最先端モデルに挑む高性能オープンモデル
Moonshot AIは、推論システムの最高峰を直接狙うオープンウェイトモデル「Kimi K2 Thinking」を公開した。同社によると、このモデルは段階的な推論、ウェブ閲覧エージェント、ソフトウェアエンジニアリングを測る複数の難度の高い評価で、主要なプロプライエタリモデルを上回る。K2 ThinkingはMoonshotのプラットフォームとKimi.comで利用でき、セルフホスティング用の重みは公開モデルハブで提供されている。ライセンスは改変MITライセンスで、商用利用が可能だが、非常に大規模な導入には簡易な帰属表示が求められる。
目次
モデルの設計では規模と効率を両立させている。K2 Thinkingは総パラメーター数が1兆とされるMixture of Experts（MoE）アーキテクチャを採用し、生成するトークンごとに動作するのは約320億パラメーターに限られる。256,000トークンのコンテキストウィンドウに対応し、量子化対応学習によるネイティブINT4推論向けに訓練されている。この構成で遅延とメモリー需要を抑えており、競争力のある価格設定にもつながっている。ベンチマークの数値だけでなく、今回の公開はオープンモデルをエージェントとしての振る舞いへと前進させる。K2 Thinkingは200～300回の連続した呼び出しを通じて、長期的な計画立案と構造化されたツール利用を実行できる。また、透明性のある推論過程を出力し、ユーザーが中間段階を確認できる。こうした能力と低コストが、クローズドモデルとの競争を一段と激しくしている。
K2 Thinkingとは何か、どのように動作するのか
K2 ThinkingはMixture of Experts方式のトランスフォーマーとして構築されている。大規模な専門家モジュール群をルーターの背後に配置し、トークンごとに一部だけを選択することで、処理量を抑えながらモデルの容量を維持する。Moonshotによると、構成は61層、384のエキスパート、トークンごとに選択される8つのエキスパート、64のアテンションヘッド、隠れ層の次元数は7168、語彙サイズは160,000。常時有効なパラメーターは約320億にとどまり、総容量を非常に大きく保ちつつ、推論を扱いやすくしている。アテンション機構には、SwiGLU活性化関数を用いたマルチヘッド潜在アテンションが採用されている。この手法では、文脈中の内容に最も関連するエキスパートに学習と推論を集中させ、処理速度と精度を高める。
スパースなエキスパートと効率性
Mixture of Expertsを使えば、トークンごとにすべてのパラメーターを動かさずに、モデルを1兆パラメーター規模へ拡張できる。実際には、メモリー使用量と処理時間を現在のアクセラレーターで扱える範囲に保ちながら、より深い推論と幅広い知識を実現できる。256kのコンテキストウィンドウにより、大規模なコードベースや長い調査資料を取り込み、多数のステップにわたってツールを呼び出しながら計画を立てられる。この設計は、数十から数百のアクションを通じて検索、読解、作成、結果の検証を行うエージェントタスクに適している。
ネイティブINT4と量子化対応学習
Moonshotは量子化対応の手法でK2 Thinkingを訓練し、重みの保存と推論にネイティブINT4を利用できるようにした。INT4では、各パラメーター値に高精度形式ではなくニブルあたり2ビットを使うため、メモリー需要が減り、生成が高速化する。同社は、高精度形式と比べて品質の低下を最小限に抑えつつ、生成速度が約2倍向上するとしており、すべてのベンチマークスコアはINT4で測定された。この点はコストと利用範囲の拡大に重要だ。コミュニティーのテスターは高性能デスクトップでの実行を報告しており、MoonshotはvLLM、SGLang、KTransformersなどのエンジンを推奨している。また、OpenAIとAnthropicに互換性のあるAPIもサポートしているため、すでにそれらの方式を使うチームは容易に統合できる。
K2 Thinkingが首位に立つベンチマーク
公開テストでは、利用可能な最高水準の推論システムの一角に位置する結果を示し、いくつかの項目では首位に立った。公表されたスコアは、ツール利用可能な「Humanity’s Last Exam」で44.9％、テキストのみの設定で23.9％、高負荷設定で51.0％。「BrowseComp」のウェブ閲覧エージェント評価で60.2％、ツールを使ったソフトウェアのバグ修正を測る「SWE Bench Verified」で71.3％、「LiveCodeBench v6」で83.1％、「Seal 0」で56.3％だった。数学・科学分野では、ツールなしの「AIME25」で94.5％、Pythonの実行を認めた「AIME25」で99.1％、ツールなしの「HMMT25」で89.4％、科学知識テスト「GPQA Diamond」で約85～86％を記録した。「Frames」は87.0、「FinSearchComp T3」は47.4、「SWE Multilingual」は61.1だった。これらの多くの分野でK2 ThinkingはGPT-5に並ぶか上回り、「BrowseComp」ではClaude Sonnet 4.5を大きく引き離した。
エージェント型の検索・閲覧タスク
「BrowseComp」は、モデルが計画を立て、ウェブを検索し、リンクをたどり、情報をまとめ、回答を検証できるかを評価する。K2 Thinkingの60.2％は、GPT-5の54.9％を上回り、Claude Sonnet 4.5の24.1％を大幅に超えた。情報収集、計画立案、ツール利用時の一貫性を測る「Seal 0」と「Frames」でも高い数値を示している。こうした結果はモデルの設計目標に沿うものだ。思考と行動を交互に行うことで、モデルは一度立ち止まって推論し、ツールを呼び出し、その後に計画を更新できる。200～300回の連続呼び出しに対応することで多くのステップを通じて状態を維持し、大きなコンテキストウィンドウが作業対象をメモリー内に保持する。
コーディングとソフトウェアエンジニアリング
「SWE Bench Verified」は、リポジトリーの課題を読み、修正パッチを作成し、テストに合格できるかを評価する。K2 Thinkingはツール利用時に71.3％を記録し、オープンウェイトモデルとして強い結果を示した。「LiveCodeBench v6」では83.1％、「SWE Multilingual」では61.1％だった。コミュニティーによるデモでは、ゲームや本格的なウェブアプリなど、単一のプロンプトから実用的なプロジェクトを構築し、ツールを繰り返し呼び出して修正を重ねられることが示されている。長いコンテキストはコードの把握に役立ち、INT4推論は開発作業が長時間に及ぶ場合も遅延を抑える。
価格、利用方法、ライセンス
K2 Thinkingは改変MITライセンスで公開されている。商用利用が可能で、非常に大規模な導入では簡易な帰属表示が必要となる。チャットではKimi.comで利用でき、Kimi Open PlatformのAPIからもアクセスできる。セルフホスティングの場合は、Hugging Faceなどの公開モデルハブから重みを入手できる。huggingface.co/moonshotai/Kimi-K2-Thinkingを参照。プラットフォームのドキュメントはplatform.moonshot.aiで公開されている。
価格はクローズドな代替モデルを下回る水準に設定されている。Moonshotによると、キャッシュヒット時は100万トークンあたり約0.15ドル、キャッシュミス時は約0.60ドル、出力は約2.50ドル。GPT-5の価格は入力100万トークンあたり約1.25ドル、出力100万トークンあたり10ドルだ。K2 ThinkingはネイティブINT4に対応してランタイムコストを抑え、Mixture of Experts構成によりネットワークの一部だけを同時に稼働させる。Kimi.comの標準チャットモードでは、軽量な利用体験を提供するため使えるツールが限られている。そのため、エージェントモードの展開が完了するまでは、サイト上の結果がエージェント評価の結果と一致しない場合がある。
AI競争にとっての意味
オープンモデルは、最高水準のクローズドシステムとの差を縮めている。K2 Thinkingがベンチマークで勝利したことは、オープンな研究が推論、コーディング、エージェントタスクの最高水準で競えるようになったことを示す。これによりプロプライエタリモデルの提供企業は、ベンチマークの目立つ数値だけでなく、信頼性、安全性のためのツール、企業向けサポート、統合製品で差別化を迫られる。企業にとってオープンウェイトは、データ、コンプライアンス、導入規模を管理しやすくする。開発者にとっては、トークンごとに高額な料金を払わずに高度なエージェントの振る舞いを試す道が開ける。
高まる中国のAIの存在感
中国の研究機関は開発を加速させ、AIを巡る議論で存在感を増している。DeepSeek、Qwen、MiniMax、Kimiといった名前が相次いで注目され、モデルの公開も途切れなく続く。MiniMaxの先行モデルはオープンなベンチマークのペースを作り、低コストの基準を打ち立てた。K2 Thinkingは長期的な推論とエージェント向けツールでさらに一歩進んだ。アナリストは、中国のチームがフィードバックのサイクルを短縮し、テスト時の計算量拡大を活用するとともに、一部のタスクでは依然として最高水準のクローズドモデルが優位に立つ状況でも、リリース頻度を強みにしていると指摘する。競争の焦点もチャットからエージェント型の知能へ移りつつある。システムが計画を立て、ツールを使い、複雑な目標を達成する能力が問われる。K2 Thinkingはまさにこの変化を狙っている。
能力と実例
Moonshotのデモやユーザーテストでは、モデルが長いタスクをどのように解決するかが示されている。ある実演では、博士課程レベルの数学問題に取り組み、論文を読み、数式を抽出し、Pythonコードを実行して結果を検証する手順を20回以上繰り返した後、最終的な解答を出した。別のデモでは、俳優のジミー・ゲイリー・ジュニアを特定し、特定の映画での役柄を確認するため、複数のウェブページで出典を慎重に確かめながら検索を繰り返した。コーディングのテストでは、K2 Thinkingが「スペースインベーダー」風のゲームを一度の試行で動作する形に仕上げ、その後、ツールを繰り返し呼び出して改善できると報告されている。ほかにも、ウェブサイト全体の設計やフロントエンド部品の構築、ファイルやメニューを扱うデスクトップ風インターフェースの再現が示されている。
開発者の評価
開発者向けフォーラムの独立したテスターは、速度と制御性のバランスを評価している。ある経験豊富なユーザーは、一般消費者向けのハードウェアでモデルを動かし、長いツール連鎖や大きなプロンプトでも安定した挙動を示したと報告した。ネイティブINT4の実行経路により、品質を安定させながら速度が向上したとも述べている。
私のテストでは、一貫性を保ったまま最大300回の連続したツール呼び出しを処理できました。以前のモデルから大きく進歩しています。
同じテスターは、大規模なコードプロジェクトを処理できる256kのコンテキストウィンドウ、多言語コーディング能力、フロントエンド作業での実用的な改善にも言及した。高性能デスクトップでは、設定に応じて毎秒数十から数百トークンの処理速度が報告されており、エージェントの反復処理も開発に十分な応答性を感じられるという。
専門家の見方
オープンモデルとエージェントシステムを追うAI研究者のネイサン・ランバート氏は、K2 Thinkingが高性能モデルの領域で、オープンウェイトにとって転換点になると指摘する。中国を拠点とする研究機関のリリースペースにも注目している。
今回の公開は、性能面でオープンモデルがクローズドな最先端モデルに最も近づいた例と見られています。
ランバート氏は、クローズドモデルが依然として優位な分野もある一方で、新たなシステムや改良版を公開する速度ではオープン陣営が優位だとも指摘する。
オープンモデルはより速く公開されます。中国の研究機関は、西側の研究機関よりはるかに速いペースでモデルを公開しています。
K2 Thinkingに残された課題
ベンチマークで首位に立つことは、本番環境のあらゆる場面で優れていることと同じではない。非常に長いコンテキストでは、情報の想起が時折弱まると報告するユーザーもいる。これは大規模コンテキスト対応システムによくある課題だ。また、ベンチマークごとに利用できるツールの回数や思考トークンの上限が異なるため、各チームがテスト時の計算量拡大をどれほど使うかによって比較結果が左右されることがある。1回のセッションで数百回のツール呼び出しを行う場合、ホスティングにも課題が生じる。プロバイダーは、より多くの状態やネットワーク呼び出し、大量のログを処理する必要があるためだ。
企業は、バージョンをまたいだ安定性、設定を固定した場合の結果の再現性、既存のワークフローに適合する安全性ツールを注視するだろう。推論過程の出力は中間段階を確認できる点で有用だが、運用担当者はどこまでの思考を記録するか、機密情報をいつマスキングするかを決める必要もある。最後に、オープンな設計はコミュニティーによる迅速な改良を促す強みがある一方、速度、メモリー使用量、品質のトレードオフが異なる多くの派生モデルが登場することも意味する。初期の結果は有望だが、K2 Thinkingの得意分野を見極めるには、言語、分野、ハードウェアをまたいだ継続的な検証が必要だ。
要点
- Moonshot AIは、商用利用を認める改変MITライセンスのオープンウェイトモデルとしてKimi K2 Thinkingを公開した。
- モデルはMixture of Experts方式を採用し、総パラメーター数は1兆、トークンごとに有効になるのは約320億。
- 量子化対応学習によるネイティブINT4推論で、品質を保ちながらコストと遅延を抑える。
- K2 Thinkingはツール利用可能な「Humanity’s Last Exam」で44.9％、「BrowseComp」で60.2％を記録し、後者のエージェント評価ではGPT-5を上回った。
- コーディング評価では「SWE Bench Verified」で71.3％、「LiveCodeBench v6」で83.1％を記録した。
- 256kのコンテキストウィンドウに対応し、200～300回の連続したツール呼び出しを実行できる。
- 価格は100万トークンあたり、キャッシュヒット時が約0.15ドル、キャッシュミス時が0.60ドル、出力が2.50ドルで、GPT-5を大きく下回る。
- Kimi.com、Kimi Open PlatformのAPI、Hugging Faceなどの公開モデルハブから利用できる。
- Kimi、DeepSeek、Qwen、MiniMaxなど中国発のオープンモデルが、迅速な公開とベンチマークスコアの向上を推し進めている。
- 長いコンテキストでの信頼性、長時間のツール連鎖に対応するホスティング、本番環境の制約下での実性能が今後の注目点となる。
