/ Модель

Характеристики

Лицензия
Своя лицензия
Архитектура
kimi_k3 · dense
Базовая модель
Kimi-K3
Библиотека
transformers
Опубликована
30 июл 2026

Kimi-K3-pruned75

Генерация текстаТекст → текст3 профессии

Прореженная на 75% версия мультимодальной Kimi-K3 для запуска через vLLM и тестирования, с существенным падением точности на GSM8K.

617скачиваний за 30 дней1лайквеса обновлены30 июл 2026

Бенчмарки

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

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

Kimi-K3-pruned75 — версия модели Moonshot AI Kimi-K3, созданная автором репозитория mgoin удалением 75% маршрутизируемых экспертов без калибровочных данных. В каждом из 92 MoE-слоёв оставлено 224 из 896 экспертов; веса хранятся в формате safetensors. Репозиторий предназначен для запуска и оценки через vLLM, в частности для проверки загрузки и тестирования модели.

Модель принимает текст и изображения и генерирует текст; метаданные указывают задачи генерации текста и image-text-to-text. В README приведён тест GSM8K: точность составила 34,42% против 95,53% у исходной Kimi-K3 при одинаковых настройках теста, что показывает существенное ухудшение качества после такого прореживания. README не сообщает лицензионные условия, а метаданные обозначают лицензию как other; перед использованием следует проверить условия исходной модели и репозитория.

Сценарии применения

  • Проверка загрузки чекпойнта Kimi-K3 в vLLM
  • Эксперименты с прореживанием экспертов в MoE-моделях
  • Тестирование генерации ответов на текстовые запросы
  • Оценка качества модели на задачах рассуждения с GSM8K

Ограничения

В тесте GSM8K точность составила 34,42% против 95,53% у исходной модели. Прореживание выполнено без калибровочных данных; лицензионные условия репозитория обозначены как other и требуют проверки.

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

Kimi-K3-pruned75

This is a calibration-free, safetensors-only expert-pruned checkpoint derived from moonshotai/Kimi-K3. It removes 75% of the routed experts and is intended for vLLM serving and evaluation smoke tests while accurate calibration-based pruning, such as REAP support in llm-compressor, is under development.

This is an experimental prototype, not a REAP-pruned checkpoint. Expect a large quality regression relative to the source model.

Pruning

  • Source experts per MoE layer: 896
  • Retained experts per MoE layer: 224 (25% retained, 75% removed)
  • MoE layers: 92
  • Ranking: descending signed sum(router.weight[i]), independently per layer
  • Removed data: pruned expert tensors and their corresponding router rows
  • Router and expert indices were compacted, and the config was updated to 224 experts
  • Calibration data: none
  • Retained expert count is divisible by TP=4 (56 experts per rank)
  • Tensor payload: 475,131,719,168 bytes (442.50 GiB)
  • Indexed weights: 126,276 across 96 safetensors shards

pruning_manifest.json records the source hashes, exact per-layer expert remap, pruning method, and output statistics. The checkpoint was validated against every shard keyset and payload size, router and bias permutation, sampled expert tensors in all layers, and auxiliary-file hashes. Each retained 224-expert set is the exact prefix of the corresponding ranking used for mgoin/Kimi-K3-pruned50.

Validated vLLM run

The checkpoint loaded and served successfully with the default vLLM loader (no --load-format) on one node with four NVIDIA GB300 GPUs:

  • vLLM: 0.26.1rc1.dev142+g30b4e7f47
  • vLLM commit: 30b4e7f479674a9c4d8889d4857294d3bd5e6849
  • FlashInfer: 0.6.16rc5
  • Hardware: 4x NVIDIA GB300, 284208 MiB each
  • Parallelism: TP=4 on one node
  • Weight load time: 210.80 seconds
  • Model memory: 119.06 GiB per GPU
  • Available KV cache: 132.14 GiB per GPU
  • KV-cache capacity: 7,615,283 tokens
  • Steady GPU allocation: approximately 262.90 GiB per GPU
vllm serve mgoin/Kimi-K3-pruned75 \
  --served-model-name kimi-k3-pruned-75pct \
  --host 0.0.0.0 \
  --port 18082 \
  --tensor-parallel-size 4 \
  --trust-remote-code \
  --moe-backend auto \
  --gpu-memory-utilization 0.95 \
  --max-model-len 32768 \
  --kv-cache-dtype fp8 \
  --attention-backend FLASHINFER_MLA \
  --attention-config '{"mla_prefill_backend":"FLASHINFER","use_prefill_query_quantization":true}' \
  --enable-prefix-caching \
  --no-enable-flashinfer-autotune \
  --max-num-seqs 8 \
  --max-num-batched-tokens 8192 \
  --max-cudagraph-capture-size 8

The health endpoint returned HTTP 200 and an arithmetic smoke test passed. Kimi K3 latent-MoE tail fusion reported that TP=4 is unsupported and automatically used the default path; serving remained healthy.

GSM8K

The evaluation used vLLM's standalone GSM8K harness against the /v1/completions endpoint with the full test split:

.venv/bin/python tests/evals/gsm8k/gsm8k_eval.py \
  --host http://${HEAD_NODE} \
  --port 18082 \
  --num-questions 1319 \
  --num-shots 5 \
  --max-tokens 256 \
  --temperature 0 \
  --seed 42
CheckpointAccuracyCorrectInvalidLatencyQuestions/s
Kimi-K3-pruned7534.4200%454/13194/1319536.326 s2.459
Kimi-K3-pruned5068.2335%900/13193/1319481.863 s2.737
Source Kimi-K395.5269%1260/13191/1319530.362 s2.487

The pruned75 checkpoint regressed by 61.1069 percentage points relative to the source model and 33.8135 points relative to pruned50. All runs used the same 1,319-question test set, 5-shot prompt builder, 256-token limit, temperature, seed, vLLM checkout, and GB300 hardware.

License

This derivative is distributed under the upstream Kimi K3 License. See LICENSE in this repository.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
KimiK3ForConditionalGeneration
Ревизия весов
3c8e22f

0 моделей