Kimi 供应商验证器

Moonshot AI:Kimi Blog·2026-01-22 00:00·215天前·Kimi
AI 导读

Kimi 发布 K2.5 模型时开源 Kimi Vendor Verifier(KVV),用于验证第三方推理实现的准确性。针对开源模型部署渠道多样化导致的质量失控问题,KVV 提供六项关键基准测试,覆盖参数约束验证、多模态流水线、长输出压力测试、工具调用一致性及编程能力评估。项目与 vLLM/SGLang 社区合作修复根因,并提供预发布验证和实时更新的公开排行榜。完整评估在双 H20 8 卡服务器上约需 15 小时。

Moonshot AI:Kimi Blog
精选

Kimi 供应商验证器

2026-01-22 00:00· 215天前· Kimi
AI 导读

Kimi 发布 K2.5 模型时开源 Kimi Vendor Verifier(KVV),用于验证第三方推理实现的准确性。针对开源模型部署渠道多样化导致的质量失控问题,KVV 提供六项关键基准测试,覆盖参数约束验证、多模态流水线、长输出压力测试、工具调用一致性及编程能力评估。项目与 vLLM/SGLang 社区合作修复根因,并提供预发布验证和实时更新的公开排行榜。完整评估在双 H20 8 卡服务器上约需 15 小时。

推荐理由

Kimi开源Vendor Verifier,系统性解决开源模型第三方部署质量验证难题

正文 · AI 翻译

伴随 Kimi K2.6 模型的发布,我们同步开源了 Kimi Vendor Verifier(KVV)项目,旨在帮助开源模型用户验证其推理实现的准确性。

这并非事后补救,而是因为我们从实践中深刻认识到:开源模型只是成功的一半,另一半在于确保它在任何地方都能正确运行。

官方评测结果

思考模式

非思考模式

基准测试指标温度TopP最大 Token 数Kimi API
OCRBench
准确率1.00.951638491.0
AIME2025
avg@321.00.959830498.4
MMMU Pro Vision
准确率1.00.956553678.8

您可以点击此处访问 Kimi API K2VV 评测结果,用于计算 F1 分数。

我们为何构建 KVV

从孤立事件到系统性问题

自 K2 Thinking 发布以来,我们频繁收到社区关于基准测试分数异常的反馈。经调查确认,相当一部分案例源于解码参数使用不当。为立即缓解此问题,我们在 API 层面构建了第一道防线:在思考模式下强制设定 Temperature=1.0 和 TopP=0.95,并强制验证思考内容是否正确回传。

然而,更细微的异常很快触发了我们的警报。在 LiveBenchmark 的一项特定评测中,我们观察到第三方 API 与官方 API 之间存在显著差异。经过对多家基础设施提供商的广泛测试,我们发现这种差异普遍存在。

这暴露了开源模型生态中一个更深层的问题:权重越开放,部署渠道越多样化,质量就越难以控制。

如果用户无法区分"模型能力缺陷"与"工程实现偏差",对开源生态的信任将不可避免地崩塌。

我们的解决方案

六项关键基准测试(精选以暴露特定基础设施故障):

  1. 预验证:验证 API 参数约束(temperature、top_p 等)是否被正确执行。所有测试必须通过,才能进入基准评测阶段。
  2. OCRBench:多模态管线的 5 分钟冒烟测试。
  3. MMMU Pro:通过测试多样化的视觉输入,验证视觉输入预处理。
  4. AIME2025:长输出压力测试。能够捕捉短基准测试所隐藏的 KV 缓存错误和量化精度下降问题。
  5. K2VV 工具调用:衡量触发一致性(F1 值)和 JSON Schema 准确性。工具错误会在智能体中累积放大;我们能够及早发现它们。
  6. SWE-Bench:完整的智能体编码测试。(由于沙箱依赖,未开源)

上游修复:我们与 vLLM/SGLang/KTransformers 社区合作,修复根本原因,而不仅仅是检测症状。

发布前验证:我们提供模型的早期访问测试,而不是等待部署后的用户投诉。这使得基础设施提供商能够在用户遇到问题之前验证其技术栈。

持续基准测试:我们将维护一个公开的供应商结果排行榜。这种透明度鼓励供应商优先考虑准确性。

测试成本估算

我们在两台 NVIDIA H20 8-GPU 服务器上完成了完整的评估工作流验证,顺序执行耗时约 15 小时。为提高评估效率,脚本已针对长时推理场景进行了优化,包括流式推理、自动重试和检查点恢复机制。

公开邀请

权重是开放的。正确运行它们的知识也必须开放。

我们正在扩大供应商覆盖范围,并寻求更轻量的智能体测试。联系我们:contact-kvv@kimi.com

来源:Moonshot AI:Kimi Blog· kimi.com