Tekniske specifikationer for Kimi k2.5
| Punkt | Værdi / noter |
|---|---|
| Modelnavn / leverandør | Kimi-K2.5 (v1.0) — Moonshot AI (åbne vægte). |
| Arkitekturfamilie | Mixture-of-Experts (MoE) hybrid ræsonneringsmodel (MoE i DeepSeek-stil). |
| Parametre (total / aktive) | ≈ 1 trillion samlede parametre; ~32B aktive pr. token (384 eksperter, 8 valgt pr. token rapporteret). |
| Modaliteter (input / output) | Input: tekst, billeder, video (multimodal). Output: primært tekst (rige ræsonnementsspor), valgfrit strukturerede værktøjskald / flertrins-output. |
| Kontekstvindue | 256k tokens |
| Træningsdata | Kontinuerlig pretræning på ~15 trillion blandede visuelle + teksttokens (oplyst af leverandør). Træningslabels/datasæts-sammensætning: ikke offentliggjort. |
| Tilstande | Thinking mode (returnerer interne ræsonnementsspor; anbefalet temp=1.0) og Instant mode (ingen ræsonnementsspor; anbefalet temp=0.6). |
| Agentfunktioner | Agent Swarm / parallelle underagenter: orkestratoren kan oprette op til 100 underagenter og udføre et stort antal værktøjskald (leverandøren hævder op til ~1.500 værktøjskald; parallel eksekvering reducerer runtime). |
Hvad er Kimi K2.5?
Kimi K2.5 er Moonshot AI’s open-weight flagskibs-sprogmodel, designet som et nativt multimodalt og agent-orienteret system fremfor en ren tekst-LLM med tilføjede komponenter. Den integrerer sprog-ræsonnering, visuel forståelse og lang-kontekstbehandling i en enkelt arkitektur, der muliggør komplekse flertrinsopgaver med dokumenter, billeder, videoer, værktøjer og agenter.
Den er designet til workflows med lang horisont og værktøjsunderstøttelse (kodning, flertrins-søgning, dokument-/videoforståelse) og leveres med to interaktionstilstande (Thinking og Instant) samt native INT4-kvantisering for effektiv inferens.
Kernefunktioner i Kimi K2.5
- Nativ multimodal ræsonnering
Syn og sprog er trænet i fællesskab fra pretræning og fremefter. Kimi K2.5 kan ræsonnere på tværs af billeder, skærmbilleder, diagrammer og videoframes uden eksterne visionsadaptere. - Ekstra 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 opgavedekomposition for komplekse workflows. - Flere inferenstilstande
- Instant mode til lav-latens-svar
- Thinking mode til dyb flertrins-ræsonnering
- Agent / Swarm mode til autonom opgaveudførelse og orkestrering
- Stærk vision-to-code-evne
I stand til at konvertere UI-mockups, skærmbilleder eller videodemonstrationer til fungerende frontend-kode og debugge software ved hjælp af visuel kontekst. - Effektiv MoE-skalering
MoE-arkitekturen aktiverer kun et delmængde af eksperter pr. token, hvilket giver trillion-parameters kapacitet med håndterlige inferensomkostninger sammenlignet med tætte modeller.
Benchmark-ydelse for Kimi K2.5
Offentligt rapporterede benchmarkresultater (primært i ræsonneringsfokuserede indstillinger):
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 |
Scores markeret med * afspejler forskelle i evalueringsopsætninger rapporteret af de oprindelige kilder.
Samlet set demonstrerer Kimi K2.5 stærk konkurrencedygtighed i multimodal ræsonnering, lang-kontekst-opgaver og agent-stilede workflows, især når den evalueres ud over kortformet QA.
Kimi K2.5 vs andre førende modeller
| Dimension | Kimi K2.5 | GPT-5.2 | Gemini 3 Pro |
|---|---|---|---|
| Multimodalitet | Nativ (vision + tekst) | Integrerede moduler | Integrerede moduler |
| Kontekstlængde | 256K tokens | Lang (præcis grænse ikke oplyst) | Lang (<256K typisk) |
| Agentorkestrering | Multi-agent-sværm | Fokus på enkelt-agent | Fokus på enkelt-agent |
| Modeladgang | Åbne vægte | Proprietær | Proprietær |
| Udrulning | Lokalt / cloud / tilpasset | Kun API | Kun API |
Vejledning i modelvalg:
- Vælg Kimi K2.5 til open-weight-udrulning, forskning, lang-kontekst-ræsonnering eller komplekse agent-workflows.
- Vælg GPT-5.2 til produktionsmoden generel intelligens med stærke værktøjsøkosystemer.
- Vælg Gemini 3 Pro til dyb integration med Googles produktivitets- og søgestak.
Repræsentative anvendelsestilfælde
- Storskalaanalyse af dokumenter og kode
Behandl hele code repositories, juridiske korpora eller forskningsarkiver i ét kontekstvindue. - Visuelle softwareingeniør-workflows
Generér, refaktorér eller debug kode ved hjælp af skærmbilleder, UI-designs eller optagede interaktioner. - Autonome agent-pipelines
Udfør end-to-end-workflows med planlægning, hentning, værktøjskald og syntese via agent-sværme. - Automatisering af virksomhedsviden
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 overvejelser
- Høje hardwarekrav: Udrulning i fuld præcision kræver betydelig GPU-hukommelse; produktion anvender typisk kvantisering (fx INT4).
- Agent Swarm-modenhed: Avancerede multi-agent-adfærd er stadig under udvikling og kan kræve omhyggelig orkestreringsdesign.
- Inferenskompleksitet: Optimal ydeevne afhænger af inferensmotor, kvantiseringsstrategi og routeringskonfiguration.
Sådan får du adgang til Kimi k2.5 API via CometAPI
Trin 1: Registrér dig for en API-nøgle
Log ind på cometapi.com. Hvis du ikke er bruger endnu, registrér dig først. Log ind på din CometAPI-konsol. Hent adgangslegitimations-API-nøglen til interfacet. Klik på “Add Token” ved API token i personligt center, få token-nøglen: sk-xxxxx og indsend.
Trin 2: Send forespørgsler til Kimi k2.5 API
Vælg “kimi-k2.5”-endpointet for at sende API-forespørgslen og angiv request body. Anmodningsmetode og request body fås fra vores websites API-doc. Vores website tilbyder også Apifox-test for nemheds skyld. Erstat med din faktiske CometAPI-nøgle fra din konto. basis-URL er Chat Completions.
Indsæt dit spørgsmål eller din forespørgsel i content-feltet—det er dette, modellen svarer 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 behandlingen svarer API’et med opgavestatus og outputdata.