GPT
הוספת כלי
K

Kimi-K2.6

קוד פתוח

moonshotaiother2026-04-14

  • transformers
  • safetensors
  • kimi_k25
  • feature-extraction
  • compressed-tensors

מודל ענק רב-אופני של טריליון פרמטרים שמתמקד בריצה אוטונומית ארוכה של סוכנים ובכתיבת קוד. הוא מיועד למי שצריך תיאום של מאות תתי-סוכנים במקביל ופתרון בעיות תכנות מורכבות.

  • 1027Bפרמטרים
  • 262,144טוקנים בהקשר
  • 554 GBמשקל הקבצים
  • 562,212הורדות בחודש

מה זה

הארכיטקטורה כאן היא תערובת מומחים עם מעל טריליון פרמטרים בסך הכול, אבל רק 32 מיליארד פרמטרים מופעלים בכל טוקן דרך שמונה מומחים נבחרים מתוך 384. הוא כולל אנקודר ראייה ייעודי בשם MoonViT עם 400 מיליון פרמטרים, ומציע חלון הקשר של 256 אלף טוקנים. המבנה הזה נועד לאפשר יכולת תכנון ממושכת בלי לגרור את מלוא עלות החישוב של מודל ענק בכל צעד.

בבדיקות הביצועים שלו הוא מציג יכולת חזקה מאוד בעבודה מול כלים וקוד. במבחני SWE-Bench Verified הוא הגיע ל־80.2 אחוזים וב־LiveCodeBench ל־89.6 אחוזים, מספרים שמציבים אותו ראש בראש מול מערכות מובילות אחרות בתעשייה. המקום שבו הוא בולט במיוחד הוא חיפוש וסוכנים, עם 92.5 אחוז דיוק F1 במבחן DeepSearchQA וציון של 86.3 ב־BrowseComp בהפעלה של להקת סוכנים. עם זאת, במבחני חשיבה טהורה בלי כלי עזר חיצוניים כמו HLE-Full, הוא נעצר על 34.7 אחוזים בלבד, כך שעיקר כוחו תלוי בחיבור לסביבת הרצה עם גישה לכלים חיצוניים.

מתאים ל

  • תזמור סוכנים מקבילי

    הוא מתוכנן לפצל משימות גדולות לעד 300 תתי-סוכנים ואלפי צעדים עצמאיים בריצה אחת.

  • פיתוח ממשקים מקוד ותמונה

    המודל ממיר קלט חזותי והנחיות טקסט ישירות לרכיבי ממשק מלאים, כולל אנימציות ועיצוב.

  • תחזוקת מאגרי קוד רב-לשוניים

    תוצאות גבוהות ב־SWE-Bench מוכיחות יכולת טובה באיתור ותיקון באגים ב־Rust, Go ו־Python.

איפה זה נופל

החולשה המרכזית נמצאת במשימות סוכנים שדורשות פעולות מערכת מורכבות ללא הכוונה הדוקה. במבחן APEX-Agents הוא השיג 27.9 אחוזים בלבד, ובמבחן BabyVision בעיבוד תמונה ללא הרצת פייתון הוא צנח ל־39.8 אחוזים. מעבר לכך, עיבוד וידאו עדיין מוגדר כניסיוני ונתמך רשמית רק דרך ה־API של החברה ולא בהרצה מקומית עצמאית.

שאלות
נפוצות

האם המודל תומך בעיבוד וידאו בהרצה מקומית?

לא. היכולת לעבוד עם וידאו מוגדרת כרגע כניסיונית וזמינה אך ורק דרך ה־API הרשמי של Moonshot AI, כך שהרצה עצמאית תוגבל לתמונות ולטקסט בלבד.

איך משפיעה שיטת המומחים על דרישות הזיכרון בעבודה שוטפת?

בזמן החישוב עצמו המודל מפעיל רק 32 מיליארד פרמטרים מתוך הטריליון, מה שמקל על מהירות ההסקה של כל טוקן. עם זאת, כל 554 הגיגה-בייט של המשקלים חייבים להישאר טעונים בזיכרון, כך שדרישת החומרה הפיזית נשארת עצומה.

איך מריצים

המשקל הכולל של הקבצים עומד על 554 גיגה-בייט שמחולקים ל־96 קבצים, מה שהופך הרצה עצמאית לפרויקט תשתית רציני. כדי לטעון אותו תצטרכו שרת עם מערך של מספר מאיצים גרפיים חזקים מאוד וזיכרון וידאו עצום, גם כשמשתמשים בכימות מובנה של ארבע ביט. ספריות ההרצה המומלצות בכרטיס הן vLLM, SGLang או KTransformers, לצד גרסת transformers בין 4.57.1 לפחות מ־5.0.0.

לרוב המוחלט של המפתחים אין שום היגיון כלכלי להחזיק אשכול חומרה כזה פעיל. היוצרים מציעים גישה דרך ממשק API תואם OpenAI או אנתרופיק בפלטפורמה שלהם, שכולל גם אימות של תאימות הספק. אם אתם לא מחויבים להחזקה מקומית מטעמי אבטחה קיצוניים, פנייה ל־API היא הדרך היחידה לקבל את היכולות שלו בלי לשרוף תקציבי שרתים אדירים.

from transformers import pipeline

pipe = pipeline("image-text-to-text", model="moonshotai/Kimi-K2.6")
print(pipe("שלום"))

הקבצים

96 קבצים במאגר, 554 GB סך הכול. הקישורים מובילים ישירות ל־Hugging Face.

הרישיון

הרישיון מוגדר כ־other, כאשר בכרטיס המודל מופיע תג של רישיון MIT מותאם עם הפניה לקובץ LICENSE נפרד. המשמעות היא שזה אינו רישיון MIT פתוח וסטנדרטי. חובה לפתוח ולקרוא את תנאי הקובץ המצורף במאגר לפני שמשלבים את המודל במוצר מסחרי, כדי לוודא שאין בו הגבלות הפצה, שימוש מסחרי או דרישות דיווח.

הרישיון המלא בעמוד המודל ↗