kimi是哪个公司的大模型？从月之暗面到K2的答案
上个月有个做 SaaS 的朋友问我：公司要接一个大模型 API，Kimi 到底是哪家的？字节的？还是阿里的？我当时愣了两秒——这人天天用 Kimi 拆合同、读财报，居然说不清它背后站着谁。
这个问题在技术圈外被问到的频率，比我预想的高得多。而且它不只是八卦。搞清楚 kimi是哪个公司的大模型，直接决定了你敢不敢把它接进生产环境：谁在维护、模型多久更新一次、权重开不开源、API 定价会不会半夜变脸，这些全都和背后的公司强绑定。
核心结论摘要：Kimi 是月之暗面（Moonshot AI）推出的大模型产品。这家公司由杨植麟创立，2023 年 3 月成立，2025 年 7 月开源的 Kimi K2 采用 1 万亿总参数 MoE 架构，激活参数 320 亿。
直接给答案：Kimi 属于月之暗面
先把最容易混淆的地方说清楚。月之暗面（Moonshot AI）是一家独立的大模型公司，不是字节、不是阿里、也不是百度。它的创始人杨植麟是 Transformer-XL 和 XLNet 两篇论文的一作，清华本科、CMU 博士，在 Google Brain 和 Meta AI 都待过。2023 年 3 月公司注册成立，同年 10 月推出 Kimi 智能助手。
字节做的是豆包，阿里做的是通义千问，百度做的是文心一言。Kimi 和它们不是一家人。
那为什么总有人觉得 Kimi 是阿里的？因为 2024 年 2 月，月之暗面完成了一轮超过 10 亿美元的融资，阿里是领投方之一。财务投资和技术归属是两码事——阿里投了钱，但 Kimi 的模型是月之暗面自己训的，权重也由自己开源。这个区别在你做技术选型的时候很关键：投资方不会帮你排查线上推理超时的问题。
顺便说一句，月之暗面这个名字取自 Pink Floyd 的专辑《The Dark Side of the Moon》，杨植麟在采访里提过好几次。挺有意思的一个细节，也说明这家公司的气质不太像典型的字节系产品团队。
kimi是哪个公司的大模型？答案藏在 K2 架构里
要判断一家公司的模型能力到底是不是自研，看架构比看 PR 稿靠谱。2025 年 7 月，月之暗面在 GitHub 和 Hugging Face 上放出了 Kimi K2 的完整权重和技术报告，这是他们第一次把旗舰模型的底牌摊开。
K2 的核心参数：总参数 1 万亿，激活参数 320 亿，MoE（混合专家）架构，训练语料 15.5T tokens。这个"1T 总参 / 32B 激活"的比例相当激进——意味着推理时实际调动的算力只有总量的 3% 左右，成本和效果之间做了很明确的取舍。
更值得说的是训练稳定性。熟悉 MoE 训练的人都知道，专家路由很容易在训练中期崩掉，loss 突然飙升是家常便饭。K2 技术报告里提到，他们自研了一个叫 MuonClip 的优化器，在 Muon 的基础上加了 QK-Clip 机制，在 15.5T tokens 的完整训练过程中没有出现一次 loss spike。坦白讲，我第一次看到这个说法是有点怀疑的，后来去翻了几位做预训练的朋友的讨论，普遍认为这个结果如果可复现，对开源社区的价值比模型本身还大。
把 Kimi 几代模型拉一条时间线，路线会更清楚：
| 版本 | 发布时间 | 架构特点 | 上下文长度 | 是否开源 | |------|---------|---------|-----------|---------| | Kimi 智能助手初版 | 2023 年 10 月 | 自研 Moonshot 模型 | 20 万汉字 | 否 | | 长文本版本 | 2024 年 3 月 | 长上下文专项优化 | 200 万汉字（内测） | 否 | | Kimi k1.5 | 2025 年 1 月 | 多模态推理，长思维链 RL | 128K tokens | 部分开源 | | Kimi K2 | 2025 年 7 月 | MoE，1T 总参 / 32B 激活 | 128K tokens | 是 |
从这张表能看出一个明显的转向：2023 到 2024 年，月之暗面押的是"长上下文"这张牌；2025 年之后，重心挪到了推理能力和 Agent 能力上。K2 在 SWE-bench Verified 上的成绩约为 65.8%，这个数字在开源模型里属于第一梯队，已经摸到了闭源旗舰的门槛。
长上下文到底值不值：我的真实使用体验
2024 年那波"200 万汉字上下文"的宣传，我当时是持怀疑态度的。理由很简单：上下文窗口标称多长是一回事，模型在长文本里能不能真的"记住"中间部分，是另一回事。业界有个著名的"lost in the middle"现象，说的是模型对上下文首尾的信息敏感，中间段落容易被忽略。
我自己的测试方式比较土：把一份 180 页的招股书 PDF 丢进去，然后问三个问题——一个答案在开头、一个在正中间、一个在附录表格里。2024 年上半年测的时候，中间那个问题的准确率明显不如另外两个。到了 2025 年用 K2 再测，三个位置的差距已经小很多了，中间段落的回答质量基本能打平。
不过话说回来，长上下文也不是万能药。我现在的习惯是：超过 5 万字的材料，先做一轮结构化摘要再喂给模型，比直接硬塞效果好，也更省钱。上下文越长，单次推理的 token 消耗越大，做批量文档处理的团队得把账算清楚。
这里有一篇国产大模型推理成本实测对比，里面把几家主流模型的每百万 token 开销列得很细，选型前可以对着看。
Kimi 使用教程：从网页版到 API 接入
讲完原理，说说怎么用。Kimi 目前有三条接入路径，适合不同的人。
网页版和 App（零门槛）
访问 kimi.moonshot.cn 或者下载 App，注册就能用。上传 PDF、Word、Excel、网页链接都支持，一次可以传几十份文件。适合做资料整理、合同审阅、论文速读这类场景。
开放平台 API（开发者）
月之暗面开放平台（platform.moonshot.cn）提供兼容 OpenAI 格式的接口。好消息是迁移成本很低，如果你已经在用 OpenAI SDK，改两行就行：
from openai import OpenAI
只需要换掉 base_url 和 api_key，其余代码基本不用动
client = OpenAI( api_key="你的_MOONSHOT_API_KEY", base_url="https://api.moonshot.cn/v1" # 指向月之暗面的兼容端点 )
response = client.chat.completions.create( model="kimi-k2-0711-preview", # K2 系列模型 ID messages=[ {"role": "system", "content": "你是一位严谨的技术文档助手"}, {"role": "user", "content": "帮我把下面这段日志归类出错因：..."} ], temperature=0.3, # 技术任务建议调低，减少发散 )
print(response.choices[0].message.content)
本地部署（有 GPU 的团队）
K2 权重已经开源，Hugging Face 上能直接拉。但 1T 总参数的体量摆在那，即便激活只有 32B，全量部署对显存的要求依然不低，通常需要多卡或者量化版本。中小团队我更建议先用 API 跑通业务，别一上来就折腾私有化部署——我见过太多项目卡在环境配置上，业务逻辑一行没写。
想自己动手部署的话，可以看这篇Kimi K2 权重下载与部署方案，里面有量化版本和显存占用的实测数据。
学习路径：把 Kimi 用出生产力的三步
如果你刚接触这家公司的模型，我建议按这个顺序推进：
- **先当工具用两周**。别急着看技术报告，先用网页版处理你手头真实的工作流——周报整理、竞品分析、代码 review。用出体感之后再回头看架构，很多设计选择你会秒懂。
- **再跑通 API**。写个最小可运行脚本，测三件事：首 token 延迟、长文本下的稳定性、并发限流。这三个指标决定了它能不能进你的生产链路。
- **最后才考虑私有化**。只有当你对数据合规有硬性要求，或者调用量已经大到 API 费用超过自建成本时，本地部署才划算。
顺便提一句常见误区：很多人以为 K2 是 Kimi 智能助手的同款模型。实际上网页版和 API 背后的模型版本、上下文长度、甚至定价都可能有差异，做技术决策时要以开放平台的文档为准，别拿 C 端体验去推 B 端能力。
关键要点速览
- Kimi 是月之暗面（Moonshot AI）的大模型产品，与字节豆包、阿里通义、百度文心没有隶属关系；阿里是财务投资方，不参与模型研发。
- 月之暗面成立于 2023 年 3 月，创始人杨植麟，2023 年 10 月推出 Kimi 智能助手。
- Kimi K2（2025 年 7 月）是 1 万亿总参数、320 亿激活参数的 MoE 模型，训练语料 15.5T tokens，权重已开源。
- API 兼容 OpenAI 格式，迁移成本极低，改 base_url 和 model ID 即可跑通。
- 长上下文能力真实可用，但超长文档建议先摘要再输入，成本更可控。
相关推荐
阅读相关专题
- [国产大模型推理成本实测对比](/llm/inference-cost-compare)
- [Kimi K2 权重下载与部署方案](/tools/kimi-k2-deploy)
- [MoE 架构入门：从稀疏激活到专家路由](/llm/moe-architecture-guide)
查看工具推荐 想找更多国产大模型和 AI 开发工具？访问 VergeX AI 工具导航，我们持续收录并实测各类大模型 API、Agent 框架和推理部署工具。
订阅更新 VergeX 每周更新 AI 技术雷达，覆盖大模型动态、论文解读和工程实践。你可以通过邮件或微信公众号订阅，第一时间收到新文章推送。