我们推出了 Kimi-Dev-72B，这是一款全新的开源代码生成大模型，专为软件工程任务设计。Kimi-Dev-72B 在 SWE-bench Verified 数据集上取得了开源模型中的最新SOTA成绩。

• Kimi-Dev-72B 在 SWE-bench Verified 上达到了60.4%的通过率，超越了排名第二的模型，创下了开源模型中的新纪录。

• Kimi-Dev-72B 通过大规模强化学习进行优化。它能够在 Docker 环境中自主修复真实仓库中的问题，并且仅当整个测试套件全部通过时才会获得奖励。这种机制确保了解决方案的正确性和鲁棒性，完全符合实际开发标准。

• Kimi-Dev-72B 已在 Hugging Face 和 GitHub 上开放下载与部署。我们诚挚欢迎开发者和研究人员探索其能力并参与项目贡献。

⚙️ 安装

# 克隆仓库
git clone https://github.com/MoonshotAI/Kimi-Dev.git
# 创建环境
conda create -n kimidev python=3.12
# 本地安装
pip install -e .

🛠️ 使用方法

准备代码库结构 [参考自 Agentless]

由于基准测试中的每个问题（包括 SWE-Bench Lite 和 SWE-Bench Verified）都需要检出仓库并处理文件，您可以节省时间，直接下载预处理好的数据：swebench_repo_structure.zip。下载后，请解压并将路径导出如下：

export PROJECT_FILE_LOC={您保存的文件夹}

部署 vLLM 模型

安装

# 使用 CUDA 12.8 安装 vLLM。
# 如果使用 pip：
pip install vllm --extra-index-url https://download.pytorch.org/whl/cu128
# 如果使用 uv：
uv pip install vllm --torch-backend=auto

服务启动

vllm serve Kimi-Dev-72B --served-model-name kimi-dev --host 0.0.0.0 --port 8000 --gpu-memory-utilization 0.95 --max-seq-len-to-capture 131072 --tensor-parallel-size 8

推理流程

Kimi-Dev 采用简化的两阶段框架来处理代码修复和测试用例编写任务：

1. 文件定位：根据问题描述和仓库结构，智能识别需要修改的关键文件。
2. 代码编辑：对定位到的文件进行精确的代码修改，包括修复缺陷或插入单元测试。

相比多步定位的方法，我们直接在文件级别进行定位，然后将整个文件传递给修复步骤，以实现更细致的推理。

运行推理脚本：

conda activate kimidev
# 缺陷修复器
python kimidev/examples/rollout_messages_bugfixer.py --model_name {vllm_serve_model}
# 测试用例生成器
python kimidev/examples/rollout_messages_testwriter.py --model_name {vllm_serve_model}

👀 示例结果

我们提供了一些示例结果文件以及测试时缩放所需的文件，详见 此处。

您也可以从 Google Drive 下载这些文件。

💪 贡献

欢迎提交 Pull Request 或创建 Issue，帮助改进项目。

😺 联系方式

如有任何疑问，请随时提交 GitHub Issue 或联系 zhuhan@moonshot.cn。

📝 引用

如果您认为我们的代码和模型有所帮助，请引用以下信息：

@misc{yang2025kimidevagentlesstrainingskill,
      title={Kimi-Dev: 无代理训练作为 SWE 代理的技能先验}, 
      author={杨宗翰、王圣杰、付克林、何文洋、熊伟民、刘一博、苗一博、高博飞、王业杰、马英伟、李彦浩、刘悦、胡振兴、张凯泰、王淑怡、陈华荣、宋弗洛德、刘阳、高扬、杨志林、刘天宇},
      year={2025},
      eprint={2509.23045},
      archivePrefix={arXiv},
      primaryClass={cs.AI},
      url={https://arxiv.org/abs/2509.23045}, 
}

Kimi-Dev 快速上手指南

Kimi-Dev-72B 是一款专为软件工程任务设计的开源代码大模型，在 SWE-bench Verified 基准测试中取得了开源模型的最佳性能（60.4%）。它通过大规模强化学习优化，能够自主在 Docker 环境中修复真实仓库的代码问题。

环境准备

• 操作系统: Linux (推荐 Ubuntu)
• Python 版本: 3.12
• GPU 要求: 部署 72B 模型建议使用多卡环境（示例命令中配置了 8 张显卡），需安装 CUDA 12.8。
• 依赖管理: 推荐使用 conda 管理虚拟环境。
• 存储: 需预留足够空间存放模型权重及预处理后的仓库结构数据。

安装步骤

1. 克隆项目与创建环境

# 克隆仓库
git clone https://github.com/MoonshotAI/Kimi-Dev.git
cd Kimi-Dev

# 创建 Python 3.12 虚拟环境
conda create -n kimidev python=3.12
conda activate kimidev

# 本地安装项目依赖
pip install -e .

2. 准备仓库结构数据

为了加速处理 SWE-Bench 相关任务，建议下载预处理的仓库结构数据：

1. 下载 swebench_repo_structure.zip。
2. 解压文件。
3. 设置环境变量指向解压后的文件夹路径：

export PROJECT_FILE_LOC={你保存解压文件的文件夹路径}

3. 部署 vLLM 推理服务

Kimi-Dev 推荐配合 vLLM 使用以获得最佳性能。

安装 vLLM (CUDA 12.8):

# 使用 pip 安装
pip install vllm --extra-index-url https://download.pytorch.org/whl/cu128

启动模型服务:

以下命令以 8 卡并行方式启动服务，请根据实际显存和显卡数量调整 --tensor-parallel-size 参数。

vllm serve Kimi-Dev-72B --served-model-name kimi-dev --host 0.0.0.0 --port 8000 --gpu-memory-utilization 0.95 --max-seq-len-to-capture 131072 --tensor-parallel-size 8

基本使用

Kimi-Dev 采用简化的两阶段框架：文件定位 (File Localization) 和 代码编辑 (Code Editing)。确保 vLLM 服务已启动，然后运行以下脚本进行任务推演（Rollout）。

场景一：自动修复 Bug (Bugfixer)

conda activate kimidev
python kimidev/examples/rollout_messages_bugfixer.py --model_name {vllm_serve_model}

注：{vllm_serve_model} 通常替换为 kimi-dev 或具体的模型标识。

场景二：自动生成测试用例 (Testwriter)

conda activate kimidev
python kimidev/examples/rollout_messages_testwriter.py --model_name {vllm_serve_model}

运行完成后，可在项目目录或指定输出路径查看生成的代码修复方案或测试文件。更多示例结果文件可参考项目 resources 目录或通过提供的 Google Drive 链接下载。