Especificaciones técnicas de Kimi k2.5
| Elemento | Valor / notas |
|---|---|
| Nombre del modelo / proveedor | Kimi-K2.5 (v1.0) — Moonshot AI (pesos abiertos). |
| Familia de arquitectura | Modelo de razonamiento híbrido Mixture-of-Experts (MoE) (MoE al estilo DeepSeek). |
| Parámetros (totales / activos) | ≈ 1 trillion de parámetros totales; ~32B activos por token (384 expertos, se informan 8 seleccionados por token). |
| Modalidades (entrada / salida) | Entrada: texto, imágenes, video (multimodal). Salida: principalmente texto (trazas de razonamiento ricas), opcionalmente llamadas a herramientas estructuradas / salidas de múltiples pasos. |
| Ventana de contexto | 256k tokens |
| Datos de entrenamiento | Preentrenamiento continuo en ~15 trillion de tokens mixtos visuales + texto (según el proveedor). Etiquetas de entrenamiento/composición del conjunto de datos: no divulgado. |
| Modos | Modo de pensamiento (devuelve trazas internas de razonamiento; recomendado temp=1.0) y modo instantáneo (sin trazas de razonamiento; recomendado temp=0.6). |
| Funciones de agente | Agent Swarm / subagentes paralelos: el orquestador puede crear hasta 100 subagentes y ejecutar un gran número de llamadas a herramientas (el proveedor afirma hasta ~1,500 llamadas; la ejecución paralela reduce el tiempo de ejecución). |
¿Qué es Kimi K2.5?
Kimi K2.5 es el modelo insignia de pesos abiertos de Moonshot AI, diseñado como un sistema nativo multimodal y orientado a agentes, en lugar de un LLM solo de texto con componentes añadidos. Integra razonamiento en lenguaje, comprensión visual y procesamiento de contexto largo en una única arquitectura, lo que permite tareas complejas de múltiples pasos que involucran documentos, imágenes, videos, herramientas y agentes.
Está diseñado para flujos de trabajo de horizonte largo aumentados con herramientas (programación, búsqueda de múltiples pasos, comprensión de documentos/video) y ofrece dos modos de interacción (Thinking e Instant) y cuantización nativa INT4 para una inferencia eficiente.
Características clave de Kimi K2.5
- Razonamiento multimodal nativo
La visión y el lenguaje se entrenan conjuntamente desde el preentrenamiento. Kimi K2.5 puede razonar a través de imágenes, capturas de pantalla, diagramas y fotogramas de video sin depender de adaptadores de visión externos. - Ventana de contexto ultralarga (256K tokens)
Permite el razonamiento persistente sobre bases de código completas, trabajos de investigación extensos, documentos legales o conversaciones de varias horas sin truncamiento del contexto. - Modelo de ejecución en enjambre de agentes
Admite la creación y coordinación dinámica de hasta ~100 subagentes especializados, lo que permite la planificación paralela, el uso de herramientas y la descomposición de tareas para flujos de trabajo complejos. - Múltiples modos de inferencia
- Modo instantáneo para respuestas de baja latencia
- Modo de pensamiento para razonamiento profundo de múltiples pasos
- Modo agente / enjambre para ejecución autónoma de tareas y orquestación
- Sólida capacidad de visión a código
Capaz de convertir maquetas de UI, capturas de pantalla o demostraciones en video en código front-end funcional, y depurar software utilizando contexto visual. - Escalado MoE eficiente
La arquitectura MoE activa solo un subconjunto de expertos por token, lo que permite una capacidad de billones de parámetros con un costo de inferencia manejable en comparación con modelos densos.
Rendimiento en benchmarks de Kimi K2.5
Resultados de benchmarks reportados públicamente (principalmente en escenarios centrados en el razonamiento):
Benchmarks de razonamiento y conocimiento
| Benchmark | Kimi K2.5 | GPT-5.2 (xhigh) | Claude Opus 4.5 | Gemini 3 Pro |
|---|---|---|---|---|
| HLE-Full (con herramientas) | 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 |
Benchmarks de visión y video
| 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 |
Las puntuaciones marcadas con reflejan diferencias en las configuraciones de evaluación reportadas por las fuentes originales.
En conjunto, Kimi K2.5 demuestra una gran competitividad en razonamiento multimodal, tareas de contexto largo y flujos de trabajo estilo agente, especialmente cuando se evalúa más allá del QA de formato corto.
Kimi K2.5 vs otros modelos de vanguardia
| Dimensión | Kimi K2.5 | GPT-5.2 | Gemini 3 Pro |
|---|---|---|---|
| Multimodalidad | Nativa (visión + texto) | Módulos integrados | Módulos integrados |
| Longitud de contexto | 256K tokens | Largo (límite exacto no divulgado) | Largo (<256K típico) |
| Orquestación de agentes | Enjambre multiagente | Enfoque de agente único | Enfoque de agente único |
| Acceso al modelo | Pesos abiertos | Propietario | Propietario |
| Despliegue | Local / nube / personalizado | Solo API | Solo API |
Guía de selección de modelo:
- Elige Kimi K2.5 para despliegue de pesos abiertos, investigación, razonamiento de contexto largo o flujos de trabajo de agentes complejos.
- Elige GPT-5.2 para inteligencia general de grado de producción con ecosistemas de herramientas sólidos.
- Elige Gemini 3 Pro para integración profunda con el conjunto de productividad y búsqueda de Google.
Casos de uso representativos
- Análisis a gran escala de documentos y código
Procesa repositorios completos, corpus legales o archivos de investigación en una sola ventana de contexto. - Flujos de trabajo de ingeniería de software visual
Genera, refactoriza o depura código utilizando capturas de pantalla, diseños de UI o interacciones grabadas. - Pipelines de agentes autónomos
Ejecuta flujos de trabajo de extremo a extremo que implican planificación, recuperación, llamadas a herramientas y síntesis mediante enjambres de agentes. - Automatización de conocimiento empresarial
Analiza documentos internos, hojas de cálculo, PDFs y presentaciones para producir informes e insights estructurados. - Investigación y personalización del modelo
Fine-tuning, investigación de alineamiento y experimentación habilitados por pesos de modelo abiertos.
Limitaciones y consideraciones
- Altos requisitos de hardware: El despliegue en precisión completa requiere una memoria GPU sustancial; el uso en producción suele basarse en cuantización (p. ej., INT4).
- Madurez de Agent Swarm: Los comportamientos avanzados de múltiples agentes aún están evolucionando y pueden requerir un diseño de orquestación cuidadoso.
- Complejidad de inferencia: El rendimiento óptimo depende del motor de inferencia, la estrategia de cuantización y la configuración de enrutamiento.
Cómo acceder a la API de Kimi k2.5 a través de CometAPI
Paso 1: Regístrate para obtener la clave de API
Inicia sesión en cometapi.com. Si aún no eres usuario, regístrate primero. Inicia sesión en tu CometAPI console. Obtén la clave de API de las credenciales de acceso de la interfaz. Haz clic en “Add Token” en el token de API del centro personal, obtén la clave del token: sk-xxxxx y envíala.
Paso 2: Envía solicitudes a la API de Kimi k2.5
Selecciona el endpoint “kimi-k2.5” para enviar la solicitud de API y configura el cuerpo de la solicitud. El método de solicitud y el cuerpo de la solicitud se obtienen de la documentación de API de nuestro sitio web. Nuestro sitio web también proporciona prueba en Apifox para tu conveniencia. Reemplaza con tu clave real de CometAPI de tu cuenta. la URL base es Chat Completions.
Inserta tu pregunta o solicitud en el campo content—esto es a lo que el modelo responderá. Procesa la respuesta de la API para obtener la respuesta generada.
Paso 3: Recupera y verifica los resultados
Procesa la respuesta de la API para obtener la respuesta generada. Después del procesamiento, la API responde con el estado de la tarea y los datos de salida.