Kimi K2 Thinking
月之暗面· 2025-11-06 上线国产开源
综合榜暂不排名：评测成绩还不够
编程
40.2第 50 名
科研
46.3
专业办公
—
知识问答
47.5
- 评测覆盖
- 6 / 25 项 · 24%
- 缓存输入
- —
- 输入
- —
- 输出
- —
价格：人民币 / 百万 Token。没有名次的领域是成绩还不够，暂不排名。
编程
| 评测 | 原始成绩 | 标准分 | 最好成绩的档位 | 比较模型数 |
|---|---|---|---|---|
| Terminal-Bench | 35.7% | 40.2 | 默认 | 29 |
| WebDev Arena | 1,337 | 40.2 | 默认 | 96 |
| ALE-Bench | 598 | 40.9 | 默认 | 88 |
| WeirdML | 42.8% | 39.6 | 默认 | 60 |
科研
| 评测 | 原始成绩 | 标准分 | 最好成绩的档位 | 比较模型数 |
|---|---|---|---|---|
| OTIS Mock AIME | 83.1% | 46.3 | 默认 | 87 |
知识问答
| 评测 | 原始成绩 | 标准分 | 最好成绩的档位 | 比较模型数 |
|---|---|---|---|---|
| GPQA Diamond | 84.2% | 47.5 | 默认 | 84 |
仅展示（不计分）
这些评测测的能力不在四个领域里，或者我们还没把握归到哪个领域。
| 评测 | 原始成绩 | 标准分 | 最好成绩的档位 | 比较模型数 |
|---|---|---|---|---|
| 国际象棋谜题 | 20.0% | 不计分 | 默认 | 88 |
| METR 任务时长 | 59.2% | 不计分 | 默认 | 10 |
原始成绩取这个模型各个推理档位和各种评测配置里最好的一次；标准分 = 50 + 10 × （成绩 − 平均）÷ 标准差，在近 12 个月上线的模型里比较。「不计分」是这项评测有成绩的模型太少或不在计分范围。 数据 10月16日 06:10 更新。