/ Модель

Характеристики

Размер весов
181 ГБ
Лицензия
Своя лицензия
Архитектура
kimi_k3 · dense
Базовая модель
Kimi-K3
Библиотека
mlx
Опубликована
1 авг 2026

Kimi-K3-mlx-reap160-2bit

Генерация текстаТекст → текст3 профессии

Сильно прореженная и квантованная до 2 бит сборка Kimi-K3 для генерации кода на Apple Silicon с 192 ГБ памяти.

1 356скачиваний за 30 дней2лайкавеса обновлены3 авг 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

Это сборка Kimi-K3 для MLX от mlx-community на основе moonshotai/Kimi-K3. Модель предназначена прежде всего для генерации кода на компьютерах Apple Silicon с 192 ГБ объединённой памяти: в ней оставлено 160 из 896 маршрутизируемых экспертов на слой, а веса квантованы до 2 бит с группой 128. Общий размер составляет около 2,78 трлн параметров, из которых активируется около 104 млрд; файлы занимают 181,2 ГБ.

Отбор экспертов выполнен методом REAP. По описанным проверкам модель загружается и генерирует текст, а пример генерации кода работает корректно. Сильное прореживание заметно ухудшает фактические знания: модель может зацикливаться на простых вопросах и хуже справляется с китайским. Автор рекомендует использовать более крупную сборку, если важны фактические ответы или китайский язык. Репозиторий распространяется по лицензии other; конкретные условия лицензии следует уточнять у правообладателя базовой модели.

Сценарии применения

  • генерация кода на компьютере Apple Silicon
  • автодополнение функций по фрагменту кода
  • создание простых алгоритмов на Python
  • эксперименты с запуском MoE-модели на локальном компьютере

Ограничения

Сильное прореживание экспертов ухудшает фактическое воспроизведение знаний: модель может повторяться и зацикливаться на простых вопросах. Качество генерации на китайском также снижено; для фактических ответов и китайского автор рекомендует более крупную сборку.

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 MLX: 160 experts, 2-bit (181 GB)

An MLX build of moonshotai/Kimi-K3 (2.78 T total, 104 B active) pruned to 160 of 896 routed experts per layer and quantized to 2-bit at group 128, so it runs resident on a 192 GB Apple Silicon machine. In short, about half the memory of the smallest previously published MLX tier.

Read this before downloading

This is a code-capable model with degraded factual recall. It is not a general-purpose K3.

Measured with greedy decoding, 40 new tokens:

promptoutputverdict
def merge_intervals(intervals):intervals = sorted(intervals, key=lambda x: x[0]) → merged = [] → for interval in intervals: → if not merged or merged[-1][1] < interval[0]:correct
The capital of France isthe capital of France is the capital of France is…fails
机器学习的基本原理是理解数据,从数据中学习,学习是,学习,学习… (starts coherently, then loops)degrades

If you need factual recall or Chinese, use a larger tier. If you want a K3 that writes code on a 192 GB Mac, this is the only build we know of that fits.

size181.2 GB (57 files)
experts160 of 896 kept per layer (82% pruned), 2-bit affine, group 128
shared expertsboth kept, never pruned
non-expertper-component: attention 6-bit, embeddings/router 8-bit
load time53 s
decode3.93 tok/s (measured on a CUDA node; Apple Silicon will differ)
routingtop-16 of 160 = 10.0% density (base 1.8%)

Why the factual recall is gone, precisely

A token's MoE output combines its top-k experts with gate weights renormalized to sum to 1, so the model cannot down-weight an expert it dislikes. With p_j = P(expert j is in a token's top-k), a kept set S serves Σ_{j∈S} p_j / top_k of the router's demand. We measured this on a 32k-token calibration set:

keptrandomAIMER (weight-only)REAP (this build)ideal
16017.9%22.3%51.7%54.3%
37642.0%48.2%77.5%79.6%

At 160 experts a token reaches ~8.3 of the 16 experts it wanted. That is enough for code and not for facts. Recovering full capability needs ~77% retained mass ≈ 376 experts ≈ 366 GB, which does not fit 192 GB at MLX's 2-bit floor. So this limitation is arithmetic, not a tuning failure.

Things we tried that did not help, so you don't repeat them:

  • Lower top_k (16 → 12 → 8 → 6): the France prompt loops identically at every value, and Chinese gets worse. The damage is missing knowledge, not misweighted survivors.
  • A weight-only criterion (AIMER): only 1.25× better than random. At 137 experts it retained 19.4% and every prompt looped.
  • Shared-basis + low-rank factorization (keep all 896 experts as W_base + A_jB_j): closed by measurement — the shared mean alone has 99.9% relative error and rank 256 still 86%. K3's experts do not share a basis.

Usage

# pip install mlx mlx-lm
# this repo bundles kimi_k3.py; register it with mlx_lm first:
#   cp kimi_k3.py $(python -c "import mlx_lm.models,os;print(os.path.dirname(mlx_lm.models.__file__))")/
from mlx_lm import load, generate
model, tokenizer = load("./Kimi-K3-mlx-reap160-2bit")
print(generate(model, tokenizer, "def merge_intervals(intervals):", max_tokens=128))

Raise the Metal wired limit — it defaults to ~75% of RAM, below this build:

sudo sysctl iogpu.wired_limit_mb=185000

What has and has not been checked

checkstatus
structural: config, shard index, module coveragedone
loads and generatesdone
code generationdone — correct
factual recalldone — fails
Chinesedone — degrades
perplexity / benchmarksnot done
Apple Silicon decode speednot done (3.93 tok/s measured on a CUDA node)

The prune plan and the REAP saliency ship with the weights, so the selection is auditable and the retained-mass numbers above are reproducible.

Attribution

Как запустить

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

GPU в ailist

Универсальный рантайм · mlx

Нельзя запустить

MLX-модели работают только на Apple Silicon.

Класс архитектуры
KimiK3ForConditionalGeneration
Ревизия весов
c008fe5

0 моделей