Kimi K2 Thinking, โมเดลอนุมานโอเพนซอร์สระดับไตรลเลียนพารามิเตอร์ที่ทำ SOTA

• Kimi K2 Thinking คือ โมเดลอนุมานโอเพนซอร์ส ที่ใช้เครื่องมือและคิดเป็นลำดับขั้น พร้อมจำลองกระบวนการคิดระดับมนุษย์ในการแก้ปัญหาที่ซับซ้อน
• ทำ ผลงานดีที่สุดล่าสุด (SOTA) บนเบนช์มาร์กสำคัญอย่าง Humanity’s Last Exam(HLE), BrowseComp, SWE-Bench Verified
• รองรับการ เรียกใช้เครื่องมือต่อเนื่องได้สูงสุด 200~300 ครั้ง และขยายทั้งโทเคนการคิดกับขั้นตอนการเรียกใช้เครื่องมือพร้อมกันผ่าน test-time scaling
• มีผลงานโดดเด่นในด้าน การอนุมานเชิงเอเจนต์ (Agentic)·การค้นหา·การเขียนโค้ด โดยแก้ปัญหาคณิตศาสตร์ การเขียนโค้ด และการสำรวจเว็บที่ซับซ้อนด้วยการวางแผนระยะยาว
• เพิ่มประสิทธิภาพการอนุมานด้วย INT4 quantization ทำให้ความเร็วเพิ่มขึ้น 2 เท่าและลดการใช้หน่วยความจำ GPU จนได้ประสิทธิภาพระดับสูงสุดในกลุ่มโมเดลโอเพนซอร์สขนาดใหญ่

---

แนะนำ Kimi K2 Thinking

• Kimi K2 Thinking คือ โมเดลการคิดโอเพนซอร์สประสิทธิภาพสูงสุด ที่ Moonshot AI เปิดตัว
  • ใช้สถาปัตยกรรม “thinking agent” ที่ทำการอนุมานเป็นลำดับขั้นแม้ระหว่างการใช้เครื่องมือ
  • ทำสถิติ ผลงานดีที่สุดล่าสุด บน HLE, BrowseComp และอื่น ๆ
• ขยายทั้งจำนวนโทเคนการคิดและขั้นตอนการเรียกใช้เครื่องมือพร้อมกันผ่าน test-time scaling
• ขณะนี้ใช้งานได้ในโหมดแชตของ kimi.com และ โหมด agentic แบบเต็มรูปแบบ จะเปิดตัวเร็ว ๆ นี้
• รองรับการเชื่อมต่อภายนอกผ่าน API

ผลการประเมิน

• ทำได้ HLE(ใช้เครื่องมือ) 44.9%, BrowseComp 60.2%, SWE-Bench Verified 71.3%
• พิสูจน์ ความสามารถในการทั่วไปอย่างสม่ำเสมอ ในการแก้ปัญหาระดับผู้เชี่ยวชาญหลายสาขา
• ยกระดับประสิทธิภาพเมื่อเทียบกับโมเดลเดิมในด้าน การอนุมานเชิงเอเจนต์·การค้นหา·การเขียนโค้ด โดยรวม

การอนุมานเชิงเอเจนต์ (Agentic Reasoning)

• ทำสถิติสูงสุด 44.9% บน Humanity’s Last Exam(HLE)
  • เบนช์มาร์กแบบปิดที่รวมโจทย์ระดับผู้เชี่ยวชาญจากสาขาวิชามากกว่า 100 สาขา
  • ใช้ทั้งเครื่องมือค้นหา, Python และการท่องเว็บควบคู่กัน
• แสดงตัวอย่างการแก้ โจทย์คณิตศาสตร์ระดับปริญญาเอก ด้วยการสลับระหว่าง การอนุมานและการเรียกใช้เครื่องมือ 23 ขั้นตอน
• สามารถแก้ปัญหาวิชาการที่ซับซ้อนได้ผ่านการวางแผน การอนุมาน การลงมือทำ และการปรับตัวหลายร้อยขั้นตอน

การเขียนโค้ดเชิงเอเจนต์ (Agentic Coding)

• ทำได้ SWE-Multilingual 61.1%, SWE-Bench Verified 71.3%, Terminal-Bench 47.1%
• มีความสมบูรณ์สูงในงานที่เน้น องค์ประกอบฝั่งฟรอนต์เอนด์ อย่าง HTML และ React
• รองรับเวิร์กโฟลว์การพัฒนาแบบหลายขั้นตอนผ่านการเรียกใช้เครื่องมือ พร้อมช่วย สร้างโค้ดที่แม่นยำและยืดหยุ่น
• แสดงตัวอย่างการสร้าง แอปพลิเคชันซับซ้อนอย่างเว็บไซต์และตัวแก้ไขเอกสาร ด้วยพรอมป์ต์เดียว

การค้นหาและท่องเว็บเชิงเอเจนต์ (Agentic Search and Browsing)

• ทำได้ BrowseComp 60.2% สูงกว่ามาตรฐานมนุษย์ (29.2%) อย่างมาก
  • พิสูจน์ความสามารถในการรวบรวมข้อมูลเว็บแบบเรียลไทม์และการอนุมาน
• ทำ การเรียกใช้เครื่องมือต่อเนื่อง 200~300 ครั้ง พร้อมรองรับ การวางแผนระยะยาวและการอนุมานแบบปรับตัว
• ผ่านลูปซ้ำ “คิด → ค้นหา → ใช้เบราว์เซอร์ → คิด → เขียนโค้ด”
  เพื่อแยกปัญหาแบบเปิดที่ซับซ้อนออกเป็นงานย่อยที่มีโครงสร้าง

ความสามารถทั่วไป (General Capabilities)

• การเขียนเชิงสร้างสรรค์: สร้างเรื่องเล่าที่มีถ้อยคำหลากหลายและมีมิติทางอารมณ์ลึกซึ้ง
• การเขียนเชิงปฏิบัติ: ปรับปรุงโครงสร้างเชิงตรรกะและความแม่นยำตามคำสั่ง เหมาะกับเนื้อหาวิชาการและงานวิจัย
• การตอบสนองทางอารมณ์: ให้คำแนะนำที่มีความเห็นอกเห็นใจและเฉพาะเจาะจง พร้อมเสริมสมดุลความเป็นมนุษย์

ประสิทธิภาพการอนุมาน (Inference Efficiency)

• ใช้ QAT สำหรับ weight-only quantization แบบ INT4 ทำให้ เร็วขึ้น 2 เท่า และ ลดการใช้หน่วยความจำ
• แม้ในงานอนุมานขนาดใหญ่ก็ยัง คงกระบวนการคิดที่ละเอียดแม่นยำ โดยไม่มีประสิทธิภาพลดลง
• รายงานผลเบนช์มาร์กทั้งหมดบนพื้นฐานของ ความละเอียด INT4

เปรียบเทียบประสิทธิภาพโดยรวม

• ให้ ประสิทธิภาพเทียบเท่าหรือดีกว่า GPT‑5, Claude Sonnet 4.5, DeepSeek‑V3.2 และอื่น ๆ บนเบนช์มาร์กหลัก
• ทำผลงาน ระดับสูงสุดในกลุ่มโอเพนซอร์ส ครอบคลุมทุกด้านของ Reasoning·Coding·Agentic Search

---

สรุป:
Kimi K2 Thinking คือ โมเดลอนุมานโอเพนซอร์สระดับไตรลเลียนพารามิเตอร์ ที่ทำการคิดแบบเป็นลำดับขั้นโดยอาศัยเครื่องมือ
และเป็นระบบ AI รุ่นล่าสุดที่ทำได้ทั้ง ประสิทธิภาพและความสามารถระดับ SOTA ในการแก้ปัญหาซับซ้อนและการวางแผนระยะยาวพร้อมกัน

[GN⁺]

ความคิดเห็นจาก Hacker News

• ติดตั้งโมเดล Moonshot Kimi-K2-Thinking ด้วย uv tool install llm และสร้าง SVG ด้วยคำสั่ง llm -m moonshot/kimi-k2-thinking 'Generate an SVG of a pelican riding a bicycle'
  ดูผลลัพธ์ได้ที่ลิงก์นี้
  ส่วนผลที่รันผ่าน OpenRouter ด้วย moonshotai/kimi-k2-thinking ออกมาละเอียดกว่ามากแบบเวอร์ชันนี้

  • ผลจาก OpenRouter ดูเหมือนมาจากผู้ให้บริการโฮสต์แบบ quantized
    ถ้าเทียบกับการเรียก API ตรงของ Moonshot แล้วต่างกันแทบจะ คนละเรื่อง
    การที่ OpenRouter จำกัด quantization แค่ระดับ API ไม่ใช่ระดับบัญชี ทำให้ประสบการณ์ผู้ใช้ค่อนข้างสับสน
  • น่าสนใจที่ทุกครั้งที่มีโมเดลใหม่ออกมา benchmark นี้ยิ่งกลายเป็นสัญลักษณ์มากขึ้นเรื่อยๆ
    ความสามารถของตระกูล GPT-5 ยังน่าเหลือเชื่ออยู่ แต่ก็ดีที่เห็นโมเดลโอเพนซอร์สเริ่มทำ ความพยายามที่ทะเยอทะยาน มากขึ้น
  • สงสัยว่าตอนรันได้ ล็อก temperature ไว้ที่ 0 เพื่อให้ผลลัพธ์สม่ำเสมอหรือไม่
  • อยากรู้จริงๆ ว่า โมเดลระดับ 1 ล้านล้านพารามิเตอร์ เอาไปรันที่ไหนกัน

• การมีคู่แข่งมากขึ้นและโอเพนซอร์สมากขึ้นเป็นเรื่องดี แต่สำหรับผม สิ่งที่น่าสนใจกว่าโมเดลยักษ์คือ การผสมระหว่าง LLM ขนาดเล็กกับเอเจนต์ ว่าจะเขียนโค้ดและให้เหตุผลได้ดีแค่ไหน
  ถ้ารันบนเครื่องโลคัลหรือคลัสเตอร์ราคาถูกได้จะยิ่งดี
  เป้าหมายเดิมของ OpenAI คือประโยชน์ของมนุษยชาติทั้งหมด แต่ตอนนี้กลับกลายเป็น โครงสร้างที่ขับเคลื่อนด้วยการจ่ายเงิน ซึ่งน่าเสียดายที่ดูเหมือนเอื้อประโยชน์ให้คนมีฐานะมากกว่า

  • ตอนนี้ก็มีการทดลอง โมเดลขนาดเล็ก แบบนั้นอยู่มากแล้ว
    แต่ผลลัพธ์ยังไม่ดีพอ และถ้าสามารถสร้างโมเดลเล็กที่มีประสิทธิภาพจริงได้ ก็คงไม่มีเหตุผลให้โมเดลใหญ่ยังมีอยู่
    แน่นอนว่าถ้ามีไอเดียใหม่ๆ ออกมา ภาพนี้ก็อาจเปลี่ยนได้
  • ผมเองเมื่อก่อนก็หมกมุ่นกับ “โมเดลที่ฉลาดที่สุด” แต่พอใช้จริงกลับพบว่า โมเดลเล็กทำงานเดียวกันได้เร็วกว่าเยอะ
    ตอนนี้เลยตั้งเป้าไว้ที่การหา “โมเดลที่เล็กที่สุดซึ่งยังแก้งานของผมได้”
    คะแนน benchmark สูงๆ กลับดูเหมือนตัวชี้วัดของ สเปกเกินความจำเป็น และความสิ้นเปลืองมากกว่า
  • ถ้าจะเรียกว่า “โอเพนซอร์ส” ก็ควรดาวน์โหลดข้อมูลฝึกได้และมี สคริปต์สำหรับฝึกใหม่แบบ end-to-end มาด้วย
    การแจกแค่ไบนารีสำหรับ inference แล้วเรียกว่าโอเพนซอร์ส ถือว่าใช้คำนี้ผิด
  • ผมไม่เข้าใจว่าทำไมถึงยังไม่มี โมเดลจิ๋วระดับผู้เชี่ยวชาญเฉพาะทาง ออกมา
    เช่น ถ้าใช้ Go อย่างเดียว ก็มีแค่โมเดลสำหรับ Go ก็พอ
    ถ้าเป็นโครงสร้างที่ สลับโมเดลเฉพาะทางหลายตัวในหน่วยความจำ น่าจะมีประสิทธิภาพกว่ามาก
    แต่คนส่วนใหญ่ยังคงไล่ตามโมเดลอเนกประสงค์ขนาดใหญ่
    ผมเคยใช้แค่ CoPilot แบบสมัครสมาชิกกับ Ollama แต่คิดว่าอนาคตน่าจะเป็น การผสมโมเดลหลายตัวขนาด 1~2B
  • จริงๆ แล้วความก้าวหน้าของโมเดลใหญ่ส่วนมากเกิดจาก optimization และ scaling
    แต่เทคนิคพวกนี้สุดท้ายก็ช่วย ยกระดับประสิทธิภาพของโมเดลเล็ก ด้วย
    DeepSeek เป็นตัวอย่างที่ดี เพราะนวัตกรรมของโมเดลใหญ่ก็ส่งผลดีต่อโมเดลเล็กเหมือนกัน
    และโมเดลนี้เองก็เป็นสถาปัตยกรรม MoE ที่เปิดใช้งานแค่ 32 พันล้านพารามิเตอร์ต่อครั้ง

• ในช่วงไม่กี่เดือนที่ผ่านมา บริษัทจีนสี่แห่ง (DeepSeek, Qwen/Alibaba, Kimi/Moonshot, GLM/Z.ai) ปล่อย โมเดลโอเพนซอร์สที่ยอดเยี่ยม ออกมา
  แต่บริษัทจากสหรัฐหรือยุโรป แม้แต่ Meta เองกลับไม่มีความเคลื่อนไหวแบบนี้ ทำไมถึงเป็นเช่นนั้น?

  • แน่นอนว่า OpenAI ก็เปิดตัว GPT-OSS ในเดือนสิงหาคม
    Qwen 235 ก็ดีมาก แต่คำว่า “โอเพนซอร์ส” ยังไม่ชัดอยู่ดีว่าหมายถึง open-weight หรือการเปิดทั้งหมด
  • บริษัทจีนเข้าถึง GPU รุ่นล่าสุดได้จำกัด เลยเลือกใช้กลยุทธ์ เปิดโอเพนซอร์ส
    ขณะที่บริษัทอเมริกันไม่อยากเปิด เพราะต้อง คืนทุนจากการลงทุน GPU จำนวนมหาศาล
  • อีกเหตุผลหนึ่งคือมี ความกังวลเรื่องความเป็นส่วนตัว ทำให้ลูกค้าแบบจ่ายเงินมีไม่มาก
    สุดท้ายจึงแทบไม่มีทางเลือกนอกจากเปิดให้ใช้ฟรี
  • ดูเหมือนว่า Meta จะ เลิกยุทธศาสตร์ open-weight ไปแล้วหลังจาก DeepSeek

• ตัวอย่างนี้อาจจะดู คัดเฉพาะกรณีที่เด่น ไปหน่อย แต่ก็ยังน่าทึ่งอยู่ดี
  ในฐานะคนที่เคยเอาโมเดล OSS เข้า workflow ก็รู้ดีถึงข้อจำกัดของมัน แต่ผลลัพธ์นี้อยู่ในระดับที่ แม้แต่ frontier model ก็ยังทำได้ยาก
  เลยยิ่งคาดหวังกับพัฒนาการต่อจากนี้

  • สำหรับผม Kimi เป็นโมเดลที่รู้สึกว่า “ฉลาด” กว่าคะแนน benchmark ที่บอกไว้มาก
    อาจเป็นเพราะมันไม่ได้ถูกจูนเพื่อไล่คะแนนแบบที่แล็บในอเมริกามักทำกัน

• จากตารางราคาของ OpenRouter ค่าอินพุตอยู่ที่ $0.60 ต่อ 1 ล้านโทเค็น และเอาต์พุต $2.50
  ถ้าดูจากประสิทธิภาพระดับนี้ถือว่า ถูกกว่าโมเดลระดับเดียวกัน 4 เท่า เลยสงสัยว่าโฮสต์แบบขาดทุนอยู่ หรือจริงๆ แล้วโมเดลอื่นทำกำไรสูงเกินไป

  • หากไม่นับต้นทุนการฝึก โมเดลอื่นๆ ทำกำไรสูงมาก
    ดูรายละเอียดได้ในบทความนี้
  • โมเดลโอเพนซอร์สบน OpenRouter คิดค่าบริการในระดับ ต้นทุนฮาร์ดแวร์จริง
    บางตัวรันอยู่บนอินฟราที่ มีเงินอุดหนุน เลยอาจยังทำกำไรได้จริง

• มีเพียงโมเดลนี้เท่านั้นที่ช่วงหลังมานี้แก้ ‘ปัญหาการซ้อนวาง’ ได้แบบมนุษย์
  ประเด็นสำคัญจากโพสต์นี้ คือมันเข้าใจแนวคิดการกระจายน้ำหนักด้วยไข่ 9 ฟอง

  • แต่ก็มีคนชี้ว่า “ปัญหานั้นเองก็อาจ อยู่ในข้อมูลฝึก อยู่แล้วก็ได้”
  • ผู้ใช้อีกคนแชร์ตัวอย่างบทสนทนาจริงที่แสดงให้เห็นว่า หลังจากได้รับฟีดแบ็กหลายรอบ โมเดลค่อยๆ หา โครงสร้างการซ้อนที่เป็นไปได้ทางกายภาพ ได้
    สุดท้ายก็สรุปเป็นลำดับ “หนังสือ → ขวด → แล็ปท็อป → ตะปู” ซึ่งเป็นคำตอบที่สมจริง

• สงสัยว่า “Reasoning model” คืออะไรกันแน่
  หมายถึงแค่โมเดลที่ใช้ scratchpad token แบบไดนามิก ผ่าน system prompt หรือหมายถึงโมเดลที่ถูก fine-tune ให้ทำแบบนั้นด้วยกันแน่

  • เป็นอย่างหลัง คือ โมเดลที่ถูก fine-tune ให้เรียนรู้กระบวนการคิดขั้นกลาง
    และมีประสิทธิภาพกว่าการแกล้งทำผ่าน prompt อย่างมาก
  • โดยทั่วไปหมายถึงโมเดลที่ตอบหลังจากทำ internal reasoning ภายในโทเค็นอย่าง <think></think>
    รูปแบบนี้มักฝึกด้วย RL หรือการเรียนรู้แบบให้รางวัลตามรูปแบบ

• เวอร์ชัน non-thinking มีคุณภาพงานเขียนดีที่สุด
  ดูเหมือนจะลองแนวทางใหม่ที่ต่างจากแล็บ frontier อื่นๆ เลยทำให้น่าจับตา

  • ผมกลับรู้สึกตรงกันข้าม ชอบเพราะมันเป็นโมเดลใหญ่สุดที่รันที่บ้านได้ แต่ เอาต์พุตที่มีโครงสร้างมากเกินไป กลับดูประดิษฐ์เกินจริง
    น่าเสียดายที่มันไม่ได้ต่างจากเวอร์ชันก่อนมากนัก
  • ถึงอย่างนั้น Kimi K2 ก็ยัง ให้ความรู้สึกของโมเดลที่ขัดเกลาอย่างดีและสมบูรณ์สูง

• คงจะดีถ้าใช้ผ่าน AWS Bedrock หรือ Google Vertex โดย รับประกัน data residency ได้

  • เหมือนรุ่นก่อนที่ เปิดเผยน้ำหนักโมเดล ไว้แล้ว จึงน่าจะมีผู้ให้บริการโฮสต์ภายนอกรองรับเร็วๆ นี้
    ลิงก์ Hugging Face
  • เวอร์ชัน non-thinking ถูก ลงทะเบียนบน Vertex AI แล้ว
    โมเดลนี้เน้นเรื่อง การใช้เครื่องมือแบบลำดับขั้น และประสิทธิภาพ needle-in-a-haystack RAG ซึ่งเป็นสิ่งที่จำเป็นมากที่สุดในการใช้งานจริง
    อ้างอิงเพิ่มเติมคือ Thoughtworks เพิ่งย้าย text-to-sql ไปอยู่สถานะ Hold

• ตอนนี้ใช้งานได้แล้วบน OpenRouter

  • แต่ตอนนี้ latency ยังสูงอยู่มาก