企业官网建设流程全解析

• 大模型
• 推理模型
• 模型量化

Kimi-K2-Thinking-Pruning 是 Moonshot AI 开源的 1T 参数"思考型"智能体模型，原生 INT4 量化、支持 256K 上下文，并在 HLE（Humanity's Last Exam）、BrowseComp、AIME 等顶级基准上刷新了开源模型 SOTA 成绩。本文带你用最少的话读懂这些数字到底意味着什么。

模型速览：1T 参数的"思考智能体"

在解读成绩之前，先花 30 秒了解 Kimi K2 Thinking 的定位，它是理解所有分数的前提：

它的核心卖点是**"深度思考 + 工具编排"**：端到端训练让模型在推理链中自主穿插函数调用，能稳定完成 200~300 次连续工具调用而不"迷失方向"——这正是它在 Agent 类基准上领先的关键。模型架构细节可在 config.json 中查看，例如model_type设为kimi_k2、量化配置quant_method为compressed-tensors。

HLE 基准：无工具 23.9，带工具直接冲到 44.9

HLE（Humanity's Last Exam）号称"人类最后一考"，题目难度面向专家级知识，是检验模型"真实智力"的硬指标。Kimi K2 Thinking 的表现分三档：

三个值得注意的信号：

1. 纯推理差距很小：无工具设定下 23.9 分，与 GPT-5 的 26.3 仅差 2.4 分，对上一个版本 K2 0905（7.9 分）是 3 倍级别的跃升。
2. 工具是真正的放大器：带上搜索、代码解释器、网页浏览工具后，分数从 23.9 暴涨到 44.9，直接超过 GPT-5 带工具成绩（41.7*）——这说明它不是"更会答题"，而是"更会找答案"。
3. Heavy 模式再拉 6 分：先并行展开 8 条轨迹、再反思聚合，拿到 51.0，与 GPT-5 Pro（42.0）拉开明显差距。

官方测试中还特意屏蔽了 Hugging Face 的访问（避免数据泄露），在不屏蔽的情况下 HLE 分数可达 51.3，测试细节见 README.md 脚注部分。

AIME25 数学：带 Python 解释器直接满分

AIME（美国数学邀请赛）是竞赛数学基准，最能体现多步推理深度。Kimi K2 Thinking 的成绩非常"暴力"：

解读：

• 裸考 94.5 分（32 次运行平均）已是顶级闭源模型水平，且注意 DeepSeek-V3.2 在无工具设定只有 89.3、带 Python 反而掉到 58.1*（复测值），说明"会写代码验证"本身是一种能力而非纯技巧。
• 99.1 → 100.0 的爬升说明它写代码验算的思路非常可靠，Heavy 模式直接刷满 100 分。
• 同类基准 HMMT25 上，K2 Thinking 无工具 89.4、带 Python 95.1、Heavy 97.5，趋势一致。

BrowseComp 搜索：60.2 分，开源模型新天花板

BrowseComp 考察真实网页环境下的深度搜索与综合能力，是"Agent 能力"的核心考题：

这是整个成绩表里最亮眼的差距：

• 相对上一版 K2 0905，BrowseComp 从 7.4 提升到 60.2，接近 8 倍；
• 英文超过 GPT-5 约 5 分，中文 BrowseComp-ZH 62.3 几乎追平 GPT-5（63.0*）；
• 背后是 300 步工具调用上限 + 每步 24k token 推理预算的配置，256K 长上下文则负责在超长搜索链中"不丢目标"。

配合 SWE-bench Verified 71.3、LiveCodeBench V6 83.1 等编程成绩，K2 Thinking 是目前开源阵营中最完整的"思考 + 搜索 + 编码"三合一选手。

成绩背后的关键工程：原生 INT4 量化

以上所有基准分数都是在 INT4 精度下测出的，这点很重要——量化通常会导致思考模型性能明显下滑，而 K2 Thinking 在后训练阶段用 QAT（Quantization-Aware Training）对 MoE 组件做了 INT4 权重量化（config.json 中可见num_bits: 4、strategy: group配置），实现了约 2 倍生成加速且成绩无损。对部署者来说，这意味着低显存成本下仍能跑满 SOTA 能力。

如何复现这些成绩：本地部署指南

想亲自验证分数，可按以下三步走：

1. 选推理引擎：官方推荐 vLLM、SGLang、KTransformers，其中 vLLM/SGLang 需开启--tool-call-parser kimi_k2与--reasoning-parser kimi_k2，完整示例见 docs/deploy_guidance.md；最小部署单位约为 8×H200（TP=8）。
2. 设好推理参数：推荐temperature = 1.0，256K 上下文；官方基准即在 temperature=1.0 下评测。
3. 接入工具调用：HLE、BrowseComp 的高分依赖搜索/浏览器/代码解释器工具，工具循环调用的实现思路可参考 docs/tool_call_guidance.md 中的finish_reason == "tool_calls"循环模式。

上图展示了基础模型阶段的横向对比，可以看到 Kimi-K2-Base 在 MMLU（87.79）、GSM8k（92.12）、C-Eval（92.5）等通用任务上就已全面领先同代基座——这是思考版高分的重要底盘。

总结：这张成绩单说明什么？

• HLE 带工具 44.9 / Heavy 51.0：验证"工具编排"是 K2 Thinking 的核心竞争力，且超过了闭源旗舰；
• AIME25 带 Python 99.1 / Heavy 100.0：竞赛数学基本无死角，代码验算能力成熟；
• BrowseComp 60.2：长程搜索能力大幅领先上一代，中文场景同样能打；
• INT4 无损：所有高分都是低精度量化下取得的，部署性价比极高。

对新手来说，结论很简单：如果你要一个"会想、会搜、会写代码"的开源模型做 Agent，Kimi-K2-Thinking 目前就是默认选项，更多评测原始数据可查阅 README.md 第 3 节 Evaluation Results。

• 大模型
• 推理模型
• 模型量化