Kimi · 2026-04 · Sparsames MoE · Multimodal

Kimi K2.6

Kimi K2.6 ist ein Multi-Head-Latent-Attention (MLA)-Transformer, veröffentlicht von Kimi im 2026-04, mit 61 Schichten, Hidden-Größe 7168 und einem Kontextfenster von 262,144 Tokens.

Schichtstapel

Attention ×61 · Schichten 61

Kernfakten

LaborKimi
Veröffentlicht2026-04
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
ArchitekturklasseKimiK25ForConditionalGeneration

Architekturüberblick

Visionseingabe → Tokens 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 Vision ⇢ token
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 K2.5
ModellKimi K2.6Kimi K2.5Ratio
model_typekimi_k25kimi_k25
architecturesKimiK25ForConditionalGenerationKimiK25ForConditionalGeneration
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_embeddings262144262144≈1
rms_norm_eps0.000010.00001≈1
vocab_size163840163840≈1
num_nextn_predict_layers00
bos_token_id163584163584≈1
dtypebfloat16bfloat16
eos_token_id163586163585≈1
ignore_index-100-100≈1
media_placeholder_token_id163605163605≈1
pad_token_id163839163839≈1

Strukturell ähnlichste Modelle

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

Rohe Config-Felder

79 Felder
architecturesKimiK25ForConditionalGeneration
bos_token_id163584
dtypebfloat16
eos_token_id163586
ignore_index-100
media_placeholder_token_id163605
model_typekimi_k25
pad_token_id163839
tie_word_embeddingsfalse
use_unified_vision_chunktrue
video_placeholder<|kimi_k25_video_placeholder|>
_name_or_path
add_cross_attentionfalse
attention_biasfalse
attention_dropout0
aux_loss_alpha0.001
chunk_size_feed_forward0
diversity_penalty0
do_samplefalse
early_stoppingfalse
encoder_no_repeat_ngram_size0
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
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
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
top_k50
top_p1
topk_group1
topk_methodnoaux_tc
torchscriptfalse
transformers_version4.56.2
typical_p1
use_bfloat16false
use_cachetrue
v_head_dim128
vocab_size163840