Moonshot AI veröffentlicht Kimi-K3.1-Pro-Gewichte auf Hugging Face
Moonshot AI hat die Gewichte des Modells Kimi K3.1 Pro auf Hugging Face veröffentlicht, doch der lokale Betrieb erfordert extrem leistungsstarke und teure Hardware.
Moonshot AI hat die Gewichte des Modells Kimi K3.1 Pro auf Hugging Face veröffentlicht. Für einen lokalen Betrieb ist allerdings eine erhebliche Investition nötig.
Das Modell umfasst 2,8 Billionen Parameter; allein die Gewichte beanspruchen nach vorliegenden Angaben etwa 1,56 TB.
Für den Betrieb kann ein Server mit acht NVIDIA B300 und insgesamt 2,3 TB Videospeicher verwendet werden.
Die Kosten für diese Hardware werden auf 550.000 bis 650.000 US-Dollar geschätzt.
Die offenen Gewichte sind damit verfügbar, die praktische Einstiegshürde für lokale Inferenz bleibt jedoch sehr hoch.
Warum das wichtig ist
AnalyseDie Veröffentlichung zeigt, dass Frontier-Modelle technisch offen sein können, für lokale Nutzer aber wegen GPU-Anforderungen und Kosten kaum erreichbar sind.
In der Community diskutieren
Teile deine Fragen und Erkenntnisse mit Entwicklern
Verwandt im Ökosystem
Praktische Leitfäden, Terminologie und Agenten-Skills
Einführung in Hugging Face und Transformer: Vom Start bis zur Architektur
Ein Schritt-für-Schritt-Leitfaden für alle, die verstehen möchten, wie moderne Sprachmodelle (BERT, GPT und andere) funktionieren, wie sie ausgeführt, genutzt und an eigene Aufgaben angepasst werden können – anhand der Transformers-Bibliothek und der Hugging-Face-Plattform.
Hugging Face Hub
Führende globale Plattform und offenes Repository für die KI-Community („GitHub für neuronale Netze“). Enthält Hunderttausende von offenen Modellen, Datensätzen und kostenlosen Web-Demos (Spaces) und unterstützt alle führenden KI-Frameworks.
Kimi K3.1 Pro: Moonshot aktualisiert Modell für 3D-Tooling
Moonshot hat Kimi K3.1 Pro veröffentlicht, mit Fokus auf 3D-Tooling, aktualisiertem Post-Training und einer Gated-DSA-Architektur für bessere Langkontext-Effizienz.
MIT-Forscher zeigen: LLM kann Gewichte von Modellen ohne Training lesen und verändern
MIT CSAIL stellte Weight-Space Programming vor: Astra las und änderte Gewichte von Qwen3.5-0.8B ohne Gradientenabstieg oder Feinabstimmung und verbesserte die Mathematik-Benchmarks.