Kimi K2.5 υπολογιστής TPS
Κάθε κάρτα παρακάτω αξιολογείται σύμφωνα με αυτό το μοντέλο στο μήκος πλαισίου και την ελάχιστη ποιότητα που επιλέγετε. Η ταχύτητα είναι μια εκτίμηση για ένα μόνο αίτημα, υπολογισμένη από το εύρος μνήμης της κάρτας και το μέγεθος του μοντέλου μόλις συμπιεστεί..
Υπολογίστηκε για αυτό το μοντέλο
Ποιες GPU μπορούν να τρέξουν Kimi K2.5?
Ορίστε τα εισερχόμενα, διάβασε την απάντηση
Μια μακρύτερη συνομιλία χρειάζεται περισσότερη μνήμη, γεγονός που μπορεί να ωθήσει αυτό το μοντέλο εκτός από μικρότερα κάρτες..
Κρύβει κάρτες που θα ταίριαζαν μόνο στο μοντέλο συμπιέζοντάς το κάτω από αυτό το σημείο.
0 οι μοντέλα μπορούν να τρέξουν στο GPU. αυτό το μοντέλο δεν ταιριάζει. τρέχει άνετα.
Υπολογισμός| Χρειάζεται | Ποσοτικοποίηση | Κατάλληλο | |||||
|---|---|---|---|---|---|---|---|
|
No card in our catalogue can run this model with these settings. |
|||||||
Οι ταχύτητες είναι εκτιμήσεις για μια μόνο αίτηση — μια συνομιλία τη φορά — υπολογισμένες από την εύρος ζώνης μνήμης, το μέγεθος του μοντέλου και την ποσοστοποίηση. Η πραγματική διαμεταγωγή ποικίλλει με τον χρόνο εκτέλεσης της συμπερασματολογίας και την έκδοσή της. Οι αριθμοί που δημοσιεύονται από τις εταιρείες υλικού μετρούν πολλές ταυτόχρονες αιτήσεις και είναι πολύ υψηλότεροι..
Σε καταγραφή
πλήρης προδιαγραφή
Τα πάντα είναι καταγεγραμμένα για αυτό το μοντέλο. Το μεγαλύτερο μέρος περιγράφει πώς έχει εκπαιδευτεί παρά πώς εκτελείται — χρήσιμος πλαίσιο για να κρίνουμε πόση δουλειά έχει γίνει σε αυτό, και πώς συγκρίνεται με μοντέλα που έχουν κατασκευαστεί σε διαφορετική κλίμακα..
Προέλευση
Ποιος δημιούργησε αυτό το μοντέλο, πού και πότε δημοσιεύθηκε.
- Οργάνωση
- Moonshot
- Τύπος οργάνωσης
- Industry
- Χώρα
- China
- Δημοσιευμένο
- 2 February 2026
- Authors
- Tongtong Bai, Yifan Bai, Yiping Bao, S.H. Cai, Yuan Cao, Y. Charles, H.S. Che, Cheng Chen, Guanduo Chen, Huarong Chen, Jia Chen, Jiahao Chen, Jianlong Chen, Jun Chen, Kefan Chen, Liang Chen, Ruijue Chen, Xinhao Chen, Yanru Chen, Yanxu Chen, Yicun Chen, Yimin Chen, Yingjiang Chen, Yuankun Chen, Yujie Chen, Yutian Chen, Zhirong Chen, Ziwei Chen, Dazhi Cheng, Minghan Chu, Jialei Cui, Jiaqi Deng, Muxi…
Τι κάνει
Οι προβληματικές περιοχές για τις οποίες χτίστηκε το μοντέλο. Ένα μοντέλο μπορεί να φέρει αρκετές από κάθε μία.
- Δικτύου
- Language
- Language modeling/generation
Μέγεθος
Πόσο μεγάλο είναι το μοντέλο και πόσα δεδομένα έχει εκπαιδευτεί. Οι παράμετροι είναι ο αριθμός που αποφασίζει αν θα χωρέσει σε μια δεδομένη κάρτα γραφικών.
- παραμέτρους
- 1T
- Εκπαίδευση δεδομένων
- tokens
"The model comprises 1.04 trillion total parameters"
Υπολογιστική εκπαίδευση
Η αριθμητική που εκτελείται για την εκπαίδευση του μοντέλου, μετρημένη σε floating-point operations. Είναι ένα μέτρο του κόστους της εκπαίδευσης, όχι της ταχύτητας που απαντά το ολοκληρωμένο μοντέλο.
- Υπολογιστική εκπαίδευση
- 5.8 × 10²⁴ FLOP
Per section 3.2, "The joint pre-training stage continues from a near-end Kimi K2 checkpoint over additional 15T vision-text tokens at 4K sequence length" Kimi K2 was pretrained on 15T tokens. A near-end checkpoint of K2 was trained into K2.5 over another 15T tokens (or 15.2 to 15.5T tokens). This makes for a total of ~30T. There are an additional 1T tokens in "Stage 1" used to train the ViT encoder, which is likely much smaller than the full LLM, so we omit those tokens to calculate training c…
Η εκπαίδευση τρέχει
Τι χρειάστηκε φυσικά για την εκπαίδευση: ποια τσιπ, πόσα, για πόσο καιρό, και τι ρεύμα αντλήθηκε από το δίκτυο.
- Υλικό εκπαίδευσης
- NVIDIA H800 SXM5
Διαθεσιμότητα
Εάν μπορείτε να αποκτήσετε το μοντέλο και να το τρέξετε στον δικό σας υλικό, το οποίο είναι αυτό που αποφασίζει αν κάποια από τα στοιχεία της κάρτας γραφικών σε αυτή τη σελίδα ισχύουν.
- Βάρη
- Open — downloadable
- Πρόσβαση μοντέλου
- Open weights (unrestricted)
- Χαϊνγκ Φέις
- moonshotai
Πώς ταξινομείται
Ετικέτες που εφαρμόζονται στο σύνολο δεδομένων προέλευσης κατά την παρακολούθηση σημαντικών μοντέλων και πόσο σίγουρο είναι για την καταχώρηση.
- Γιατί παρακολουθείται
- Discretionary
- Το μοντέλο δεν ταιριάζει στο VRAM του GPU.
- Likely
Cost-competitive and widely used in the open-weight AI industry
Ποιό μοντέλο μπορεί να τρέξει η GPU; Δεν ταιριάζει. Τρέχει άνετα.
Όταν αυτό το αρχείο δημιουργήθηκε και πότε ελέγχθηκε τελευταία φορά.
- Αναφορά
- Kimi K2.5: Visual Agentic Intelligence
- Τι μοντέλο μπορεί να τρέξει η GPU; Δεν χωράει. Πολύ σφιχτό. Άνετο.
- 28 May 2026
Τι σημαίνουν οι αριθμοί
Τι απαιτείται για να τρέξει αυτό το μοντέλο
At 1T parameters, Kimi K2.5 is beyond what any single graphics card holds. Running it means either splitting it across several cards or renting hardware built for the job — 0 of the cards we track can hold it on their own, and all of them are datacentre parts.
Σχετικά με αυτό το μοντέλο
Kimi K2.5 was published by Moonshot, in China, in February 2026. It comes out of industry.
Λειτουργεί σε Γλώσσα και καταγράφεται ότι εκτελεί μοντελοποίηση/γεννήτρια γλώσσας.
The weights are published, so it can be downloaded and run on your own hardware indefinitely, offline, with no account attached. It is published under the moonshotai organisation on Hugging Face.
Πώς εκπαιδεύτηκε
Training it took roughly 5.8 × 10²⁴ FLOP of computation, on NVIDIA H800 SXM5 — a measure of what producing the model cost, not of how fast it answers.
Ο λόγος που εμφανίζεται σε αυτόν τον κατάλογο είναι διακριτικός.
Βήμα προς βήμα
Πώς να επιλέξετε μία GPU για Kimi K2.5
Ο πίνακας παραπάνω έχει ήδη αξιολογήσει κάθε κάρτα για την οποία έχουμε προδιαγραφές ενάντια σε αυτό το μοντέλο. Η απάντησή σας απαιτεί έξι βήματα..
-
01
Εκτελεί το μοντέλο AI / Εκτελούνται τα μοντέλα AI. δεν χωράει / δεν θα χωρέσει. σφιχτό = δύσκολα εκτελέσιμο, άνετο = εκτελεί εύκολα με περιθώριο.
Look at what Kimi K2.5 actually needs. No amount of processing power compensates for a card that cannot hold it.
-
02
Αποφασίστε πόσο καιρό θα τρέχουν οι συνομιλίες σας
Set the context to what you will actually use. The cache grows with the conversation, and it is the usual reason Kimi K2.5 stops fitting a card that seemed fine.
-
03
Choose how far you will compress it
Each card runs the least-compressed copy it can hold. Setting a floor drops the cards that only manage Kimi K2.5 by squeezing it further than you would want.
-
04
Compare tokens per second, not specifications
Ranking by tokens per second for Kimi K2.5 follows memory bandwidth, not core counts.
-
05
Κοίταξε τον χώρο, όχι μόνο την εφαρμογή
The fit column separates cards that just manage Kimi K2.5 from those with room to spare. Buy for the second if the context might grow.
-
06
Ελέγξτε την κάρτα από την άλλη πλευρά
Every card name links to its own page, which runs the same calculation across the whole model catalogue. Worth a look before buying for Kimi K2.5 alone — a card is usually bought for more than one model.
Απαντήσεις
Kimi K2.5 — Αυτό το μοντέλο δεν χωράει στη VRAM της GPU.
Why does the quantisation differ between cards for Kimi K2.5?
A larger card holds a more accurate copy. Across the cards that run Kimi K2.5, 1 compression levels are used; the floor control above pins it to one.
How accurate are these Kimi K2.5 speed estimates?
They are calculated from specifications rather than measured, and each carries a range — the range beneath each figure, for instance. The same model and card vary by thirty to fifty per cent depending on the inference software and its version.
Is Kimi K2.5 open source?
Its weights are published, so Kimi K2.5 can be downloaded and run on your own hardware. Note that open weights is not the same as open source in the full sense — it says nothing about the training data, the training code, or the commercial terms attached.
How many parameters does Kimi K2.5 have?
Kimi K2.5 has 1T parameters. "The model comprises 1.04 trillion total parameters". That figure is the total, and it is what decides how much memory the model needs — roughly half a gigabyte per billion at the compression most people use.
Who created Kimi K2.5?
Kimi K2.5 was published by Moonshot, based in China, categorised as industry.
When was Kimi K2.5 released?
Kimi K2.5 was published in February 2026.
What is Kimi K2.5 used for?
Kimi K2.5 works in Language, and is recorded as handling language modeling/generation. Models frequently carry more than one of each, and the tags describe purpose rather than capability limits.
Where can I download Kimi K2.5?
Its weights are published under the moonshotai organisation on Hugging Face. We do not host model files — this site calculates what hardware is needed to run them.
How much compute was used to train Kimi K2.5?
Around 5.8 × 10²⁴ FLOP, on NVIDIA H800 SXM5. That measures what producing the model cost and says nothing about how quickly it answers once trained — inference speed comes from memory bandwidth, not from the training budget.
Can I run Kimi K2.5 if it does not fit in my GPU?
It can be split between the card and system memory, but Kimi K2.5 generates painfully slowly that way — the nearest miss we calculate is short by 370.7 GB. Nothing on this page assumes offloading.
Would two GPUs run Kimi K2.5 faster?
A second card roughly doubles the memory available but not the generation rate. With 0 cards already able to run Kimi K2.5 alone, the case for pairing is weak.
Η άλλη κατεύθυνση
Κοιτάζοντας το από την άλλη πλευρά;
Αυτή η σελίδα ξεκινά από το μοντέλο. Εάν έχετε ήδη μια κάρτα και θέλετε να ξέρετε τα πάντα που μπορεί να εκτελέσει., δεν χωράει.