안녕하세요! 오늘은 요즘 주목받고 있는 대규모 언어 모델 Kimi K2를 소개해 드리겠습니다. 이 모델은 1조 개의 매개변수를 지닌 Mixture-of-Experts 구조로, 지식, 수학, 코딩 등 다양한 분야에서 뛰어난 성능을 보입니다. 웹 검색, 코드 편집, 데이터 분석 같은 복잡한 작업도 스스로 수행하는 에이전트형 AI로 무료로 공개되었을 뿐 아니라, MuonClip 최적화기를 통해 대규모 학습에서도 안정적인 성능을 유지하며, 여러 벤치마크에서 글로벌 최상위 모델들과 견줄 만큼 강력한 결과를 보여주고 있습니다. 이번 글에서는 Kimi K2의 주요 기능과 활용 사례, 실제 테스트 결과를 간략히 살펴보겠습니다.
1. Kimi K2 개요
Kimi K2는 최신 Mixture-of-Experts 모델로, 320억 개의 활성화된 매개변수와 총 1조 개의 매개변수를 자랑합니다. 이 모델은 현재 '비사고형(non-thinking) 모델' 중에서 프론티어 지식, 수학, 코딩 분야에서 최첨단 성능을 달성했습니다. 하지만 Kimi K2는 단순히 답변하는 것을 넘어, 에이전트 작업을 위해 최적화되어 있어 스스로 '행동'합니다.
Kimi K2는 이전보다 사용자에게 더 개방적이고 접근하기 쉬워졌습니다. Kimi-K2-Base는 연구자와 개발자가 미세 조정 및 맞춤형 솔루션을 위한 강력한 기반 모델로 활용할 수 있도록 오픈 소스화되었으며, Kimi-K2-Instruct는 즉시 사용 가능한 범용 채팅 및 에이전트 경험에 최적화된 후처리 모델입니다.
https://moonshotai.github.io/Kimi-K2/
Kimi K2: Open Agentic Intelligence
moonshotai.github.io
2. Kimi K2 특징 및 주요 기능
Kimi K2의 핵심은 그 뛰어난 에이전트 능력에 있습니다. 사용자가 도구를 제공하고 작업을 설명하기만 하면, Kimi K2는 도구 사용법을 자동으로 이해하고 작업을 완료합니다. 사용자가 복잡한 워크플로우를 직접 작성할 필요가 없습니다.
주요 기능 및 능력:
1) 다양한 에이전트 작업 수행:
- 급여 데이터 분석: 2020년부터 2025년까지의 급여 데이터를 사용하여 원격 근무 비율이 급여에 미치는 영향과 경험 수준별(EN / MI / SE / EX) 차이를 분석하는 등 복잡한 통계 분석을 수행하고 시각화합니다. 이 과정에서 Kimi K2는 여러 단계의 데이터 처리, 통계 분석, 그리고 시각화 작업을 16번의 IPython 호출을 통해 능동적으로 처리합니다.
- 웹사이트 생성: 스탠포드 NLP 계보를 탐색하고, 5번의 웹 검색, 4번의 브라우징, 3번의 클릭, 5번의 스크롤, 6번의 편집, 그리고 2번의 배포를 통해 대화형 사이트를 생성할 수 있습니다.
- 개인 비서 역할: Coldplay 2025 런던 투어 계획과 같은 복잡한 작업을 검색, 캘린더, Gmail, 항공편, Airbnb, 레스토랑 예약 등 17번의 원활한 도구 호출을 통해 완성합니다.
2) 명령줄 통합: Kimi K2는 사용자의 명령줄 환경을 이해하고, 파일을 편집하며, 명령을 실행하고, 작업을 원활하게 수행합니다.
- JavaScript Minecraft 개발 자동화: 렌더링을 관리하고, 테스트 케이스를 실행 및 디버그하며, 실패 시 로그를 캡처하고, 모든 테스트가 성공할 때까지 코드를 반복적으로 개선합니다.
- 데이터 분석 보고서 생성: Weights & Biases(wandb) 데이터 리더를 사용하여 언어 모델 실험에서 통찰력을 추출하고 세련된 분석 보고서를 생성합니다.
- 코드베이스 리팩터링 및 벤치마크: Flask 프로젝트를 Rust로 변환하는 것과 같이 코드베이스를 체계적으로 리팩터링하고 성능 벤치마크를 실행하여 강력한 결과를 보장합니다.
3) 향상된 에이전트 능력의 기원:
- 대규모 에이전트 데이터 합성: 자체 파이프라인을 개발하여 실제와 같은 도구 사용 시나리오를 대규모로 시뮬레이션합니다. 이 접근 방식은 수백 개의 도메인과 수천 개의 도구(실제 MCP 도구 및 합성 도구 포함)를 체계적으로 발전시킨 다음, 다양한 도구 세트를 가진 수백 개의 에이전트를 생성하고, 고품질 학습 데이터를 자동으로 생성합니다.
- 일반 강화 학습 (General Reinforcement Learning): 검증 가능한 보상과 검증 불가능한 보상을 모두 가진 작업에 RL을 적용하는 것이 핵심 과제입니다. Kimi K2의 일반 RL 시스템은 모델이 자체 비평가 역할을 하는 자가 판단 메커니즘을 사용하여 검증 불가능한 작업에 대해 확장 가능한 루브릭 기반 피드백을 제공합니다.
4) 혁신적인 최적화 기술 (MuonClip Optimizer):
- MuonClip 최적화기는 더 토큰 효율적인 지능을 생성하도록 설계되었습니다. 기존의 Muon 최적화기가 겪었던 어텐션 로짓 폭발로 인한 학습 불안정성 문제를 해결합니다.
- qk-clip 기술을 도입하여 쿼리 및 키 투영의 가중치 행렬을 직접 재조정함으로써 학습 안정성을 개선합니다. Kimi K2는 MuonClip을 사용하여 15.5조 개의 토큰으로 사전 학습되었으며, 단 1회의 학습 스파이크도 없이 안정적인 대규모 LLM 학습을 시연했습니다.
위 그래프는 대규모 언어 모델(LLM) 학습 중 손실 함수(loss)가 얼마나 안정적으로 감소했는지를 보여주는 학습 곡선입니다. 이 곡선은 모든 LLM 개발자가 꿈꾸는 손실 곡선이라고 합니다.
- X축: 학습에 사용된 토큰 수 (Trillion = 조 단위, 최대 15.5조 개 토큰 사용)
- Y축: 손실 값 (Loss, 낮을수록 성능이 좋아짐)
- 파란 선: 학습 중 측정된 손실 값 변화
5) 접근성:
- 현재 kimi.com에서 웹 및 모바일 사용자를 위해 무료로 Kimi K2 모델을 선택하여 사용할 수 있습니다.
- OpenAI/Anthropic 호환 인터페이스를 제공하는 API를 통해 기존 애플리케이션과의 쉬운 통합을 지원합니다.
- vLLM, SGLang, KTransformers, TensorRT-LLM 등 다양한 추론 엔진에서 자체 호스팅이 가능합니다.
제한 사항: 내부 테스트 결과, Kimi K2 모델에는 몇 가지 제한 사항이 확인되었습니다. 어려운 추론 작업이나 불분명한 도구 정의에 직면했을 때, 모델이 과도한 토큰을 생성하여 출력이 잘리거나 도구 호출이 불완전할 수 있습니다. 또한, 도구 사용을 활성화하면 특정 작업에서 성능이 저하될 수 있으며, 복잡한 소프트웨어 프로젝트를 구축할 때 에이전트 프레임워크 내에서 K2를 사용하는 것보다 원샷 프롬프팅이 성능 저하를 초래합니다.
3. Kimi K2 벤치마크 결과
Kimi K2는 다양한 벤치마크에서 인상적인 성능을 보여줍니다. 특히 Kimi-K2-Instruct 모델은 최신 오픈 소스 및 독점 모델과 동등하거나 이를 능가하는 성능을 발휘합니다. 이 모델은 지식 집약적이고 추론 기반 벤치마크에서 뛰어난 성과를 보이며, 자연어 이해, 수학 및 과학, 코드 생성, 그리고 에이전트 도구 사용 분야에서 탁월한 결과를 제공합니다. 아래는 주요 벤치마크 결과 중 일부입니다. 모든 모델은 '비사고형(non-thinking)' 모델로 평가되었습니다.
코딩 작업:
1) SWE-bench Verified (에이전트 코딩):
- 단일 시도 (정확도): 65.8%. Kimi K2는 bash/편집기 도구를 사용하여 65.8% pass@1을 달성합니다.
- 다중 시도 (정확도): 71.6%. 내부 스코어링 모델을 통해 여러 시퀀스를 샘플링하고 가장 좋은 것을 선택하여 71.6%를 달성합니다.
2) SWE-bench Multilingual (에이전트 코딩):
- 단일 시도 (정확도): 47.3%. 동일한 조건에서 47.3% pass@1을 달성합니다.
3) LiveCodeBench v6: 53.7 Pass@1.
4) OJBench: 27.1 Pass@1.
5) 도구 사용 작업:
- Tau2 retail: 70.6 Avg@4.
- AceBench: 76.5 Acc.
6) 수학 및 STEM 작업:
- AIME 2025: 49.5 Avg@64.
- GPQA-Diamond: 75.1 Avg@8.
Kimi K2는 또한 MMLU, MMLU-Redux, MMLU-Pro와 같은 일반 작업 벤치마크에서도 강력한 성능을 보여줍니다.
4. Kimi K2 성능 테스트
다음은 Kimi K2의 성능을 테스트해 보겠습니다. 테스트는 https://www.kimi.com 에서 진행하였습니다.
- 구면 내에서 튀는 100개의 노란색 공 생성 스크립트: Kimi K2는 천천히 회전하는 구 내에서 노란색 공이 머무르면서 충돌 감지를 처리하는 스크립트를 p5.js로 구현하는 데 성공하였습니다. 아래 링크에서 스크립트 실행결과를 보실수 있습니다.
write a script for 100 bouncing yellow balls within a sphere, make sure to handle collision detection properly. make the sphere slowly rotate. make sure balls stays within the sphere. implement it in p5.js
구면 내에서 100개의 튀는 노란색 공에 대한 스크립트를 작성해줘, 충돌 감지를 제대로 처리해야 해. 구가 천천히 회전하도록 해줘. 공이 구 안에 머무르도록 해줘. p5.js로 구현해줘
https://p5-drawing-app-rg3270.windsurf.build/
Yellow Ball Sketch
p5-drawing-app-rg3270.windsurf.build
- 3D 인터랙티브 태양계 애니메이션: 사용자가 자유롭게 확대, 축소, 회전하며 탐색할 수 있는 태양계를 만들고, 각 행성의 공전 애니메이션을 구현하도록 요청한 결과, Kimi K2는 마우스 컨트롤, 행성의 개수, 애니메이션 등 요구사항을 구현하지 못하였습니다. https://solar-system-demo.windsurf.build/에서 결과를 확인하실 수 있습니다.
요청 프롬프트
Create a single-page, interactive, fully 3D solar system exploration web app using pure HTML, CSS, SVG, and JavaScript, enhanced with WebGL
Real-time interactive Solar System animation with Sun and eight planets (Mercury, Venus, Earth, Mars, Jupiter, Saturn, Uranus, Neptune).
User should be able to smoothly navigate by zooming and rotating around the solar system. When a user zooms in or moves close to a planet, a simple informational popup appears automatically next to the planet displaying concise planet details (name, orbit, rotation period, moons, unique features).
No external textures/images allowed—use purely procedural shading, gradients, SVG-based visuals and animations, or fully procedural/WebGL shaders for visuals.
Maintain clean and optimized code for smooth performance.
Prioritize interactivity, visual appeal, smooth animations, and an intuitive user interface.
Additionally, implement planetary orbits with accurate relative speeds around the Sun, ensuring that each planet follows its elliptical trajectory at a speed proportional to its actual orbital period.- Rubik's 큐브 시뮬레이터: 크기 조정이 가능한 정육면체 큐브의 색을 섞은 후, 전체 면의 색을 다시 맞추는 시뮬레이터 구현에서는 Kimi K2는 큐브의 각 면을 생성하는 기본 기능과 회전 동작을 구현하지 못하였습니다.
3D Rubik's Cube 시뮬레이터 코드를 작성해 주세요. 다음 요구 사항을 충족해야 합니다:
*큐브 생성:
기본 크기는 3x3x3이지만, 사용자가 UI를 통해 1x1부터 9x9까지 크기를 조정할 수 있어야 합니다.
큐브는 각 면에 대해 표준 Rubik's Cube 색상(흰색, 노란색, 빨간색, 주황색, 초록색, 파란색)을 사용해야 합니다.
내부 큐비(보이지 않는 부분)는 렌더링하지 않아 성능을 최적화해야 합니다.
*큐브 회전:
표준 Rubik's Cube 표기법(U, D, L, R, F, B, 그리고 ', 2와 같은 수정자)을 지원해야 합니다.
특정 면을 회전할 때 부드러운 애니메이션(예: 0.15초 지속)이 적용되어야 합니다.
회전 중에는 다른 동작이 실행되지 않도록 잠금 메커니즘이 있어야 합니다.
*기능:
"Scramble" 버튼: 큐브를 무작위로 섞는 기능(최소 20~30개 무작위 동작).
"Solve" 버튼: 스크램블 동작을 역순으로 실행해 원래 상태로 복원.
카메라 컨트롤: 마우스 오른쪽 버튼으로 회전, 스크롤로 줌 인/아웃 가능.
*UI:
큐브 크기를 입력할 수 있는 텍스트 필드와 "Set" 버튼.
"Scramble", "Solve", "Reset View" 버튼을 포함한 패널.
입력 오류(예: 음수, 비숫자)에 대한 기본 예외 처리가 포함되어야 합니다.
*최적화 및 안정성:
부동소수점 오류를 피하기 위해 위치와 회전을 반올림 처리.
큰 큐브 크기(예: 9x9)에서도 실행 가능하도록 메모리와 렌더링 최적화.
*추가 요구 사항:
코드에 주석을 추가하여 주요 로직을 설명해 주세요.
실행 시 오류 없이 3D Rubik's Cube를 시뮬레이션할 수 있어야 합니다.
https://interactive-3d-cube-rg3270.windsurf.build/
3D Rubik's Cube 시뮬레이터
Rubik's Cube 크기: Set Scramble Solve Reset View 준비 완료 컨트롤: • 마우스 오른쪽 버튼: 카메라 회전 • 스크롤: 줌 인/아웃 • 회전 중에는 다른 동작이 잠깁니다
interactive-3d-cube-rg3270.windsurf.build
다음은 Kimi K2의 코딩, 수학, 추론 성능을 테스트해 보겠습니다. 코딩 성능은 코딩 교육 사이트 edabit.com의 Python, JavaScript, C++ 문제를 통해 테스트하고, 수학 문제는 기하학, 확률, 수열, 최적화, 복합 문제 등으로 구성된 6개의 문제를 사용했습니다. 모든 평가 항목은 재시도 없이 첫 번째 시도의 채점 결과를 그대로 반영하였습니다.
1) 코딩 테스트
| Kimi K2 | Medium | Hard | Very Hard | Expert |
| Python | Pass | Pass | Pass | Pass |
| JavaScript | Pass | Pass | Pass | Pass |
| C++ | Pass | Pass | Pass | Pass |
코딩 테스트 결과, Kimi K2는 Python, JavaScript, C++ 모든 난이도의 문제를 성공하였습니다.
2) 수학 테스트
Kimi K2 수학 테스트 답변 내용은 아래 링크를 클릭하시면 보실 수 있습니다.
https://www.kimi.com/share/d1r0o0rfj2jc9enkc050
Kimi - 会推理解析，能深度思考的AI助手
www.kimi.com
| No. | 문제 구분 | 문제 | Kimi K2 |
| 1 | 기초 대수 문제 | 두 숫자 𝑥 x와 𝑦 y가 있습니다. 이들이 만족하는 식은 3 𝑥 + 4 𝑦 = 12 3x+4y=12이며, 𝑥 − 2 𝑦 = 1 x−2y=1입니다. 𝑥 x와 𝑦 y의 값을 구하세요 | Pass |
| 2 | 기하학 문제 | 반지름이 7cm인 원의 넓이를 구하세요. 𝜋 = 3.14159 π=3.14159로 계산하세요. | Pass |
| 3 | 확률 문제 | 주사위를 두 번 던졌을 때, 두 숫자의 합이 7이 될 확률을 구하세요. | Pass |
| 4 | 수열 문제 | 첫 번째 항이 3이고, 공차가 5인 등차수열의 10번째 항을 구하세요. | Pass |
| 5 | 최적화 문제 | 어떤 직사각형의 둘레가 36cm입니다. 이 직사각형의 넓이를 최대화하려면 가로와 세로의 길이는 각각 얼마여야 하나요? | Pass |
| 6 | 복합 문제 | 복소평면에서 다음 극한값을 구하시오. lim[n→∞] (1 + i/n)^(n^2) 여기서 i는 허수단위 (i^2 = -1)입니다. | Pass |
수학 테스트에서 Kimi K2는 기초 대수, 기하학, 확률, 수열, 최적화, 복합문제 등 여섯 문제를 모두 성공하였습니다.
3) 추론 테스트
Kimi K2는 추론 성능 테스트 6문제 중 3문제만 성공하였습니다. 답변 내용은 아래 링크를 클릭하시면 보실 수 있습니다.
https://www.kimi.com/share/d1r13vnkgnultqv563i0
Kimi - 会推理解析，能深度思考的AI助手
www.kimi.com
| No. | 문제 | Kimi K2 |
| 1 | 5학년과 6학년 학생 160명이 나무 심기에 참가하였습니다. 6학년 학생들이 각각 평균5그루,5학년 학생들이 각각 평균 3그루씩 심은 결과 모두 560그루를 심었습니다. 나무심기에 참가한 5,6학년 학생은 각각 몇명일까요? |
Pass |
| 2 | 베티는 새 지갑을 위해 돈을 모으고 있습니다. 새 지갑의 가격은 $100입니다. 베티는 필요한 돈의 절반만 가지고 있습니다. 그녀의 부모는 그 목적을 위해 $15를 주기로 결정했고, 할아버지와 할머니는 그녀의 부모들의 두 배를 줍니다. 베티가 지갑을 사기 위해 더 얼마나 많은 돈이 필요한가요? | Pass |
| 3 | 전국 초등학생 수학경시대회가 열렸는데 영희,철수,진호 세사람이 참가했습니다. 그들은 서울,부산,인천에서 온 학생이고 각각 1등,2등,3등 상을 받았습니다. 다음과 같은 사항을 알고 있을때 진호는 어디에서 온 학생이고 몇등을 했습니까? 1) 영희는 서울의 선수가 아닙니다. 2) 철수는 부산의 선수가 아닙니다. 3)서울의 선수는 1등이 아닙니다. 4) 부산의 선수는 2등을 했습니다. 5)철수는 3등이 아닙니다. | Pass |
| 4 | 방 안에는 살인자가 세 명 있습니다. 어떤 사람이 방에 들어와 그중 한 명을 죽입니다. 아무도 방을 나가지 않습니다. 방에 남아 있는 살인자는 몇 명입니까? 단계별로 추론 과정을 설명하세요. | Fail |
| 5 | A marble is put in a glass. The glass is then turned upside down and put on a table. Then the glass is picked up and put in a microwave. Where's the marble? Explain your reasoning step by step. | Fail |
| 6 | 도로에 5대의 큰 버스가 차례로 세워져 있는데 각 차의 뒤에 모두 차의 목적지가 적혀져 있습니다. 기사들은 이 5대 차 중 2대는 A시로 가고, 나머지 3대는 B시로 간다는 사실을 알고 있지만 앞의 차의 목적지만 볼 수 있습니다. 안내원은 이 몇 분의 기사들이 모두 총명할 것으로 생각하고 그들의 차가 어느 도시로 가야 하는지 목적지를 알려 주지 않고 그들에게 맞혀 보라고 하였습니다. 먼저 세번째 기사에게 자신의 목적지를 맞혀 보라고 하였더니 그는 앞의 두 차에 붙여 놓은 표시를 보고 말하기를 "모르겠습니다." 라고 말하였습니다. 이것을 들은 두번째 기사도 곰곰히 생각해 보더니 "모르겠습니다." 라고 말하였습니다. 두명의 기사의 이야기를 들은 첫번째 기사는 곰곰히 생각하더니 자신의 목적지를 정확하게 말하였습니다. 첫번째 기사가 말한 목적지는 어디입니까? | Fail |
테스트 결과 Kimi K2는 기초 수학과 프로그래밍 언어 테스트에서는 우수한 성능을 보였지만, 추론 문제를 반 밖에 풀지 못하였으며, 3D 개체 및 애니메이션 생성 기능도 개선이 필요한것으로 보입니다.
5. 맺음말
Kimi K2는 오픈소스 모델임에도 불구하고, 복잡한 에이전트 작업을 능동적으로 수행하고, 뛰어난 벤치마크 결과와 실제 데이터 분석 사례에서 볼 수 있듯이, 지식, 수학, 코딩, 도구 사용 등 광범위한 영역에서 경쟁력있는 성능을 보여줍니다.
특히, 대규모 에이전트 데이터 합성 및 일반 강화 학습을 통해 강화된 에이전트 능력과 MuonClip 최적화기를 통한 안정적인 대규모 학습 능력은 Kimi K2를 혁신적인 모델로 만듭니다. 물론, 추론성능 부족과 시각적 이해 미지원, 때때로 과도한 토큰 생성이나 도구 사용 시 성능 저하와 같은 제한 사항도 존재합니다. 해외에서는 "제2의 DeepSeek 모멘트"라고 평가하는 의견도 있지만 제 생각엔 그렇게 센세이셔널한 성능은 아닌것 같습니다.
여러분도 한번 Kimi K2를 직접 경험해보시고 새로운 오픈소스 모델의 가능성을 확인해보시면 좋을것 같습니다. 그럼 저는 다음 시간에 더 유익한 정보를 가지고 다시 찾아뵙겠습니다. 감사합니다.
2024.12.29 - [AI 언어 모델] - 🐋DeepSeek-V3: o1-preview 따라잡은 현재 가장 강력한 오픈 소스 모델
🐋DeepSeek-V3: o1-preview 따라잡은 현재 가장 강력한 오픈 소스 모델
안녕하세요! 오늘은 DeepSeek-AI에서 개발한 최첨단 AI 모델 DeepSeek-V3에 대해 알아보겠습니다. DeepSeek-V3는 무려 6710억 개의 파라미터를 보유한 Mixture-of-Experts(MoE) 기반 언어 모델로, 인공지능 연구와
fornewchallenge.tistory.com
'AI 언어 모델' 카테고리의 다른 글
| Qwen3-235B-A22B-Instruct-2507: 오픈소스 초대형 언어 모델의 진화 (16) | 2025.07.24 |
|---|---|
| EXAONE 4.0 전격 분석: LG AI의 차세대 언어 모델, 어디까지 진화했나? (20) | 2025.07.19 |
| 🇰🇷🤖🕵️♂️솔라 프로 2: 업스테이지의 에이전트형 대규모 언어 모델 (14) | 2025.07.11 |
| 🇰🇷🤖SKT A.X 4.0: 국산 언어 모델의 새로운 기준을 제시하는 개방형 AI (21) | 2025.07.04 |
| 💨🧠✨🤖Magistral: 미스트랄 AI 최초의 추론 언어 모델 (12) | 2025.06.17 |
