事件描述
　　11月6日，月之暗面正式发布并开源Kimi K2 Thinking模型，MoE架构，总参1T，激活参数32B，上下文长度256K，更好支持国产GPU。
　　事件评论
　　能力全面提升，开闭源模型差距进一步收敛。定位基于“模型即Agent”理念训练的新一代Thinking Agent，原生掌握“边思考，边使用工具”的能力。（1）推理性能全面提升：HLE测试中以44.9%准确率超过GPT-5（41.7%）取得SOTA；（2）自主搜索与浏览能力：BrowseComp测试得分60.2% （人类平均得分29.2%），超越GPT-5（54.9%）拿下SOTA，此外在BrowseComp-ZH、SEAL-0、FinSearchComp-T3等基准测试中均拿下SOTA成绩。（3）Agentic编程能力增强，在Tau2 Bench Telecom基准测试中，K2Thinking以93%分位列第一，在SWE-Multilingual、SWE-bench Verified、LiveCodeBenchV6测试得分为61%、71%、83%，该模型在HTML、React等方面的任务上有了很明显的进步，并与Claude Sonnet 4.5和GPT-5不相上下。
　　受益于长程规划和自主搜索能力的提升，推理表现更稳定。K2可借助多达上百轮的“思考→搜索→浏览网页→思考→编程”动态循环，持续地提出并完善假设、验证证据、进行推理，并构建出逻辑一致的答案，任务拆分更加清晰、可执行。从实测来看，面对复杂问题时，K2 Thinking会自己拆解步骤、搜索信息、调用外部工具、再整合结果,团队把这种机制称为“交替思考”，让推理更连贯。
　　通用基础能力升级，是少数具有多工具调用能力的开源模型。在无人干预情况下，K2Thinking可连续调用200-300次工具，通过同时扩展思考Token和工具调用轮次，模型实现了更强的Agent和推理性能。我们认为，从交互到反思，K2 Thinking实现多轮地使用工具，具备了Agent重要的特征。
　　工程落地层面，原生INT4量化提升推理效率与硬件兼容性。在后训练阶段采用了量化感知训练（QAT），并对MoE组件应用了INT4纯权重（weight-only）量化，使得Kimi K2Thinking能够在复杂推理和Agentic任务中支持原生的INT4推理，并将生成速度提升了约2倍。低比特量化是降低大规模推理服务器的延迟和GPU显存占用的有效方法，INT4对推理硬件的兼容性更强，对国产加速计算芯片更友好，有望开辟国产模型降本新路线。
　　定价层面，价格与KimiK2-0905相同，输入4元/M tokens，输出16元/M tokens，命中缓存的输入为1元。速度高达100 Token/s的Turbo API也同步上架，输入8元/M tokens，输出58元/M tokens，命中缓存的输入为1元。模型定价略高于同期上新的Minimax-M2。
　　关注模型后续发布。当前时点大模型技术仍在不断迭代，近期国内模型仍在技术侧不断演化，考虑到当前成本仍为制约token消耗量的核心因素，商业化落地需要进一步关注模型在降本层面的效果。继续看好国产AI产业链，持续重点推荐铲子股和卡位优势显著的巨头本身。
　　风险提示
　　1、AI技术发展不及预期；
　　2、下游应用需求不及预期。