Tekniske spesifikasjoner for Kimi k2.5
| Element | Verdi / merknader |
|---|---|
| Modellnavn / leverandør | Kimi-K2.5 (v1.0) — Moonshot AI (åpne vekter). |
| Arkitekturfamilie | Mixture-of-Experts (MoE) hybrid resonneringsmodell (MoE i DeepSeek-stil). |
| Parametere (totalt / aktiv) | ≈ 1 billion totale parametere; ~32B aktive per token (384 eksperter, 8 valgt per token rapportert). |
| Modaliteter (inndata / utdata) | Inndata: tekst, bilder, video (multimodalt). Utdata: primært tekst (rike resonnementsspor), eventuelt strukturerte verktøykall / flertrinns utdata. |
| Kontekstvindu | 256k tokens |
| Treningsdata | Kontinuerlig pretrening på ~15 billioner blandede visuelle + tekst-tokens (rapportert av leverandør). Treningsetiketter/datasett-sammensetning: ikke offentliggjort. |
| Moduser | Tenkemodus (returnerer interne resonnementsspor; anbefalt temp=1.0) og Instant-modus (ingen resonnementsspor; anbefalt temp=0.6). |
| Agentfunksjoner | Agent-sverm / parallelle underagenter: orkestratoren kan starte opptil 100 underagenter og utføre et stort antall verktøykall (leverandøren hevder opptil ~1,500 verktøykall; parallell kjøring reduserer kjøretid). |
Hva er Kimi K2.5?
Kimi K2.5 er Moonshot AIs open-weight flaggskip store språkmodell, utformet som et innebygd multimodalt og agentorientert system snarere enn en tekstkun LLM med tilleggskomponenter. Den integrerer språklig resonnering, visjonsforståelse og langt konteksthåndtering i én arkitektur, som muliggjør komplekse flertrinnsoppgaver som involverer dokumenter, bilder, videoer, verktøy og agenter.
Den er designet for arbeidsflyter med lang horisont og verktøybruk (koding, flertrinnssøk, dokument-/videoforståelse) og leveres med to interaksjonsmoduser (Tenkemodus og Instant-modus) og innebygd INT4-kvantisering for effektiv inferens.
Kjernefunksjoner i Kimi K2.5
- Innebygd multimodal resonnering
Visjon og språk trenes sammen fra pretrening og utover. Kimi K2.5 kan resonnere over bilder, skjermbilder, diagrammer og videorammer uten å være avhengig av eksterne visjonsadaptere. - Ultralangt kontekstvindu (256K tokens)
Muliggjør vedvarende resonnering over hele kodebaser, lange forskningsartikler, juridiske dokumenter eller utvidede samtaler over flere timer uten kontekstkutting. - Kjøremodell for agent-sverm
Støtter dynamisk opprettelse og koordinering av opptil ~100 spesialiserte underagenter, som tillater parallell planlegging, verktøybruk og oppgaveledd for komplekse arbeidsflyter. - Flere inferensmodi
- Instant-modus for lav-latens-responser
- Tenkemodus for dyp flertrinnsresonnering
- Agent-/Sverm-modus for autonom oppgaveutførelse og orkestrering
- Sterk visjon-til-kode-kapasitet
I stand til å konvertere UI-skisser, skjermbilder eller videodemonstrasjoner til fungerende front-end-kode, samt feilsøke programvare ved hjelp av visuelt kontekst. - Effektiv MoE-skalerbarhet
MoE-arkitekturen aktiverer bare et delsett av eksperter per token, som gir kapasitet på billion-nivå med håndterbare inferenskostnader sammenlignet med tette modeller.
Benchmark-ytelse for Kimi K2.5
Offentlig rapporterte benchmark-resultater (primært i resonnementsfokuserte oppsett):
Resonnerings- og kunnskapsbenchmarker
| Benchmark | Kimi K2.5 | GPT-5.2 (xhigh) | Claude Opus 4.5 | Gemini 3 Pro |
|---|---|---|---|---|
| HLE-Full (med verktøy) | 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 |
Visjon- og videobenchmarker
| 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 |
Poeng merket med reflekterer forskjeller i evalueringsoppsett rapportert av opprinnelige kilder.
Samlet sett viser Kimi K2.5 sterk konkurranseevne i multimodal resonnering, langt kontekstarbeid og agent-stil arbeidsflyter, spesielt når den evalueres utover kortformet QA.
Kimi K2.5 vs andre frontmodeller
| Dimensjon | Kimi K2.5 | GPT-5.2 | Gemini 3 Pro |
|---|---|---|---|
| Multimodalitet | Innebygd (visjon + tekst) | Integrerte moduler | Integrerte moduler |
| Kontekstlengde | 256K tokens | Lang (nøyaktig grense ikke oppgitt) | Lang (<256K typisk) |
| Agentorkestrering | Multi-agent sverm | Én-agent-fokus | Én-agent-fokus |
| Modelltilgang | Åpne vekter | Proprietær | Proprietær |
| Distribuering | Lokalt / sky / tilpasset | Kun API | Kun API |
Veiledning for modellvalg:
- Velg Kimi K2.5 for utrulling med åpne vekter, forskning, langtidsresonnering eller komplekse agent-arbeidsflyter.
- Velg GPT-5.2 for produksjonsklar generell intelligens med sterke verktøyøkosystemer.
- Velg Gemini 3 Pro for dyp integrasjon med Googles produktivitets- og søkestack.
Representative bruksområder
- Storskala dokument- og kodeanalyse
Prosesser hele kodelagre, juridiske korpus eller forskningsarkiver i ett kontekstvindu. - Visuelle programvareutviklingsarbeidsflyter
Generer, refaktorer eller feilsøk kode ved hjelp av skjermbilder, UI-design eller opptak. - Autonome agent-pipelines
Utfør ende-til-ende-arbeidsflyter som involverer planlegging, henting, verktøykall og syntese via agent-svermer. - Automatisering av bedriftskunnskap
Analyser interne dokumenter, regneark, PDF-er og presentasjoner for å produsere strukturerte rapporter og innsikter. - Forskning og modelltilpasning
Fininnstilling, tilpasningsforskning og eksperimentering muliggjort av åpne modellvekter.
Begrensninger og hensyn
- Høye maskinvarekrav: Utrulling i full presisjon krever betydelig GPU-minne; produksjonsbruk baserer seg vanligvis på kvantisering (f.eks. INT4).
- Modenhet for agent-sverm: Avanserte multi-agent-atferder er fortsatt i utvikling og kan kreve nøye orkestreringsdesign.
- Inferenskompleksitet: Optimal ytelse avhenger av inferensmotor, kvantiseringsstrategi og rutingskonfigurasjon.
Slik får du tilgang til Kimi k2.5 API via CometAPI
Trinn 1: Registrer deg for API-nøkkel
Logg inn på cometapi.com. Hvis du ikke er brukeren vår ennå, vennligst registrer deg først. Logg inn på din CometAPI-konsoll. Hent tilgangslegitimasjonen API-nøkkel for grensesnittet. Klikk “Add Token” ved API token i personlige senter, få token-nøkkelen: sk-xxxxx og send inn.
Trinn 2: Send forespørsler til Kimi k2.5 API
Velg “kimi-k2.5”-endepunktet for å sende API-forespørselen og sett forespørselskroppen. Forespørselsmetoden og forespørselskroppen hentes fra vår nettsides API-dokumentasjon. Vår nettside tilbyr også Apifox-test for din bekvemmelighet. Erstatt med din faktiske CometAPI-nøkkel fra kontoen din. base url is Chat Completions.
Sett inn spørsmålet eller forespørselen din i content-feltet—det er dette modellen vil svare på . Prosesser API-responsen for å få generert svar.
Trinn 3: Hent og verifiser resultater
Prosesser API-responsen for å få generert svar. Etter behandling svarer API-et med oppgavestatus og utdata.