模型
别名：kimi-k2
由Kimi开发的模型，采用first_k_dense策略。
已跟踪 2 条高相关材料
最近变化
2026-05-15 · DeepSeek V4采用hash routing替代first_k_dense策略
为什么值得关注
Kimi K2 被反复提及时，通常意味着它正在影响产品路线、开发者工作流或 AI 产业判断。这个页面把分散材料合并成一个可持续更新的观察入口。
DeepSeek V4的tid2eid是怎么来的？
科学空间 · 7.5 分
文章探讨了DeepSeek V4模型中tid2eid映射表的生成机制，分析了从MoE到Hash Routing的策略转变及其对负载均衡的影响。
Training Kimi K2 and Qwen3 30B-scale models efficiently requires more than standard data-parallel tr...
NVIDIA AI(@NVIDIAAI) · 7.2 分
NVIDIA Megatron Core新增对Muon、MOP、REKLS等高阶优化器的端到端支持，突破传统数据并行限制，显著提升Kimi K2与Qwen3等300亿参数模型在GB300/NVL72系统上的训练效率。
已收录 2 条与 Kimi K2 相关的内容，按评分排序。
The article explores the generation mechanism of the tid2eid mapping table in the DeepSeek V4 model.
入选理由：DeepSeek V4采用hash routing替代first_k_dense策略
NVIDIA Megatron Core now offers end-to-end support for advanced optimizers like Muon, MOP, and REKLS, overcoming limitations of standard data parallelism to significantly accelerate training of 30B-scale models such as Kimi K2 and Qwen3 on GB300 and NVL72 systems.
入选理由：传统数据并行已不足以高效训练30B+大模型，需引入高阶优化器。
