Tekniske specifikationer for Kimi k2.5
| Punkt | Værdi / bemærkninger |
|---|---|
| Modelnavn / leverandør | Kimi-K2.5 (v1.0) — Moonshot AI (åbne vægte). |
| Arkitekturfamilie | Mixture-of-Experts (MoE) hybrid-ræsonneringsmodel (DeepSeek-stil MoE). |
| Parametre (samlet / aktive) | ≈ 1 billion samlede parametre; ~32B aktive pr. token (384 eksperter, 8 valgt pr. token oplyst). |
| Modaliteter (input / output) | Input: tekst, billeder, video (multimodal). Output: primært tekst (rige ræsonneringsspor), eventuelt strukturerede værktølkald / flerstegsoutput. |
| Kontekstvindue | 256k tokens |
| Træningsdata | Kontinuerlig fortræning på ~15 billioner blandede visuelle + tekst-tokens (oplyst af leverandøren). Træningslabels/datasætsammensætning: ikke offentliggjort. |
| Tilstande | Thinking-tilstand (returnerer interne ræsonneringsspor; anbefalet temp=1.0) og Instant-tilstand (ingen ræsonneringsspor; anbefalet temp=0.6). |
| Agentfunktioner | Agent Swarm / parallelle underagenter: orkestratoren kan oprette op til ~100 underagenter og udføre et stort antal værktølkald (leverandøren hævder op til ~1.500 værktølkald; parallel udførelse reducerer køretid). |
Hvad er Kimi K2.5?
Kimi K2.5 er Moonshot AI’s open-weight flagskibs-large language model, designet som et native multimodalt og agent-orienteret system frem for en ren tekst-LLM med tilføjelsesmoduler. Den integrerer sproglig ræsonnering, visuel forståelse og lang-kontekstbehandling i én arkitektur og muliggør komplekse, flerstegsopgaver, der involverer dokumenter, billeder, videoer, værktøjer og agenter.
Den er designet til langtidshorisonter og værktøjsforstærkede arbejdsgange (kodning, flerstegssøgning, dokument-/videoforståelse) og leveres med to interaktionstilstande (Thinking og Instant) samt native INT4-kvantisering for effektiv inferens.
Kernefunktioner i Kimi K2.5
- Native multimodal ræsonnering
Vision og sprog trænes i fællesskab fra fortræningen og frem. Kimi K2.5 kan ræsonnere på tværs af billeder, skærmbilleder, diagrammer og videoframes uden eksterne vision-adaptere. - Ekstremt langt kontekstvindue (256K tokens)
Muliggør vedvarende ræsonnering over hele kodebaser, lange forskningsartikler, juridiske dokumenter eller udvidede, fler-timers samtaler uden kontekstafkortning. - Agent Swarm-eksekveringsmodel
Understøtter dynamisk oprettelse og koordinering af op til ~100 specialiserede underagenter, hvilket muliggør parallel planlægning, værktøjsbrug og opgavedekomponering i komplekse arbejdsgange. - Flere inferenstilstande
- Instant-tilstand for lav latenstid
- Thinking-tilstand for dyb, flerstegs ræsonnering
- Agent-/Swarm-tilstand for autonom opgaveudførelse og orkestrering
- Stærke vision-til-kode-evner
Kan konvertere UI-mockups, skærmbilleder eller videodemonstrationer til fungerende front-end-kode og debugge software ved hjælp af visuelt kontekst. - Effektiv MoE-skalering
MoE-arkitekturen aktiverer kun et delmængde af eksperter pr. token, hvilket giver kapacitet i billion-klassen med håndterlige inferensomkostninger sammenlignet med tætte modeller.
Benchmark-ydelse for Kimi K2.5
Offentligt rapporterede benchmarkresultater (primært i ræsonneringsfokuserede opsætninger):
Ræsonnerings- og vidensbenchmarks
| Benchmark | Kimi K2.5 | GPT-5.2 (xhigh) | Claude Opus 4.5 | Gemini 3 Pro |
|---|---|---|---|---|
| HLE-Full (med værktøjer) | 50.2 | 45.5 | 43.2 | 45.8 |
| AIME 2025 | 96.1 | 100 | 92.8 | 95.0 |
| GPQA-Diamond | 87.6 | 92.4 | 87.0 | 91.9 |
| IMO-AnswerBench | 81.8 | 86.3 | 78.5 | 83.1 |
Vision- og videobenchmarks
| Benchmark | Kimi K2.5 | GPT-5.2 | Claude Opus 4.5 | Gemini 3 Pro |
|---|---|---|---|---|
| MMMU-Pro | 78.5 | 79.5* | 74.0 | 81.0 |
| MathVista (Mini) | 90.1 | 82.8* | 80.2* | 89.8* |
| VideoMMMU | 87.4 | 86.0 | — | 88.4 |
Resultater markeret med * afspejler forskelle i evalueringsopsætninger rapporteret af de oprindelige kilder.
Samlet set udviser Kimi K2.5 stærk konkurrenceevne inden for multimodal ræsonnering, lang-kontekstopgaver og agent-stilede arbejdsgange, især når evalueringen rækker ud over kortfattet Q&A.
Kimi K2.5 vs andre førende modeller
| Dimension | Kimi K2.5 | GPT-5.2 | Gemini 3 Pro |
|---|---|---|---|
| Multimodalitet | Native (vision + tekst) | Integrerede moduler | Integrerede moduler |
| Kontekstlængde | 256K tokens | Lang (præcis grænse ikke offentliggjort) | Lang (<256K typisk) |
| Agentorkestrering | Multi-agent-sværm | Fokus på enkelt agent | Fokus på enkelt agent |
| Modeladgang | Åbne vægte | Proprietær | Proprietær |
| Udrulning | Lokalt / cloud / specialtilpasset | Kun API | Kun API |
Modeludvælgelsesvejledning:
- Vælg Kimi K2.5 til open-weight udrulning, forskning, lang-kontekst ræsonnering eller komplekse agent-arbejdsgange.
- Vælg GPT-5.2 til produktionsklar generel intelligens med stærke værktøksøkosystemer.
- Vælg Gemini 3 Pro til dyb integration med Googles produktivitets- og søgestak.
Repræsentative anvendelsestilfælde
- Storskala dokument- og kodeanalyse
Behandl hele repositories, juridiske korpora eller forskningsarkiver i ét kontekstvindue. - Visuelle software-engineering-arbejdsgange
Generér, refaktorer eller debug kode ved hjælp af skærmbilleder, UI-designs eller optagede interaktioner. - Autonome agent-pipelines
Udfør end-to-end-arbejdsgange med planlægning, hentning, værktølkald og syntese via agent-sværme. - Enterprise-vidensautomatisering
Analysér interne dokumenter, regneark, PDF’er og præsentationer for at producere strukturerede rapporter og indsigter. - Forskning og modeltilpasning
Finjustering, alignment-forskning og eksperimenter muliggøres af åbne modelvægte.
Begrænsninger og hensyn
- Høje hardwarekrav: Udrulning i fuld præcision kræver betydelig GPU-hukommelse; produktionsbrug baserer sig typisk på kvantisering (f.eks. INT4).
- Agent Swarm-modenhed: Avancerede multi-agent-adfærd er stadig under udvikling og kan kræve omhyggeligt orkestreringsdesign.
- Inferenskompleksitet: Optimal ydeevne afhænger af inferensmotor, kvantiseringsstrategi og routing-konfiguration.
Sådan får du adgang til Kimi k2.5 API via CometAPI
Trin 1: Tilmeld dig for at få en API-nøgle
Log ind på cometapi.com. Hvis du ikke er bruger endnu, skal du først registrere dig. Log ind i din CometAPI console. Hent adgangslegitimations-API-nøglen til interfacet. Klik på “Add Token” ved API-tokenet i personcentret, hent tokennøglen: sk-xxxxx og indsend.
Trin 2: Send forespørgsler til Kimi k2.5 API
Vælg endepunktet “kimi-k2.5” for at sende API-forespørgslen og angiv request body. Forespørgselsmetode og request body fås fra vores website API-dokumentation. Vores website tilbyder også Apifox-test for din bekvemmelighed. Erstat med din faktiske CometAPI-nøgle fra din konto. Basis-URL er Chat Completions.
Indsæt dit spørgsmål eller din anmodning i content-feltet — dette er, hvad modellen vil svare på. Behandl API-svaret for at hente det genererede svar.
Trin 3: Hent og verificér resultater
Behandl API-svaret for at hente det genererede svar. Efter behandling svarer API’et med opgavens status og outputdata.