/ Модель

Характеристики

Контекст
131 072 токена
Параметры
32 млрд
Размер весов
65,5 ГБ
Лицензия
Apache 2.0
Архитектура
qwen2 · dense
Базовая модель
Qwen2.5-32B
Библиотека
transformers
Опубликована
8 сен 2025

K2-Think

Генерация текстаТекст → текст3 профессии

K2-Think — дообученная 32-миллиардная языковая модель для генерации текста и решения задач, требующих математических рассуждений.

218скачиваний за 30 дней369лайковвеса обновлены19 ноя 2025

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

K2-Think — плотная языковая модель с 32 млрд параметров, дообученная на базе Qwen/Qwen2.5-32B и опубликованная IFM. Она предназначена для генерации текста и диалогов с упором на рассуждения и решение сложных математических задач; в карточке приведены результаты на AIME 2024, AIME 2025 и HMMT 2025. Модель принимает текстовые запросы и формирует текстовые ответы, поддерживает контекст до 131 072 токенов и рассчитана на английский язык.

Модель доступна в формате Safetensors и используется через Transformers. Разработчики сообщают о развёртывании на Cerebras WSE с ускорением инференса, но это не характеристика весов, необходимая для обычного запуска. Как и другие большие языковые модели, K2-Think может выдавать неточные, вводящие в заблуждение или предвзятые ответы. Лицензия в метаданных — Apache-2.0; карточка также запрещает незаконное и вредоносное использование и предоставляет модель без гарантий.

Сценарии применения

  • решение олимпиадных задач по математике
  • пошаговый разбор математических задач
  • ответы на вопросы на английском языке
  • диалоговое взаимодействие с языковой моделью

Ограничения

Модель может генерировать неточные, вводящие в заблуждение или предвзятые ответы; в приведённой оценке безопасности отмечен сравнительно низкий показатель по кибербезопасности и защите данных. Разработчики не дают гарантий и запрещают незаконное и вредоносное использование.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

K2-Think: A Parameter-Efficient Reasoning System

📚 Paper - 📝 Code - 🏢 Project Page

K2-Think is a 32 billion parameter open-weights general reasoning model with strong performance in competitive mathematical problem solving.

Quickstart

Transformers

You can use K2-Think with Transformers. If you use transformers.pipeline, it will apply the chat template automatically. If you use model.generate directly, you need to apply the chat template mannually.

from transformers import pipeline
import torch

model_id =  "LLM360/K2-Think"

pipe = pipeline(
    "text-generation",
    model=model_id,
    torch_dtype="auto",
    device_map="auto",
)

messages = [
    {"role": "user", "content": "what is the next prime number after 2600?"},
]

outputs = pipe(
    messages,
    max_new_tokens=32768,
)
print(outputs[0]["generated_text"][-1])

Evaluation & Performance

Detailed evaluation results are reported in out Tech Report

Benchmarks (pass@1, average over 16 runs)

DomainBenchmarkK2-Think
MathAIME 202490.83
MathAIME 202581.24
MathHMMT 202573.75
MathOMNI-Math-HARD60.73
CodeLiveCodeBench v563.97
ScienceGPQA-Diamond71.08

Inference Speed

We deploy K2-THINK on Cerebras Wafer-Scale Engine (WSE) systems, leveraging the world’s largest processor and speculative decoding to achieve unprecedented inference speeds for our 32B reasoning system.

PlatformThroughput (tokens/sec)Example: 32k-token response (time)
Cerebras WSE (our deployment)~2,000~16 s
Typical Cloud Service setup~200~160 s

Safety Evaluation

Aggregated across four safety dimensions (Safety-4):

AspectMacro-Avg
High-Risk Content Refusal0.83
Conversational Robustness0.89
Cybersecurity & Data Protection0.56
Jailbreak Resistance0.72
Safety-4 Macro (avg)0.75

Terms of Use

We have employed various techniques to reduce bias, harmful outputs, and other risks in the model. While these efforts help improve safety and reliability, the model, like all Large Language Models, may still generate inaccurate, misleading, biased, or otherwise undesirable content. By downloading, using, or interacting with this model, you acknowledge these limitations and agree to the following:

  1. Prohibited Uses

    • You may not use this model for any illegal, unlawful, or harmful activities, including but not limited to fraud, abuse, harassment, privacy violations, or the creation/dissemination of malicious content.
  2. User Responsibility

    • You are solely responsible for how you use the model and for any outcomes that result from its use.
    • The authors and institutions involved in releasing this model do not accept liability for any consequences arising from its use.
  3. No Warranty

    • The model is provided “as is” without any warranties or guarantees.

Citation

@misc{cheng2025k2thinkparameterefficientreasoning,
      title={K2-Think: A Parameter-Efficient Reasoning System}, 
      author={Zhoujun Cheng and Richard Fan and Shibo Hao and Taylor W. Killian and Haonan Li and Suqi Sun and Hector Ren and Alexander Moreno and Daqian Zhang and Tianjun Zhong and Yuxin Xiong and Yuanzhe Hu and Yutao Xie and Xudong Han and Yuqi Wang and Varad Pimpalkhute and Yonghao Zhuang and Aaryamonvikram Singh and Xuezhi Liang and Anze Xie and Jianshu She and Desai Fan and Chengqian Gao and Liqun Ma and Mikhail Yurochkin and John Maggs and Xuezhe Ma and Guowei He and Zhiting Hu and Zhengzhong Liu and Eric P. Xing},
      year={2025},
      eprint={2509.07604},
      archivePrefix={arXiv},
      primaryClass={cs.LG},
      url={https://arxiv.org/abs/2509.07604}, 
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2ForCausalLM
Ревизия весов
9e218ac

0 моделей