问AI · 这次突破对AI开源生态有何启示？
作者声明：该文章由AI辅助创作
文丨9527
月之暗面在4月20日正式发布并开源 Kimi K2.6，这款基于混合专家架构（MoE）的新模型在代码能力上率先打破了闭源模型长期垄断的格局。
SWE-Bench Pro：K2.6 领跑复杂代码修复
在衡量真实软件工程能力的 SWE-Bench Pro 测试中，Kimi K2.6 以 58.6% 的得分位居第一，超过 GPT-5.4（57.7%）、Gemini 3.1 Pro（54.2%）和 Claude Opus 4.6（53.4%）。这个基准测试专门考察模型在实际代码仓库中完成多文件、多步骤缺陷修复的能力——也就是真正的生产级编程任务，K2.6 对 Claude Opus 4.6 的优势超过 5 个百分点。
在 SWE-Bench Verified（单文件缺陷修复）上，三家公司得分差距极小：Claude Opus 4.6（80.8%）、Gemini 3.1 Pro（80.6%）、Kimi K2.6（80.2%），基本处于统计误差范围内。
命令行任务完成基准 Terminal-Bench 2.0 方面，Gemini 3.1 Pro 以 68.5% 拔得头筹，K2.6 以 66.7% 紧随其后，Claude Opus 4.6 和 GPT-5.4 均为 65.4%。
Agent 集群让这个模型玩出了新花样
K2.6 真正打出差异化的地方在于 Agent 集群能力。月之暗面官方披露，K2.6 可动态拆解复杂任务，自主调度最多 300 个子 Agent 并行处理，支持 4000 个协作步骤同步推进。
在 BrowseComp（Swarm 模式）基准上，K2.6 以 86.3% 的得分明显领先 GPT-5.4 的 78.4%，Claude 和 Gemini 均无对等的原生集群能力。
综合工具调用能力的 HLE-Full（tools）基准中，K2.6 同样以 54.0% 位列第一，Claude Opus 4.6（53.0%）、GPT-5.4（52.1%）和 Gemini 3.1 Pro（51.4%）依次排在后面。信息检索与综合基准 DeepSearchQA 上，K2.6 以 92.5% 的 F1 分数领先，Claude Opus 4.6 为 91.3%，GPT-5.4 和 Gemini 3.1 Pro 分别为 78.6% 和 81.9%。
13小时不停机编程，吞吐量从15到193
月之暗面披露了两个实测案例来佐证 K2.6 的编码能力。
第一个案例：在 Mac 本地部署 Qwen3.5-0.8B 模型时，K2.6 使用小众语言 Zig 进行推理优化，历经 12 小时不间断运行、4000 余次工具调用、14 轮迭代，将推理吞吐量从 15 tokens/s 提升至 193 tokens/s，速度比 LM Studio 快 20%。
第二个案例：在对开源金融撮合引擎 exchange-core 进行重构时，K2.6 连续作业 13 小时，迭代 12 套优化策略、修改逾 4000 行代码，最终令中位吞吐量增幅达 185%，峰值吞吐量增幅 133%。
K2.6 架构上采用 MoE 设计，总参数量约 1 万亿，但每次前向传播仅激活约 320 亿参数，推理成本相比等量密集模型大幅降低，且支持 vLLM、SGLang 等框架自托管部署，这是三家闭源对手无法提供的灵活性。
开源的代价：推理和多模态仍有差距
K2.6 也不是处处第一。
数学推理方面，GPT-5.4 在 AIME 2026 竞赛级数学测试中以 99.2% 接近满分，Gemini 3.1 Pro 为 98.3%，K2.6 为 96.4%，Claude Opus 4.6 为 96.7%。
多模态理解（MMMU-Pro）上，Gemini 3.1 Pro（83.0%）和 GPT-5.4（81.2%）领先 K2.6（79.4%），Claude Opus 4.6（73.9%）垫底。桌面自动化基准 OSWorld 方面，GPT-5.4 以 75.0% 最高，K2.6 为 73.1%，Claude Opus 4.6 以 72.7% 接近。
目前，Kimi K2.6 已向所有用户免费开放，支持通过 Kimi 官网、Kimi 应用、Kimi API（指定 `kimi-k2.6`）及 Kimi Code 编程助手调用。
在 SWE-Bench Pro 这项最接近真实生产场景的编程基准上，开源模型首次拿下第一——这个时刻来得比多数人预期的更早。
本文为AI生成，仅供参考、学习使用。