Un nuovo protagonista entra in scena dalla Cina: Moonshot AI. Il suo modello Kimi K2, lanciato a luglio 2025, ha attirato l’attenzione globale per le sue prestazioni avanzate e l’approccio open-source. Tuttavia, nonostante le sue capacità tecniche, il modello non è riuscito a replicare il successo virale del suo predecessore, DeepSeek.
Kimi K2 è un modello linguistico di ultima generazione basato sull’architettura Mixture-of-Experts (MoE), con un totale di 1 trilione di parametri, di cui 32 miliardi attivi durante ogni inferenza. Questa progettazione consente al modello di gestire compiti complessi in modo efficiente, attivando solo una parte dei parametri necessari per ogni specifico compito. Allenato con l’ottimizzatore Muon, Kimi K2 ha ottenuto risultati notevoli in vari benchmark, tra cui una precisione del 65,8% nei test SWE-bench Verified, superando modelli open-source come DeepSeek V3 e Qwen 2.5.
Inoltre, Kimi K2 ha dimostrato capacità avanzate in compiti di programmazione, raggiungendo il 53,7% di precisione su LiveCodeBench e l’80,3% su EvalPlus, posizionandosi tra i migliori modelli open-source disponibili.
Nonostante le impressionanti specifiche tecniche, Kimi K2 non ha suscitato lo stesso entusiasmo virale che ha caratterizzato il lancio di DeepSeek. Ethan Mollick, professore alla Wharton School, ha osservato che la mancanza di un impatto immediato potrebbe essere dovuta al fatto che modelli come DeepSeek erano già sufficientemente buoni per la maggior parte degli utenti, riducendo la domanda per nuove alternative.
Inoltre, la comunità open-source ha visto un afflusso di modelli simili provenienti da altre aziende cinesi come Alibaba, Tencent e Baidu, creando una saturazione nel mercato e rendendo difficile per Kimi K2 distinguersi.
A differenza di molte controparti occidentali, Moonshot AI ha scelto di rendere Kimi K2 completamente open-source. Gli sviluppatori possono scaricare e utilizzare il modello gratuitamente tramite piattaforme come Hugging Face e GitHub, con la possibilità di eseguire inferenze localmente o tramite API a basso costo.
Questa strategia ha permesso a Kimi K2 di guadagnare rapidamente attenzione tra i ricercatori e gli sviluppatori, con un numero elevato di download nelle prime 24 ore dal lancio.