Kimi K2 Base

Fiche modèle · Moonshot AI · kimi-k2-base

Kimi K2 base model is a state-of-the-art mixture-of-experts (MoE) language model with 32 billion activated parameters and 1 trillion total parameters. Trained on 15.5 trillion tokens with the MuonClip optimizer, this is the foundation model before instruction tuning. It demonstrates strong performance on knowledge, reasoning, and coding benchmarks while being optimized for agentic capabilities.

Fiches modèles

Identité

Organisation	Moonshot AI
Pays	—
Famille	—
Type	llm
Date de sortie	2025-07-11
Licence	mit
Licence commerciale	oui
Licence open source	oui
Poids ouverts	oui
Auto-hébergement (DGX Spark)	non — 1e+03 Md > 107 Md
Modalités	—
Fenêtre de contexte	131 072
KV cache / token (Q8)	874.5 ko/token
Paramètres totaux	1 T
Paramètres actifs (session)	32 B
Source des paramètres actifs	web : https://huggingface.co/moonshotai/Kimi-K2-Base
Curation des paramètres actifs	2026-11-04
Prix par session	—
Tokens / tâche (Data Players)	1.2 M
Tokens / tâche (Terminal-Bench)	83.3 M (est.)
Ratio Terminal-Bench / Data Players	69.4×
Coût / tâche (Terminal-Bench)	—
Tokens d'entraînement	15 500 000 000 000
Coupure de connaissance	—
Créé le	2026-05-07T16:53:32.589736Z
Mis à jour le	2026-11-04T06:04:57.302962Z
Source	LLM Stats
URL	https://llm-stats.com/models/kimi-k2-base

Tokens/tâche

Prix par fournisseur

Prix

Statut du modèle (offres + auto-hébergement) : non — hors DGX Spark (> 107 Md).

Toutes sources confondues : catalogue llm-stats, routeurs EUrouter/Cortecs et catalogues directs (OVHcloud, Scaleway, Infomaniak). Les prix sont convertis en USD pour la comparaison ; le prix publié et le taux BCE utilisé sont dans l'infobulle. Les prix inconnus restent indiqués « — ».

Aucune donnée.

Souveraineté qualifiée par offre (modèle × fournisseur) ; survolez le badge pour les critères.

Souveraineté

Scores par catégorie (top_scores)

Catégorie	Score
language	0.80
legal	0.70
math	0.70
physics	0.50
reasoning	0.70
factuality	0.40
finance	0.70
general	0.70
healthcare	0.70
biology	0.50
chemistry	0.50
code	0.80
economics	0.40

Scores par benchmark

Benchmark	Catégorie	Score	Max	Normalisé (API)	Vérifié	Auto-déclaré	Daté du
c-eval	general	0.93	1.00	0.93	non	oui	2026-11-04T06:04:57.306305Z
csimpleqa	general	0.78	1.00	0.78	non	oui	2026-11-04T06:04:57.309246Z
evalplus	reasoning	0.80	100.00	0.80	non	oui	2026-11-04T06:04:57.323405Z
gpqa	reasoning	0.48	1.00	0.48	non	oui	2026-11-04T06:04:57.326907Z
gsm8k	math	0.92	1.00	0.92	non	oui	2026-11-04T06:04:57.333067Z
livecodebench-v6	reasoning	0.26	1.00	0.26	non	oui	2026-11-04T06:04:57.336826Z
math	math	0.70	1.00	0.70	non	oui	2026-11-04T06:04:57.340406Z
mmlu	general	0.88	1.00	0.88	non	oui	2026-11-04T06:04:57.351460Z
mmlu-pro	language	0.69	1.00	0.69	non	oui	2026-11-04T06:04:57.354615Z
mmlu-redux-2.0	language	0.90	1.00	0.90	non	oui	2026-11-04T06:04:57.357763Z
simpleqa	factuality	0.35	1.00	0.35	non	oui	2026-11-04T06:04:57.363065Z
supergpqa	reasoning	0.45	1.00	0.45	non	oui	2026-11-04T06:04:57.367538Z
triviaqa	general	0.85	1.00	0.85	non	oui	2026-11-04T06:04:57.372083Z

Classements

Catégorie	Rang	Score	Note conservatrice	Benchmarks évalués	Méthode	Daté du	Provenance
code	177	—	10.60	1	trueskill	2026-10-19	model_history

Lecture : Note conservatrice = borne basse TrueSkill (niveau estimé − marge d’incertitude) ; Benchmarks évalués = nombre de benchmarks de la catégorie pris en compte. À performances égales, un modèle évalué sur moins de benchmarks obtient une note plus basse : la note ne se déduit pas d’un seul score. Provenance : rankings = top 50 de /rankings ; model_history = historique du modèle (/models/{id}/history), utilisé pour les rangs au-delà du top 50.

Données

Dates de curation (récupération depuis l'API) : models 2026-11-04 · benchmarks 2026-11-04 · scores 2026-11-04 · updates 2026-11-04 · account 2026-11-04 · model_history 2026-11-04 · rankings 2026-11-04