> For the complete documentation index, see [llms.txt](https://docs.clore.ai/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.clore.ai/guides/guides_v2-hi/language-models/kimi-k2.md).

# Kimi K2.5

Clore.ai GPUs पर Moonshot AI द्वारा Kimi K2.5 (1T MoE मल्टिमोडल) डिप्लॉय करें

Moonshot AI द्वारा 27 जनवरी 2026 को जारी Kimi K2.5 एक **1-ट्रिलियन पैरामीटर वाला Mixture-of-Experts बहु-मोडीय मॉडल** प्रति टोकन 32B सक्रिय पैरामीटरों के साथ। Kimi-K2-Base के ऊपर \~15 ट्रिलियन मिश्रित विज़ुअल और टेक्स्ट टोकनों पर सतत प्री-ट्रेनिंग के माध्यम से निर्मित, यह मूल रूप से टेक्स्ट, छवियों और वीडियो को समझता है। K2.5 प्रस्तुत करता है **एजेंट स्वॉर्म** तकनीक — एक साथ 100 तक विशेषीकृत AI एजेंटों का समन्वय करती है — और कोडिंग (76.8% SWE-bench Verified), विज़न और एजेंटिक कार्यों में अग्रणी-स्तर का प्रदर्शन हासिल करती है। एक के अंतर्गत उपलब्ध **ओपन-वेट लाइसेंस** HuggingFace पर।

## मुख्य विशेषताएँ

* **कुल 1T / 32B सक्रिय** — MLA अटेंशन और SwiGLU के साथ 384-विशेषज्ञ MoE आर्किटेक्चर
* **नेटिव मल्टीमोडल** — विज़न–भाषा टोकनों पर प्री-ट्रेंड; छवियाँ, वीडियो और टेक्स्ट समझता है
* **एजेंट स्वॉर्म** — गतिशील रूप से उत्पन्न एजेंटों के माध्यम से जटिल कार्यों को समानांतर उप-कार्यों में विभाजित करता है
* **256K संदर्भ विंडो** — पूरे कोडबेस, लंबे दस्तावेज़ और वीडियो ट्रांसक्रिप्ट संसाधित करें
* **हाइब्रिड रीजनिंग** — इंस्टेंट मोड (तेज़) और थिंकिंग मोड (गहन तर्क) दोनों का समर्थन करता है
* **मज़बूत कोडिंग** — 76.8% SWE-bench Verified, 73.0% SWE-bench Multilingual

## आवश्यकताएँ

Kimi K2.5 एक विशाल मॉडल है — FP8 चेकपॉइंट \~630GB का है। सेल्फ-होस्टिंग के लिए गंभीर हार्डवेयर की आवश्यकता होती है।

| घटक   | क्वांटाइज़्ड (GGUF Q2)  | FP8 पूर्ण     |
| ----- | ----------------------- | ------------- |
| GPU   | 1× RTX 4090 + 256GB RAM | 8× H200 141GB |
| VRAM  | 24GB + CPU ऑफलोड        | 1,128GB       |
| RAM   | 256GB+                  | 256GB         |
| डिस्क | 400GB SSD               | 700GB NVMe    |
| CUDA  | 12.8+                   | 12.8+         |

**Clore.ai अनुशंसा**: पूर्ण-सटीक सर्विंग के लिए, 8× H200 किराए पर लें ([bare metal](https://clore.ai/bare-metal)). क्वांटाइज़्ड स्थानीय इन्फेरेंस के लिए, एकल H100 80GB या यहाँ तक कि RTX 4090 + भारी CPU ऑफलोडिंग कम गति पर काम करता है.

## llama.cpp के साथ क्विक स्टार्ट (क्वांटाइज़्ड)

K2.5 को स्थानीय रूप से चलाने का सबसे सुलभ तरीका — Unsloth की GGUF क्वांटाइज़ेशन का उपयोग करके:

```bash
# llama.cpp को क्लोन और बिल्ड करें
git clone https://github.com/ggml-org/llama.cpp && cd llama.cpp
cmake -B build -DGGML_CUDA=ON && cmake --build build --config Release -j

# क्वांटाइज़्ड मॉडल डाउनलोड करें (Q2_K_XL — 375GB, गुणवत्ता/आकार का अच्छा संतुलन)
huggingface-cli download unsloth/Kimi-K2.5-GGUF \\
  Kimi-K2.5-UD-Q2_K_XL-00001-of-00005.gguf \\
  Kimi-K2.5-UD-Q2_K_XL-00002-of-00005.gguf \\
  Kimi-K2.5-UD-Q2_K_XL-00003-of-00005.gguf \\
  Kimi-K2.5-UD-Q2_K_XL-00004-of-00005.gguf \\
  Kimi-K2.5-UD-Q2_K_XL-00005-of-00005.gguf \\
  --local-dir ./models

# इन्फेरेंस चलाएँ (अपनी VRAM के अनुसार --n-gpu-layers समायोजित करें)
./build/bin/llama-server \
  -m ./models/Kimi-K2.5-UD-Q2_K_XL-00001-of-00005.gguf \\
  --n-gpu-layers 10 \\
  --threads 32 \\
  --ctx-size 16384 \\
  --host 0.0.0.0 --port 8080
```

> **नोट**: K2.5 के लिए GGUF/llama.cpp में विज़न अभी समर्थित नहीं है। बहु-मोडीय सुविधाओं के लिए vLLM का उपयोग करें.

## vLLM सेटअप (प्रोडक्शन — पूर्ण मॉडल)

पूर्ण बहु-मोडीय समर्थन के साथ प्रोडक्शन सर्विंग के लिए:

```bash
# vLLM नाइटली इंस्टॉल करें (K2.5 को नवीनतम संस्करण चाहिए)
pip install -U vllm --pre \\
  --extra-index-url https://wheels.vllm.ai/nightly/cu129 \\
  --extra-index-url https://download.pytorch.org/whl/cu128 \\
  --index-strategy unsafe-best-match
```

### 8× H200 GPU पर सर्व करें

```bash
vllm serve moonshotai/Kimi-K2.5 \\
  -tp 8 \\
  --mm-encoder-tp-mode data \\
  --tool-call-parser kimi_k2 \\
  --reasoning-parser kimi_k2 \\
  --trust-remote-code \
  --gpu-memory-utilization 0.90
```

### टेक्स्ट के साथ क्वेरी करें

```python
from openai import OpenAI

client = OpenAI(base_url="http://localhost:8000/v1", api_key="EMPTY")

response = client.chat.completions.create(
    model="moonshotai/Kimi-K2.5",
    messages=[
        {"role": "system", "content": "आप Kimi हैं, Moonshot AI द्वारा बनाया गया एक AI सहायक।"},
        {"role": "user", "content": "WebSocket समर्थन के साथ रीयल-टाइम चैट के लिए एक FastAPI सेवा लिखें"}
    ],
    temperature=0.6,
    max_tokens=4096
)
print(response.choices[0].message.content)
```

### छवि के साथ क्वेरी करें (बहु-मोडीय)

```python
from openai import OpenAI

client = OpenAI(base_url="http://localhost:8000/v1", api_key="EMPTY", timeout=3600)

response = client.chat.completions.create(
    model="moonshotai/Kimi-K2.5",
    messages=[{
        "role": "user",
        "content": [
            {
                "type": "image_url",
                "image_url": {"url": "https://example.com/diagram.png"}
            },
            {
                "type": "text",
                "text": "इस आरेख का विस्तार से वर्णन करें और सभी पाठ निकालें."
            }
        ]
    }],
    max_tokens=2048
)
print(response.choices[0].message.content)
```

## API एक्सेस (GPU की आवश्यकता नहीं)

यदि सेल्फ-होस्टिंग ज़रूरत से ज़्यादा हो, तो Moonshot का आधिकारिक API उपयोग करें:

```python
from openai import OpenAI

# Moonshot Platform — OpenAI-संगत API
client = OpenAI(
    api_key="your-moonshot-api-key",
    base_url="https://api.moonshot.ai/v1"
)

response = client.chat.completions.create(
    model="kimi-k2.5",
    messages=[
        {"role": "user", "content": "Kimi K2.5 में Agent Swarm आर्किटेक्चर समझाइए"}
    ],
    temperature=0.6,
    max_tokens=2048
)
print(response.choices[0].message.content)
```

## टूल कॉलिंग

K2.5 एजेंटिक टूल उपयोग में उत्कृष्ट है:

```python
import json
from openai import OpenAI

client = OpenAI(base_url="http://localhost:8000/v1", api_key="EMPTY")

tools = [{
    "type": "function",
    "function": {
        "name": "search_code",
        "description": "प्रासंगिक फ़ाइलों और फ़ंक्शनों के लिए कोडबेस खोजें",
        "parameters": {
            "type": "object",
            "required": ["query"],
            "properties": {
                "query": {"type": "string", "description": "खोज क्वेरी"}
            }
        }
    }
}]

response = client.chat.completions.create(
    model="moonshotai/Kimi-K2.5",
    messages=[{"role": "user", "content": "प्रोजेक्ट में प्रमाणीकरण-संबंधी सभी कोड खोजें"}],
    tools=tools,
    tool_choice="auto",
    temperature=0.6
)

for tool_call in response.choices[0].message.tool_calls:
    print(f"Function: {tool_call.function.name}")
    print(f"Args: {json.loads(tool_call.function.arguments)}")
```

## Docker त्वरित शुरुआत

```bash
# 8 GPU के साथ vLLM Docker का उपयोग
docker run --gpus all -p 8000:8000 \\
  --ipc=host \
  -v ~/.cache/huggingface:/root/.cache/huggingface \\
  vllm/vllm-openai:latest \
  --model moonshotai/Kimi-K2.5 \\
  --tensor-parallel-size 8 \\
  --mm-encoder-tp-mode data \\
  --tool-call-parser kimi_k2 \\
  --reasoning-parser kimi_k2 \\
  --trust-remote-code
```

## Clore.ai उपयोगकर्ताओं के लिए सुझाव

* **API बनाम सेल्फ-होस्टिंग का ट्रेड-ऑफ़**: पूर्ण K2.5 के लिए 8× H200 पर [bare metal](https://clore.ai/bare-metal). Moonshot का API फ़्री-टियर या पे-पर-टोकन है — अन्वेषण के लिए API का उपयोग करें, और निरंतर प्रोडक्शन लोड के लिए सेल्फ-होस्ट करें.
* **एकल GPU पर क्वांटाइज़्ड**: Unsloth GGUF Q2\_K\_XL (\~375GB) CPU ऑफलोडिंग के माध्यम से 256GB RAM के साथ RTX 4090 ($0.14–0.42/घंटा) पर चल सकता है — \~5–10 tok/s की अपेक्षा करें। व्यक्तिगत उपयोग और विकास के लिए पर्याप्त है.
* **बजट सेटअप के लिए केवल-टेक्स्ट K2**: यदि आपको विज़न की आवश्यकता नहीं है, `moonshotai/Kimi-K2-Instruct` यह केवल-टेक्स्ट पूर्ववर्ती है — वही 1T MoE, लेकिन डिप्लॉय करने में हल्का (विज़न एन्कोडर का ओवरहेड नहीं).
* **तापमान सही सेट करें**: उपयोग करें `temperature=0.6` इंस्टेंट मोड के लिए, `temperature=1.0` थिंकिंग मोड के लिए। गलत तापमान से पुनरावृत्ति या असंगति होती है.
* **थ्रूपुट के लिए एक्सपर्ट पैरेललिज़्म**: मल्टी-नोड सेटअप पर, उपयोग करें `--enable-expert-parallel` उच्च थ्रूपुट के लिए vLLM में। EP कॉन्फ़िगरेशन के लिए vLLM दस्तावेज़ देखें.

## समस्या निवारण

| समस्या                                 | समाधान                                                                                                 |
| -------------------------------------- | ------------------------------------------------------------------------------------------------------ |
| `OutOfMemoryError` पूर्ण मॉडल के साथ   | 8× H200 (कुल 1128GB) की आवश्यकता है। FP8 वज़न का उपयोग करें, सेट करें `--gpu-memory-utilization 0.90`. |
| GGUF इन्फेरेंस बहुत धीमा               | क्वांट आकार के लिए पर्याप्त RAM सुनिश्चित करें। Q2\_K\_XL को लगभग 375GB RAM+VRAM संयुक्त रूप से चाहिए. |
| llama.cpp में विज़न काम नहीं कर रहा    | K2.5 GGUF के लिए विज़न समर्थन अभी उपलब्ध नहीं है — बहु-मोडीय के लिए vLLM का उपयोग करें.                |
| दोहराव वाला आउटपुट                     | सेट करें `temperature=0.6` (तुरंत) या `1.0` (थिंकिंग). जोड़ें `min_p=0.01`.                            |
| मॉडल डाउनलोड होने में बहुत समय लगता है | \~630GB FP8 चेकपॉइंट। उपयोग करें `huggingface-cli download` के साथ `--resume-download`.                |
| टूल कॉल्स पार्स नहीं हुए               | जोड़ें `--tool-call-parser kimi_k2 --enable-auto-tool-choice` को vLLM सर्व कमांड में जोड़ें.           |

## अधिक पढ़ें

* [HuggingFace पर Kimi K2.5](https://huggingface.co/moonshotai/Kimi-K2.5)
* [Kimi K2.5 तकनीकी ब्लॉग](https://www.kimi.com/blog/kimi-k2-5.html)
* [Kimi K2.5 शोध-पत्र](https://arxiv.org/abs/2602.02276)
* [vLLM K2.5 रेसिपी](https://docs.vllm.ai/projects/recipes/en/latest/moonshotai/Kimi-K2.5.html)
* [Unsloth GGUF क्वांटाइज़ेशन](https://huggingface.co/unsloth/Kimi-K2.5-GGUF)
* [Moonshot API प्लेटफ़ॉर्म](https://platform.moonshot.ai)
* [Kimi K2 GitHub](https://github.com/MoonshotAI/Kimi-K2)


---

# Agent Instructions
This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com.

## Querying This Documentation
If you need additional information that is not directly available in this page, you can query the documentation by asking a question.

Perform an HTTP GET request on the following URL with the `ask` and `goal` query parameters:

```
GET https://docs.clore.ai/guides/guides_v2-hi/language-models/kimi-k2.md?ask=<question>&goal=<user_goal>
```

`ask` is the immediate question: it should be specific, self-contained, and written in natural language.
`goal` is what the user is ultimately trying to achieve, the reason they need the answer. Sharing it helps GitBook give you a better, more relevant answer. A goal is most helpful when it describes the outcome the user wants rather than restating the question. For example, with `ask=how do I create an API token`, a goal like `automate deployments from our CI pipeline` lets GitBook tailor the answer to that use case.

The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.