Kimi K2 checkpoint 版本怎么选部署避坑速查【免费下载链接】Kimi-K2Kimi K2 is the large language model series developed by Moonshot AI team项目地址: https://gitcode.com/GitHub_Trending/ki/Kimi-K216 张 H200 就绪Kimi K2 权重刚拉到服务器。第一步不是起服务而是 checkpoint 版本选择Base 还是 Instruct两者共用同一个 1T 参数 MoE 骨架Mixture of Experts每 token 只激活 32B 参数区别只在是否做过指令微调post-training用对话和任务数据再训练一轮。这篇讲清两者的差异和各自的部署姿势照着跑就行。Kimi K2 Instruct 在 SWE-bench Verified65.8、GPQA-Diamond75.1等 8 项基准的得分蓝色柱即 Instruct 版30 秒锁定版本Kimi K2 最小部署配置是固定的128k 上下文要 16 张 H200/H20跑纯 TP张量并行把一层的计算拆到 16 张卡上或 DPEP数据并行专家并行把 384 个专家摊到多卡二选一。按你的任务对号入座我要做的事该选哪个 checkpoint最低硬件门槛最容易翻车的一点对话机器人、agent、工具调用Instruct16 张 H200/H20忘了开工具解析器工具协议直接说在回复正文里领域微调、二次训练Base16 张 H200/H20KTransformers 可 CPUGPU给基座模型喂聊天模板微调不收敛高并发线上服务Instruct多节点 DPEP显存利用率拉太高导致 OOMKimi K2 checkpoint 一句话结论只是要用的话选 InstructBase 只留给打算重训的人。两个版本到底差在哪Kimi K2 checkpoint 分 Base 和 Instruct 两个版本架构、配置、硬件门槛完全一样真正的差别在训练数据和输出协议。Base 怎么摆只伺候微调场景Base 是未指令微调的原始预训练 checkpoint直接问它会输出跑题的续写拿来做对话基本不可用。config.json 里 model_type 为kimi_k2复用 DeepSeekV3CausalLM 架构省掉引擎重新开发权重是 block-fp8 量化引擎要 vLLM v0.10.0rc1最小 16 卡单元和 Instruct 相同vllm serve $BASE_MODEL_PATH \ --port 8000 \ --served-model-name kimi-k2-base \ --trust-remote-code \ --tensor-parallel-size 16 # 16 卡是 128k seqlen 的最小单元更多卡要加流水线并行边界提醒别把在线对话服务指到 Base 上。Kimi K2 Base 微调注意事项聊天模板和对齐都在 Instruct 侧直接把对话数据 SFT 到 Base 上往往不收敛动手前先确认自己有完整的微调流水线。Instruct 工具调用怎么开箱启用Instruct 是 post-trained 版对话和 agent 开箱即用。config.json 同样是 model_typekimi_k2硬件门槛同上差别在训练数据和内置的工具输出协议工具调用走原生格式引擎内置的 kimi_k2 parser输出解析器负责把模型输出翻译成标准字段把它转成 OpenAI 标准 tool_calls。这就是 Kimi K2 Instruct 工具调用开启方法两个引擎有差异vllm serve $INSTRUCT_MODEL_PATH \ --port 8000 \ --served-model-name kimi-k2 \ --trust-remote-code \ --tensor-parallel-size 16 \ --enable-auto-tool-choice \ # 想用工具调用必须开 --tool-call-parser kimi_k2 # 内置解析器免手写解析逻辑SGLang 只需--tool-call-parser kimi_k2不用额外开关。函数描述怎么传、finish_reason 为 tool_calls 时怎么回写结果完整流程见 工具调用指南。没有这个 parser 的框架上Instruct 别跑工具调用场景否则得自己手写解析。部署参数怎么调配置改了有什么坑⚠️改 model_type 有副作用model_type: kimi_k2是引擎区分 DeepSeek-V3、套用最优优化的依据。你的框架不在推荐列表vLLM / SGLang / KTransformers / TensorRT-LLM又必须临时跑时可把 config.json 改成deepseek_v3——代价是内置工具调用 parser 失效工具输出要自己写解析逻辑。参数调优记住两点就够显存利用率--gpu-memory-utilization 0.85是安全值理由是给 CUDA graph 和激活尖峰留约 15% 余量拉到 0.9 以上容易 OOM。CPUGPU 混合KTransformers 可加--optimize_config_path .../DeepSeek-V3-Chat-fp8-linear-ggml-experts-serve-amx.yaml开 AMX 优化Intel CPU 的矩阵指令把专家算子放 CPU 算。SGLang 大规模服务用 Prefill-Decode Disaggregation预填充和解码分到不同节点如 4P12D完整参数见 完整部署文档。下一步资源入口git clone https://gitcode.com/GitHub_Trending/ki/Kimi-K2完整部署文档docs/deploy_guidance.md工具调用文档docs/tool_call_guidance.md跑通上面的命令之后先拿 Instruct 版做一次 20 条对话冒烟测试确认 finish_reason 和 tool_calls 字段行为正常再考虑上生产。【免费下载链接】Kimi-K2Kimi K2 is the large language model series developed by Moonshot AI team项目地址: https://gitcode.com/GitHub_Trending/ki/Kimi-K2创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考