Fiche modèle
Kimi K2.5
Moonshot · poids ouverts · sorti le 27/01/2026
Date de sortie, éditeur et accès : Epoch AI, CC BY 4.0. Fiche régénérée le 07/10/2026.
Taille
1 040 Md
paramètres
Scores
Rang parmi les 274 modèles de l’indice ECI évalués par la même source. Un nom de benchmark mène à son explication.
| Benchmark | Score | Rang | Réglage | Source |
|---|---|---|---|---|
| Indice de capacités ECI (Epoch AI)Capacités générales | 148,0146,4–149,3 | 64 / 274 | Epoch AI, CC BY 4.0, non daté par la source, vu publié le 07/10/2026 | |
| LMArena texte, contrôle du styleConversation (préférence humaine) | 1 4501 447–1 453 | 48 / 166 | « kimi-k2.5-thinking » | LMArena, CC BY 4.0, publié le 02/10/2026 |
| GPQA Diamond (Epoch AI)Sciences | 87,6 %83,9–91,3 | 53 / 186 | réglage « fireworks/kimi-k2p5 » | Epoch AI, CC BY 4.0, publié le 02/02/2026 |
| FrontierMath, niveaux 1 à 3 (Epoch AI) | non évalué par Epoch AI | |||
| OTIS Mock AIME 2024-2025 (Epoch AI)Maths de concours | 92,2 %84,6–99,8 | 46 / 176 | réglage « fireworks/kimi-k2p5 » | Epoch AI, CC BY 4.0, publié le 02/02/2026 |
| SimpleQA Verified (Epoch AI)Connaissances factuelles | 34,3 %31,4–37,2 | 51 / 77 | réglage « kimi-k2.5 » | Epoch AI, CC BY 4.0, publié le 27/08/2026 |
| SWE-bench Verified (Epoch AI)Code | 73,8 %69,8–77,7 | 17 / 32 | réglage « kimi-k2.5 » | Epoch AI, CC BY 4.0, publié le 17/02/2026 |
Sources : Epoch AI, « Capabilities & benchmarking », epoch.ai/benchmarks (CC BY 4.0) ; LMArena, leaderboard-dataset (Hugging Face), CC BY 4.0. Données adaptées : pourcentages, arrondis, meilleur réglage retenu, prix mélangé, rangs et frontière calculés ici.
Prix par fournisseur d’API
| Fournisseur | Entrée $/M | Sortie $/M | Mélangé | Clé LiteLLM |
|---|---|---|---|---|
| Moonshot AIéditeur | 0,60 $ | 3,00 $ | 1,20 $ | moonshot/kimi-k2.5 |
| DeepInfra | 0,45 $ | 2,25 $ | 0,90 $ | deepinfra/moonshotai/Kimi-K2.5 |
| Together AI | 0,50 $ | 2,80 $ | 1,08 $ | together_ai/moonshotai/Kimi-K2.5-fp4 |
| Amazon Bedrock | 0,60 $ | 3,00 $ | 1,20 $ | moonshotai.kimi-k2.5 |
| Baseten | 0,60 $ | 3,00 $ | 1,20 $ | baseten/moonshotai/Kimi-K2.5 |
| Microsoft Azure AI Foundry | 0,60 $ | 3,00 $ | 1,20 $ | azure_ai/kimi-k2.5 |
| Novita AI | 0,60 $ | 3,00 $ | 1,20 $ | novita/moonshotai/kimi-k2.5 |
| Weights & Biases | 0,60 $ | 3,00 $ | 1,20 $ | wandb/moonshotai/Kimi-K2.5 |
$ par million de jetons, tarif catalogue sans remise, sans cache ni traitement par lots. 8 offres rapprochées. Écart entre le moins cher (DeepInfra, 0,90 $) et le plus cher : × 1,3. Relevé du 07/10/2026 ; vérifier chez le fournisseur avant de choisir. Sources : Prix : LiteLLM (BerriAI), licence MIT, © 2023 Berri AI. Données adaptées : pourcentages, arrondis, meilleur réglage retenu, prix mélangé, rangs et frontière calculés ici.
L’héberger soi-même
- Accès aux poids
- poids libres (usage sans restriction) (Epoch AI, CC BY 4.0)
- Licence
- MIT modifiée (carte du dépôt, déclaration de l’éditeur lue le 01/10/2026 ; lire la licence avant tout usage commercial)
- Taille
- 1 040 Md de paramètres (Epoch AI, CC BY 4.0 ; confiance d’Epoch : Likely ; note : « "The model comprises 1.04 trillion total parameters" »)
- Poids
- huggingface.co/moonshotai/Kimi-K2.5 (dépôt rapproché par la table de correspondance, existence vérifiée auprès de Hugging Face le 01/10/2026)
Mémoire nécessaire
| Format des poids | Poids seuls | Ordre de grandeur du matériel |
|---|---|---|
| BF16 (pleine précision usuelle) | 2 080 Go | plusieurs serveurs à huit cartes |
| FP8 / 8 bits | 1 040 Go | un serveur à huit cartes de 141 à 192 Go |
| 4 bits (GGUF Q4_K_M, environ 4,8 bits par paramètre) | 624 Go | un serveur à huit cartes de 141 à 192 Go |
Calcul du Crible : 1 040 Md de paramètres × 2 octets (BF16), × 1 (FP8), × 0,6 environ (4 bits). Ajouter le cache de contexte, qui grandit avec la longueur des conversations et le nombre d’utilisateurs.
Outils
- vLLM (serveur, cartes graphiques) :
vllm serve moonshotai/Kimi-K2.5sert le dépôt Hugging Face derrière une API compatible OpenAI. Le modèle doit être pris en charge par la version installée. - llama.cpp (ordinateur, processeur ou carte graphique) : lit les poids au format GGUF, souvent publiés en 4 bits par la communauté. Chercher une version GGUF (rien ne garantit qu’elle existe ni qu’elle est fidèle), puis
llama-server -hf <dépôt GGUF>. - Ollama (le plus simple sur un ordinateur) :
ollama run hf.co/<dépôt GGUF>lance une version GGUF publiée sur Hugging Face.
Commandes d’après la documentation de chaque outil (liens ci-dessus). Les tailles, l’accès et les liens viennent des sources citées ; de Hugging Face, Le Crible ne reprend que l’adresse du dépôt et l’identifiant de licence déclaré sur sa carte. Sources : Epoch AI, « Data on AI models », epoch.ai/data/ai-models (CC BY 4.0) ; LMArena, leaderboard-dataset (Hugging Face), CC BY 4.0. Données adaptées : pourcentages, arrondis, meilleur réglage retenu, prix mélangé, rangs et frontière calculés ici.
Évolution
Aucun changement de prix relevé depuis le début de nos relevés quotidiens.