चीन के Kimi K2 Thinking ने ओपन-सोर्स AI की रफ्तार बढ़ाई, प्रमुख परीक्षणों में GPT 5 को पछाड़ा

एक शक्तिशाली ओपन मॉडल ने अग्रणी प्रणालियों को चुनौती दी

Moonshot AI ने Kimi K2 Thinking जारी किया है। यह ओपन-वेट्स मॉडल तर्क क्षमता वाली प्रणालियों के सर्वोच्च स्तर को सीधे चुनौती देने के लिए बनाया गया है। कंपनी का कहना है कि चरण-दर-चरण तर्क, वेब ब्राउज़िंग एजेंटों और सॉफ्टवेयर इंजीनियरिंग को मापने वाले कई कठिन मूल्यांकनों में यह मॉडल अग्रणी मालिकाना प्रणालियों से बेहतर प्रदर्शन करता है। K2 Thinking, Moonshot के प्लेटफॉर्म और Kimi.com पर उपलब्ध है। इसके वेट्स सार्वजनिक हब पर खुद होस्ट करने के लिए पोस्ट किए गए हैं। ये Modified MIT License के तहत उपलब्ध हैं, जो बहुत बड़े स्तर पर इस्तेमाल के लिए मामूली एट्रिब्यूशन की शर्त के साथ व्यावसायिक उपयोग की अनुमति देता है।

इस मॉडल का डिज़ाइन बड़े पैमाने और दक्षता का मेल है। K2 Thinking में Mixture of Experts आर्किटेक्चर है, जिसमें कुल एक ट्रिलियन पैरामीटर बताए गए हैं, जबकि हर जनरेट किए गए टोकन के लिए करीब 32 अरब पैरामीटर ही सक्रिय होते हैं। यह 256,000 टोकन की कॉन्टेक्स्ट विंडो सपोर्ट करता है और क्वांटाइज़ेशन-अवेयर ट्रेनिंग के जरिए नेटिव INT4 इन्फरेंस के लिए प्रशिक्षित है। इस व्यवस्था से विलंब और मेमोरी की जरूरत घटती है, जिससे इसकी प्रतिस्पर्धी कीमत समझ में आती है। केवल स्कोर तक सीमित न रहते हुए, यह रिलीज़ ओपन मॉडल को एजेंट जैसे व्यवहार की ओर ले जाती है। K2 Thinking 200 से 300 क्रमिक कॉल के दौरान लंबी अवधि की योजना और व्यवस्थित टूल इस्तेमाल दिखाता है। यह पारदर्शी तर्क-ट्रेस भी दे सकता है, जिससे उपयोगकर्ता बीच के चरणों की पड़ताल कर सकते हैं। कम लागत के साथ ये क्षमताएं बंद प्रतिद्वंद्वियों पर दबाव बढ़ाती हैं।

K2 Thinking क्या है और यह कैसे काम करता है

K2 Thinking को Mixture of Experts ट्रांसफॉर्मर के रूप में बनाया गया है। विशेषज्ञ मॉड्यूल का एक बड़ा समूह ऐसे राउटर के पीछे है, जो हर टोकन के लिए उनमें से एक छोटा हिस्सा चुनता है। इससे क्षमता बरकरार रखते हुए कंप्यूट की जरूरत घटती है। Moonshot के मुताबिक, इसमें 61 लेयर, 384 एक्सपर्ट, हर टोकन के लिए चुने जाने वाले आठ एक्सपर्ट, 64 अटेंशन हेड, 7168 का हिडन डाइमेंशन और 160,000 शब्दों की शब्दावली है। किसी भी समय करीब 32 अरब पैरामीटर ही सक्रिय रहते हैं, जिससे कुल क्षमता बहुत अधिक होने के बावजूद इन्फरेंस संभालने योग्य रहता है। अटेंशन तंत्र को SwiGLU एक्टिवेशन के साथ मल्टी-हेड लेटेंट अटेंशन बताया गया है। इस तरीके में ट्रेनिंग और इन्फरेंस के दौरान संदर्भ में मौजूद सामग्री के लिए सबसे प्रासंगिक एक्सपर्ट पर ध्यान दिया जाता है, जिससे थ्रूपुट और सटीकता दोनों बेहतर होते हैं।

स्पार्स एक्सपर्ट और दक्षता

Mixture of Experts मॉडल को एक ट्रिलियन पैरामीटर तक बढ़ने देता है, बिना हर टोकन के लिए सभी पैरामीटर चलाने की जरूरत के। व्यवहार में, इसका मतलब है कि मेमोरी का आकार और हर चरण में लगने वाला समय मौजूदा एक्सेलरेटर की क्षमता के भीतर रहते हुए मॉडल गहरा तर्क और व्यापक ज्ञान दिखा सकता है। 256k की कॉन्टेक्स्ट विंडो मॉडल को बड़े कोडबेस या लंबे शोध दस्तावेज़ पढ़ने देती है, फिर टूल इस्तेमाल करते हुए कई चरणों की योजना बनाने में मदद करती है। यह डिज़ाइन एजेंट कार्यों के लिए खास तौर पर उपयुक्त है, जहां किसी सिस्टम को दर्जनों या सैकड़ों कार्रवाइयों के दौरान खोज करनी, पढ़ना, लिखना और नतीजों की पुष्टि करनी पड़ सकती है।

नेटिव INT4 और क्वांटाइज़ेशन-अवेयर ट्रेनिंग

Moonshot ने K2 Thinking को क्वांटाइज़ेशन-अवेयर तरीकों से प्रशिक्षित किया है, ताकि यह वेट स्टोरेज और इन्फरेंस के लिए नेटिव INT4 पर चल सके। INT4 में हर पैरामीटर मान के लिए उच्च परिशुद्धता वाले फॉर्मैट के बजाय प्रति निबल दो बिट इस्तेमाल होते हैं, जिससे मेमोरी की जरूरत घटती है और जनरेशन तेज होता है। कंपनी के मुताबिक, उच्च परिशुद्धता की तुलना में गुणवत्ता में मामूली कमी के साथ जनरेशन की रफ्तार करीब दोगुनी होती है। सभी बेंचमार्क स्कोर INT4 पर बताए गए हैं। लागत और पहुंच के लिहाज से यह अहम है। समुदाय के परीक्षकों ने बताया है कि वे इस मॉडल को उच्च क्षमता वाले डेस्कटॉप सिस्टम पर चला रहे हैं। Moonshot vLLM, SGLang और KTransformers जैसे इंजन इस्तेमाल करने की सिफारिश करता है। यह मॉडल OpenAI और Anthropic के अनुरूप API भी सपोर्ट करता है, जिससे पहले से इन तरीकों का इस्तेमाल करने वाली टीमों के लिए एकीकरण आसान होता है।

वे बेंचमार्क जिनमें K2 Thinking आगे है

सार्वजनिक परीक्षणों में इस मॉडल के नतीजे इसे उपलब्ध सर्वोत्तम तर्क प्रणालियों में जगह देते हैं, और कई परीक्षणों में यह शीर्ष स्थान पर है। बताए गए स्कोर में टूल चालू रखने पर Humanity’s Last Exam में 44.9 प्रतिशत, केवल टेक्स्ट वाले सेटअप में 23.9 प्रतिशत और कठिन सेटअप में 51.0 प्रतिशत शामिल हैं; वेब ब्राउज़िंग एजेंटों के लिए BrowseComp में 60.2 प्रतिशत; टूल के साथ सॉफ्टवेयर बग ठीक करने वाले SWE Bench Verified में 71.3 प्रतिशत; LiveCodeBench v6 में 83.1 प्रतिशत; और Seal 0 में 56.3 प्रतिशत। गणित और विज्ञान में मॉडल ने बिना टूल AIME25 में 94.5 प्रतिशत, Python चलाने की अनुमति मिलने पर AIME25 में 99.1 प्रतिशत, बिना टूल HMMT25 में 89.4 प्रतिशत और वैज्ञानिक ज्ञान की परीक्षा GPQA Diamond में करीब 85 से 86 प्रतिशत हासिल किए। Frames में 87.0, FinSearchComp T3 में 47.4 और SWE Multilingual में 61.1 स्कोर भी बताए गए हैं। इनमें से कई श्रेणियों में K2 Thinking, GPT 5 के बराबर या उससे आगे है। BrowseComp में इसका स्कोर Claude Sonnet 4.5 से काफी अधिक है।

एजेंट के रूप में खोज और ब्राउज़िंग के काम

BrowseComp यह जांचता है कि कोई मॉडल योजना बना सकता है या नहीं, वेब पर खोज कर सकता है या नहीं, लिंक खोल सकता है या नहीं, मिली जानकारी को जोड़ सकता है या नहीं और जवाबों की पुष्टि कर सकता है या नहीं। K2 Thinking का 60.2 प्रतिशत BrowseComp स्कोर, GPT 5 के बताए गए 54.9 प्रतिशत से अधिक है और Claude Sonnet 4.5 के 24.1 प्रतिशत से काफी आगे है। Seal 0 और Frames में भी मॉडल के नतीजे मजबूत हैं। ये परीक्षण टूल इस्तेमाल के दौरान जानकारी जुटाने, योजना बनाने और निरंतरता बनाए रखने की क्षमता मापते हैं। ये नतीजे मॉडल के डिज़ाइन लक्ष्यों से मेल खाते हैं। इंटरलीव्ड थिंकिंग मॉडल को रुककर तर्क करने, टूल इस्तेमाल करने और फिर अपनी योजना अपडेट करने देती है। 200 से 300 क्रमिक कॉल का समर्थन कई चरणों में स्थिति बनाए रखने में मदद करता है, जबकि बड़ी कॉन्टेक्स्ट विंडो काम से जुड़ी जानकारी को मेमोरी में रखती है।

कोडिंग और सॉफ्टवेयर इंजीनियरिंग

SWE Bench Verified यह परखता है कि कोई मॉडल रिपॉज़िटरी के मुद्दे पढ़कर पैच बना सकता है और टेस्ट पास कर सकता है या नहीं। K2 Thinking ने टूल के साथ 71.3 प्रतिशत स्कोर बताया है, जो ओपन-वेट्स सिस्टम के लिए मजबूत नतीजा है। LiveCodeBench v6 में इसका स्कोर 83.1 प्रतिशत और SWE Multilingual में 61.1 प्रतिशत है। समुदाय के डेमो दिखाते हैं कि यह एक ही प्रॉम्प्ट से गेम और पूरी वेब ऐप समेत काम करने योग्य प्रोजेक्ट बना सकता है, फिर टूल की मदद से सुधार भी कर सकता है। लंबी कॉन्टेक्स्ट विंडो कोड में रास्ता खोजने में मदद करती है, जबकि INT4 इन्फरेंस लंबे विकास सत्रों के दौरान विलंब कम रखता है।

कीमत, पहुंच और लाइसेंस

K2 Thinking को Modified MIT License के तहत जारी किया गया है। व्यावसायिक उपयोग की अनुमति है और बहुत बड़े स्तर पर इस्तेमाल करने पर मामूली एट्रिब्यूशन देना होगा। चैट के लिए यह मॉडल Kimi.com पर उपलब्ध है और Kimi Open Platform के API के जरिए भी इस्तेमाल किया जा सकता है। खुद होस्ट करने के लिए टीमें Hugging Face जैसे सार्वजनिक मॉडल हब से वेट्स हासिल कर सकती हैं: huggingface.co/moonshotai/Kimi-K2-Thinking। प्लेटफॉर्म का दस्तावेज़ यहां उपलब्ध है: platform.moonshot.ai।

इसकी कीमत बंद विकल्पों से कम रखी गई है। Moonshot के मुताबिक, कैश हिट के लिए प्रति दस लाख टोकन करीब 0.15 डॉलर, कैश मिस के लिए प्रति दस लाख टोकन करीब 0.60 डॉलर और आउटपुट के लिए प्रति दस लाख टोकन करीब 2.50 डॉलर खर्च होते हैं। इसकी तुलना में GPT 5 की कीमत प्रति दस लाख इनपुट टोकन करीब 1.25 डॉलर और प्रति दस लाख आउटपुट टोकन 10 डॉलर है। K2 Thinking का नेटिव INT4 समर्थन रनटाइम लागत घटाता है और Mixture of Experts व्यवस्था सुनिश्चित करती है कि एक समय में नेटवर्क का केवल एक हिस्सा चले। Kimi.com पर मानक चैट मोड हल्के अनुभव के लिए सीमित टूल सेट इस्तेमाल करता है। इसलिए Agent मोड का विस्तार पूरा होने तक साइट पर मिलने वाले नतीजे एजेंट बेंचमार्क से मेल न भी खाएं।

AI की दौड़ के लिए यह क्यों अहम है

ओपन मॉडल बेहतरीन बंद प्रणालियों से अंतर कम कर रहे हैं। K2 Thinking की बेंचमार्क जीतें संकेत देती हैं कि ओपन रिसर्च अब तर्क, कोडिंग और एजेंट कार्यों के ऊंचे स्तर पर प्रतिस्पर्धा कर सकता है। इससे मालिकाना तकनीक बेचने वाली कंपनियों पर दबाव बढ़ता है कि वे केवल सुर्खियों में रहने वाले स्कोर के बजाय विश्वसनीयता, सुरक्षा टूलिंग, एंटरप्राइज समर्थन और एकीकृत उत्पादों के दम पर अलग पहचान बनाएं। कंपनियों के लिए ओपन वेट्स डेटा, अनुपालन और तैनाती के दायरे पर नियंत्रण देते हैं। डेवलपर इनके जरिए हर टोकन पर प्रीमियम दर चुकाए बिना उन्नत एजेंट व्यवहार के प्रयोग कर सकते हैं।

चीन की बढ़ती AI मौजूदगी

चीन की प्रयोगशालाएं तेजी से आगे बढ़ रही हैं और चर्चा में उनकी हिस्सेदारी बढ़ रही है। DeepSeek, Qwen, MiniMax और Kimi जैसे नाम सामने आए हैं और इनकी रिलीज़ लगातार आ रही हैं। MiniMax के पहले के मॉडल ने ओपन बेंचमार्क की रफ्तार तय की और कम लागत का आधार बनाया। अब K2 Thinking लंबी अवधि के तर्क और एजेंट टूलिंग को और आगे ले जाता है। विश्लेषकों का कहना है कि चीनी टीमें प्रतिक्रिया चक्र तेज कर रही हैं, टेस्ट-टाइम स्केलिंग पर निर्भर हैं और रिलीज़ की रफ्तार को बढ़त के रूप में इस्तेमाल कर रही हैं, भले ही कुछ कामों में सर्वश्रेष्ठ बंद प्रणालियां अब भी आगे हों। प्रतिस्पर्धा चैट से आगे बढ़कर एजेंट इंटेलिजेंस की ओर भी जा रही है, जहां कोई सिस्टम योजना बना सकता है, टूल इस्तेमाल कर सकता है और जटिल लक्ष्य पूरे कर सकता है। K2 Thinking इसी बदलाव के लिए बनाया गया है।

क्षमताएं और असल दुनिया के उदाहरण

Moonshot के डेमो और उपयोगकर्ता परीक्षण बताते हैं कि यह मॉडल लंबे काम कैसे करता है। एक प्रदर्शन में सिस्टम डॉक्टरेट स्तर के गणित के सवाल को हल करने के लिए शोधपत्र पढ़ता है, सूत्र निकालता है, Python कोड चलाता है और बीस से अधिक तर्क व टूल चरणों में नतीजों की पुष्टि करता है। इसके बाद वह अंतिम समाधान देता है। एक अन्य डेमो में मॉडल खोज पर खोज करता है, ताकि अभिनेता Jimmy Gary Jr. की पहचान कर सके और एक खास फिल्म में उनकी भूमिका की पुष्टि कर सके। इस काम के लिए कई वेब पेजों में स्रोतों की सावधानीपूर्वक जांच जरूरी थी। कोडिंग सत्रों में परीक्षकों का कहना है कि K2 Thinking एक ही प्रयास में Space Invaders जैसा काम करने योग्य गेम बना सकता है और फिर क्रमिक टूल कॉल से उसे बेहतर कर सकता है। अन्य डेमो में यह पूरी वेबसाइट का लेआउट बनाता, फ्रंट-एंड कंपोनेंट तैयार करता और फाइलों व मेन्यू को संभालने वाला डेस्कटॉप-शैली का इंटरफेस भी तैयार करता दिखा।

डेवलपर क्या देख रहे हैं

डेवलपर मंचों पर स्वतंत्र परीक्षक गति और नियंत्रण के संतुलन का जिक्र करते हैं। एक अनुभवी उपयोगकर्ता ने आम लोगों के लिए उपलब्ध हार्डवेयर पर मॉडल चलाया और लंबे टूल क्रम तथा बड़े प्रॉम्प्ट के दौरान इसके लगातार स्थिर व्यवहार की सूचना दी। समीक्षक ने कहा कि नेटिव INT4 विकल्प ने गुणवत्ता स्थिर रखते हुए गति बढ़ाई।

मेरे परीक्षणों में इसने बिना तारतम्य खोए लगातार 300 टूल कॉल तक संभाले, जो पिछले मॉडलों से बड़ा सुधार है।

उसी परीक्षक ने 256k की कॉन्टेक्स्ट विंडो का भी जिक्र किया, जिसमें बड़े कोड प्रोजेक्ट संभाले जा सके। उन्होंने बहुभाषी कोडिंग में मजबूती और फ्रंट-एंड कार्यों में व्यावहारिक लाभ बताए। उच्च क्षमता वाले डेस्कटॉप पर सेटिंग के अनुसार प्रति सेकंड दर्जनों से लेकर सैकड़ों टोकन तक की थ्रूपुट दर्ज की गई। इससे विकास कार्यों में एजेंट लूप पर्याप्त तेज महसूस होते हैं।

विशेषज्ञ की राय

ओपन मॉडल और एजेंट सिस्टम पर नजर रखने वाले AI शोधकर्ता Nathan Lambert का मानना है कि प्रदर्शन के ऊंचे स्तर पर ओपन वेट्स के लिए K2 Thinking एक निर्णायक मोड़ है। उन्होंने चीन की प्रयोगशालाओं से आ रही रिलीज़ की रफ्तार की ओर भी ध्यान दिलाया।

इस रिलीज़ को प्रदर्शन के मामले में बंद अग्रणी प्रणालियों के सबसे करीब पहुंचने वाले ओपन मॉडल के रूप में देखा जा रहा है।

Lambert ने ओपन मॉडल की नई प्रणालियां और उनके संस्करण जारी करने की गति का भी जिक्र किया, हालांकि कुछ क्षेत्रों में बंद मॉडल अब भी आगे हैं।

ओपन मॉडल तेजी से जारी होते हैं। चीनी प्रयोगशालाएं पश्चिमी प्रयोगशालाओं के मुकाबले अपने मॉडल कहीं अधिक तेजी से जारी करती हैं।

K2 Thinking को अब भी क्या साबित करना है

बेंचमार्क में आगे होना उत्पादन में हर मामले में श्रेष्ठ होने के बराबर नहीं है। कुछ उपयोगकर्ताओं ने बहुत लंबी कॉन्टेक्स्ट में कभी-कभी याददाश्त में कमी आने की सूचना दी है। यह बड़ी कॉन्टेक्स्ट वाली प्रणालियों की आम चुनौती है। बेंचमार्क में टूल के इस्तेमाल की स्वीकृत सीमा और थिंकिंग टोकन की सीमा भी अलग-अलग होती है, इसलिए तुलना इस बात पर निर्भर कर सकती है कि हर टीम टेस्ट-टाइम स्केलिंग का कितना इस्तेमाल करती है। एक सत्र में सैकड़ों टूल कॉल चलाना होस्टिंग की चुनौती भी बढ़ाता है, क्योंकि प्रदाताओं को अधिक स्थिति, अधिक नेटवर्क कॉल और बड़े लॉग संभालने पड़ते हैं।

कंपनियां अलग-अलग संस्करणों में स्थिरता, तय सेटिंग पर नतीजों को दोहराने की क्षमता और मौजूदा कार्यप्रवाह में फिट होने वाले सुरक्षा टूल पर नजर रखेंगी। तर्क-ट्रेस आउटपुट उपयोगी कदम है, क्योंकि इससे टीमें बीच के चरणों की जांच कर सकती हैं। लेकिन इसके साथ ऑपरेटरों को तय करना होगा कि कितना तर्क लॉग किया जाए और संवेदनशील सामग्री को कब छिपाया जाए। आखिर में, मॉडल का ओपन डिज़ाइन समुदाय को तेजी से बदलाव करने का अवसर देता है, जो इसकी ताकत है। साथ ही, इससे गति, मेमोरी के इस्तेमाल और गुणवत्ता के अलग-अलग संतुलन वाले कई संस्करण भी सामने आएंगे। शुरुआती नतीजे उत्साहजनक हैं। अलग-अलग भाषाओं, क्षेत्रों और हार्डवेयर पर आगे होने वाले परीक्षण बताएंगे कि K2 Thinking किन कामों में सबसे मजबूत है।

निष्कर्ष

• Moonshot AI ने Kimi K2 Thinking को ओपन वेट्स के रूप में जारी किया है। इसका Modified MIT License व्यावसायिक उपयोग की अनुमति देता है।
• मॉडल में Mixture of Experts डिज़ाइन है, जिसमें कुल एक ट्रिलियन पैरामीटर और प्रति टोकन करीब 32 अरब सक्रिय पैरामीटर हैं।
• क्वांटाइज़ेशन-अवेयर ट्रेनिंग से मिला नेटिव INT4 इन्फरेंस गुणवत्ता बरकरार रखते हुए लागत और विलंब घटाता है।
• टूल के साथ Humanity’s Last Exam में K2 Thinking का स्कोर 44.9 प्रतिशत और BrowseComp में 60.2 प्रतिशत है। एजेंट वाले इस परीक्षण में यह GPT 5 से आगे है।
• कोडिंग के स्कोर में SWE Bench Verified पर 71.3 प्रतिशत और LiveCodeBench v6 पर 83.1 प्रतिशत शामिल हैं।
• यह सिस्टम 256k कॉन्टेक्स्ट विंडो सपोर्ट करता है और लगातार 200 से 300 टूल कॉल तक चला सकता है।
• कैश हिट के लिए कीमत करीब 0.15 डॉलर प्रति दस लाख टोकन, कैश मिस के लिए 0.60 डॉलर और आउटपुट के लिए 2.50 डॉलर है, जो GPT 5 की दरों से काफी कम है।
• Kimi.com, Kimi Open Platform के API और Hugging Face जैसे सार्वजनिक हब के जरिए मॉडल तक पहुंच उपलब्ध है।
• Kimi, DeepSeek, Qwen और MiniMax समेत चीन के ओपन मॉडल तेजी से रिलीज़ हो रहे हैं और ऊंचे बेंचमार्क स्कोर हासिल कर रहे हैं।
• लंबी कॉन्टेक्स्ट में विश्वसनीयता, लंबे टूल लूप के लिए होस्टिंग समर्थन और उत्पादन की सीमाओं में वास्तविक प्रदर्शन पर नजर रखनी होगी।