Moonshot, açık yapay zekâyı liderler arasına taşıyor
Moonshot AI'ın Kimi K2 Thinking modeli; güçlü akıl yürütme puanları, uzun süreli araç kullanımı ve görece düşük fiyatlarıyla önde gelen tescilli yapay zekâ sistemlerine meydan okuyor. 7 Kasım 2025 itibarıyla yeni yayımlanan model, web tarama ajanlarını değerlendiren BrowseComp testinde yüzde 60,2 puan bildiriyor. GPT 5'in puanı yüzde 54,9, Claude Sonnet 4.5'in ise yüzde 24,1. Humanity's Last Exam'de araçlar etkinleştirildiğinde yüzde 44,9 puan alıyor.
İçindekiler
- Moonshot, açık yapay zekâyı liderler arasına taşıyor
- Bir trilyon parametre nasıl yönetilebilir hâle geliyor?
- Kompakt ağırlıklar çalışma maliyetlerini düşürüyor
- Kıyaslama avantajlarının öne çıktığı alanlar
- Yüzlerce araç çağrısı neden önemli?
- Kodlama sonuçları ve geliştiricilerin denediği projeler
- Erişim, lisans ve fiyat karşılaştırması
- Çin'in laboratuvarları rekabeti hızlandırıyor
- Güvenilirlik ve barındırma pratik kaygılar olmayı sürdürüyor
- Özet
Moonshot, K2 Thinking'in akıl yürütme, web tarama ve yazılım mühendisliğini kapsayan çeşitli zorlu değerlendirmelerde önde gelen kapalı sistemlerden daha iyi performans gösterdiğini söylüyor. Kodlama sonuçları arasında SWE Bench Verified'da yüzde 71,3 ve LiveCodeBench v6'da yüzde 83,1 bulunuyor. Bu sürüm, açık ağırlıklı bir modeli birçok alanda en güçlü sistemler arasına taşıyor; ancak bazı görevlerde en iyi tescilli modeller hâlâ daha başarılı.
K2 Thinking'e Kimi.com ve Moonshot'ın platformu üzerinden erişilebiliyor; modeli kendi bünyesinde çalıştırmak isteyen kuruluşlar indirilebilir ağırlıklarını da edinebiliyor. Değiştirilmiş MIT Lisansı ticari kullanıma izin veriyor ve çok büyük ölçekli dağıtımlarda sınırlı bir atıf şartı getiriyor. Açık ağırlık, modelin eğitimle öğrendiği parametrelerin başkaları tarafından indirilip çalıştırılabilmesi demek. Bu, geliştiricilere yalnızca bir sağlayıcı üzerinden kapalı modele erişmekten farklı bir denetim düzeyi sunuyor.
Sistem, toplam bir trilyon parametreyi bir araya getiriyor; ürettiği her token için yaklaşık 32 milyar parametre etkinleşiyor. 256.000 tokenlık bağlam penceresini destekleyen model, Moonshot'a göre art arda 200 ila 300 araç çağrısını sürdürebiliyor. Bu özellikler, tek bir yanıt üretmekten ziyade modelin birçok adım boyunca arama, okuma, hesaplama, yazma ve sonuçları kontrol etmesini gerektiren işler için tasarlandı.
Bir trilyon parametre nasıl yönetilebilir hâle geliyor?
K2 Thinking, Uzmanların Karışımı (Mixture of Experts) adlı transformatör mimarisini kullanıyor. Parametreler, modelin eğitim sırasında öğrendiği sayısal değerlerdir. Uzmanların Karışımı sisteminde bir yönlendirici, tüm ağı etkinleştirmek yerine her tokenı uzman adı verilen az sayıda özel modüle yönlendiriyor.
Moonshot, K2 Thinking'in 61 katmana, 384 uzmana ve her token için seçilen sekiz uzmana sahip olduğunu belirtiyor. Teknik özellikler arasında 64 dikkat başlığı, 7.168 boyutlu gizli katman ve 160.000 sözcüklük bir dağarcık da bulunuyor. Dikkat mekanizması çok başlıklı gizil dikkat (multi head latent attention); model ayrıca SwiGLU aktivasyonunu kullanıyor. Bunlar, ağın bilgiyi nasıl işlediğini ve yanıt üretirken nasıl dönüştürdüğünü belirleyen teknik tercihler.
Her token için yaklaşık 32 milyar parametre etkinleşiyor; bu, belirtilen toplam bir trilyon parametrenin yaklaşık yüzde 3,2'si. Bu seçici hesaplama, her adımda bütün parametrelerin hesaplama yapmasını gerektirmeden geniş bir öğrenilmiş kapasite havuzundan yararlanmayı sağlıyor. Moonshot, bu mimariyi mevcut hızlandırıcılarda hesaplama yükünü yönetilebilir tutarken kapsamı ve akıl yürütme yeteneğini korumanın bir yolu olarak sunuyor.
256.000 tokenlık bağlam penceresi, modelin aynı anda ne kadar içerikle çalışabileceğini belirliyor. Tokenlar, sözcükler, sözcük parçaları ve noktalama işaretleri dâhil, modelin işlediği metin birimleridir. Geniş bir pencere, sistemin tekrarlanan eylemler boyunca bir planı izlerken uzun araştırma metinlerini veya kapsamlı kod projelerini bağlam içinde tutmasına olanak tanıyor. Yönlendirme sistemi, işlenen içeriğe göre hesaplamayı seçili uzmanlara odaklayarak işlem hacmini ve doğruluğu destekliyor.
Kompakt ağırlıklar çalışma maliyetlerini düşürüyor
Moonshot, K2 Thinking'i ağırlık depolama ve çıkarım için yerel olarak INT4 biçiminde çalışabilmesi amacıyla niceleme farkındalıklı yöntemlerle eğitti. Niceleme, sayısal değerleri daha yüksek hassasiyetli biçimlere kıyasla daha kompakt bir şekilde saklıyor. Bu kompakt gösterim göz önünde bulundurularak yapılan eğitim, modelin bu biçimde kullanıldığında kalitesini korumasına yardımcı oluyor.
Moonshot, daha yüksek hassasiyetli çalışmaya kıyasla kalite kaybının çok az olduğunu ve üretim hızının yaklaşık iki katına çıktığını bildiriyor. Açıklanan tüm kıyaslama puanları INT4 kullanılarak elde edildi. Daha düşük bellek gereksinimi ve daha hızlı üretim, şirketin modelin rekabetçi işletme maliyetlerine ilişkin açıklamasının bir parçası.
Topluluk test kullanıcıları, modeli üst düzey masaüstü sistemlerde çalıştırdıklarını bildiriyor. Moonshot, vLLM, SGLang ve KTransformers dâhil çeşitli motorları öneriyor. Bu motorlar modelin yüklenmesi ve yanıt üretimi gibi pratik işleri yürütüyor; dolayısıyla çıkarım yazılımı da bir dağıtımın hız ve bellek gereksinimlerini etkiliyor.
K2 Thinking, OpenAI ve Anthropic ile uyumlu API'leri de destekliyor. API, yazılımların modele istek gönderip yanıt aldığı arayüzdür. Uyumluluk, bu istek kalıplarını zaten kullanan geliştiricilerin entegrasyonunu kolaylaştırıyor. Topluluk paylaşımlarında, ayarlara bağlı olarak üst düzey masaüstü makinelerde saniyede onlarca ila yüzlerce token arasında üretim hızları bildiriliyor.
Kıyaslama avantajlarının öne çıktığı alanlar
Humanity's Last Exam, zor sorular üzerinden kapsamlı akıl yürütmeyi sınayan bir test. K2 Thinking, yalnızca metnin kullanıldığı düzende yüzde 23,9; araçların etkin olduğu düzende yüzde 44,9; yoğun düzende ise yüzde 51,0 puan bildiriyor. Farklı düzenler önemli; çünkü ek hesaplama gücü ve araçlara erişim, modelin yanıt üretirken yapabileceklerini değiştiriyor.
BrowseComp, modelin arama planı yapıp yapamadığını, sayfalarda gezindiğini, bağlantıları izleyip bulguları birleştirdiğini ve yanıtı doğruladığını değerlendiriyor. K2 Thinking'in yüzde 60,2'lik puanı, GPT 5 için bildirilen yüzde 54,9'dan 5,3 puan; Claude Sonnet 4.5'in yüzde 24,1'lik puanından ise 36,1 puan yüksek. Bu sonuç, web taramayı sürümde vurgulanan en belirgin sayısal avantajlardan biri hâline getiriyor.
Bildirilen diğer sonuçlar arasında Seal 0'da yüzde 56,3, Frames'te 87,0 ve FinSearchComp T3'te 47,4 puan bulunuyor. Seal 0 ve Frames, araç kullanımı sırasında bilgi toplama, planlama ve tutarlılığı değerlendiriyor. Bu testler BrowseComp ile birlikte Moonshot'ın K2 Thinking'i yalnızca sohbet için değil, uzun süreli araştırma ve eylem görevleri için tasarlanmış bir sistem olarak sunma nedenini ortaya koyuyor.
Matematik sonuçları, araç kullanılmadan AIME25'te yüzde 94,5 ve model Python çalıştırabildiğinde yüzde 99,1 puan içeriyor. Aradaki fark 4,6 puan. K2 Thinking, araçsız HMMT25'te yüzde 89,4; bilimsel bilgiyi ölçen GPQA Diamond'da ise yaklaşık yüzde 85 ila 86 puan bildiriyor. Bu kategorilerin çoğunda model, GPT 5'in puanına yetişiyor veya onu geçiyor.
Yüzlerce araç çağrısı neden önemli?
Moonshot'ın ajan davranışına ilişkin temel iddiası, K2 Thinking'in 200 ila 300 ardışık çağrı boyunca planlamayı ve yapılandırılmış araç kullanımını sürdürebilmesi. Araç çağrısı, web'de arama yapmak veya kod çalıştırmak gibi sıradan metin üretiminin dışındaki bir eylemdir. Uzun bir görevde, sistemin işi tamamlamak için yeterli bilgiye ulaşmadan önce bu tür çok sayıda eylem gerçekleştirmesi gerekebilir.
K2 Thinking, iç içe geçmiş akıl yürütme yöntemini kullanıyor: akıl yürütüyor, bir aracı çağırıyor, sonucu inceliyor ve planını güncelliyor. Geniş bağlam penceresi, bu süreç boyunca ilgili bilgilerin erişilebilir kalmasına yardımcı oluyor. Şeffaf akıl yürütme izleri de kullanıcıların ara adımları incelemesini ve görevin nasıl ilerlediğini görmesini sağlıyor.
Moonshot'ın gösterimleri arasında makalelerin okunmasını, formüllerin çıkarılmasını, Python çalıştırılmasını ve sonuçların doğrulanmasını gerektiren doktora düzeyinde bir matematik problemi de bulunuyor. Sistem, nihai çözümü üretmeden önce yirmiden fazla akıl yürütme ve araç adımını tamamladı. Bu örnek, zor bir yanıtın nasıl bir dizi arama ve hesaplamaya bağlı olabileceğini gösteriyor.
Bir başka gösterimde, oyuncu Jimmy Gary Jr.'ın kimliği belirlenip belirli bir filmdeki rolü doğrulandı. Model, birçok web sayfasında tekrar tekrar arama yaptı ve bilgileri kontrol etti. Bu görev, uzun araç zincirlerinin farklı bir kullanımını ortaya koyuyor: anında yanıt vermek yerine bilgileri toplayıp karşılaştırarak belirli bir olgusal soruyu yanıtlamak.
Kodlama sonuçları ve geliştiricilerin denediği projeler
SWE Bench Verified, bir modelin yazılım deposundaki bir hatayı okuyup düzeltme eki üretmesini ve testleri geçmesini değerlendiriyor. K2 Thinking, araçlarla yüzde 71,3 puan bildiriyor. Bu ölçüm, bir kodlama sorusunu yanıtlamaktan farklı bir iş türünü değerlendiriyor; çünkü sistemin mevcut yazılımda gezinmesi ve onunla uyumlu çalışan bir değişiklik yapması gerekiyor.
LiveCodeBench v6'da K2 Thinking'in bildirilen puanı yüzde 83,1; SWE Multilingual'daki puanı ise yüzde 61,1. Çok dilli sonuç, modelin kodlama performansına başka bir boyut ekliyor. Geniş bağlam penceresi kod içinde gezinmeyi destekleyebilirken INT4 çalışması, uzun geliştirme oturumlarındaki gecikmeleri azaltmayı amaçlıyor.
Topluluk gösterimlerinde, oyunlar ve kapsamlı web uygulamaları dâhil, tek bir istemle oluşturulan işlevsel projelerin ardından tekrarlanan araç çağrılarıyla yapılan düzeltmeler yer alıyor. Bildirilen örnekler arasında tek seferde üretilen, çalışan Space Invaders tarzı bir oyun; web sitesi tasarımları; ön uç bileşenleri ve dosya menülerine sahip masaüstü tarzı bir arayüz bulunuyor.
Deneyimli bir geliştirici forumu test kullanıcısı, adı belirtilmeden, tüketicilerin erişebileceği donanımlarda uzun araç zincirleri ve büyük istemler boyunca tutarlı bir davranış gözlemlediğini anlattı. Test kullanıcısı şunları söyledi:
Testlerimde, tutarlılığını kaybetmeden art arda 300'e kadar araç çağrısını yönetebildi. Bu, önceki modellere kıyasla büyük bir gelişme.
Aynı test kullanıcısı, yerel INT4 yolunun kaliteyi korurken hızı artırdığını bildirdi. Açıklamada ayrıca 256.000 tokenlık bağlam penceresinin büyük kod projelerindeki yararına, çok dilli kodlama gücüne ve ön uç görevlerindeki pratik kazanımlara değinildi. Bu deneyimler, geliştiricilerin modeli bildirilen kıyaslama sonuçlarının yanı sıra nasıl kullandığına dair ayrıntı sunuyor.
Erişim, lisans ve fiyat karşılaştırması
Moonshot, K2 Thinking'i Kimi.com üzerinden sohbet için ve Kimi Open Platform API aracılığıyla sunuyor. Modeli kendi sunucularında barındırmak isteyen ekipler ağırlıklara Kimi model deposundan ulaşabiliyor. Uygulamaları bağlamaya yönelik bilgiler Kimi platformu belgelerinde bulunuyor.
Değiştirilmiş MIT Lisansı ticari kullanıma izin veriyor ve çok büyük ölçekli dağıtımlarda sınırlı bir atıf şartı getiriyor. İndirilebilir ağırlıklar, kuruluşlara sistemin nerede çalışacağı, verileri nasıl işleyeceği ve uyumluluk gereksinimlerine nasıl uyarlanacağı konusunda denetim sağlıyor. Geliştiriciler, yalnızca tescilli bir sağlayıcının dağıtımına bağlı kalmadan ajan davranışını da deneyebiliyor.
Moonshot, önbellek isabetlerinde milyon token başına yaklaşık 0,15 dolar, önbellek isabeti olmayan girdilerde milyon token başına 0,60 dolar ve çıktı için milyon token başına 2,50 dolar fiyat belirtiyor. Önbellek isabeti, daha önce işlenmiş girdinin yeniden kullanılabilmesi; isabetsiz durumda ise girdinin bu olanaktan yararlanmadan işlenmesi demek. Çıktı tokenları, modelin ürettiği metni ifade ediyor.
GPT 5 için belirtilen fiyatlar, milyon girdi tokenı başına yaklaşık 1,25 dolar ve milyon çıktı tokenı başına 10 dolar. Bu rakamlara göre K2 Thinking'in çıktı ücreti GPT 5'in dörtte biri; önbellek isabeti olmayan girdilerdeki ücreti ise belirtilen GPT 5 girdi fiyatının yüzde 48'i. Moonshot, düşük işletme maliyetlerini yerel INT4 desteğine ve Uzmanların Karışımı yoluyla yapılan seçici hesaplamaya bağlıyor.
Kimi.com'un standart sohbet modu, daha hafif bir deneyim için sınırlı bir araç seti kullanıyor. Ajan modunun kullanıma sunulması tamamlanırken bu moddaki sonuçlar ajan kıyaslamalarından farklı olabilir. Tamamlanma tarihi açıklanmadı.
Çin'in laboratuvarları rekabeti hızlandırıyor
Kimi; DeepSeek, Qwen ve MiniMax ile birlikte giderek daha rekabetçi modeller yayımlayan Çinli yapay zekâ geliştiricileri arasında yer alıyor. MiniMax'ın daha önceki modeli, açık modeller için yüksek bir kıyaslama temposu ve daha düşük maliyetler açısından bir referans oluşturmuştu. K2 Thinking ise rekabeti uzun süreli akıl yürütme görevlerine ve ajan araçlarına taşıyor.
Açık modelleri ve ajan sistemlerini izleyen yapay zekâ araştırmacısı Nathan Lambert, sürümün önde gelen kapalı sistemler karşısındaki konumunu şöyle değerlendirdi:
Bu sürüm, açık modellerin performans bakımından kapalı modellerin ulaştığı sınıra en çok yaklaştığı örnek olarak görülüyor.
Lambert, Çin'deki laboratuvarların ve daha geniş açık model topluluğunun sürüm çıkarma hızına da dikkat çekti:
Açık modeller daha hızlı yayımlanıyor. Çinli laboratuvarlar modellerini Batılı laboratuvarlardan çok daha hızlı çıkarıyor.
Sürüme ilişkin değerlendirmelerde daha kısa geri bildirim döngüleri, sık sürüm çıkarılması ve test sırasında ölçeklendirme bu ilerlemenin parçaları olarak öne çıkıyor. Test sırasında ölçeklendirme, bir modelin yanıt üzerinde çalışırken kullandığı hesaplama gücünü artırmak; yalnızca eğitim sırasında öğrendiklerine dayanmasını beklememek anlamına geliyor. Bazı görevlerde en güçlü kapalı sistemler hâlâ daha başarılı.
K2 Thinking'in puanları, erişilebilirliği ve fiyatları bir araya getirmesi; tescilli sağlayıcıları kıyaslama performansının yanı sıra güvenilirlik, güvenlik araçları, kurumsal destek ve entegre ürünlerle de rekabet etmeye zorluyor. İşletmeler için cazibesi, dağıtım ve veriler üzerinde denetim sağlaması. Geliştiriciler içinse gelişmiş ajan davranışına belirtilen daha düşük token fiyatlarıyla erişebilmek.
Güvenilirlik ve barındırma pratik kaygılar olmayı sürdürüyor
Bazı kullanıcılar, çok uzun bağlamlarda ara sıra bilgi hatırlama performansının düştüğünü bildiriyor. Bir model büyük miktarda metni kabul etse de içindeki belirli ayrıntıları tutarlı biçimde bulmakta zorlanabilir. Kapsamlı belgeler veya kod depolarıyla çalışan kuruluşların, duyurulan pencere boyutunun yanı sıra bu davranışı da incelemesi gerekecek.
Kıyaslama karşılaştırmaları, izin verilen araç bütçelerine ve akıl yürütme tokenlarına ilişkin sınırlara da bağlı. Daha fazla arama, hesaplama veya düşünme süresi verilen bir sistem, daha azıyla çalışan bir sistemden farklı koşullarda işliyor. Sürümleri karşılaştırıp dağıtım seçerken sabit ayarlar ve tekrarlanabilir değerlendirmeler önemli olacak.
Yüzlerce araç çağrısı, barındırma açısından pratik gereksinimler doğuruyor. Görev ilerledikçe sağlayıcıların daha fazla durumu, ağ isteğini ve daha büyük günlükleri yönetmesi gerekiyor. Metin üretim hızı bu iş yükünün bir parçası; uzun bir eylem dizisini sürdürmek de ek işletim gereksinimleri yaratıyor.
Akıl yürütme izleri, ekiplerin ara adımları incelemesini sağlarken ne kadar kayıt tutulacağına ve hassas içeriğin ne zaman gizleneceğine ilişkin kararları da gerektiriyor. Kurumlar güvenlik araçlarını ve model sürümleri arasındaki kararlılığı da değerlendirecek. Açık ağırlıklar topluluğun hızla deney yapmasına imkân tanıyor; böylece hız, bellek kullanımı ve kalite arasında farklı dengeler kuran türevler ortaya çıkıyor.
Diller, konu alanları ve donanımlar arasında yapılacak testler, geliştiricilerin modelin en güçlü kullanım alanlarını belirlemesine yardımcı olacak. 7 Kasım itibarıyla K2 Thinking, rekabetçi olduğu bildirilen puanları uzun süreli araç kullanımı ve daha düşük fiyatlarla birleştiriyor; ancak modeli değerlendiren kuruluşlar için üretim ortamında test yapmak temel bir adım olmayı sürdürüyor.
Özet
- Moonshot AI'ın Kimi K2 Thinking modeli, ticari kullanıma izin veren Değiştirilmiş MIT Lisansı kapsamında Kimi.com, bir API ve indirilebilir ağırlıklar üzerinden sunuluyor.
- Model toplam bir trilyon parametreye, token başına etkinleşen yaklaşık 32 milyar parametreye ve 256.000 tokenlık bağlam penceresine sahip.
- Moonshot, yerel INT4 çalışmasıyla daha yüksek hassasiyetli çalışmaya kıyasla yaklaşık iki kat üretim hızı ve çok az kalite kaybı bildiriyor.
- BrowseComp puanları K2 Thinking için yüzde 60,2; GPT 5 için yüzde 54,9; Claude Sonnet 4.5 için yüzde 24,1.
- K2 Thinking, araçlarla Humanity's Last Exam'de yüzde 44,9; SWE Bench Verified'da yüzde 71,3 ve LiveCodeBench v6'da yüzde 83,1 puan bildiriyor.
- Sistem, kullanıcıların inceleyebileceği akıl yürütme izleriyle art arda 200 ila 300 araç çağrısı için tasarlandı.
- Belirtilen fiyatlar, önbelleğe alınmış bir milyon girdi tokenı için yaklaşık 0,15 dolar; önbellek isabeti olmayan girdi için 0,60 dolar ve çıktı için 2,50 dolar.
- Kimi, DeepSeek, Qwen ve MiniMax dâhil Çinli geliştiriciler sık sürüm çıkarma, daha yüksek puanlar ve düşük maliyetlerle rekabet ediyor.
- Uzun bağlamlarda bilgiyi hatırlama, tekrarlanabilir performans, güvenlik araçları ve uzun araç zincirlerinin gereksinimleri, dağıtım öncesi testlerde öncelikli konular olmayı sürdürüyor.






