Kimi K2稱霸全球開源模型的秘籍公開了！

沒錯，就是整整32頁的Kimi K2官方技術報告。業內人士第一波repo已火速出爐：

• 這篇論文中有很多令人印象深刻的內容。

• nice！它分享了很多關于Kimi（以及中國實驗室）對這些模型的看法（他們關注/優化的內容）

Kimi K2，作為Kimi最新MoE基礎模型，總參數1T，激活參數32B，能力領先性尤其展現在代碼、Agent、數學推理任務上。

上線僅一周，它就在競技場千人盲評中擊敗DeepSeek，登頂全球最強開源模型，而且能媲美Grok 4、GPT 4.5等頂尖閉源模型。

那它是咋做到的呢？

別急，這篇最新論文來給答案了——一次性大公開Kimi K2的訓練過程及“秘密配方”。

包括但不限于大家已經熱議的：MuonClip優化器、大規模Agentic Tool Use數據合成、通用強化學習等等。

下面詳細來看。

都有哪些技術亮點

首先，Kimi團隊認為，現如今大語言模型正從靜態模仿學習向Agentic Intelligence轉型。

這意味著，模型需要具備在復雜動態環境中自主感知、規劃、推理和行動的能力。

要實現這一點，當面人們面臨兩大挑戰：

• 預訓練需在高質量數據有限的約束下，通過提升每token效率構建通用先驗（universal prior）。
• 后訓練需將先驗轉化為可行動行為，但Agentic能力在自然數據中稀缺且難以規模化。

對此，團隊在Kimi K2中采用了三大核心創新技術：

1、MuonClip優化器：拋棄傳統的Adam優化器，創新性地使用了Muon優化器。結合Muon的token效率與QK-Clip的穩定性，支持15.5萬億token無損失spike預訓練。

2、大規模Agentic Tool Use數據合成：構建可大規模生成多輪工具使用場景的合成pipeline，覆蓋數百領域、數千工具。

3、通用強化學習框架：結合可驗證獎勵（RLVR）和自我批判評估獎勵，將對齊從靜態擴展到開放域。

得益于以上技術，Kimi K2在SWE Bench Verified、Tau2、AceBench等基準性能測試中，均取得開源模型中的SOTA成績。

以下為技術細節部分：

預訓練階段

在Kimi K2預訓練階段，團隊主要對優化器和數據進行了優化。

整體而言，其預訓練采用了MoE架構+穩定優化器+高效token利用這一全新組合拳，以此構建通用語言和推理能力。

模型架構上，一共包含384個專家，每層激活其中8個，通過這種高度稀疏的設計在保證性能的同時優化計算效率。

在注意力機制上，K2使用MLA（Multi-head Latent Attention）結構代替傳統的密集注意力（dense attention），有效減少了計算量和帶寬壓力。

而且將每層的注意力頭數量降至64個，與同類模型相比進一步降低了推理過程中的資源消耗，使模型能更好地處理長上下文。

優化器選擇上，K2采用了MuonClip優化器，其核心是在Muon優化器基礎上融合了QK-Clip機制。

這一機制會定期檢查模型注意力的關鍵參數（query和key），如果它們的值太大，就自動“收緊”，防止計算過程出現異常，從而顯著提升了訓練穩定性。

團隊最終也發現，借助MuonClip可讓K2在15.5萬億token的預訓練過程中實現零損失spike，確保了大規模訓練的連續性和有效性。

數據方面，其核心目標為，在高質量數據有限時，通過提升每token的有效學習信號（token效用）來增強訓練效率，避免重復訓練導致的過擬合。

而為了讓模型“吃透”有限的優質訓練數據，K2團隊采取了一種所謂的“重述法”。

• 對知識類文本：不是簡單重復讀，而是換著說法再講一遍。
• 對數學類文本：把枯燥的教材式內容改寫成更易理解的“學習筆記”風格，還加入了多語言版本的翻譯文本，讓模型見多識廣。

一言以蔽之，K2的訓練數據覆蓋網頁、代碼、數學、知識四大板塊，所有數據都經過嚴格的質量篩選，確保模型學到的都是有用的信息。

而且它不是靠“多刷題”訓練出來的，而是靠“換種說法講一遍”讓模型真正理解知識。

• 用重寫 10 次的數據訓練 1 輪（28.94%），其準確率超過了用原始數據訓練 10 輪（23.76%）的結果 。

概括而言，K2采用了與DeepSeek-V3相似的多頭潛在注意力（MLA），具體對比如下：

后訓練階段

K2后訓練階段主要涉及監督微調和強化學習。

值得一提的就是大規模Agentic Tool Use數據合成，主要流程如下：

• 工具生成：3000多真實MCP工具+20000多合成工具，覆蓋金融、機器人控制等領域；
• Agentic與任務生成：為工具集生成多樣化Agentic（系統提示+工具組合）和帶評估標準的任務；
• 軌跡生成：模擬用戶交互、工具執行環境（含狀態更新和隨機結果），生成多輪工具使用軌跡；
• 結合真實執行沙箱（如編碼任務），確保數據真實性。

最終，Judge Agent會依據任務rubrics對軌跡質量進行判斷，只保留高質量樣本用于訓練。

這一過程本質上是一種大規模拒絕采樣（rejection sampling）機制，結合模擬規模與真實反饋，實現了大范圍、高保真的訓練數據構建。

而在強化學習階段，K2主要經歷了三大步驟：

第一，構建可驗證的獎勵環境（Verifiable Rewards Gym）。

簡單說，團隊為不同任務設計了“可打分”的訓練場景，讓模型的表現可以被客觀評估。

比如對于編碼場景，團隊利用真實世界的數據（如程序競賽題目、GitHub的PR和issue）構建任務，并通過自動化測試來驗證模型的代碼是否正確運行。

第二，除了外部評判，還訓練模型自己評估自己，即引入自我評估獎勵機制（Self-Critique Rubric Reward）。

具體而言，模型會將自己的多個輸出結果進行兩兩比較，并根據一套明確的標準（如語言清晰度、對話是否連貫、是否啰嗦或拍馬屁）給出獎勵分，同時還引入一些規則約束（如“不要無腦稱贊用戶”）來避免生成套路化或迎合性回答。

這個機制不僅增強了模型的自我反饋能力，也能將客觀任務中的評估信號遷移到主觀對話場景（如回答開放性問題等人類主觀評判場景），形成閉環優化。

第三，為了更高效、穩定地進行強化學習訓練，K2還對算法進行了多項改進。

包括但不限于下面這些：

• 預算控制機制：限制每個樣本的最大token數，避免生成啰嗦、重復或無意義的長文本。
• 引入PTX輔助損失：使用高質量預訓練樣本時再加一個損失項，以防模型在RL階段“遺忘”已有知識。
• 溫度衰減策略：訓練初期用高溫度鼓勵模型大膽嘗試、廣泛探索，后期逐步降低溫度，讓模型輸出更穩定、更收斂。

最后據論文介紹，K2的訓練依托于由NVIDIA H800構成的大規模高帶寬GPU集群，通過混合并行策略，既保證了訓練效率，又能在不同規模資源下靈活適配。

• 每個節點配備2TB內存，并通過NVLink和NVSwitch將8塊GPU在節點內部高速互聯。不同節點之間則使用8×400 Gbps的RoCE網絡互聯，以實現節點間的高效通信。

One More Thing

就在剛剛，阿里通義Qwen3模型也更新了——

正式由Qwen3-235B-A22B更新至Qwen3-235B-A22B-2507。

官方表示，他們停用了混合思維模式，改為分別訓練Instruct和Thinking模型以提升質量，并正式發布性能更強的 Qwen3-235B-A22B-Instruct-2507及其FP8版本。

而且官方測評顯示，最新版Qwen3又擊敗了Kimi K2模型，開源新王或將再次易主。