我们介绍了Kimi-Dev-72B，这是我们新推出的开源编码LLM，用于软件工程任务。Kimi-Dev-72B在SWE-bench验证中，开源模型中取得了新的最佳成果。
Kimi-Dev-72B在SWE-bench验证中取得了60.4%的性能表现。它超越了亚军，并在开源模型中设立了一个新的最佳结果。
Kimi-Dev-72B通过大规模强化学习进行了优化。它自主地对Docker中的真实仓库进行修补，并且只有在整个测试套件通过时才能获得奖励。这确保了正确且健壮的解决方案，符合实际开发的行业标准。
Kimi-Dev-72B可在Hugging Face和GitHub上下载和部署。我们欢迎开发者和研究人员探索其功能并贡献于其开发。
开源模型在SWE-bench验证中的性能。
from transformers import AutoModelForCausalLM, AutoTokenizer
model_name = "moonshotai/Kimi-Dev-72B"
model = AutoModelForCausalLM.from_pretrained(
model_name,
torch_dtype="auto",
device_map="auto"
)
tokenizer = AutoTokenizer.from_pretrained(model_name)
prompt = "Give me a short introduction to large language model."
messages = [
{"role": "system", "content": "You are a helpful assistant."},
{"role": "user", "content": prompt}
]
text = tokenizer.apply_chat_template(
messages,
tokenize=False,
add_generation_prompt=True
)
model_inputs = tokenizer([text], return_tensors="pt").to(model.device)
generated_ids = model.generate(
**model_inputs,
max_new_tokens=512
)
generated_ids = [
output_ids[len(input_ids):] for input_ids, output_ids in zip(model_inputs.input_ids, generated_ids)
]
response = tokenizer.batch_decode(generated_ids, skip_special_tokens=True)[0]
@misc{kimi_dev_72b_2025,
title = {Introducing Kimi-Dev: A Strong and Open-source Coding LLM for Issue Resolution},
author = {{Kimi-Dev Team}},
year = {2025},
month = {June},
url = {\url{https://www.moonshot.cn/Kimi-Dev}}
}当然，我会根据您的要求进行翻译。不过，您似乎忘记提供需要翻译的文本了。请您提供原文，我将会按照您的要求进行翻译。