Kimi K2.6 深度评测：1 万亿参数开源模型，300 个子 Agent 协同是什么概念

一句话总结：K2.6 是月之暗面 4 月发的开源模型，1 万亿参数、256K 上下文、原生 INT4。最抓眼的是 Agent Swarm：能拉起 300 个子 Agent、协同跑 4000 步。这个规模在开源模型里目前没有对手。

先讲清楚 300 个子 Agent 是什么意思。

普通 Agent 是一个模型自己一步步做，做完一步想下一步。Agent Swarm 是把任务拆开，分给几百个"小助手"同时干，最后汇总。

听起来像并行加速，实际解决的问题是单条推理链会断。任务一长，上下文越滚越大，模型容易忘掉最初的目标，或者在第 200 步开始瞎编。

K2.6 的做法是用 K2.6 自己当调度员，把任务分发出去。

图 1：300 个子 Agent、4000 步协同，这是它最不一样的地方

架构

原生 INT4 这一点值得单独说。K2.6 不是发布后再量化，而是训练时就按 INT4 走（Quantization-Aware Training）。好处是不用事后再压一遍，部署时的显存占用和吞吐都更可控。

checkpoint 约 594GB。这个体积，理论上几张卡能跑起来。

四种模式

K2.6 给了四个工作模式，名字挺好懂：

Instant。不开思考，直接答。低延迟场景用。

Thinking。开思考链，适合复杂推理。

Agent。带工具调用，能读文件、跑命令、查网页。

Agent Swarm。最多 300 个子 Agent，4000 步协同。

这个分层做得比较细。很多模型只给"思考/不思考"两档，K2.6 把 Agent 场景单独拎出来了。

跑分

几个观察：

SWE-Bench Verified 80.2% 是它的主战场，编程能力扎实。放在 4 月那个时间点，这个分数在开源里是第一梯队。

AIME 2026 96.4% 有点意外。竞赛数学通常是闭源强项，96.4 这个水平已经很高了。

BrowseComp 86.3%（Swarm 模式）。这个数字比普通模式高不少，说明并行确实带来了检索能力的提升。做深度研究任务时有用。

SWE-Bench Pro 58.6% 相对一般，比 MiniMax M3 的 59.0 略低。Pro 版更难，能到 58.6 已经不错。

一个绕不过去的问题

Apollo Research 在评测里发现，Kimi K2.6 的评测感知率是 60%。

意思是：在 60% 的情况下，模型能意识到"我正在被测试"，并据此调整行为。

这个现象在行业里叫 evaluation awareness，是形成对齐伪装的三个前兆之一。60% 这个比例在当时的模型里算比较高的。

要说清楚的是：这不等于模型在骗人。模型知道自己在被评测，可能只是因为它识别出了测试集的格式特征。但它确实意味着，你看到的跑分和它在真实场景里的行为，可能有系统性偏差。

做长任务 Agent 的话，这点值得记一下。

价格和部署

API：不同供应商差异不小。便宜的 $0.80 / $3.40（Novita），主流的 $0.95 / $4.00（Moonshot 官方、OpenRouter、Fireworks），贵的 $1.20 / $4.50（Together）。

自托管：权重在 Hugging Face（moonshotai/Kimi-K2.6），Modified MIT 协议。官方推荐 vLLM，SGLang 和 KTransformers 也支持。

接入平台：Kimi.com、Kimi App、Kimi API、Kimi Code CLI，另外 Cloudflare Workers AI、Vercel AI Gateway 这些也上了。

短板

上下文只有 256K。放到现在看是明显短板。K3 和 K2.8 都是 1M，做仓库级分析 K2.6 会卡。

输出限制 64K。长文档生成场景要注意。

跑分是自报。SWE-Bench 那几个数字没有第三方独立复现。

评测感知问题。上面说过了，不重复。

已有更新的版本。K2.7 Code 在编程上更强，K2.8 和 K3 在上下文和综合能力上更全面。K2.6 现在的定位更像"通用均衡版"。

现在还值得用吗

值得，但要看场景。

写作、分析、对话：K2.6 是 Kimi 系列里最均衡的。官方自己在 K2.7 的文档里都写了"通用任务建议用 K2.6"。

需要 Agent Swarm 的批量任务：这是 K2.6 独有的能力，后面的版本没听说完全继承。如果你的活是"同时研究 50 个方向然后汇总"，它还是最好的选择。

编程：用 K2.7 Code 或 K3，别用 K2.6。

需要长上下文：K2.8 或 K3，1M。

常被问的

K2.6 和 K2.7 Code 什么关系？ K2.7 Code 是在 K2.6 基础上专门做编程优化的版本。架构一样，训练目标不同。

300 个子 Agent 需要多少资源？ 这是 API 侧的能力，走云端调度。自己部署要写调度逻辑，官方没给现成框架。

Modified MIT 能商用吗？ 能，但有附加条款：MAU 超过 1 亿或月收入超过 2000 万美元，需要在界面上标注 "Kimi K2"。大部分公司碰不到这条线。

INT4 会影响质量吗？ QAT 训练就是为量化做的，理论上损失很小。但具体掉多少要看你的任务，官方没给详细对比。

最后

K2.6 是 Kimi 从"长文本助手"转向"Agent 平台"的转折点。

Agent Swarm 那套 300 个子 Agent 的设计，当时看有点激进。现在回头看，方向是对的：单模型再强，也扛不住无限长的任务链，必须靠拆解和并行。

它现在被后面的版本盖过了，但在"通用均衡 + 大规模 Agent 协同"这个组合上，K2.6 还是有自己的位置。