Specyfikacja techniczna Kimi k2.5
| Element | Wartość / uwagi |
|---|---|
| Nazwa modelu / dostawca | Kimi-K2.5 (v1.0) — Moonshot AI (otwarte wagi). |
| Rodzina architektury | Model hybrydowego wnioskowania Mixture-of-Experts (MoE) (MoE w stylu DeepSeek). |
| Parametry (łącznie / aktywne) | ≈ 1 bilion parametrów łącznie; ~32B aktywnych na token (384 ekspertów, według raportów wybieranych jest 8 na token). |
| Modalności (wejście / wyjście) | Wejście: tekst, obrazy, wideo (wielomodalne). Wyjście: głównie tekst (bogate ślady rozumowania), opcjonalnie strukturalne wywołania narzędzi / wieloetapowe wyniki. |
| Okno kontekstu | 256k tokenów |
| Dane treningowe | Ciągłe wstępne trenowanie na ~15 bilionach mieszanych tokenów wizualnych + tekstowych (zgodnie z informacjami dostawcy). Etykiety treningowe/skład zbioru danych: nieujawnione. |
| Tryby | Tryb Thinking (zwraca wewnętrzne ślady rozumowania; zalecane temp=1.0) oraz tryb Instant (bez śladów rozumowania; zalecane temp=0.6). |
| Funkcje agenta | Agent Swarm / równoległe pod‑agenty: orkiestrator może uruchomić do 100 pod‑agentów i wykonać dużą liczbę wywołań narzędzi (według dostawcy do ~1,500 wywołań narzędzi; wykonanie równoległe skraca czas działania). |
Czym jest Kimi K2.5?
Kimi K2.5 to flagowy duży model językowy firmy Moonshot AI o otwartych wagach, zaprojektowany jako natywny system wielomodalny i zorientowany na agentów, a nie tekstowy LLM z dołączanymi komponentami. Integruje wnioskowanie językowe, rozumienie wizji oraz przetwarzanie długiego kontekstu w jednej architekturze, umożliwiając złożone, wieloetapowe zadania obejmujące dokumenty, obrazy, wideo, narzędzia i agentów.
Zaprojektowany pod długotrwałe, narzędziowo‑wspomagane przepływy pracy (programowanie, wieloetapowe wyszukiwanie, rozumienie dokumentów/wideo) i dostarczany z dwoma trybami interakcji (Thinking i Instant) oraz natywną kwantyzacją INT4 dla wydajnego wnioskowania.
Kluczowe funkcje Kimi K2.5
- Natywne wielomodalne wnioskowanie
Wizja i język są trenowane wspólnie już od etapu wstępnego treningu. Kimi K2.5 potrafi wnioskować na podstawie obrazów, zrzutów ekranu, diagramów i klatek wideo bez polegania na zewnętrznych adapterach wizji. - Ultradługie okno kontekstu (256K tokenów)
Umożliwia ciągłe wnioskowanie nad całymi bazami kodu, długimi artykułami naukowymi, dokumentami prawnymi lub rozbudowanymi wielogodzinnymi rozmowami bez przycinania kontekstu. - Model wykonawczy Agent Swarm
Obsługuje dynamiczne tworzenie i koordynację do ~100 wyspecjalizowanych pod‑agentów, umożliwiając równoległe planowanie, korzystanie z narzędzi i dekompozycję zadań w złożonych przepływach pracy. - Wiele trybów wnioskowania
- Tryb Instant do odpowiedzi o niskich opóźnieniach
- Tryb Thinking do głębokiego, wieloetapowego wnioskowania
- Tryb Agent / Swarm do autonomicznego wykonywania i orkiestracji zadań
- Silne możliwości vision‑to‑code
Zdolny do przekształcania makiet interfejsu, zrzutów ekranu lub demonstracji wideo w działający kod front-endu oraz debugowania oprogramowania z wykorzystaniem kontekstu wizualnego. - Wydajne skalowanie MoE
Architektura MoE aktywuje jedynie podzbiór ekspertów na token, co pozwala osiągnąć pojemność rzędu biliona parametrów przy rozsądnym koszcie wnioskowania w porównaniu z modelami gęstymi.
Wydajność w benchmarkach Kimi K2.5
Publicznie raportowane wyniki benchmarków (głównie w ustawieniach skoncentrowanych na wnioskowaniu):
Benchmarki rozumowania i wiedzy
| Benchmark | Kimi K2.5 | GPT-5.2 (xhigh) | Claude Opus 4.5 | Gemini 3 Pro |
|---|---|---|---|---|
| HLE-Full (z narzędziami) | 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 |
Benchmarki wizyjne i wideo
| 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 |
Wyniki oznaczone odzwierciedlają różnice w konfiguracjach ewaluacji zgłaszanych przez źródła pierwotne.
Ogólnie Kimi K2.5 wykazuje wysoką konkurencyjność w wielomodalnym wnioskowaniu, zadaniach z długim kontekstem oraz przepływach pracy w stylu agentowym, zwłaszcza w ocenach wykraczających poza krótkie pytania‑odpowiedzi.
Kimi K2.5 vs inne modele czołowe
| Wymiar | Kimi K2.5 | GPT-5.2 | Gemini 3 Pro |
|---|---|---|---|
| Multimodalność | Natywna (wizja + tekst) | Zintegrowane moduły | Zintegrowane moduły |
| Długość kontekstu | 256K tokenów | Długi (dokładny limit nieujawniony) | Długi (<256K typowo) |
| Orkiestracja agentów | Rój wieloagentowy | Nacisk na pojedynczego agenta | Nacisk na pojedynczego agenta |
| Dostęp do modelu | Otwarte wagi | Własnościowy | Własnościowy |
| Wdrożenie | Lokalnie / chmura / niestandardowe | Tylko API | Tylko API |
Model selection guidance:
- Wybierz Kimi K2.5 do wdrożeń z otwartymi wagami, badań, wnioskowania na długim kontekście lub złożonych przepływów pracy agentów.
- Wybierz GPT-5.2 do produkcyjnej ogólnej inteligencji z rozbudowanym ekosystemem narzędzi.
- Wybierz Gemini 3 Pro do głębokiej integracji ze środowiskiem produktywności i wyszukiwaniem Google.
Reprezentatywne przypadki użycia
- Analiza dokumentów i kodu na dużą skalę
Przetwarzanie całych repozytoriów, korpusów prawnych lub archiwów badawczych w jednym oknie kontekstu. - Wizualne przepływy pracy inżynierii oprogramowania
Generowanie, refaktoryzacja lub debugowanie kodu przy użyciu zrzutów ekranu, projektów UI lub nagranych interakcji. - Autonomiczne potoki agentów
Wykonywanie kompleksowych przepływów obejmujących planowanie, wyszukiwanie, wywołania narzędzi i syntezę poprzez roje agentów. - Automatyzacja wiedzy korporacyjnej
Analiza wewnętrznych dokumentów, arkuszy kalkulacyjnych, PDF‑ów i prezentacji w celu tworzenia ustrukturyzowanych raportów i wniosków. - Badania i dostosowywanie modelu
Destrojenie, badania nad alignmentem i eksperymenty umożliwione przez otwarte wagi modelu.
Ograniczenia i uwagi
- Wysokie wymagania sprzętowe: Pełnoprecyzyjne wdrożenie wymaga znacznej pamięci GPU; produkcyjne użycie zwykle opiera się na kwantyzacji (np. INT4).
- Dojrzałość Agent Swarm: Zaawansowane zachowania wieloagentowe wciąż ewoluują i mogą wymagać starannego projektowania orkiestracji.
- Złożoność wnioskowania: Optymalna wydajność zależy od silnika wnioskowania, strategii kwantyzacji i konfiguracji routingu.
Jak uzyskać dostęp do API Kimi k2.5 przez CometAPI
Krok 1: Zarejestruj się po klucz API
Zaloguj się na cometapi.com. Jeśli nie jesteś jeszcze naszym użytkownikiem, najpierw się zarejestruj. Zaloguj się do konsoli CometAPI. Uzyskaj poświadczenie dostępu — klucz API interfejsu. Kliknij „Add Token” w sekcji tokenu API w centrum osobistym, uzyskaj klucz tokenu: sk-xxxxx i zatwierdź.
Krok 2: Wyślij żądania do API Kimi k2.5
Wybierz endpoint „kimi-k2.5”, aby wysłać żądanie do API i ustaw treść żądania. Metodę żądania i treść żądania znajdziesz w naszej dokumentacji API na stronie. Nasza strona udostępnia także testy Apifox dla Twojej wygody. Zastąp wartość swoim rzeczywistym kluczem CometAPI z konta. Bazowy adres URL to Chat Completions.
Wstaw swoje pytanie lub prośbę do pola content — na to odpowie model. Przetwórz odpowiedź API, aby uzyskać wygenerowaną odpowiedź.
Krok 3: Pobierz i zweryfikuj wyniki
Przetwórz odpowiedź API, aby uzyskać wygenerowaną odpowiedź. Po przetworzeniu API zwraca status zadania i dane wyjściowe.