidden state ในชั้น MoE แทนที่จะใช้ MLP เดียว จะใช้ชุดของผู้เชี่ยวชาญ $\{ E_{i}\}_{i = 1}^{N}$ โดยแต่ละตัวแทน MLP แยกต่างหากพร้อมพารามิเตอร์ $\theta_{i}$ router (gating network) สำหรับแต่ละ token จะเลือกชุดย่อยของผู้เชี่ยวชาญ เอาต์พุตของชั้น MoE สำหรับ token ที่มีการแสดงแทน $\mathbf{h}$ กำหนดเป็น:[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_note-K2paper-1) $$ {MoE}(\mathbf{h}) = \sum\limits_{i \in \mathcal{S}(\mathbf{h})}g_{i}(\mathbf{h})\, E_{i}(\mathbf{h}), $$ โดยที่ $\mathcal{S}(\mathbf{h}) \subset \{ 1,\ldots,N\}$ — ชุดผู้เชี่ยวชาญที่เลือกสำหรับ token นี้, $g_{i}(\mathbf{h})$ — น้ำหนัก router ที่ปรับมาตรฐานแล้ว, $\sum\limits_{i \in \mathcal{S}}g_{i} = 1$ ฟังก์ชัน routing เลือกผู้เชี่ยวชาญผ่านการดำเนินการ TopK:[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_note-K2paper-1) $$ g(\mathbf{h}) = {TopK}\left( {Softmax}(\mathbf{h} \cdot W_{g}) \right), $$ โดยที่ $W_{g}$ — เมทริกซ์ router ที่เรียนรู้ได้ รูปแบบดังกล่าวช่วยให้สามารถปรับขนาดจำนวนพารามิเตอร์ทั้งหมดได้โดยมีจำนวนพารามิเตอร์ที่เปิดใช้งานต่อ token อย่างจำกัด ### Hyperparameter สถาปัตยกรรมของ Kimi K2 / K2.5 | พารามิเตอร์ | ค่า | |-------------------------------------------------|-----------------------------------| | ประเภทสถาปัตยกรรม | Transformer ที่มี Mixture-of-Experts | | จำนวนพารามิเตอร์ทั้งหมด | 1.04 ล้านล้าน | | พารามิเตอร์ที่เปิดใช้งานต่อ token | 32 พันล้าน | | จำนวนชั้น | 61 (1 แบบ dense + 60 แบบ MoE) | | ขนาด hidden state | 7168 | | จำนวน attention head | 64 | | จำนวนผู้เชี่ยวชาญ | 384 (8 ตัวที่เลือกต่อ token + 1 ตัวร่วม) | | ขนาด hidden state ของผู้เชี่ยวชาญ (MoE hidden size) | 2048 | | ขนาด vocabulary | 160,000 token | | ฟังก์ชัน activation | SwiGLU | | กลไก attention | Multi-head Latent Attention (MLA) | | Context สูงสุด | 256,000 token (ขยายผ่าน YaRN) | | Visual encoder (K2.5) | MoonViT-3D, ~400 ล้านพารามิเตอร์ | [\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_note-K2paper-1)[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_note-K25paper-2)[\[13\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_note-nvidia_nim-13) อัตรา sparsity (อัตราส่วนของจำนวนผู้เชี่ยวชาญทั้งหมดต่อที่เปิดใช้งาน) คือ 48:1 (384 ผู้เชี่ยวชาญ, 8 ที่ใช้งานอยู่) ซึ่งช่วยลดต้นทุนการคำนวณได้อย่างมีนัยสำคัญเมื่อเทียบกับโมเดลแบบ dense ในระดับเดียวกัน[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_note-K2paper-1) ### กลไก Multi-head Latent Attention (MLA) โมเดลในซีรีส์ Kimi K2/K2.5 ใช้กลไก Multi-head Latent Attention (MLA) — การดัดแปลง attention แบบ multi-head มาตรฐาน ที่มุ่งเพิ่มประสิทธิภาพและความสามารถในการปรับขนาด การคำนวณ attention มาตรฐานสำหรับชั้นเดียวเป็น:[\[12\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_note-Vaswani2017-12) $$ {Attention}(\mathbf{Q},\mathbf{K},\mathbf{V}) = {softmax}\!\left( \frac{\mathbf{Q}\mathbf{K}^{\top}}{\sqrt{d_{k}}} \right)\mathbf{V}, $$ โดยที่ $\mathbf{Q},\mathbf{K},\mathbf{V} \in {\mathbb{R}}^{L \times d_{k}}$ — เมทริกซ์ query, key และ value ใน MLA มีการนำเสนอ latent representation ที่ query และ key ฉายลงบน ซึ่งช่วยลดมิติของการดำเนินการระดับกลางและช่วยลดขนาด KV cache แนวทางนี้คล้ายกับกลไกที่ใช้ใน DeepSeek-V3[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_note-K2paper-1)[\[13\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_note-nvidia_nim-13) ### Optimizer MuonClip และ QK-clip สำหรับการฝึกโมเดล Kimi K2 มีการเสนอ optimizer **MuonClip** — การดัดแปลง Muon optimizer (momentum optimizer พร้อม normalization แบบ Newton-Schulz) โดยเพิ่มเทคนิค **QK-clip** เพื่อทำให้การฝึก Large Language Model ที่มีสถาปัตยกรรม MoE มีเสถียรภาพ[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_note-K2paper-1) QK-clip ใช้ข้อจำกัดกับ attention logit $\mathbf{Q}\mathbf{K}^{\top}$ ผ่านการดำเนินการ clipping สำหรับแต่ละ attention head $h$ จะกำหนด logit สูงสุด: $$ S_{h}^{\max} = \frac{1}{\sqrt{d}}\max\limits_{i,j}\left( Q_{h}^{i}(K_{h}^{j})^{\top} \right), $$ และคำนวณสัมประสิทธิ์การปรับขนาด: $$ \gamma_{h} = \min\!\left( 1,\;\frac{\tau}{S_{h}^{\max}} \right), $$ โดยที่ $\tau = 100$ — hyperparameter เกณฑ์, $d$ — ขนาดของ attention head สัมประสิทธิ์ $\gamma_{h}$ ใช้สำหรับการปรับขนาดน้ำหนัก $W_{q},W_{k}$ หาก logit สูงสุดเกินเกณฑ์ วิธีนี้จำกัดช่วงของค่า logit ก่อน softmax และลดความเสี่ยงของการกระโดดอย่างรวดเร็วของ loss (loss spikes) ในระหว่างการฝึกในระดับขนาดใหญ่[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_note-K2paper-1) ตามข้อมูลของผู้เขียน การ pre-train Kimi K2 บน token จำนวน 15.5 ล้านล้านด้วย MuonClip ผ่านไปโดยไม่มีการบันทึก loss spike แม้แต่ครั้งเดียว (*zero loss spikes*)[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_note-K2paper-1) ### ความสามารถมัลติโมดัลและ MoonViT โมเดล Kimi K2.5 และ Kimi-VL ใช้ visual encoder **MoonViT** (ในเวอร์ชัน K2.5 — MoonViT-3D) ที่มีประมาณ 400 ล้านพารามิเตอร์ สร้างบน SigLIP-SO-400M ที่มีการ packing แบบ NaViT (รองรับความละเอียดอินพุตที่แปรผัน) และการขยาย 3D สำหรับการประมวลผลวิดีโอ (จัดกลุ่มตาม 4 เฟรม)[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_note-K25paper-2)[\[9\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_note-kimivl-9) Visual encoder แปลงรูปภาพและวิดีโออินพุตเป็นลำดับของ visual token ให้ $\mathbf{X} \in {\mathbb{R}}^{H \times W \times 3}$ — รูปภาพอินพุต, $\Phi_{\text{vis}}$ — visual encoder: $$ \mathbf{Z}_{\text{vis}} = \Phi_{\text{vis}}(\mathbf{X}) \in {\mathbb{R}}^{L_{v} \times d_{v}}, $$ จากนั้นผ่านการฉายแบบเชิงเส้น (MLP สองชั้น) $\mathbf{P} \in {\mathbb{R}}^{d_{v} \times d}$: $$ \mathbf{H}_{\text{vis}} = \mathbf{Z}_{\text{vis}}\,\mathbf{P}, $$ โดยที่ $d$ — ขนาด hidden space ของส่วนภาษาของโมเดล ในโหมดมัลติโมดัล $\mathbf{H}_{\text{vis}}$ จะถูก concatenate กับ text token และป้อนเข้า transformer[\[9\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_note-kimivl-9)[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_note-K25paper-2) ต่างจากรูปแบบสองขั้นตอน (การเพิ่ม visual adapter บนโมเดลข้อความ) K2.5 ได้รับการฝึกบนข้อมูลผสมระหว่างภาพและข้อความตั้งแต่เริ่ม pre-training (joint text-vision pre-training) โดยมีสัดส่วน visual token ต่ำ (~10%) ในระยะแรกและค่อยๆ เพิ่มขึ้น ปริมาณรวมทั้งหมดประมาณ 15 ล้านล้าน token ที่ผสมระหว่างภาพและข้อความ[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_note-K25paper-2) ## การ Pre-training และ Post-training ### การ Pre-training **Kimi K2** ได้รับการ pre-train บน 15.5 ล้านล้าน token (ข้อความเว็บ, โค้ด, คณิตศาสตร์, ความรู้สารานุกรม) โดยใช้ MuonClip optimizer ไม่มีการบันทึก loss spike แม้แต่ครั้งเดียวตลอดช่วง pre-training[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_note-K2paper-1) **Kimi K2.5** ผ่าน continual pre-training ต่อเนื่องจาก checkpoint ของ K2 บน ~15 ล้านล้าน token ผสมระหว่างภาพและข้อความเพิ่มเติม พร้อมการปรับแต่ง modality ร่วม (joint pre-training) มีการดำเนินการฝึก standalone ของ visual encoder จำนวน 1 ล้านล้าน token และขั้นตอน long-context mid-training เพิ่มเติมเพื่อขยาย context[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_note-K25paper-2) ### การ Post-training การ post-training ของโมเดลซีรีส์ K2 ประกอบด้วยหลายขั้นตอน:[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_note-K2paper-1)[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_note-K25paper-2) **Supervised Fine-Tuning (SFT, การปรับแต่งแบบควบคุม):** - ข้อมูลการสังเคราะห์ agentic trajectory (agentic data synthesis) — การสร้างข้อกำหนดเครื่องมือ การจำลองการโต้ตอบกับสภาพแวดล้อม การตรวจสอบผลลัพธ์ - สำหรับ K2.5 มีการใช้ zero-vision SFT เพิ่มเติม — SFT แบบข้อความที่เปิดใช้งานความสามารถด้านภาพโดยไม่ต้องใช้รูปภาพโดยตรงในขั้นตอน fine-tuning **Reinforcement Learning (RL, การเรียนรู้เสริมแรง):** - การรวมกันของรางวัลที่ตรวจสอบได้ (Reinforcement Learning with Verifiable Rewards, RLVR) สำหรับงานคณิตศาสตร์ โค้ด และความปลอดภัย - การประเมินตัวเองตามเกณฑ์ (self-critique rubric rewards) — การใช้ LLM ประเมินผลสำหรับการประเมินคุณภาพของสถานการณ์ agentic โดยอัตโนมัติ - สำหรับ K2.5 — multimodal RL ร่วม (joint multimodal RL) **Quantization-Aware Training (QAT):** - Kimi K2 Thinking และ K2.5 รองรับ INT4 quantization แบบ native ของน้ำหนัก (weight-only quantization, กลุ่ม 32, tensor บีบอัด) ที่ปรับให้เหมาะกับสถาปัตยกรรม NVIDIA Hopper ซึ่งช่วยลดความต้องการหน่วยความจำในระหว่างการ inference[\[10\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_note-HF_K2Thinking-10)[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_note-K25paper-2) ### Agent Swarm (K2.5) สำหรับโมเดล K2.5 มีการพัฒนากลไก **Agent Swarm** — framework การจัดการ agent แบบขนานที่จัดการตัวเอง โมเดล orchestrator จะสร้าง sub-agent แบบไดนามิก (ผ่านการดำเนินการ `create_subagent`, `assign_task`) กระจายงานย่อย และรวบรวมผลลัพธ์ แต่ละ sub-agent สามารถเรียกใช้เครื่องมือได้อย่างอิสระและทำงานแบบขนานกับ sub-agent อื่นๆ[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_note-K25paper-2) การฝึกกลไก Agent Swarm ดำเนินการผ่าน **Parallel-Agent Reinforcement Learning (PARL)** พร้อมการแยกการดำเนินการและการปรับแต่ง (decoupling execution/optimization) ตามข้อมูลของผู้เขียน Agent Swarm ช่วยลด latency ได้ถึง 4.5 เท่าเมื่อเทียบกับโหมด agent แบบ single-thread (single-agent)[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_note-K25paper-2) ## โมเดลหลักในซีรีส์ | โมเดล | ประเภท | พารามิเตอร์ (รวม / ที่ใช้งานอยู่) | Context (token) | มัลติโมดัล | วันที่เปิดตัว | |----------------------|-----------------|--------------------------------------------|-----------------|-----------------------|---------------| | **Kimi k1.5** | LLM, RL-scaling | ไม่เปิดเผย | 128,000 | ใช่ (จำกัด) | มกราคม 2025 | | **Kimi-VL** | VLM, MoE | compact / ~2.8 พันล้านที่ใช้งานอยู่ + 400 ล้าน ViT | context ยาว | ใช่ (รูปภาพ) | เมษายน 2025 | | **Kimi K2** | LLM, MoE | 1.04 ล้านล้าน / 32 พันล้าน | 256,000 | ไม่ (ข้อความ) | กรกฎาคม 2025 | | **Kimi K2 Thinking** | LLM, MoE | 1.04 ล้านล้าน / 32 พันล้าน | 256,000 | ไม่ (ข้อความ) | พฤศจิกายน 2025 | | **Kimi K2.5** | VLM-LLM, MoE | 1.04 ล้านล้าน / 32 พันล้าน | 256,000 | ใช่ (รูปภาพ, วิดีโอ, PDF) | มกราคม 2026 | [\[8\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_note-k15paper-8)[\[9\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_note-kimivl-9)[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_note-K2paper-1)[\[10\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_note-HF_K2Thinking-10)[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_note-K25paper-2) ### Kimi K2 Kimi K2 — LLM แบบ Mixture-of-Experts ที่มีพารามิเตอร์รวม 1.04 ล้านล้านและพารามิเตอร์ที่เปิดใช้งาน 32 พันล้านต่อ token ได้รับการ pre-train บน 15.5 ล้านล้าน token ด้วย MuonClip optimizer สถาปัตยกรรมประกอบด้วยผู้เชี่ยวชาญ 384 คนและกลไก MLA ที่เข้ากันได้กับ context ยาว โมเดลมุ่งเน้นงานการเขียนโปรแกรม การใช้เหตุผลทางคณิตศาสตร์ และสถานการณ์ agentic พร้อมการเรียกใช้เครื่องมือแบบต่อเนื่อง[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_note-K2paper-1) รายงานทางเทคนิคอธิบาย pipeline การ post-training แบบหลายขั้นตอน: การสังเคราะห์ข้อมูล agentic ในวงกว้างโดยการจำลองการโต้ตอบกับเครื่องมือ; การฝึกด้วย reinforcement learning ในสภาพแวดล้อมผสมของงานจริงและงานสังเคราะห์; การใช้ LLM ประเมินผลสำหรับการประเมินคุณภาพโดยอัตโนมัติ[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_note-K2paper-1)[\[14\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_note-importai-14) ### Kimi K2 Thinking ตัวแปร Kimi K2 Thinking ได้รับการปรับแต่งสำหรับการใช้เหตุผลแบบหลายขั้นตอน (chain-of-thought) พร้อมความสามารถในการเรียกใช้เครื่องมือแบบไดนามิกและรองรับ context ถึง 256,000 token โมเดลนำเสนอโหมด "Thinking" แยกต่างหากพร้อมฟิลด์ `reasoning_content` ที่ส่งคืนอย่างชัดเจนซึ่งมีการใช้เหตุผลภายใน K2 Thinking รองรับการเรียกใช้เครื่องมือแบบต่อเนื่อง 200–300 ครั้งในหนึ่ง agentic episode โดยไม่มีการเสื่อมสภาพของพฤติกรรมอย่างมีนัยสำคัญ และยังรองรับ INT4 quantization แบบ native ด้วย QAT[\[10\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_note-HF_K2Thinking-10) ### Kimi-VL Kimi-VL — MoE-VLM (vision-language model) มัลติโมดัลแบบเปิดที่มุ่งเน้นงานการเข้าใจภาพ การใช้เหตุผลระหว่างภาพและข้อความ และฉากในชีวิตจริง โมเดลถูกอธิบายว่าเป็นสถาปัตยกรรม MoE แบบ compact พร้อม visual encoder MoonViT รายงานทางเทคนิคเผยแพร่บน arXiv ในเดือนเมษายน 2025[\[9\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_note-kimivl-9) ### Kimi K2.5 Kimi K2.5 — โมเดล MoE มัลติโมดัลในระดับ 1.04 ล้านล้านพารามิเตอร์ที่มีพารามิเตอร์ที่เปิดใช้งาน 32 พันล้าน โดยอิงจาก checkpoint ของ Kimi-K2-Base พร้อม continual pre-training บน ~15 ล้านล้าน token ผสมระหว่างภาพและข้อความเพิ่มเติม โมเดลรองรับอินพุตรูปภาพ วิดีโอ PDF และข้อความพร้อม context ถึง 256,000 token[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_note-K25paper-2) K2.5 รองรับโหมดการ inference หลักสองโหมด: - **Thinking mode** — พร้อม `reasoning_content` ที่ชัดเจนและการสร้างแบบหลายขั้นตอน - **Instant mode** — โดยไม่มีการแสดงการใช้เหตุผล ด้วย latency ที่ต่ำกว่า[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_note-K25paper-2)[\[13\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_note-nvidia_nim-13) โมเดลนำเสนอ INT4 quantization แบบ native ของน้ำหนัก (weight-only, กลุ่ม 32) ที่ปรับให้เหมาะกับสถาปัตยกรรม NVIDIA Hopper[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_note-K25paper-2) ## ผลลัพธ์หลักและ benchmark ### Benchmark ข้อความและ agentic ของ Kimi K2 ผลลัพธ์แสดงสำหรับ Kimi-K2-Instruct ในโหมด non-thinking (โดยไม่มี chain-of-thought ขยาย) ตามข้อมูลของรายงานทางเทคนิค[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_note-K2paper-1) | Benchmark | Kimi K2-Instruct | DeepSeek-V3-0324 | Claude 4 Opus / Sonnet | แหล่งที่มา | |-----------------------------|------------------|------------------|------------------------|------------------| | SWE-Bench Verified (Pass@1) | 65.8% | 38.8% | 72.5% / 72.7% | arXiv:2507.20534 | | SWE-Bench Multilingual | 47.3% | 20.9% | 51.0% | arXiv:2507.20534 | | LiveCodeBench v6 (Pass@1) | 53.7% | 44.7% | 46.9% | arXiv:2507.20534 | | Tau2-Bench (micro-avg) | 66.1% | 48.8% | 66.1% | arXiv:2507.20534 | | ACEBench (En) | 76.5% | 75.6% | 80.1% | arXiv:2507.20534 | | AIME 2025 (Avg@64) | 49.5% | 33.9% | 46.7% | arXiv:2507.20534 | | GPQA-Diamond (Avg@8) | 75.1% | 68.2% | 74.9% | arXiv:2507.20534 | ตามคำกล่าวอ้างของผู้เขียน ผลลัพธ์เหล่านี้วาง K2 ไว้ในกลุ่มผู้นำของโมเดลแบบเปิดในโหมดที่ไม่มีการขยาย thinking โดยเฉพาะอย่างยิ่งในงานวิศวกรรมและ agentic (ณ เวลาที่เผยแพร่รายงาน)[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_note-K2paper-1) ### Benchmark ของ Kimi-VL | Benchmark | Kimi-VL | Qwen2.5-VL-7B | GPT-4o-mini | แหล่งที่มา | |-------------------|---------|---------------|-------------|------------------| | MMVet (ความแม่นยำ) | 66.7% | 67.1% | 66.9% | arXiv:2504.07491 | | RealWorldQA | 68.1% | 68.5% | — | arXiv:2504.07491 | ผลลัพธ์แสดงให้เห็นว่าสถาปัตยกรรม MoE มัลติโมดัลแบบ compact สามารถบรรลุระดับที่เทียบเคียงได้กับโมเดลขนาดใหญ่กว่าโดยมีพารามิเตอร์ที่ใช้งานอยู่น้อยกว่า[\[9\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_note-kimivl-9) ### Benchmark ของ Kimi K2.5 ผลลัพธ์แสดงในโหมด Thinking (temperature = 1.0; top-p = 0.95; context 256,000 token; engine vLLM; แพลตฟอร์มฮาร์ดแวร์ NVIDIA H200) ตามข้อมูลของ model card บนแพลตฟอร์ม NVIDIA NIM และรายงานทางเทคนิค[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_note-K25paper-2)[\[13\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_note-nvidia_nim-13) | หมวดหมู่ | Benchmark | Kimi K2.5 | |-----------------------|--------------------------|-----------| | Reasoning & Knowledge | HLE-Full (โดยไม่มีเครื่องมือ) | 30.1 | | | HLE-Full (พร้อมเครื่องมือ) | 50.2 | | | AIME 2025 | 96.1 | | | HMMT 2025 (Feb) | 95.4 | | | GPQA-Diamond | 87.6 | | | MMLU-Pro | 87.1 | | Vision & Video | MMMU-Pro | 78.5 | | | MathVision | 84.2 | | | MathVista (mini) | 90.1 | | | OCRBench | 92.3 | | | OmniDocBench 1.5 | 88.8 | | | VideoMMMU | 86.6 | | | LongVideoBench | 79.8 | | Coding | SWE-Bench Verified | 76.8 | | | SWE-Bench Pro | 50.7 | | | SWE-Bench Multilingual | 73.0 | | | Terminal Bench 2.0 | 50.8 | | | PaperBench | 63.5 | | | LiveCodeBench v6 | 85.0 | | | OJBench (C++) | 57.4 | | Long Context | Longbench v2 | 61.0 | | | AA-LCR | 70.0 | | Agentic Search | BrowseComp | 60.6 | | | BrowseComp (Agent Swarm) | 78.4 | | | WideSearch (iter-F1) | 72.7 | | | DeepSearchQA | 77.1 | นอกจากนี้ K2.5 ยังแสดงให้เห็นการถ่ายโอนเชิงบวกของการฝึกด้านภาพไปยังงานข้อความ: +1.7% บน MMLU-Pro และ +2.1% บน GPQA-Diamond เมื่อเทียบกับโมเดลพื้นฐานข้อความ K2[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_note-K25paper-2) การประเมินเปรียบเทียบขั้นสุดท้ายขึ้นอยู่กับการเลือก metric และสถานการณ์ ผลลัพธ์ที่แสดงมาจากข้อมูลของผู้เขียน การตรวจสอบอิสระของ benchmark บางส่วน ณ เวลาที่เผยแพร่ยังมีจำกัด[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_note-K25paper-2)[\[15\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_note-deeplearning_batch-15) ## การประยุกต์ใช้งาน ### ผู้ช่วยข้อความและการค้นหา แพลตฟอร์ม Kimi ถูกใช้เป็นผู้ช่วยที่รองรับการประมวลผลเอกสารยาว (รายงานการวิจัย ข้อมูลทางการเงิน) การวิเคราะห์อัตโนมัติ และการค้นหาออนไลน์พร้อมการรวบรวมข้อมูล Moonshot AI ระบุว่า Kimi รองรับการเรียกใช้เครื่องมือ (tool calls) มากกว่า 300 ครั้งในสถานการณ์ agentic เดียว[\[7\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_note-moonshot_site-7)[\[4\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_note-platform-4) ### การเขียนโปรแกรมและงานวิศวกรรม Kimi K2 และ K2.5 แสดงผลลัพธ์สูงบน SWE-Bench Verified, SWE-Bench Multilingual, LiveCodeBench และ benchmark การเขียนโปรแกรมอื่นๆ โมเดลถูกใช้สำหรับการแก้ไขข้อผิดพลาดอัตโนมัติใน repository การสร้างและ refactoring โค้ด การแก้ปัญหาของ online judge (OJBench, LiveCodeBench) รายงานทางเทคนิค K2 ระบุว่าโมเดลได้รับการฝึกบน corpus agentic สังเคราะห์ขนาดใหญ่ รวมถึงการโต้ตอบกับระบบจัดการเวอร์ชัน package manager และสภาพแวดล้อมการดำเนินการ[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_note-K2paper-1)[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_note-K25paper-2)[\[14\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_note-importai-14) ### แอปพลิเคชันมัลติโมดัล Kimi-VL และ K2.5 ออกแบบมาสำหรับการตอบคำถามด้านภาพ (VQA) บนรูปภาพและเอกสาร การเข้าใจเอกสาร (OCRBench, OmniDocBench) การวิเคราะห์วิดีโอ (VideoMMMU, LongVideoBench) งานการเขียนโปรแกรมแบบผสมตามข้อกำหนดภาพ (เช่น การสร้าง interface จาก mockup รูปภาพ) สำหรับ K2.5 มีการอธิบายสถานการณ์ "vision-grounded coding" และ "autonomous visual debugging" ที่โมเดลสร้างโค้ดตามคำอธิบายภาพและวิเคราะห์ผลลัพธ์ภาพแบบ iterative[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_note-K25paper-2)[\[9\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_note-kimivl-9)[\[15\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_note-deeplearning_batch-15) ### API และการ deploy โมเดลพร้อมใช้งานผ่าน API ของแพลตฟอร์ม Moonshot AI Open Platform พร้อมรองรับ tool calling, thinking mode, JSON mode และการ cache context น้ำหนักแบบเปิดใช้สำหรับการ deploy ในเครื่องผ่าน vLLM, SGLang และ TensorRT-LLM บริการ Mooncake ช่วยให้สามารถปรับขนาด inference สำหรับ context ยาว[\[4\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_note-platform-4)[\[11\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_note-mooncake-11)[\[16\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_note-github_k25-16) ## ข้อจำกัดและปัญหาเปิด ### ความต้องการด้านทรัพยากร โมเดล MoE ในระดับ 1 ล้านล้านพารามิเตอร์ แม้จะมีพารามิเตอร์ที่เปิดใช้งาน 32 พันล้านและ INT4 quantization ก็ยังต้องการหน่วยความจำและแบนด์วิดท์ที่มีนัยสำคัญ ในการอภิปรายด้านวิศวกรรมเกี่ยวกับการ deploy Kimi K2.5 มีการกล่าวถึงประมาณการในระดับหลายร้อยกิกะไบต์ของ VRAM สำหรับการโหลดโมเดลเต็ม ตัวเลขที่แน่นอนขึ้นอยู่กับรูปแบบ quantization และ framework (vLLM, SGLang เป็นต้น)[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_note-K25paper-2)[\[17\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_note-baseten-17) ### Hallucination และคุณภาพการสร้าง เช่นเดียวกับ LLM อื่นๆ โมเดลในซีรีส์ Kimi มีแนวโน้มเกิด hallucination ในรายงานการทดสอบ FACTS Grounding และ FaithJudge มีการบันทึก hallucination rate ในช่วง 1.1–7.4% ในสถานการณ์ RAG ในโหมด non-thinking โมเดลอาจสร้าง token ส่วนเกินเมื่อมีข้อกำหนดเครื่องมือที่ไม่ชัดเจน เมื่อบังคับเปิดใช้งาน tool-use ประสิทธิภาพจะลดลงในบางงาน[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_note-K2paper-1) ### การพึ่งพาข้อมูลสังเคราะห์และ pipeline RL Pipeline การสังเคราะห์ข้อมูล agentic และการฝึกด้วย reinforcement learning อาศัยคอลเลกชันขนาดใหญ่ของเครื่องมือและฉากสังเคราะห์ รวมถึง LLM ประเมินผลสำหรับการประเมินอัตโนมัติ (self-judging) รูปแบบดังกล่าวก่อให้เกิดคำถามเปิด: ความทนทานต่อความลำเอียง (bias) ของการประเมินตัวเอง การเสื่อมสภาพที่อาจเกิดขึ้นเมื่อทำ iteration ซ้ำหลายครั้ง (bootstrap) การถ่ายโอนทักษะ agentic ไปยังสภาพแวดล้อมจริงที่แตกต่างจากการจำลอง อิทธิพลของการกระจายงานสังเคราะห์ต่อความสามารถในการ generalize[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_note-K2paper-1)[\[14\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_note-importai-14) ### ความโปร่งใสและการทำซ้ำ ข้อมูลบางส่วนเกี่ยวกับองค์ประกอบของข้อมูลการฝึก กระบวนการกรอง การกระจายภาษาและโดเมนไม่ได้เปิดเผยหรือเปิดเผยอย่างจำกัด ซึ่งทำให้การประเมินแหล่งที่มาของความลำเอียงอย่างแม่นยำ การทำซ้ำการฝึก และการตรวจสอบอิสระของผลกระทบของส่วนประกอบแต่ละชิ้น (MuonClip, QK-clip) ต่อเสถียรภาพทำได้ยาก ณ เดือนกุมภาพันธ์ 2026 ไม่มีการบันทึกการทำซ้ำการฝึก Kimi K2 และ K2.5 อย่างสมบูรณ์โดยบุคคลที่สามในวรรณกรรมเปิด[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_note-K2paper-1)[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_note-K25paper-2) ## แง่มุมด้านจริยธรรมและกฎระเบียบ ใน model card และรายงานทางเทคนิคมีการเน้นย้ำว่านักพัฒนามีความรับผิดชอบต่ออินพุตและเอาต์พุตของโมเดล จำเป็นต้องเพิ่มกลไกป้องกัน (guardrails) และทดสอบกับข้อมูลของกรณีเฉพาะก่อนนำไปใช้งาน โมเดลสามารถประมวลผลรูปภาพและวิดีโอที่อาจมีข้อมูลส่วนบุคคล และผู้รวมระบบมีหน้าที่ต้องปฏิบัติตามกฎหมายที่เกี่ยวข้อง[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_note-K25paper-2)[\[16\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_note-github_k25-16) รายงานทางเทคนิคอธิบายการประเมินด้านความปลอดภัย (ความเสี่ยงทางชีวภาพ เคมี และไซเบอร์) โดยใช้เครื่องมือประเภท Promptfoo โมเดลผ่านการ alignment ด้วย RL พร้อมรางวัลที่ตรวจสอบได้และการประเมินตัวเอง[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_note-K2paper-1) ในฐานะผลิตภัณฑ์ของบริษัทจีน โมเดลต้องปฏิบัติตามกฎระเบียบแห่งชาติของสาธารณรัฐประชาชนจีนในด้าน AI ณ เวลาที่เขียน ยังไม่พบเอกสารกฎระเบียบสาธารณะแยกต่างหากที่อุทิศให้กับโมเดล Kimi โดยเฉพาะ การกำกับดูแลดำเนินการภายในกรอบแนวทางทั่วไปสำหรับโมเดล generative และ AI ในเขตอำนาจศาลที่เกี่ยวข้อง[\[18\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_note-bismarck-18) ในเดือนกุมภาพันธ์ 2026 บริษัท Anthropic อ้างว่า Moonshot AI (พร้อมกับนักพัฒนาจีนรายอื่น) ใช้บัญชีปลอมเพื่อสร้างการโต้ตอบกับ Claude เพื่อดึงข้อมูล (distillation) สำหรับการฝึกโมเดล ข้อมูลนี้มีลักษณะเป็นการยืนยันของฝ่ายเดียวและยังไม่ได้รับการยืนยันโดยการสืบสวนอิสระ ณ เวลาที่เผยแพร่ Moonshot AI ยังไม่ได้เผยแพร่คำตอบอย่างเป็นทางการ[\[5\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_note-wiki_moonshot-5) ## แนวโน้มและทิศทางการวิจัย จากเอกสารที่เผยแพร่ สามารถระบุทิศทางการวิจัยในอนาคตได้หลายทิศทาง: - **ระบบ agentic ที่ปรับขนาดได้** การพัฒนาแนวทางการฝึก LLM ในฐานะระบบ agentic โดยใช้ชุดเครื่องมือสังเคราะห์ RL และ self-judging การขยาย Agent Swarm ให้ครอบคลุม sub-agent จำนวนมากขึ้นและงานประเภทใหม่[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_note-K25paper-2)[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_note-K2paper-1) - **สถาปัตยกรรม MoE ที่มีประสิทธิภาพ** การใช้พารามิเตอร์ 1 ล้านล้านกับพารามิเตอร์ที่เปิดใช้งาน 32 พันล้านและผู้เชี่ยวชาญ 384 คนแสดงถึงหนึ่งในทางเลือกของการประนีประนอมระหว่างขนาดและประสิทธิภาพ กำลังมีการศึกษาทางเลือกอื่นๆ ที่มีรูปแบบ routing ที่แตกต่างกัน[\[1\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_note-K2paper-1) - **ความสามารถมัลติโมดัลแบบ native** การฝึก K2.5 บนข้อมูลผสมระหว่างภาพและข้อความตั้งแต่เริ่ม pre-training แสดงถึงแนวทางสู่ความสามารถมัลติโมดัลแบบ "native" ซึ่งเปรียบเทียบกับรูปแบบสองขั้นตอน[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_note-K25paper-2)[\[9\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_note-kimivl-9) - **Inference ที่มีประสิทธิภาพและ context ยาว** INT4 quantization และการรองรับ context 256,000 token กระตุ้นการวิจัยเพิ่มเติมในด้าน sparse attention, latent representation และหน่วยความจำภายนอก มีการอธิบายโครงการ **Kimi Linear** แยกต่างหาก — hybrid linear attention พร้อมการลด KV cache 75% และการเร่งความเร็ว decoding 6 เท่าที่ context 1 ล้าน token[\[2\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_note-K25paper-2)[\[19\]](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_note-kimilinear-19) ในเอกสารอย่างเป็นทางการของ Moonshot AI ไม่มีการเผยแพร่ roadmap โดยละเอียดสำหรับเวอร์ชัน Kimi ในอนาคต ทิศทางที่ระบุไว้อิงตามงานวิจัยที่เผยแพร่ ## ดูเพิ่มเติม - สถาปัตยกรรม Transformer - DeepSeek - Qwen ## อ้างอิง - https://www.moonshot.ai/ — เว็บไซต์อย่างเป็นทางการของ Moonshot AI - https://platform.moonshot.ai/ — Moonshot AI Open Platform (API) - https://github.com/MoonshotAI/Kimi-K2.5 — GitHub repository ของ Kimi K2.5 - https://huggingface.co/moonshotai — โปรไฟล์ Moonshot AI บน Hugging Face ## บรรณานุกรม - Kimi Team (2025). *Kimi K2: Open Agentic Intelligence*. arXiv:2507.20534. https://arxiv.org/abs/2507.20534 - Kimi Team (2026). *Kimi K2.5: Visual Agentic Intelligence*. arXiv:2602.02276. https://arxiv.org/abs/2602.02276 - Kimi Team (2025). *Kimi k1.5: Scaling Reinforcement Learning with LLMs*. arXiv:2501.12599. https://arxiv.org/abs/2501.12599 - Moonshot AI (2025). *Kimi-VL Technical Report*. arXiv:2504.07491. https://arxiv.org/abs/2504.07491 - Kimi Team (2025). *Kimi Linear: An Expressive, Efficient Attention Architecture*. arXiv:2510.26692. https://arxiv.org/abs/2510.26692 - Qin, R. et al. (2024). *Mooncake: A KVCache-centric Disaggregated Architecture for LLM Serving*. arXiv:2407.00079. https://arxiv.org/abs/2407.00079 - Vaswani, A. et al. (2017). *Attention Is All You Need*. NeurIPS. https://arxiv.org/abs/1706.03762 ## หมายเหตุ 1. ↑ [1.00](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_ref-K2paper_1-0) [1.01](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_ref-K2paper_1-1) [1.02](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_ref-K2paper_1-2) [1.03](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_ref-K2paper_1-3) [1.04](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_ref-K2paper_1-4) [1.05](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_ref-K2paper_1-5) [1.06](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_ref-K2paper_1-6) [1.07](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_ref-K2paper_1-7) [1.08](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_ref-K2paper_1-8) [1.09](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_ref-K2paper_1-9) [1.10](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_ref-K2paper_1-10) [1.11](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_ref-K2paper_1-11) [1.12](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_ref-K2paper_1-12) [1.13](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_ref-K2paper_1-13) [1.14](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_ref-K2paper_1-14) [1.15](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_ref-K2paper_1-15) [1.16](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_ref-K2paper_1-16) [1.17](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_ref-K2paper_1-17) [1.18](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_ref-K2paper_1-18) [1.19](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_ref-K2paper_1-19) [1.20](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_ref-K2paper_1-20) [1.21](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_ref-K2paper_1-21) [1.22](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_ref-K2paper_1-22) [1.23](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_ref-K2paper_1-23) [1.24](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_ref-K2paper_1-24) [1.25](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_ref-K2paper_1-25) [1.26](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_ref-K2paper_1-26) [1.27](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_ref-K2paper_1-27) Kimi Team (2025). *Kimi K2: Open Agentic Intelligence*. arXiv:2507.20534 \[cs.LG\], 28 июля 2025 (v2: 3 февраля 2026). https://arxiv.org/abs/2507.20534 2. ↑ [2.00](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_ref-K25paper_2-0) [2.01](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_ref-K25paper_2-1) [2.02](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_ref-K25paper_2-2) [2.03](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_ref-K25paper_2-3) [2.04](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_ref-K25paper_2-4) [2.05](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_ref-K25paper_2-5) [2.06](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_ref-K25paper_2-6) [2.07](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_ref-K25paper_2-7) [2.08](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_ref-K25paper_2-8) [2.09](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_ref-K25paper_2-9) [2.10](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_ref-K25paper_2-10) [2.11](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_ref-K25paper_2-11) [2.12](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_ref-K25paper_2-12) [2.13](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_ref-K25paper_2-13) [2.14](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_ref-K25paper_2-14) [2.15](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_ref-K25paper_2-15) [2.16](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_ref-K25paper_2-16) [2.17](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_ref-K25paper_2-17) [2.18](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_ref-K25paper_2-18) [2.19](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_ref-K25paper_2-19) [2.20](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_ref-K25paper_2-20) [2.21](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_ref-K25paper_2-21) [2.22](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_ref-K25paper_2-22) [2.23](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_ref-K25paper_2-23) [2.24](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_ref-K25paper_2-24) [2.25](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_ref-K25paper_2-25) [2.26](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_ref-K25paper_2-26) Kimi Team (2026). *Kimi K2.5: Visual Agentic Intelligence*. arXiv:2602.02276 \[cs.CL\], 2 февраля 2026. https://arxiv.org/abs/2602.02276 3. [↑](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_ref-HF_K25_3-0) Moonshot AI. *moonshotai/Kimi-K2.5*. Hugging Face. https://huggingface.co/moonshotai/Kimi-K2.5 4. ↑ [4.0](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_ref-platform_4-0) [4.1](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_ref-platform_4-1) [4.2](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_ref-platform_4-2) Moonshot AI Open Platform. https://platform.moonshot.ai/ 5. ↑ [5.0](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_ref-wiki_moonshot_5-0) [5.1](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_ref-wiki_moonshot_5-1) *Moonshot AI*. Wikipedia (англ.). https://en.wikipedia.org/wiki/Moonshot_AI 6. ↑ [6.0](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_ref-wiki_kimi_chatbot_6-0) [6.1](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_ref-wiki_kimi_chatbot_6-1) [6.2](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_ref-wiki_kimi_chatbot_6-2) *Kimi (chatbot)*. Wikipedia (англ.). https://en.wikipedia.org/wiki/Kimi_(chatbot) 7. ↑ [7.0](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_ref-moonshot_site_7-0) [7.1](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_ref-moonshot_site_7-1) Moonshot AI. Официальный сайт. https://www.moonshot.ai/ 8. ↑ [8.0](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_ref-k15paper_8-0) [8.1](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_ref-k15paper_8-1) Kimi Team (2025). *Kimi k1.5: Scaling Reinforcement Learning with LLMs*. arXiv:2501.12599 \[cs.AI\], 22 января 2025. https://arxiv.org/abs/2501.12599 9. ↑ [9.0](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_ref-kimivl_9-0) [9.1](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_ref-kimivl_9-1) [9.2](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_ref-kimivl_9-2) [9.3](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_ref-kimivl_9-3) [9.4](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_ref-kimivl_9-4) [9.5](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_ref-kimivl_9-5) [9.6](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_ref-kimivl_9-6) [9.7](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_ref-kimivl_9-7) Moonshot AI (2025). *Kimi-VL Technical Report*. arXiv:2504.07491 \[cs.CV\], 10 апреля 2025. https://arxiv.org/abs/2504.07491 10. ↑ [10.0](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_ref-HF_K2Thinking_10-0) [10.1](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_ref-HF_K2Thinking_10-1) [10.2](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_ref-HF_K2Thinking_10-2) [10.3](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_ref-HF_K2Thinking_10-3) Moonshot AI. *moonshotai/Kimi-K2-Thinking*. Hugging Face Model Card, 26 января 2026. https://huggingface.co/moonshotai/Kimi-K2-Thinking 11. ↑ [11.0](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_ref-mooncake_11-0) [11.1](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_ref-mooncake_11-1) Qin, R. et al. (2024). *Mooncake: A KVCache-centric Disaggregated Architecture for LLM Serving*. arXiv:2407.00079 \[cs.DC\]. https://arxiv.org/abs/2407.00079 12. ↑ [12.0](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_ref-Vaswani2017_12-0) [12.1](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_ref-Vaswani2017_12-1) Vaswani, A. et al. (2017). *Attention Is All You Need*. https://arxiv.org/abs/1706.03762 13. ↑ [13.0](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_ref-nvidia_nim_13-0) [13.1](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_ref-nvidia_nim_13-1) [13.2](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_ref-nvidia_nim_13-2) [13.3](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_ref-nvidia_nim_13-3) NVIDIA. *kimi-k2.5 Model by Moonshotai — NVIDIA NIM APIs (Model Card)*. 26 января 2026. https://build.nvidia.com/moonshotai/kimi-k2.5/modelcard 14. ↑ [14.0](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_ref-importai_14-0) [14.1](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_ref-importai_14-1) [14.2](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_ref-importai_14-2) Import AI (Jack Clark). *Import AI 421: Kimi 2 — a great Chinese open weight model*. 20 июля 2025. https://importai.substack.com/p/import-ai-421-kimi-2-a-great-chinese 15. ↑ [15.0](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_ref-deeplearning_batch_15-0) [15.1](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_ref-deeplearning_batch_15-1) DeepLearning.ai. *Moonshot AI's Kimi K2.5 Takes the Open Model Crown with Vision Updates Aided by Subagents*. The Batch, 9 февраля 2026. https://www.deeplearning.ai/the-batch/moonshot-ais-kimi-k2-5-takes-the-open-model-crown-with-vision-updates-aided-by-subagents/ 16. ↑ [16.0](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_ref-github_k25_16-0) [16.1](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_ref-github_k25_16-1) MoonshotAI. *MoonshotAI/Kimi-K2.5*. GitHub. https://github.com/MoonshotAI/Kimi-K2.5 17. [↑](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_ref-baseten_17-0) Baseten. *Kimi K2 Explained: The 1 Trillion Parameter Model*. 17 июля 2025. https://www.baseten.co/blog/kimi-k2-explained-the-1-trillion-parameter-model-redefining-how-to-build-agents/ 18. [↑](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_ref-bismarck_18-0) Bismarck Analysis. *AI 2026: China's Moonshot AI Contends For Technical…*. 23 сентября 2025. https://brief.bismarckanalysis.com/p/ai-2026-chinas-moonshot-ai-contends 19. [↑](https://systems-analysis.info/int/Kimi_(Moonshot_AI)_(TH)#cite_ref-kimilinear_19-0) Kimi Team (2025). *Kimi Linear: An Expressive, Efficient Attention Architecture*. arXiv:2510.26692. https://arxiv.org/abs/2510.26692