Spécifications techniques de Kimi k2.5
| Élément | Valeur / remarques |
|---|---|
| Nom du modèle / fournisseur | Kimi-K2.5 (v1.0) — Moonshot AI (poids ouverts). |
| Famille d’architecture | Modèle de raisonnement hybride Mixture-of-Experts (MoE) (MoE de style DeepSeek). |
| Paramètres (total / actifs) | ≈ 1 trillion de paramètres au total ; ~32B actifs par jeton (384 experts, 8 sélectionnés par jeton, rapporté). |
| Modalités (entrée / sortie) | Entrée : texte, images, vidéo (multimodal). Sortie : principalement du texte (traces de raisonnement riches), éventuellement des appels d’outils structurés / des sorties en plusieurs étapes. |
| Fenêtre de contexte | 256k jetons |
| Données d’entraînement | Pré-entraînement continu sur ~15 trillion de jetons mixtes visuels + texte (déclaré par le fournisseur). Étiquettes d’entraînement/composition des jeux de données : non divulguées. |
| Modes | Mode Thinking (retourne des traces de raisonnement internes ; temp=1.0 recommandé) et mode Instant (aucune trace de raisonnement ; temp=0.6 recommandé). |
| Fonctionnalités d’agent | Agent Swarm / sous-agents parallèles : l’orchestrateur peut créer jusqu’à ~100 sous-agents et exécuter un grand nombre d’appels d’outils (le fournisseur annonce jusqu’à ~1,500 appels d’outils ; l’exécution en parallèle réduit le temps d’exécution). |
Qu’est-ce que Kimi K2.5 ?
Kimi K2.5 est le modèle de langage de grande taille phare à poids ouverts de Moonshot AI, conçu comme un système natif multimodal et orienté agents plutôt qu’un LLM uniquement textuel avec des composants additionnels. Il intègre le raisonnement linguistique, la compréhension visuelle et le traitement de longs contextes dans une architecture unifiée, permettant des tâches complexes en plusieurs étapes impliquant des documents, des images, des vidéos, des outils et des agents.
Il est conçu pour des workflows de longue portée augmentés par des outils (codage, recherche en plusieurs étapes, compréhension de documents/vidéos) et est livré avec deux modes d’interaction (Thinking et Instant) ainsi qu’une quantification INT4 native pour une inférence efficace.
Fonctionnalités clés de Kimi K2.5
- Raisonnement multimodal natif
La vision et le langage sont entraînés conjointement dès le pré‑entraînement. Kimi K2.5 peut raisonner à partir d’images, de captures d’écran, de schémas et d’images vidéo sans recourir à des adaptateurs de vision externes. - Fenêtre de contexte ultra‑longue (256K jetons)
Permet un raisonnement persistant sur des bases de code entières, de longs articles de recherche, des documents juridiques ou des conversations pluri‑heures sans troncature du contexte. - Modèle d’exécution Agent Swarm
Prend en charge la création et la coordination dynamiques de jusqu’à ~100 sous‑agents spécialisés, permettant la planification en parallèle, l’utilisation d’outils et la décomposition des tâches pour des workflows complexes. - Multiples modes d’inférence
- Mode Instant pour des réponses à faible latence
- Mode Thinking pour un raisonnement profond en plusieurs étapes
- Mode Agent / Swarm pour l’exécution autonome de tâches et l’orchestration
- Forte capacité vision‑vers‑code
Capable de convertir des maquettes d’interface, des captures d’écran ou des démonstrations vidéo en code front‑end fonctionnel, et de déboguer des logiciels en utilisant le contexte visuel. - Mise à l’échelle MoE efficace
L’architecture MoE n’active qu’un sous‑ensemble d’experts par jeton, offrant une capacité de l’ordre du trillion de paramètres avec un coût d’inférence maîtrisé comparé aux modèles denses.
Performances de Kimi K2.5 aux benchmarks
Résultats de benchmarks rapportés publiquement (principalement dans des configurations axées sur le raisonnement) :
Benchmarks de raisonnement et de connaissances
| Benchmark | Kimi K2.5 | GPT-5.2 (xhigh) | Claude Opus 4.5 | Gemini 3 Pro |
|---|---|---|---|---|
| HLE-Full (avec outils) | 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 vision et vidéo
| 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 |
Les scores marqués d’un * reflètent des différences de configurations d’évaluation rapportées par les sources originales.
Dans l’ensemble, Kimi K2.5 fait preuve d’une forte compétitivité en raisonnement multimodal, tâches à long contexte et workflows de type agents, en particulier lorsqu’il est évalué au‑delà des questions‑réponses courtes.
Kimi K2.5 vs autres modèles de pointe
| Dimension | Kimi K2.5 | GPT-5.2 | Gemini 3 Pro |
|---|---|---|---|
| Multimodalité | Native (vision + texte) | Modules intégrés | Modules intégrés |
| Longueur de contexte | 256K jetons | Longue (limite exacte non divulguée) | Longue (<256K typique) |
| Orchestration d’agents | Essaim multi‑agents | Focalisé sur un seul agent | Focalisé sur un seul agent |
| Accès au modèle | Poids ouverts | Propriétaire | Propriétaire |
| Déploiement | Local / cloud / personnalisé | API uniquement | API uniquement |
Guide de sélection du modèle :
- Choisissez Kimi K2.5 pour un déploiement à poids ouverts, la recherche, le raisonnement sur long contexte ou des workflows d’agents complexes.
- Choisissez GPT-5.2 pour une intelligence générale de niveau production avec un écosystème d’outils solide.
- Choisissez Gemini 3 Pro pour une intégration poussée avec l’écosystème de productivité et de recherche de Google.
Cas d’utilisation représentatifs
- Analyse de documents et de code à grande échelle
Traiter des dépôts entiers, des corpus juridiques ou des archives de recherche dans une seule fenêtre de contexte. - Workflows d’ingénierie logicielle visuelle
Générer, refactorer ou déboguer du code à partir de captures d’écran, de conceptions d’interface ou d’enregistrements d’interactions. - Pipelines d’agents autonomes
Exécuter des workflows de bout en bout impliquant planification, recherche, appels d’outils et synthèse via des essaims d’agents. - Automatisation des connaissances d’entreprise
Analyser des documents internes, feuilles de calcul, PDF et présentations pour produire des rapports structurés et des insights. - Recherche et personnalisation de modèle
Affinage, recherche sur l’alignement et expérimentation rendus possibles par des poids de modèle ouverts.
Limites et points à considérer
- Exigences matérielles élevées : un déploiement en pleine précision requiert une mémoire GPU substantielle ; l’usage en production repose généralement sur la quantification (p. ex., INT4).
- Maturité d’Agent Swarm : les comportements multi‑agents avancés évoluent encore et peuvent nécessiter une conception d’orchestration soignée.
- Complexité de l’inférence : la performance optimale dépend du moteur d’inférence, de la stratégie de quantification et de la configuration de routage.
Comment accéder à l’API Kimi k2.5 via CometAPI
Étape 1 : s’inscrire pour obtenir une clé API
Connectez‑vous à cometapi.com. Si vous n’êtes pas encore utilisateur, veuillez d’abord vous inscrire. Connectez‑vous à votre console CometAPI. Obtenez la clé d’accès API de l’interface. Cliquez sur « Add Token » dans la section des jetons API du centre personnel, obtenez la clé de jeton : sk-xxxxx et soumettez.
Étape 2 : envoyer des requêtes à l’API Kimi k2.5
Sélectionnez l’endpoint « kimi-k2.5 » pour envoyer la requête API et définissez le corps de la requête. La méthode de requête et le corps de la requête sont disponibles dans la documentation API de notre site web. Notre site propose également des tests Apifox pour votre commodité. Remplacez par votre véritable clé CometAPI de votre compte. L’URL de base est Chat Completions.
Insérez votre question ou requête dans le champ content — c’est à cela que le modèle répondra. Traitez la réponse de l’API pour obtenir la réponse générée.
Étape 3 : récupérer et vérifier les résultats
Traitez la réponse de l’API pour obtenir la réponse générée. Après traitement, l’API renvoie le statut de la tâche et les données de sortie.