Moonshot выпустила открытую Kimi K2 Thinking: 300 вызовов инструментов подряд

Moonshot AI выпустила Kimi K2 Thinking, свою сильнейшую открытую модель с рассуждением. Она построена как агент: думает пошагово и между шагами вызывает инструменты, до 200–300 вызовов подряд без вмешательства человека. На Humanity's Last Exam с поиском, Python и браузером модель набрала 44,9%, на BrowseComp — 60,2% при человеческом уровне 29,2%, на SWE-Bench Verified — 71,3%. Модель доступна в чате на kimi.ai и через API.

Как устроен агентный цикл

Moonshot называет это масштабированием на этапе инференса: растёт не только число токенов рассуждения, но и число шагов с инструментами. Типичный цикл выглядит так: думает, ищет, открывает браузер, снова думает, пишет код. По ходу модель выдвигает и уточняет гипотезы, проверяет источники и собирает ответ. В одном из примеров компании она решила математическую задачу уровня PhD за 23 чередующихся шага рассуждения и вызовов инструментов.

Практическая оговорка есть в сносках самого релиза. В чате на kimi.ai используется урезанный набор инструментов и меньше ходов, поэтому бенчмарковые цифры там могут не воспроизвестись. Полный агентный режим в продукте обещан позже.

Скорость: INT4 без потери качества

Главная инженерная деталь — квантизация. Модели с длинным рассуждением генерируют огромные последовательности, и низкобитное сжатие обычно заметно бьёт по качеству. Moonshot применила Quantization-Aware Training на этапе пост-тренировки: веса MoE-компонентов хранятся в INT4 (weight-only). Это даёт нативный INT4-инференс и примерно вдвое более быструю генерацию. Все заявленные результаты получены именно в INT4, то есть без скидки на «полную» точность.

Ключевые цифры из релиза:

• HLE с инструментами: 44,9% (без блокировки доступа к Hugging Face — 51,3%).
• BrowseComp: 60,2%, человеческий базовый уровень — 29,2%.
• SWE-Bench Verified: 71,3%; SWE-Multilingual: 61,1%; Terminal-Bench: 47,1%.
• Контекст: 256k токенов, температура 1,0 в большинстве тестов.
• HLE: до 120 шагов и 48k токенов рассуждения на шаг; агентный поиск: до 300 шагов и 24k токенов на шаг.
• Heavy Mode: восемь параллельных траекторий с последующей агрегацией ответов; в сравнении используется GPT-5 Pro.

Что в методике стоит проверить

Moonshot подробно раскрывает условия тестов, и это позволяет оценивать цифры критически. Для HLE доступ к Hugging Face заблокировали из-за риска утечки ответов; с доступом результат вырос бы до 51,3%. Оценщиком выступал o3-mini с официальными промптами HLE.

Для GPT-5 использовали высокий уровень reasoning effort. Часть чужих результатов взята из официальных публикаций (на HLE с инструментами у GPT-5 — 35,2, у Grok-4 — 38,6), а недостающие перепроверены на тех же условиях и помечены звёздочкой. Для IMO-AnswerBench Moonshot заново прогнала GPT-5 через API и получила 76 против 65,6 в статье бенчмарка.

Кодинговые результаты усреднены по пяти запускам на собственной обвязке, производной от SWE-agent, с урезанными окнами у инструментов Bash и Edit и переписанным системным промптом. Сторонний воспроизводимый прогон на другой обвязке может дать иные числа.

Кому и как это пригодится

Модель стоит пробовать там, где важна длинная цепочка действий: исследовательский поиск по запутанной информации, многошаговые задачи в терминале, фронтенд на HTML и React, где Moonshot заявляет заметный прирост. Командам, которые строят собственных агентов, имеет смысл заложить в пайплайн управление контекстом. В тестах при переполнении 256k Moonshot просто скрывала все прежние выводы инструментов, и этот приём легко повторить. Для оценки на своих данных нужно запускать модель с полным набором инструментов и лимитами шагов, близкими к бенчмарковым: чат kimi.ai для этого не подходит, а API ближе к условиям теста. Выигрыш от INT4 важен тем, кто платит за задержку и память GPU: вдвое более быстрая генерация заметно меняет экономику агентов с сотнями шагов.