Modify model name and update README.

README.md

-# Kimi-K2-Thinking
+# Kimi-K2
 ## 论文
-[Kimi-K2-Thinking technical blog](https://moonshotai.github.io/Kimi-K2/thinking.html)
+[Kimi K2: Open Agentic Intelligence](https://arxiv.org/abs/2507.20534)
 
 ## 模型简介
 
-Kimi K2 Thinking是最新、能力最强的开源推理模型版本。自Kimi K2起，我们将其构建为一个能够逐步推理并动态调用工具的推理智能体。通过在“人类最后考试”（Humanity's Last Exam, HLE）、“浏览复杂度评估”（BrowseComp）等多项基准测试中显著扩展多步推理深度，并保持对200–300次顺序调用的稳定工具使用，Kimi K2 Thinking树立了新的行业标杆。同时，K2 Thinking作为原生INT4量化模型，拥有256k上下文窗口，实现了推理延迟和GPU内存占用的无损降低。
-
-**核心特性**:  
-- 深度推理与工具协同：经过端到端训练，能够将思维链推理与函数调用交错进行，支持自主研究、代码生成与写作工作流，可在数百个步骤中保持逻辑连贯，不发生偏离。  
-- 原生 INT4 量化：在后训练阶段采用量化感知训练技术，在低延迟模式下实现无损的2倍推理加速。  
-- 稳定的长程任务执行能力：可在连续多达200–300次工具调用过程中保持连贯的目标导向行为，超越了此前模型在30–50步后性能衰减的局限。  
+Kimi K2 是一款最先进的混合专家（MoE）语言模型，激活参数为 320 亿，总参数为 1 万亿。通过 Muon 优化器进行训练，Kimi K2 在前沿知识、推理和编码任务上表现出色，同时精心优化了代理能力。
 
+**主要特点**:
+- 大规模训练：在 15.5 万亿个 token 上预训练了 1 万亿参数的 MoE 模型，无训练不稳定性。
+- MuonClip 优化器：我们将 Muon 优化器应用到了前所未有的规模，并开发了新的优化技术来解决扩展时的不稳定性。
+- 代理智能：专门设计用于工具使用、推理和自主问题解决。
 
 ## 环境依赖
 | 软件 |                    版本                     |
@@ -113,7 +112,6 @@ ray start --address='x.x.x.x:6379' --num-gpus=8 --num-cpus=32
 
 ```bash
 ## serve启动
-
 vllm serve moonshotai/Kimi-K2-Thinking \
     -tp 32 \
     --distributed-executor-backend ray \
@@ -148,7 +146,7 @@ DCU与GPU精度一致，推理框架：vllm。
 | Kimi-K2-Thinking | 1T | BW1000 |   32   | [Hugging Face](https://huggingface.co/moonshotai/Kimi-K2-Thinking) |
 
 ## 源码仓库及问题反馈
-- https://developer.sourcefind.cn/codes/modelzoo/kimi-k2-thinking_vllm
+- https://developer.sourcefind.cn/codes/modelzoo/kimi-k2_vllm
 
 ## 参考资料
 - https://github.com/MoonshotAI/Kimi-K2

model.properties

 # 模型唯一标识
 modelCode=2159
 # 模型名称
-modelName=Kimi-K2-Thinking_vllm 
+modelName=Kimi-K2_vllm
 # 模型描述
-modelDescription=Kimi-K2-Thinking作为原生INT4量化模型，拥有256k上下文窗口，实现了推理延迟和GPU内存占用的无损降低。
+modelDescription=Kimi-K2作为原生INT4量化模型，拥有256k上下文窗口，实现了推理延迟和GPU内存占用的无损降低。
 # 运行过程
 processType=推理
 # 算法类别