Chuyển đến nội dung chính

Kimi K2: Hướng dẫn với sáu ví dụ thực tiễn

Tìm hiểu Kimi K2 của Moonshot là gì, cách truy cập và xem mô hình hoạt động qua sáu ví dụ bạn có thể áp dụng.
· 8 phút đọc

Khám phá cùng AI

AI mã nguồn mở lại đang gây chú ý: Moonshot AI vừa ra mắt Kimi K2, một mô hình ngôn ngữ Mixture-of-Experts (MoE) với 32 tỷ tham số được kích hoạt trong tổng số một nghìn tỷ tham số.

Trong bài viết này, tôi sẽ giải thích Kimi K2 là gì, cách truy cập, và hướng dẫn bạn qua các trường hợp sử dụng thực tế của Kimi K2. Chúng ta sẽ khám phá cách Kimi K2 có thể:

  • Tạo nội dung web có cấu trúc và phản hồi tốt
  • Tạo đầu ra đồ họa như SVG
  • Hỗ trợ trực quan hóa dữ liệu tương tác và phân tích thống kê
  • Mô phỏng các hiện tượng khoa học phức tạp
  • Phát triển trò chơi hấp dẫn
  • Lập kế hoạch hành trình chi tiết với các tính năng tương tác

Chúng tôi luôn cập nhật cho độc giả những tin tức mới nhất về AI qua The Median, bản tin miễn phí mỗi thứ Sáu tóm lược các câu chuyện đáng chú ý trong tuần. Đăng ký để luôn nắm bắt trong vài phút mỗi tuần:

Kimi K2 là gì?

Kimi K2 là một mô hình ngôn ngữ do Moonshot AI thiết kế, có 32 tỷ tham số được kích hoạt trong tổng khung 1 nghìn tỷ tham số. Kimi K2 được tối ưu cho các tác vụ mang tính đại lý (agentic). Mô hình được xây dựng để hành động, thực thi và suy luận qua các tác vụ phức tạp dựa trên công cụ. Tính đến cuối tháng 1 năm 2026, đã có một mô hình mới, Kimi K2.5.

Kimi K2 có hai biến thể:

  1. Kimi-K2-Base, mô hình nền tảng để tinh chỉnh theo nhu cầu; và
  2. Kimi-K2-Instruct, được tinh chỉnh cho trò chuyện đa dụng và thực thi tác vụ tự động.

Kimi K2 cho thấy kết quả benchmark đầy hứa hẹn, đặc biệt trong mã hóa mang tính đại lý và sử dụng công cụ:

điểm chuẩn kimi k2

Nguồn: Kimi K2

So với các mô hình mã nguồn mở khác như DeepSeek V3, Qwen 2.5 và LLaMA 4, Kimi K2 thường đạt điểm benchmark tốt hơn nhưng có thể cần kỹ thuật nhắc lệnh (prompt) cẩn thận để đạt kết quả tối ưu trong thực tế, thường thông qua tinh chỉnh lặp. Mô hình thậm chí còn được mô tả không chính thức là “DeepSeek V3 với ít head hơn và nhiều expert hơn” nhờ kiến trúc MoE định tuyến chuyên gia.

Dù hạ tầng API vẫn đang hoàn thiện và tài liệu có thể rõ ràng hơn, Kimi K2 nổi bật là một trong những lựa chọn tiết kiệm chi phí nhất hiện nay. Mô hình phù hợp với các nhà phát triển dày dạn quen với quy trình dựa trên LLM, còn người mới có thể gặp đường cong học tập dốc hơn.

Cách truy cập Kimi K2?

Bạn có thể truy cập Kimi K2 qua giao diện chat và API.

Kimi Chat

Bạn có thể dùng Kimi K2 qua giao diện Kimi Chat:

Tiếp theo, tôi sẽ giải thích cách thiết lập Kimi K2 qua API từng bước, nên bạn có thể chuyển thẳng đến phần ví dụ.

API Kimi K2

Bạn cũng có thể truy cập Kimi K2 qua endpoint API. Hiện có thể dùng miễn phí cho các truy vấn phổ thông trong một hạn mức nhất định trước khi chuyển sang tầng tính phí theo tín dụng.

Mức Free Tier trong Kimi K2

Cấp người dùng cho tầng tính phí theo tín dụng

Bạn sẽ cần một khóa API, có thể tạo từ Moonshot Developer Console. Hãy đi qua quy trình này từng bước.

Bước 1: Tạo khóa API

Cách truy cập Moonshot API để dùng mô hình Kimi K2 như sau:

  1. Đăng nhập Moonshot console bằng tài khoản Gmail của bạn.

Đăng nhập Moonshot console

  1. Nhấp Recharge trong thẻ thanh toán và thêm thông tin thẻ. Với hướng dẫn này, khoảng 5 USD là đủ. Bạn nhận thêm 5 USD dưới dạng voucher trên hóa đơn.
  2. Đi tới thẻ API Keys và nhấp Create API Key. Điền tên khóa API và dự án (ban đầu để mặc định), rồi lưu khóa API để dùng sau.

Tạo khóa API cho kimi k2

Bước 2: Thiết lập môi trường Python

Giờ hãy thiết lập môi trường cho các thử nghiệm cục bộ:

conda create -n kimi python=3.10
conda activate kimi

Đoạn mã này tạo và kích hoạt môi trường Python tên kimi.

Bước 3: Thiết lập biến toàn cục

Khuyến nghị xuất khóa API dưới dạng biến môi trường trong terminal của bạn hoặc lưu vào tệp .env. Cách lưu trong môi trường Python của bạn (trong ví dụ này là kimi) như sau:

export MOONSHOT_API_KEY="your_api_key"

Để kiểm tra API Moonshot đã được đặt đúng làm biến toàn cục trong môi trường của bạn chưa, chạy:

echo $MOONSHOT_API_KEY

Nếu bạn thấy giá trị khóa khi chạy lệnh trên, hãy tiếp tục; nếu không, trước tiên hãy đặt khóa làm biến toàn cục. Nếu bạn thiết lập khóa API trong tệp .env, hãy lưu như sau:

MOONSHOT_API_KEY=your_api_key

Giờ chúng ta sẵn sàng khám phá khả năng của Kimi K2.

Bước 4: Gọi API

Sau khi thiết lập khóa API, hãy thử một tác vụ chat cơ bản với mô hình Kimi K2.

from openai import OpenAI
import os
MOONSHOT_API_KEY = os.getenv("MOONSHOT_API_KEY", "your-moonshot-api-key")
client = OpenAI(
    api_key=MOONSHOT_API_KEY,
    base_url="https://api.moonshot.ai/v1"
)
def simple_chat(model_name: str):
    messages = [
        {"role": "system", "content": "You are Kimi, an AI assistant created by Moonshot AI."},
        {"role": "user", "content": "Explain LLM to a 5-year-old."}
    ]
    response = client.chat.completions.create(
        model=model_name,
        messages=messages,
        stream=False,
        temperature=0.6,
        max_tokens=256
    )
    print(response.choices[0].message.content)
simple_chat("kimi-k2-0711-preview")

Script Python trên thiết lập client API bằng khóa và endpoint đã cung cấp. Hàm simple_chat() gửi một prompt định sẵn tới mô hình Kimi (kimi-k2-0711-preview) theo định dạng chat với thông điệp hệ thống và người dùng, sau đó in phản hồi của trợ lý.

Đầu ra yêu cầu đầu tiên của người dùng

Ví dụ 1: Mô phỏng website

Tiếp theo, tôi sẽ chia sẻ trải nghiệm trực tiếp khi thử Kimi K2 trong nhiều kịch bản. Tôi bắt đầu bằng cách tạo một mô phỏng website đơn giản bằng giao diện chat của Kimi K2 với trình chỉnh sửa HTML tích hợp, cho phép xem trước mã HTML được tạo. Đây là prompt tôi dùng:

Prompt: Tạo một trang đích SaaS có nhiều tính năng

Kimi K2 mất nhiều thời gian hơn đáng kể (khoảng 5 phút) để tạo mã so với các mô hình tôi đã thử gần đây (như Grok 4 hoặc Gemini Diffusion). Tuy nhiên, dù có độ trễ ban đầu, đồ họa và các phần tử tương tác của ứng dụng thu được rất chính xác. Ngoài ra, Kimi K2 còn tận dụng khả năng agentic để tìm một ảnh miễn phí phù hợp từ Unsplash cho trang HTML.

Ví dụ 2: Tạo hình SVG

Tiếp theo, tôi thử tạo một vài hình SVG (Scalable Vector Graphics). Dù mô hình mất chút thời gian để trả về hình SVG tốt, cuối cùng kết quả khá ổn.

Prompt: Tạo một hình SVG về con bướm

Ban đầu, tôi yêu cầu mô hình tạo hình Rồng, và đầu ra chỉ là vài mảng bóng và màu sắc. Tuy nhiên, sau vài vòng lặp, mô hình đã tạo được hình con bướm khá tốt.

Tạo SVG với Kimi K2

Ví dụ 3: Phân tích dữ liệu kèm mô phỏng

Trong ví dụ này, tôi yêu cầu Kimi K2 phân tích một tập dữ liệu đơn giản và trình bày phát hiện qua một bảng điều khiển HTML. Đây là prompt tôi dùng:

Prompt: Tạo một bảng điều khiển HTML tương tác với giao diện hiện đại, mượt mà cho phép người dùng mô phỏng và trực quan hóa tác động của làm việc từ xa lên mức lương theo nhiều vai trò công việc, dựa trên tập dữ liệu ds_salaries.csv đã cung cấp.

Bảng điều khiển nên bao gồm các thành phần nâng cao sau:

1. Điều khiển mô phỏng động (Trình mô phỏng người dùng):

Thanh trượt phản hồi và ô nhập số để điều chỉnh:

Phần trăm phụ phí làm việc từ xa (%)

Hệ số theo hồ sơ công việc cụ thể

Lạm phát hoặc giảm phát lương cơ bản

Phản hồi theo thời gian thực về tác động của thay đổi đầu vào lên dữ liệu

Tooltip giải thích tác động của từng tham số

2. Biểu đồ tương tác và heatmap:

Biểu đồ tương tác Lương so với hồ sơ công việc × tỷ lệ làm từ xa

Tùy chọn chuyển giữa biểu đồ cột, đường hoặc heatmap

Làm nổi bật ngoại lệ hoặc tương tác có ý nghĩa thống kê

3. Thông tin thống kê theo thời gian thực:

Kết quả hồi quy trực tiếp (OLS, ANOVA)

Làm nổi bật p-value và ngưỡng ý nghĩa

Biểu đồ phần dư hoặc chẩn đoán mô hình (nếu khả thi)

4. Thiết kế giao diện hiện đại:

Thân thiện di động, không phụ thuộc thư viện, dùng HTML/CSS/JS thuần

Bố cục dạng thẻ, có phần thu gọn để rõ ràng

Hiệu ứng chuyển động mượt, chuyển cảnh, và chuyển chế độ tối/sáng

Đảm bảo toàn bộ đầu ra có thể sao chép-dán trong một tệp index.html duy nhất, không phụ thuộc bên ngoài. Bao gồm logic giả để tải CSV qua phần tử <input type="file">. Thêm: bảng xem trước CSV và tùy chọn tải xuống/xuất dữ liệu mô phỏng.

Trong thử nghiệm này với Kimi K2, mô hình đã chấp nhận và xử lý thành công tập dữ liệu tải lên, cập nhật chính xác các điều khiển mô phỏng dựa trên biến lấy từ dữ liệu. Giao diện người dùng hỗ trợ chuyển đổi chế độ tối/sáng, mang lại trải nghiệm thị giác mượt mà.

Tuy nhiên, đầu ra thiếu một số thành phần phân tích quan trọng. Không có biểu đồ tương tác, không có trực quan hóa heatmap, và không có thông tin thống kê thời gian thực như tóm tắt hồi quy hay kết quả ANOVA. Dù Kimi K2 xử lý tốt phần tạo cấu trúc và logic UI, hạn chế về suy luận thống kê và trực quan hóa tương tác bộc lộ rõ ở trường hợp này.

Ví dụ 4: Mô phỏng khoa học

Nhóm đứng sau Kimi đưa ra trường hợp sử dụng giao diện chat để khám phá mô phỏng khoa học và xem trước mã HTML ngay trong khung chat. Đây là các prompt tôi đã thử:

Prompt: Tạo một Mô phỏng Thiên hà Hạt 3D

Mô phỏng khoa học 1 với kimi k2

Tôi đã thử chỉnh sửa mô phỏng để xem mô hình thích ứng ra sao, như góc nhìn từ trên xuống với quay hạt đúng hướng và kích thước hạt thay đổi.

Prompt chỉnh sửa: Điều chỉnh Mô phỏng Thiên hà Hạt 3D hiện tại để hiển thị thiên hà từ góc nhìn trên xuống (nhìn từ trên mặt phẳng thiên hà). Các ngôi sao và cánh tay xoắn ốc tỏa ra bên ngoài, quay quanh trục Z (vuông góc với màn hình). Đảm bảo rằng:

Vị trí sao được phân bố theo xoắn ốc phẳng khi nhìn từ trên

Tốc độ quay ảnh hưởng đến chuyển động góc trong mặt phẳng XY

Không có nghiêng theo chiều dọc hay độ dày theo trục Y — làm phẳng chiều Z

Camera/góc nhìn cố định phía trên thiên hà (chiếu trực giao hoặc nhìn từ trên xuống)

Tùy chọn thêm khối phát sáng trung tâm để mô phỏng lõi thiên hà

Giữ nguyên các điều khiển hiện có (số sao, số cánh tay, thu phóng, tốc độ quay) và đảm bảo bản tái tạo phản ánh bố cục nhìn từ trên.

Prompt đã chỉnh sửa cho ra trực quan tốt hơn đáng kể, cho thấy khả năng mô hình nhanh chóng thích ứng với thay đổi trong prompt. Tuy vậy, các thanh trượt trong phần xem trước chỉ mang tính trang trí, không mang lại tương tác hay tác động có ý nghĩa lên mô phỏng thiên hà.

Ví dụ 5: Mô phỏng trò chơi

Lấy cảm hứng từ tài liệu gốc, tôi thử yêu cầu mô hình tạo một trò chơi web giống trò khủng long khi mất Internet. Đây là prompt tôi dùng:

Prompt: Tạo một Trò chơi Sinh tồn Khủng long 3D trên web.

Thiết kế môi trường tiền sử với cây, đá và vách đá phong cách low-poly.

Tạo hoạt ảnh đi bộ, nhảy và cúi người đơn giản cho khủng long với vật lý cơ bản (trọng lực, quán tính).

Người chơi điều khiển khủng long bằng phím WASD và phím cách để nhảy qua chướng ngại vật.

Dùng texture viết tay cho địa hình và skybox để mô phỏng phong cách “tranh hang động” (kiểu Altamira), sử dụng mẫu thủ tục thay vì liên kết ảnh.

Thêm các yếu tố nền như mây di chuyển và thằn lằn bay pterosaur để tăng độ nhập vai.

Mặt đất gồ ghề không bằng phẳng, chuyển tiếp mượt giữa các đoạn địa hình.

Tạo ngẫu nhiên chướng ngại vật như xương rồng, hố dung nham, hoặc khủng long khác.

Điểm tăng dần khi khủng long sống sót lâu hơn — hiển thị ở góc trên bên trái với bộ đếm kiểu Flintstones.

Thêm âm thanh nền: tiếng trống trầm và âm rừng rậm.

Tùy chọn:

Bao gồm chế độ ban đêm với đom đóm và đôi mắt phát sáng trong bụi rậm.

Dùng Three.js hoặc Babylon.js nếu cần, nhưng có thể quay về WebGL/Canvas thuần nếu muốn không phụ thuộc.

Thật bất ngờ, phiên bản đầu tiên của trò chơi này không thể sử dụng được. Tôi đã thử tái tạo bằng một prompt dài và tinh chỉnh hơn nhưng vẫn trong cửa sổ ngữ cảnh. Và đây là kết quả:

Kết quả có khá hơn đôi chút, nhưng cơ chế chơi không hoạt động như mong đợi. Quan sát này cho thấy nhắc lệnh một lần (one-shot) có thể dẫn đến vấn đề hiệu năng khi phát triển dự án phần mềm hoàn chỉnh, gợi ý rằng sử dụng Kimi K2 trong khung tác nhân (agentic), với nhắc lệnh lặp và điều chỉnh, thường mang lại kết quả tốt và ổn định hơn, như nhóm phát triển đã nêu trong phần hạn chế.

Ví dụ 6: Trình lập kế hoạch kỳ nghỉ

Trong ví dụ này, tôi khám phá khả năng tìm kiếm web của Kimi K2 bằng cách yêu cầu lập lịch trình và chia sẻ dưới dạng trang HTML.

Prompt: Tôi đang cảm thấy kiệt sức cả tinh thần lẫn thể chất và muốn tìm một kỳ nghỉ dưỡng 5 ngày để phục hồi sâu, giúp tái tạo tâm trí và cơ thể. Tôi sống ở San Francisco và sẵn sàng đi trong hoặc ngoài nước Mỹ. Hãy bắt đầu bằng việc tìm các khu nghỉ dưỡng phù hợp với mục tiêu sức khỏe của tôi — như giảm căng thẳng, cai nghiện kỹ thuật số, yoga, và ăn sạch — và phù hợp với lịch trình linh hoạt của tôi. Ưu tiên các lựa chọn có hòa mình vào thiên nhiên, liệu trình spa, và các hoạt động chánh niệm như thiền hoặc thở.

Khi đã tìm được nơi phù hợp, hãy lập kế hoạch mọi thứ: di chuyển (chuyến bay hoặc phương tiện địa phương), đặt chỗ ở, các buổi yoga hàng ngày, massage hoặc spa, bữa ăn lành mạnh (ưu tiên thuần chay hoặc chay), và các trải nghiệm thiên nhiên hoặc văn hóa gần đó (như đi bộ trong rừng, tắm âm thanh, hoặc trà đạo).

Ngoài ra, hãy kiểm tra dự báo thời tiết cho địa điểm đã chọn trong khoảng thời gian tôi có thể đi và gợi ý ngày tối ưu. Sau đó tổng hợp lịch trình đầy đủ theo từng ngày, chia theo khung giờ, bao gồm:

Nghi thức và buổi sáng

Bữa ăn và chế độ dinh dưỡng

Hoạt động buổi chiều

Thói quen thư giãn buổi tối

Cơ hội khám phá địa phương

Tôi cũng muốn có một bản đồ lộ trình đẹp mắt thể hiện hành trình xuất phát từ San Francisco đến điểm nghỉ dưỡng, có đánh dấu các điểm dừng, cảnh đẹp hoặc khoảnh khắc đáng chú ý.

Cuối cùng, thay vì đồng bộ với lịch hoặc gửi email, hãy biên soạn toàn bộ kế hoạch thành một trang HTML du lịch hiển thị cục bộ thật đẹp mắt. Trang HTML nên:

Tuân theo phong cách Neo-Brutalism

Dùng bố cục đậm nét, biểu cảm với các chủ ý tương phản thiết kế

Sử dụng bảng màu trầm ấm mang hơi hướng thiên nhiên (xanh lá dịu, xám đá, nâu đậm)

Bao gồm các yếu tố vẽ tay hoặc minh họa chủ đề wellness (ví dụ, bóng dáng yoga, họa tiết mặt trời/mặt trăng)

Chứa bản đồ lộ trình trực quan sạch sẽ và lịch trình theo ngày có thể thu gọn

Hoạt động tốt trên cả di động và máy tính

Chú ý cẩn thận đến lựa chọn phông chữ và độ tương phản

Trang HTML này nên mang cảm giác tĩnh tại, hiện đại và vững chãi, đóng vai trò cổng thông tin lập kế hoạch wellness cá nhân của tôi.

Prompt này khiến tôi mất khoảng hai vòng lặp để soạn lịch trình và xem trước dưới dạng trang HTML. Tuy nhiên, thông tin truy cập qua công cụ tìm kiếm web đã giúp mô hình lập một lịch trình hoàn hảo.

Kết luận

Kimi K2 là một bổ sung đáng chú ý cho hệ sinh thái LLM mã nguồn mở. Trong quá trình thử nghiệm, mô hình cho kết quả mạnh ở khía cạnh tạo trực quan và cấu trúc, đặc biệt khi được dẫn dắt bằng các prompt từng bước hoặc tinh chỉnh lặp.

Dù vậy, Kimi K2 không hoàn hảo. Tốc độ phản hồi có thể chậm, một số đầu ra — đặc biệt trong mô phỏng và logic trò chơi — cần nhiều vòng lặp để đạt yêu cầu, và các phần tử tương tác không phải lúc nào cũng hoạt động như dự định.

Nhìn chung, Kimi K2 mang lại khả năng thực sự cho các nhà phát triển sẵn sàng thử nghiệm. Nếu bạn quen với quy trình làm việc dựa trên LLM và muốn kiểm soát tốt hơn hành vi tác nhân với chi phí thấp, đây là mô hình đáng để khám phá.

Aashi Dutt

Tác giả

Aashi Dutt

Tôi là Chuyên gia Google Developers trong lĩnh vực ML (Gen AI), Chuyên gia Kaggle 3x và Đại sứ Women Techmakers với hơn 3 năm kinh nghiệm trong ngành công nghệ. Tôi đồng sáng lập một startup công nghệ y tế vào năm 2020 và hiện đang theo học thạc sĩ khoa học máy tính tại Georgia Tech, chuyên sâu về học máy.

Chủ đề

Liên quan