Kimi · 2025-09 · Sparsames MoE

Kimi K2 0905

Kimi K2 0905 ist ein Multi-Head-Latent-Attention (MLA)-Transformer, veröffentlicht von Kimi im 2025-09, mit 61 Schichten, Hidden-Größe 7168 und einem Kontextfenster von 262,144 Tokens.

Schichtstapel

Attention ×61 · Schichten 61

Kernfakten

LaborKimi
Veröffentlicht2025-09
Parameter1,040.2 Mrd.
Aktiv32.8 Mrd.
Kontext262,144 tokens
AttentionMLA · kv_lora_rank 512
Schichten61
Hidden-Dim.7,168
Attention-Köpfe64
Vokabular163,840
PositionscodierungRoPE
NormierungRMSNorm
Aktivierungsilu
Präzisionfp8
ArchitekturklasseDeepseekV3ForCausalLM

Architekturüberblick

t₁ t₂ t₃ t₄ Eingabetokens Embedding · Vokabular 163,840 → Hidden-Dim. 7,168 Q · 64 Wᴰᴷⱽ ↓ c_KV · 512 kᴿ · RoPE 64 Wᵁᴷ/Wᵁⱽ ↑ ⊕kᴿ Attention KV-Cache/Token ≈ 512+64 gegenüber 2·7,168 dicht → ≈ 1/24.9 Router E1 E2 E3 E4 E5 E6 E7 E8 +376… Geteilter Experte ×1 Top-8 von 384 Experten · ≈ 32.8 Mrd. Parameter pro Token aktiv × 61 Transformer-Block Attention FFN / MoE RMSNorm pre-norm Finale Norm · RMSNorm LM head → Vokabular 163,840 p p p → nächstes Token Positionscodierung RoPE Präzision FP8 Kontext 256K tok
Gezeichnet nach der mitgelieferten config.json · 61 Schichten / Breite 7,168 / Kontext 262,144. Originaldiagramm dieses Atlas.

Attention

Multi-Head-Latent-Attention (MLA). kv_lora_rank=512. RoPE θ=50,000.

FFN / MoE

Es handelt sich um ein sparsames Mixture-of-Experts mit 384 gerouteten Experten und Top-8-Routing; etwa 32.8 Mrd. Parameter sind pro Token aktiv.

Feldweiser Vergleich

Verglichen mit dem vorherigen Modell desselben Labors; fehlt dieses, mit dem strukturell nächsten Modell. Die Spalte Ratio = dieses Modell ÷ Vergleichsmodell.

Vollfeldvergleich mit dem Vorgänger Kimi K2 Base
ModellKimi K2 0905Kimi K2 BaseRatio
model_typekimi_k2kimi_k2
architecturesDeepseekV3ForCausalLMDeepseekV3ForCausalLM
hidden_size71687168≈1
num_hidden_layers6161≈1
num_attention_heads6464≈1
num_key_value_heads6464≈1
intermediate_size1843218432≈1
hidden_actsilusilu
n_routed_experts384384≈1
num_experts_per_tok88≈1
n_shared_experts11≈1
moe_intermediate_size20482048≈1
kv_lora_rank512512≈1
qk_rope_head_dim6464≈1
q_lora_rank15361536≈1
rope_theta5000050000≈1
max_position_embeddings262144131072×2.00
rms_norm_eps0.000010.000001×10.00
vocab_size163840163840≈1
torch_dtypebfloat16bfloat16
num_nextn_predict_layers00
_attn_implementation_autosetfalse
_name_or_path
add_cross_attentionfalse
attention_biasfalsefalse
attention_dropout00

Strukturell ähnlichste Modelle

Ähnlichkeitswerte reichen von 0 (keine gemeinsamen kategorialen Merkmale) bis 1 (identische Profile).

Rohe Config-Felder

76 Felder
_attn_implementation_autosetfalse
_name_or_path
add_cross_attentionfalse
architecturesDeepseekV3ForCausalLM
attention_biasfalse
attention_dropout0
aux_loss_alpha0.001
bos_token_id163584
chunk_size_feed_forward0
diversity_penalty0
do_samplefalse
early_stoppingfalse
encoder_no_repeat_ngram_size0
eos_token_id163585
ep_size1
first_k_dense_replace1
hidden_actsilu
hidden_size7168
initializer_range0.02
intermediate_size18432
is_decoderfalse
is_encoder_decoderfalse
kv_lora_rank512
length_penalty1
max_length20
max_position_embeddings262144
min_length0
model_typekimi_k2
moe_intermediate_size2048
moe_layer_freq1
n_group1
n_routed_experts384
n_shared_experts1
no_repeat_ngram_size0
norm_topk_probtrue
num_attention_heads64
num_beam_groups1
num_beams1
num_experts_per_tok8
num_hidden_layers61
num_key_value_heads64
num_nextn_predict_layers0
num_return_sequences1
output_attentionsfalse
output_hidden_statesfalse
output_scoresfalse
pad_token_id163839
pretraining_tp1
q_lora_rank1536
qk_nope_head_dim128
qk_rope_head_dim64
remove_invalid_valuesfalse
repetition_penalty1
return_dicttrue
return_dict_in_generatefalse
rms_norm_eps0.00001
rope_theta50000
routed_scaling_factor2.827
scoring_funcsigmoid
seq_auxtrue
temperature1
tf_legacy_lossfalse
tie_encoder_decoderfalse
tie_word_embeddingsfalse
top_k50
top_p1
topk_group1
topk_methodnoaux_tc
torch_dtypebfloat16
torchscriptfalse
transformers_version4.51.3
typical_p1
use_bfloat16false
use_cachetrue
v_head_dim128
vocab_size163840