Kimi K2.5 — lokalny model AI od Moonshot AI
Autor: Jakub Rusinowski · Ostatnia aktualizacja:
Flagowy model MoE Moonshot AI o bilionie parametrów, z 384 ekspertami i unikalną architekturą Agent Swarm. Napędza funkcję Composer 2 w IDE Cursor. Prowadzi w wielu benchmarkach programistycznych i rozumowania, w tym 93,33% na AIME 2026 i najlepszy wynik Pass@1 na SWE-rebench. Przy 32B aktywnych parametrach na token samodzielny hosting wymaga infrastruktury centrum danych.
Warianty
Najmniejszy wariant Kimi K2.5 potrzebuje około 605 GB VRAM przy Q4_K_M — skwantyzowane wagi plus narzut frameworka, bez pamięci podręcznej KV.
| Model | VRAM przy Q4 | VRAM | Kontekst | Uruchom |
|---|---|---|---|---|
| Kimi K2.5 1T 1T | ~604.6 GB | 256,000 | ollama run kimi-k2-5 |
Pamięć to skwantyzowane wagi plus narzut przy Q4_K_M, liczone tym samym silnikiem co sprawdzarka GPU i VRAM.
Jak uruchomić Kimi K2.5 lokalnie
Zainstaluj Ollama, a potem pobierz tag.
ollama run kimi-k2-5Wybierz rozmiar powyżej, aby zobaczyć jego VRAM, szacowaną szybkość i polecenie instalacji.
Licencja
Weights are downloadable and commercial use is permitted, subject to the licence’s acceptable-use terms.
Dotyczy: Kimi K2.5 1TKimi K2.5 — najczęściej zadawane pytania
How much VRAM does Kimi K2.5 need?
Kimi K2.5 needs about 605 GB VRAM at Q4_K_M quantization for its smallest variant. Variants: Kimi K2.5 1T (605 GB, Q4_K_M). On Apple Silicon, unified memory counts toward this requirement.
Can I run Kimi K2.5 on an RTX 4090 (24 GB)?
Kimi K2.5's smallest variant needs about 605 GB, which exceeds a single RTX 4090 (24 GB). Use multiple GPUs, a higher-VRAM card, or Apple Silicon with large unified memory.
What quantization should I use for Kimi K2.5?
Q4_K_M is the best balance of quality and VRAM for Kimi K2.5 in most cases. Choose Q8_0 for near-lossless quality if you have spare VRAM, or smaller quants (Q3/Q2) only when memory is tight.
How do I run Kimi K2.5 with Ollama?
Kimi K2.5 has no local Ollama tag — the published tag is cloud-hosted, so running it sends your prompts to a hosted GPU rather than your own machine.