Kimi K2, K2 Thinking e K3 nel dettaglio: la serie di modelli di Moonshot AI spiegata

Chi si avvicina più a fondo alla serie di modelli di Moonshot AI si trova presto di fronte a una lunga serie di denominazioni: Kimi K2, Kimi K2 Thinking, K2.5, K2.6, K2.7 Code e infine K3. A differenza di molti fornitori occidentali, che raramente rendono pubbliche le versioni dei loro modelli, Moonshot AI pubblica per ogni versione principale report tecnici e i pesi dei modelli stessi, disponibili per il download. Per chi si interessa al settore immobiliare e finanziario vale la pena approfondire, perché dietro i numeri di versione si nascondono differenze concrete in termini di finestra di contesto, carico computazionale e capacità agentiche – e quindi anche nella domanda su a cosa serva davvero un modello nel lavoro quotidiano.

Dal modello di ricerca al peso massimo: la serie Kimi K2

Kimi K2: la base tecnica

La versione originale di Kimi K2 è stata presentata nel luglio 2025 e descritta in dettaglio in un report tecnico (“Kimi K2: Open Agentic Intelligence”). Dal punto di vista tecnico si tratta di un cosiddetto modello Mixture-of-Experts (MoE): invece di un’unica rete neurale costantemente attiva, il modello è composto da molte sottoreti specializzate (“esperti”), di cui per ogni richiesta viene effettivamente attivata solo una piccola parte. Per Kimi K2, secondo quanto dichiarato da Moonshot AI, si tratta in totale di circa 1.000 miliardi di parametri, di cui circa 32 miliardi vengono utilizzati attivamente per ogni singola richiesta. Il modello si distribuisce su 384 esperti, di cui 8 vengono selezionati in modo specifico per ogni sezione di testo, integrati da un esperto “condiviso” sempre attivo.

Questa struttura spiega perché Kimi K2, nonostante le sue dimensioni complessive enormi, possa essere gestito in modo relativamente economico: non è necessario elaborare l’intero insieme di parametri per ogni richiesta, ma solo una piccola parte selezionata. Secondo quanto dichiarato da Moonshot AI, il modello è stato addestrato con un metodo di ottimizzazione sviluppato appositamente (MuonClip), pensato per migliorare la stabilità dell’addestramento in modelli MoE di queste dimensioni. La versione base originale offriva una finestra di contesto di 128.000 token, mentre la versione Instruct (per dialoghi e istruzioni), pubblicata contemporaneamente, è stata ampliata a 256.000 token.

Kimi K2 Thinking: pensare e agire in un solo modello

Nell’autunno 2025, secondo notizie concordanti diffuse a novembre 2025, Moonshot AI ha presentato con “Kimi K2 Thinking” una variante che integra un ragionamento approfondito e articolato su più fasi prima della risposta effettiva, potendo già durante il processo di ragionamento richiamare strumenti (ad esempio una ricerca sul web o una calcolatrice). Secondo i dati di benchmark disponibili, il modello ha raggiunto sul noto test di programmazione “SWE-Bench Verified” un punteggio di circa il 71%, riuscendo in scenari di test a eseguire autonomamente diverse centinaia di chiamate a strumenti consecutive per risolvere compiti complessi e di lunga durata. Con questo modello Moonshot AI si è posizionata in modo mirato nell’ambito dei cosiddetti modelli agentici, che non si limitano a rispondere, ma pianificano ed eseguono autonomamente compiti articolati su più fasi.

Lo sviluppo nel 2026: K2.5, K2.6 e K3

Nel corso del 2026 Moonshot AI ha pubblicato diversi ulteriori aggiornamenti. Secondo fonti concordanti, ma non sempre uniformi, sono apparsi K2.5 e, ad aprile 2026, K2.6, con una finestra di contesto ampliata a 256.000 token e capacità di programmazione migliorate, seguiti da una variante specializzata nei compiti di programmazione chiamata K2.7 Code. Nel luglio 2026 è arrivato infine Kimi K3, che secondo il produttore si presenta con una finestra di contesto ampliata a circa 1 milione di token e un’elaborazione delle immagini nativa (vision) – secondo Moonshot AI quattro volte più grande della finestra di contesto di K2.6. Sulla dimensione esatta dei parametri di K3 circolano in varie fonti dati differenti (in alcuni casi nell’ordine di circa 2.000-3.000 miliardi di parametri totali); al momento non è possibile confermare con assoluta certezza una cifra unica e ufficialmente definitiva, motivo per cui qui si parla deliberatamente di un ordine di grandezza piuttosto che di una cifra esatta.

Cosa rende i modelli Kimi particolari dal punto di vista tecnico e strategico?

Pesi aperti con condizione commerciale

Moonshot AI pubblica i pesi dei modelli di K2 e dei successori con una licenza MIT modificata, formulata autonomamente. Si tratta essenzialmente di una licenza open source molto permissiva, che consente anche l’uso commerciale. Una particolarità: chi gestisce un prodotto o un servizio basato sui modelli con più di 100 milioni di utenti attivi al mese o più di 20 milioni di dollari statunitensi di fatturato mensile deve mostrare in modo visibile l’indicazione “Kimi K2” nella propria interfaccia. Per la grande maggioranza dei casi d’uso piccoli e medi – anche nel settore immobiliare – questa clausola praticamente non si applica, ma dimostra che “aperto”, per Kimi, non è un concetto del tutto incondizionato.

Capacità agentiche e finestra di contesto ampia

Il focus strategico dei modelli Kimi è chiaramente rivolto alle cosiddette capacità agentiche: la possibilità di gestire autonomamente compiti articolati su più fasi con uso di strumenti, accesso al web ed esecuzione di codice, invece di limitarsi a rispondere a singole domande. In combinazione con una finestra di contesto molto ampia – circa un milione di token nel caso di K3 – è possibile elaborare in un solo passaggio raccolte di documenti molto estese, ad esempio diverse centinaia di pagine di documentazione contrattuale o un’ampia raccolta di documenti relativi a un immobile.

Nota bene: la finestra di contesto ampia consente di leggere moltissimi documenti contemporaneamente, ma questo non sostituisce un controllo attento dell’output, perché anche una finestra di contesto ampia non protegge da errori o omissioni nel risultato.

Esempi pratici di utilizzo

1. Riepilogo automatizzato di grandi archivi di documenti

Un addetto di un’amministrazione di condominio potrebbe far leggere tramite API diverse centinaia di rendiconti delle spese condominiali o verbali di assemblee condominiali in un unico passaggio, per far evidenziare automaticamente le anomalie – ad esempio voci di costo inusualmente elevate. La grande finestra di contesto di K2.6 o K3 rende ciò tecnicamente possibile senza dover prima suddividere i documenti in molti piccoli segmenti.

2. Bozza e layout di un annuncio immobiliare

Nella modalità agente, un agente immobiliare può far creare una prima versione, su più pagine, di un annuncio immobiliare, comprensiva di una semplice presentazione web, che viene poi verificata manualmente dal punto di vista redazionale e confrontata con i dati reali e giuridicamente vincolanti dell’immobile.

3. Supporto alla programmazione per strumenti interni

Poiché i modelli Kimi ottengono risultati particolarmente buoni nei benchmark relativi a compiti di programmazione, alcuni reparti IT di aziende immobiliari utilizzano Kimi come supporto per la creazione di piccoli script di automazione interni, ad esempio per il confronto tra elenchi di affitti tra due diversi sistemi software.

4. Ricerca e osservazione del mercato

Grazie alla funzione di navigazione web della modalità agente, un modello può essere impiegato per il monitoraggio continuo di dati di mercato pubblicamente disponibili, ad esempio per riassumere l’andamento dei tassi di interesse o report generalmente accessibili sul mercato immobiliare – è importante, in questo caso, lavorare esclusivamente con fonti pubbliche e non riferite a persone.

5. Comunicazione multilingue

Nel caso di portafogli immobiliari internazionali, un addetto finanziario può utilizzare Kimi per tradurre lettere standard o riepiloghi tra più lingue – anche in questo caso valgono tuttavia le limitazioni descritte in precedenza riguardo ai contenuti con dati personali.

Nota bene: quanto maggiore è la quantità di dati che un modello elabora in un unico passaggio, tanto più importante diventa la domanda su dove si trovino esattamente questi dati durante l’elaborazione – prestazioni e protezione dei dati sono due questioni separate, ed entrambe devono trovare una risposta.

FAQ sui modelli Kimi

Qual è la differenza tra Kimi K2 e Kimi K2 Thinking?

Kimi K2 è il modello base originale, Kimi K2 Thinking è una variante presentata a novembre 2025 che integra, prima della risposta, un ragionamento più approfondito e articolato su più fasi con uso di strumenti, ottenendo così risultati migliori nei compiti complessi.

Quanto è ampia la finestra di contesto dei modelli attuali?

I modelli della serie K2 offrono generalmente un contesto di 256.000 token, mentre per Kimi K3, presentato nel luglio 2026, viene indicata una finestra di circa un milione di token.

I modelli Kimi sono davvero open source?

I pesi dei modelli sono liberamente accessibili e pubblicati con una licenza MIT modificata e molto permissiva. Una particolarità è l’obbligo di attribuzione per applicazioni commerciali di grandi dimensioni (oltre 100 milioni di utenti o 20 milioni di dollari statunitensi di fatturato mensile).

I modelli sono adatti a compiti di programmazione?

Sì, la serie Kimi K2, e in particolare la variante specializzata K2.7 Code, ottiene risultati comparativamente forti nei benchmark pubblici di programmazione e viene spesso utilizzata per agenti di coding.

Posso eseguire i modelli autonomamente, invece di usare il sito Kimi?

Sì, poiché i pesi vengono pubblicati apertamente, possono essere eseguiti tramite diversi fornitori cloud o su hardware proprio. Questo richiede però competenze tecniche specialistiche e una capacità di calcolo sufficiente, trattandosi di modelli molto grandi.

Informazioni di base sull’azienda Moonshot AI, sui prezzi e sulla protezione dei dati sono disponibili sulla nostra pagina dedicata al fornitore. Un confronto di tutti i dieci fornitori di IA nel cluster è disponibile nella pagina panoramica.