
MoonshotAI: Kimi K2 0711
moonshotai/kimi-k2
Poids du modèleKimi K2 Instruct is a large-scale Mixture-of-Experts (MoE) language model developed by Moonshot AI, featuring 1 trillion total parameters with 32 billion active per forward pass. It is optimized for agentic capabilities, including advanced tool use, reasoning, and code synthesis. Kimi K2 excels across a broad range of benchmarks, particularly in coding (LiveCodeBench, SWE-bench), reasoning (ZebraLogic, GPQA), and tool-use (Tau2, AceBench) tasks. It supports long-context inference up to 128K tokens and is designed with a novel training stack that includes the MuonClip optimizer for stable large-scale MoE training.
Fournisseurs
Ce modèle est hébergé par un seul fournisseur. OpenRouter transmet chaque requête sans routage.
| 0,57 $US | 2,30 $US | 1,41s | 34 tok/s |
- Entrée 0,57 $US / Sortie 2,30 $US34 tok/s100,00 % de disponibilité
Tarification
Le prix moyen que les clients paient réellement pour ce modèle, à côté des prix affichés par les fournisseurs. Grâce à la mise en cache et aux remises, le prix réellement payé est souvent bien inférieur au prix affiché.
Moyenne pondérée
Kimi K2 0711 — Historique des prix
| 0,570 $US | 2,30 $US | 47,7 % | 100,0 % |
- Prix effectif en entrée 0,570 $US / Sortie effective 2,30 $USPart des jetons100,0 %
Performances
Le débit est la vitesse à laquelle le modèle écrit (jetons par seconde — plus il est élevé, mieux c’est). La latence est le temps total d’aller-retour (plus il est faible, mieux c’est). Le TTFT est le délai avant le premier jeton — le temps avant de voir quelque chose apparaître (plus il est faible, mieux c’est).
P50, meilleur résultat tous fournisseurs confondus
P50, meilleur fournisseur
Disponibilité
La disponibilité correspond au pourcentage des 3 derniers jours pendant lequel au moins un fournisseur répondait aux requêtes. La disponibilité du service correspond au pourcentage de temps pendant lequel l’inférence a été assurée avec succès. OpenRouter surveille en continu les fournisseurs et utilise le meilleur fournisseur suivant lorsque l’un d’eux renvoie une erreur.
Disponibilité au cours des 3 derniers jours
72 dernières heuresDisponibilité au cours des dernières 24 heures
Lorsqu’une erreur survient chez un fournisseur en amont, nous pouvons rétablir le service en routant la requête vers un autre fournisseur opérationnel, si les filtres de votre requête le permettent. Vous pouvez accéder par programmation aux données de disponibilité de chaque fournisseur via l’ API des points de terminaison. Découvrez nos options d’ équilibrage de charge et de routage des fournisseurs.
Évaluations comparatives
Scores aux évaluations standardisées et réponses de ce modèle aux prompts communs des tests de référence. Des pourcentages plus élevés sont meilleurs — et chaque rang indique la position de ce modèle parmi les modèles évalués sur cette source.
| Source | Test de performance | Score |
|---|---|---|
| Artificial Analysis | K2-V2 (High) GPQA Diamond | 68.1% |
| Artificial Analysis | K2-V2 (High) HLE | 10.5% |
| Artificial Analysis | K2-V2 (High) IFBench | 60.1% |
| Artificial Analysis | K2-V2 (High) τ²-Bench Telecom | 27.8% |
| Artificial Analysis | K2-V2 (High) AA-LCR | 35.0% |
| Artificial Analysis | K2-V2 (High) CritPt | 0.0% |
| Artificial Analysis | K2-V2 (High) LiveCodeBench | 69.4% |
| Artificial Analysis | K2-V2 (High) Terminal-Bench Hard | 9.8% |
| Artificial Analysis | K2-V2 (High) MMLU-Pro | 78.6% |
| Artificial Analysis | K2-V2 (High) AIME 2025 | 78.3% |
| Artificial Analysis | K2-V2 (Low) GPQA Diamond | 54.1% |
| Artificial Analysis | K2-V2 (Low) HLE | 3.6% |
| Artificial Analysis | K2-V2 (Low) IFBench | 41.0% |
| Artificial Analysis | K2-V2 (Low) τ²-Bench Telecom | 20.8% |
| Artificial Analysis | K2-V2 (Low) AA-LCR | 20.3% |
| Artificial Analysis | K2-V2 (Low) CritPt | 0.0% |
| Artificial Analysis | K2-V2 (Low) LiveCodeBench | 39.3% |
| Artificial Analysis | K2-V2 (Low) Terminal-Bench Hard | 4.5% |
| Artificial Analysis | K2-V2 (Low) MMLU-Pro | 71.3% |
| Artificial Analysis | K2-V2 (Low) AIME 2025 | 35.3% |
| Artificial Analysis | Kimi K2 GPQA Diamond | 76.6% |
| Artificial Analysis | Kimi K2 HLE | 7.4% |
| Artificial Analysis | Kimi K2 IFBench | 41.5% |
| Artificial Analysis | Kimi K2 τ²-Bench Telecom | 61.1% |
| Artificial Analysis | Kimi K2 AA-LCR | 53.0% |
| Artificial Analysis | Kimi K2 CritPt | 0.0% |
| Artificial Analysis | Kimi K2 LiveCodeBench | 55.6% |
| Artificial Analysis | Kimi K2 Terminal-Bench Hard | 15.9% |
| Artificial Analysis | Kimi K2 MMLU-Pro | 82.4% |
| Artificial Analysis | Kimi K2 AIME 2025 | 57.0% |
| Artificial Analysis | Kimi K2 AIME | 69.3% |
| Artificial Analysis | Kimi K2 MATH-500 | 97.1% |
| Artificial Analysis | K2-V2 (Medium) GPQA Diamond | 59.8% |
| Artificial Analysis | K2-V2 (Medium) HLE | 4.4% |
| Artificial Analysis | K2-V2 (Medium) IFBench | 55.1% |
| Artificial Analysis | K2-V2 (Medium) τ²-Bench Telecom | 24.9% |
| Artificial Analysis | K2-V2 (Medium) AA-LCR | 28.0% |
| Artificial Analysis | K2-V2 (Medium) CritPt | 0.0% |
| Artificial Analysis | K2-V2 (Medium) LiveCodeBench | 54.1% |
| Artificial Analysis | K2-V2 (Medium) Terminal-Bench Hard | 8.3% |
| Artificial Analysis | K2-V2 (Medium) MMLU-Pro | 76.1% |
| Artificial Analysis | K2-V2 (Medium) AIME 2025 | 64.7% |
| Design Arena | Kimi K2 Models Arena Code Categories Elo | 1023 |
| Design Arena | Kimi K2 Models Arena Data Visualization Elo | 1018 |
| Design Arena | Kimi K2 Models Arena Game Development Elo | 963 |
| Design Arena | Kimi K2 Models Arena UI Component Elo | 1020 |
| Design Arena | Kimi K2 Models Arena Website Elo | 1042 |
Applications
Applications publiques qui envoient le plus de trafic à ce modèle. Un bon indicateur des charges de travail réelles en production — et un aperçu des cas d’usage auxquels ce modèle convient le mieux.
Activité
Volume de jetons et trafic des requêtes vers ce modèle au fil du temps.
API
Code prêt à l’emploi pour appeler ce modèle. L’API d’OpenRouter est compatible avec OpenAI — la plupart des SDK fonctionnent en remplaçant simplement l’URL de base. Seul le slug du modèle ci-dessous change d’un modèle à l’autre.
Actuellement indisponible via le routage dans la région UE. Documentation sur le routage intrarégional
Documentation
Guides, recueils de recettes, articles de blog et outils pour développer avec MoonshotAI: Kimi K2 0711 sur OpenRouter.
Questions fréquentes
Kimi K2 Instruct is a large-scale Mixture-of-Experts (MoE) language model developed by Moonshot AI, featuring 1 trillion total parameters with 32 billion active per forward pass. It is optimized for agentic capabilities, including advanced tool use, reasoning, and code synthesis.
La documentation de Kimi K2 0711 sur OpenRouter comprend l’article de blog Use OpenRouter Models in Cursor: Try it with Moonshot AI's Kimi K2. Le guide de démarrage rapide présente les clés API et votre première requête, et la référence API répertorie tous les paramètres.
Kimi K2 0711 coûte 0,57 $US/M de jetons d’entrée et 2,30 $US/M de jetons de sortie.
Kimi K2 0711 dispose d’une fenêtre de contexte de 131 072 jetons. Il prend en charge jusqu’à 98 304 jetons de complétion.
Oui. Kimi K2 0711 accepte tools et tool_choice pour l’appel de fonctions. Il ne prend pas en charge response_format, le format JSON n’est donc pas imposé en sortie.
Kimi K2 0711 est servi par 1 fournisseur sur OpenRouter : NovitaAI.
Kimi K3.1 Pro, Kimi K3, Kimi K2.7 Code et 4 de plus sont d’autres modèles de type texte de MoonshotAI.
Kimi K2 0711 est sorti le 11 juillet 2025. Ses connaissances s’arrêtent au 31 décembre 2024.