【TechWeb】11 月 10 日消息，" 这是又一次 DeepSeek 式的辉煌时刻吗？开源软件再次超越闭源软件。" 国际知名开源平台 Hugging Face 联合创始人 Thomas Wolf 在社交媒体上这样评价 Kimi K2 Thinking 的发布。

11 月 6 日，中国 AI 初创公司月之暗面（Moonshot AI）推出并开源了其最新生成式人工智能模型—— Kimi K2 Thinking。这款模型在多项核心基准测试中超越了 OpenAI 的 GPT-5 和 Anthropic 的 Claude Sonnet 4.5。

而更令人震惊的是，媒体援引据一位知情人士透露，Kimi K2 Thinking 模型的训练成本为 460 万美元，这一数字不到 GPT-3 训练成本的百分之一。

开源大模型正在全球 AI 领域掀起一场效率革命与成本风暴，而这场风暴的中心，正逐渐转向东方。

训练成本仅 460 万美元？小成本模型实现大性能突破

Kimi K2 Thinking 的出现，彻底刷新了业界对 AI 模型成本与性能的认知。这个拥有 1 万亿参数的混合专家模型，每次推理仅激活 320 亿参数。

在技术设计上，它完美平衡了模型规模与计算效率，支持 256k 的上下文窗口，并采用原生 INT4 量化技术。

在权威基准测试中，Kimi K2 Thinking 展现出了令人瞩目的实力：在 Humanity ‘ s Last Exam 中取得 44.9% 的优异成绩，在 BrowseComp 测试中获得 60.2%，在 SWE-Bench Verified 和 LiveCodeBench v6 两个编码评估中分别达到 71.3% 和 83.1%。

Kimi K2 Thinking 模型的核心优势之一是它的 Agent 能力，能够连续执行 200-300 次工具调用，无需人工干预即可解决复杂问题。

在编程实践中，开发者只需一句指令，就能生成一个类似 Mac OS 的网页操作系统，具备文本编辑器、文件管理器、画图工具等完整功能。

如果说性能表现令人赞叹，那么 Kimi K2 Thinking 的成本控制则堪称革命。460 万美元的训练成本，放在动辄数亿美元投入的大模型赛道，几乎是一个可以忽略不计的数字。

这一数字甚至低于 DeepSeek V3 模型的 560 万美元，更是与 GPT-3 等国际同类大模型高达数十亿美元的训练投入形成鲜明对比。

低成本的训练并未牺牲性能，Kimi K2 Thinking 在保持顶尖性能的同时，运行成本也大幅降低。

Kimi K2 Thinking 团队介绍，这种成本优势源于多方面的技术创新。一方面，模型采用了改进的 MuonClip 优化器，在长达 15.5 万亿 tokens 的预训练过程中实现了 " 零损失尖峰 " ，意味着训练过程极其稳定。

另一方面，原生 INT4 量化技术不仅将推理速度提升了约 2 倍，还显著降低了部署所需的 GPU 显存，使模型对硬件更加友好。

Kimi K2 Thinking 的 API 调用价格为每百万 token 输入 1 元（缓存命中）/4 元（缓存未命中），输出为每百万 token 16 元，相比 GPT-5 低一个数量级。

月之暗面 2025 年 7 月 11 日发布初代 Kimi K2 模型；9 月 5 日升级为 Kimi K2-0905 版本，强化 Agentic Coding 能力；11 月 6 日发布 Kimi-k2 thinking

以至于，有国外 AI 发烧友在 X 上直接 @了 OpenAl 的 CEO 奧特曼抛出了一个极其尖锐的问题：" 你 ( Sam ) 凭什么需要数万亿美元才能做出顶尖模型而现在来自中国的模型，只花了区区 460 万美元就已经做得和你一样好，甚至更好 ? 这到底是为什么 ?"

有网友评论：这个问题，简直是把所有的硅谷 AI 巨头们架在火上烤。它用一种无可辩驳的方式证明了：更聪明的算法、更专注的团队以及站在巨人（开源社区）的肩膀上，完全可以以小博大。

同时，Kimi 也升级了 C 端的会员计划。

规则改写：开源协议的反向输出

Kimi K2 Thinking 的发布，迅速引发了全球 AI 社区的强烈反响。Hugging Face 联合创始人 Thomas Wolf 的评价绝非个例，来自各方的反馈都肯定了这款模型的重要意义。

业内普遍认为，Kimi K2 Thinking 极大地缩小了开源模型与闭源模型之间的差距，甚至在多个关键领域实现了反超。

开源的、可自由使用和修改的模型，首次在推理、编程和 Agent 能力等多个维度与顶尖闭源模型站在同一水平线上。

开发者社区对模型的实际表现给予了积极评价。有开发者测试后表示，Kimi K2 Thinking 在创意写作方面表现出色，能够 " 将粗略的灵感转化为清晰、动人且意图明确的叙述 "。

同时，其在处理复杂编程任务时展现出的逻辑性和完整性也令人印象深刻。

Kimi K2 Thinking 引发广泛讨论的，不仅是其技术实力，还有其独特的开源规则。

模型采用 Modified MIT 许可证，在保留标准 MIT 许可证绝大多数自由的基础上，添加了一项关键限制：" 如果此模型被用于超过一亿月活用户，或者 2000 万美元月收入的商业产品中，需要注明商品底层使用了 Kimi K2 模型 "。

有美国的科技博主表示，Kimi K2 为防止美国一些公司继续白剽这些开源模型并套牌说是自己的，出现了比较 " 奇怪 " 的 modifiedMIT License，并感叹 :" 世界颠倒了，这可不好 "。

这一条款为开源软件协议带来了新思路。对于绝大多数研究机构和企业应用，这只是一项轻量级的 attribution 要求，不影响商业使用和衍生开发。

但当项目规模达到巨头级别时，仍需保留对原始开发者的尊重和认可。

这种规则设计，可视为中国 AI 企业首次在开源协议中引入如此影响力的条款，开创了开源规则 " 反向输出 " 的先例。

长期以来，中国科技企业更多是国际开源规则的接受者，而 Kimi K2 Thinking 的开源协议标志着这一格局正在改变。

以小博大，重塑 AI 竞争格局

DeepSeek-R1 和 Kimi K2 Thinking 这类小成本模型的崛起，正在从根本上改变全球大模型行业的竞争规则和未来走向。

这些模型证明了，通过架构创新和工程优化，完全可以在控制成本的同时实现顶尖性能。

传统的 " 规模至上 " 的发展模式遭到挑战。过去，OpenAI 及美国 AI 公司的核心护城河之一是强大的融资能力和大规模算力基础。

而今，一个依赖数十亿美元投入、指望高价 API 收回成本的商业模式，突然要面对一个性能接近、但 API 成本低 10 倍的竞争者。

猎豹移动 CEO 傅盛的评价就指出 Kimi K2 Thinking 的真正价值："Kimi 真正‘可怕’的地方不是性能的绝对超越，而是来自其极不对称的性价比。"

他强调，当一个开源模型以极低的训练成本达到了最先进模型 90% 的纸面能力和 75% 的实际能力时，整个战局有彻底改变的可能。

行业已告别 " 比参数、比算力 " 的粗放阶段，进入 " 比落地、比价值 " 的精耕时代。企业应用不再盲目追求模型的 " 大而全 "，而是更关注 " 刚刚好 " 的智能——在成本、速度和隐私间找到平衡点。

更为深远的是，小成本模型可能成为中国在全球 AI 竞赛中的差异化路径。

没有人会再质疑——开源模型的 " 星星之火，可以燎原 "。