Moonshot AI 發佈 Kimi K2.5，Agent Swarm 可協調最多 100 個子智能體

研究

今天，我們推出 Kimi K2.5，這是迄今最強大的開源模型。

Kimi K2.5 以 Kimi K2 為基礎，透過約 15T 個混合視覺與文字 token 進行持續預訓練。K2.5 是原生多模態模型，在編碼與視覺能力方面達到最先進水平，並採用自主運作的 Agent Swarm 模式。

處理複雜任務時，Kimi K2.5 可自主調度由最多 100 個子代理組成的 Agent Swarm，並行執行工作流程，最多進行 1,500 次工具呼叫。與單一代理設定相比，執行時間最多可縮短 4.5x。Agent Swarm 由 Kimi K2.5 自動建立及協調，無需預先定義子代理或工作流程。

Kimi K2.5 可透過 Kimi.com、Kimi App、API 及 Kimi Code 使用。Kimi.com & Kimi App 現時支援 4 種模式：K2.5 Instant、K2.5 Thinking、K2.5 Agent 及 K2.5 Agent Swarm（Beta）。Agent Swarm 現正於 Kimi.com 公開測試，高階付費用戶可獲免費額度。

智能代理

HLE-Full

BrowseComp

DeepSearchQA

編碼

SWE-Bench Verified

SWE-Bench Multilingual

圖像

MMMU Pro

MathVision

OmniDocBench 1.5

影片

VideoMMMU

LongVideoBench

在 HLE、BrowseComp 和 SWE-Verified 這三項代理基準測試中，Kimi K2.5 表現出色，而且成本僅為一小部分。

1. 結合視覺的編碼

Kimi K2.5 是迄今最強大的編碼開源模型，尤其擅長前端開發。

K2.5 可將簡單對話轉化為完整的前端介面，製作互動式版面配置和豐富動畫，例如由捲動觸發的效果。以下是 K2.5 根據單一提示詞配合 image-gen 工具生成的範例：

除了文字提示詞，K2.5 亦擅長結合視覺進行編碼。透過對圖像和影片進行推理，K2.5 改善了圖像／影片轉程式碼生成及視覺除錯能力，降低用戶以視覺方式表達意圖的門檻。

以下是 K2.5 根據影片重建網站的範例：

這項能力源自大規模視覺與文字聯合預訓練。規模擴大後，視覺與文字能力之間的取捨不復存在，兩者會同步提升。

以下是 K2.5 對謎題進行推理，並使用程式碼標示最短路徑的範例：

找出由左上角（綠點）至右下角（紅點）的最短路徑，黑色代表道路。

我會幫你找出穿越這個迷宮的最短路徑。讓我分析圖像並實作尋路演算法。

讓我在圖像中找出綠色（起點）和紅色（終點）的點：

讓我把圖像轉換成二值迷宮，並找出最接近角落的道路（黑色）像素：

現在我會實作 BFS，找出穿越這個迷宮的最短路徑：

現在讓我在迷宮上顯示最短路徑：

讓我再製作一個更清晰的視覺化圖像，以不同顏色顯示路徑進程：

讓我也顯示終點區域，並儲存最終結果：

找到解答！

我成功使用 BFS（廣度優先搜尋）演算法找出迷宮中的最短路徑。此演算法可確保在無權重網格迷宮中得出最佳解。

結果：

segment.table

common.copy

指標	數值
路徑長度	113,557 步
起點位置	(7, 3)－接近左上角
終點位置	(1495, 2999) - 接近右下角
演算法	BFS（適用於無權重圖的最佳演算法）
驗證	所有步驟均有效（僅可向四個方向移動）

關鍵觀察：

路徑視覺化：解答以色彩漸變呈現：
- 綠色表示起點區域（左上）
- 紅色／黃色表示中間路段
- 藍色表示終點區域（右下）
迷宮結構：這是一個密集的「完美迷宮」（本質上是一棵生成樹），牆壁密度約為 50%，即路徑會蜿蜒穿過大約一半的可用空間。
複雜度：需要搜尋近 450 萬個像素，BFS 演算法按層高效探索所有可能路徑，確保找出最短路徑。

下載：

完整解答圖片已儲存，可在上方查看。路徑以彩色標示，呈現在原本由黑色（通道）和白色（牆壁）組成的迷宮結構上。

注意：座標（行、列）以左上角為原點，索引由 0 開始。實際路徑由 113,557 個相連像素組成，形成一條從起點到終點的連續路線；BFS 的最優性可確保這條路線無法再縮短。

K2.5 擅長處理真實世界的軟件工程任務。我們使用 Kimi Code Bench 評估 K2.5。這是我們的內部編碼基準測試，涵蓋多種程式語言的各類端到端任務，從建置、除錯、重構、測試到編寫腳本。在這項基準測試中，K2.5 在各類任務上的表現均較 K2 持續且顯著提升。

如要試用 K2.5 的 Agent 式編碼能力，K2.5 Agent提供一套預先設定的工具，讓你立即親身體驗。對於軟件工程用途，我們建議將 Kimi K2.5 與我們的新編碼產品 Kimi Code 配合使用。

Kimi Code可在終端機中運作，亦可整合至多種 IDE，包括 VSCode、Cursor、Zed 等。Kimi Code 是開源軟件，並支援以圖片和影片作為輸入。它亦會自動探索現有的技能和 MCP，並將它們遷移至 Kimi Code 的工作環境。

以下是使用 Kimi Code 將 Matisse 的《La Danse》美學風格轉化為 Kimi App 的例子。這個示範展現了自主視覺除錯方面的突破。K2.5 利用視覺輸入和文件查閲，以視覺方式檢視自身輸出，並自主反覆迭代，從頭到尾打造出一個受藝術啟發的網頁：

2. Agent Swarm

橫向擴展，不止於縱向擴展。我們以研究預覽版形式推出 K2.5 Agent Swarm，標誌著從單一 Agent 擴展，轉向自主協調的羣集式執行。

透過平行 Agent 強化學習（PARL）訓練，K2.5 學會自主調度一個由最多 100 個子 Agent 組成的Agent 羣，執行多達 1,500 個協調步驟的平行工作流程，而無需預先定義角色或人手編排工作流程。

PARL 使用可訓練的協調器 Agent，將任務分解為可並行處理的子任務，每項子任務均由動態建立的凍結子 Agent執行。與依序執行 Agent 相比，同時執行這些子任務可大幅減低端到端延遲。

由於獨立運行的子 Agent 所提供的回饋具有延遲、稀疏及非平穩等特性，訓練可靠的平行協調器並不容易。常見的失敗模式是串行崩潰：儘管協調器具備平行處理能力，仍預設採用單一 Agent 執行。為解決這個問題，PARL 採用分階段獎勵塑形，在訓練初期鼓勵平行處理，並逐步將重點轉向任務成功。

我們將獎勵定義為

rPARL(x,y)=λ1⋅rparallel⏟實例化獎勵+λ2⋅rfinish⏟子 Agent 完成率+rperf(x,y)⏟任務層級結果 .

效能獎勵 rperf 評估給定任務 x 的解決方案 y 整體是否成功，以及其品質。當中還加入兩種輔助獎勵，分別應對學習平行協調時的不同挑戰。引入獎勵 rparallel 是為了緩解串行崩潰——這是一種局部最優狀態，協調器會預設採用單一 Agent 執行。此項獎勵透過鼓勵實例化子 Agent，促使系統探索並行排程空間。獎勵 rfinish 則著重於成功完成已分配的子任務，旨在防止虛假並行：這是一種獎勵駭客行為，協調器會在未有實質分解任務的情況下，透過大量建立子 Agent 大幅提高平行處理指標。獎勵已完成的子任務後，rfinish 便能確保分解方案可行，並引導策略採用有效且可行的任務分解方式。超參數 λ1 和 λ2 會在訓練過程中逐步退火至零。

為進一步促使系統採用平行策略，我們引入一個計算瓶頸，令依序執行變得不切實際。我們不計算總步數，而是採用以延遲為導向的指標關鍵步數評估效能；此指標的靈感來自並行計算中的關鍵路徑：

CriticalSteps=∑t=1T(Smain(t)+max⁡iSsub,i(t))

Smain(t)代表協調開銷，而 max⁡iSsub,i(t)則反映每個階段中速度最慢的子 Agent。按此指標，只有在建立更多子任務能縮短關鍵路徑時，才會帶來幫助。

Architecture diagram of Kimi K2.5 Agent Swarm showing an Orchestrator dynamically creating and assigning tasks to specialized sub-agents for parallel execution

Agent 羣組設有一個協調器，可動態建立專門的子 Agent（例如 AI 研究員、物理研究員、事實查核員），並將複雜任務分解為可並行處理的子任務，以便高效分散執行。

Training metrics for Kimi K2.5 showing Training Accuracy and Average Parallelism both increasing steadily with RL flops during the reinforcement learning process

在我們的平行 Agent 強化學習環境中，獎勵會隨訓練進程平穩上升。同時，訓練期間的平行程度亦逐步提高。

K2.5 Agent Swarm 透過平行化及專業分工執行，提升處理複雜任務的表現。 在我們的內部評估中，它帶來80% 的端到端執行時間縮短，同時支援更複雜、執行週期更長的工作負載，如下所示。

Benchmark comparison: Kimi K2.5 Agent Swarm outperforming Claude Opus 4.5 on BrowseComp, Wide Search, and In-house Bench

Execution Time to Solve Tasks of Different Complexity

在廣泛搜尋情境下，相較於單一 Agent 執行，Agent Swarm 達到目標表現所需的最少關鍵步驟減少 3×–4.5×；隨着目標提高，節省幅度亦會增加，透過平行化令實際執行時間最多縮短 4.5×。

以下是展示執行軌跡的代表性例子，呈現 K2.5 Agent Swarm 的實際運作：

任務是在100 個細分領域中找出排名前三的 YouTube 創作者。
K2.5 Agent Swarm 會先研究並界定各個領域，然後自主建立 100 個子 Agent 進行平行搜尋。
每個子 Agent 會在獲分配的細分領域中找出頂尖創作者，並將結果（300 份 YouTuber 個人檔案）整理成結構化試算表。

3. 辦公室生產力

Kimi K2.5 將代理式智能帶入現實世界的知識工作。

K2.5 Agent 可以端到端處理高密度、大規模的辦公室工作。它能分析大量且高密度的輸入內容、協調多步驟工具操作，並直接透過對話提供專家級成果：文件、試算表、PDF 及簡報。

我們聚焦於現實世界的專業任務，設計了兩項內部專家級生產力基準測試。AI Office Benchmark 評估端到端的 Office 產出品質，而 General Agent Benchmark 則以人類專家的表現為基準，衡量多步驟、可用於正式環境的工作流程。兩項基準測試的結果均顯示，K2.5 的表現 較 K2 Thinking 分別提升 59.3% 和 24.3%，反映它在現實世界任務中的端到端表現更佳。

Benchmark results: Kimi K2.5 showing significant improvements over K2 Thinking, with 71.2% better performance in AI Office Bench and 39.0% in General-Agent Bench

內部專家生產力基準測試（AI Office）

K2.5 Agent 支援多種進階任務，例如在 Word 中加入註解、使用樞紐分析表建立財務模型，以及在 PDF 中撰寫 LaTeX 方程式，亦能處理長篇內容，例如10,000 字論文或 100 頁文件。

以往需要數小時或數天完成的任務，現在只需數分鐘。以下是一些例子：

4. 結論

憑藉視覺編碼、Agent Swarm 及辦公室生產力方面的進展，Kimi K2.5 為開源社羣邁向 AGI 踏出重要一步，展現出在現實世界限制下處理現實世界任務的強大能力。展望未來，我們將進一步探索代理式智能的前沿，重新界定 AI 在知識工作中的能力界限。

附錄

基準測試表格

如要重現 Kimi-K2.5 的官方基準測試結果，我們建議使用官方 API。如使用第三方供應商，請參閲 Kimi Vendor Verifier (KVV)，以選擇高準確度服務。詳情：https://www.kimi.com/blog/kimi-vendor-verifier

註腳

1. 一般測試詳情

我們報告 Kimi K2.5 和 DeepSeek-V3.2 在啟用思考模式時、Claude Opus 4.5 在延伸思考模式時、GPT-5.2 在 xhigh 推理力度時，以及 Gemini 3 Pro 在高思考級別時的結果。對於視覺基準測試，我們另外報告 Qwen3-VL-235B-A22B-Thinking 的結果。
除非另有説明，所有 Kimi K2.5 實驗均以 temperature = 1.0、top-p = 0.95 和 256k tokens 的上下文長度進行。
沒有公開評分的基準測試，均在與 Kimi K2.5 相同的條件下重新評估，並以星號 (*) 標示。
由於服務穩定性問題，我們未能在所有基準測試中評估 GPT-5.2 xhigh。對於未有測試的基準測試，我們以 "-" 標示。

2. 文字與推理

HLE、AIME 2025、HMMT 2025 (Feb)、GPQA-Diamond 和 IMO-AnswerBench 的評估採用最多 96k tokens 的輸出預算。
AIME 和 HMMT 的結果取 32 次執行的平均值 (avg@32)；GPQA-Diamond 則取 8 次執行的平均值 (avg@8)。
對於 HLE，我們報告完整數據集（text & image）的分數。Kimi K2.5 不使用工具時，文字和圖片部分的分數分別為 31.5 和 21.3；使用工具時，分數分別為 51.8 和 39.8。DeepSeek-V3.2 的分數對應其純文字子集（以 † 標示）。為防止可能的數據洩漏，Hugging Face 的存取受到封鎖。使用工具進行 HLE 評估時採用簡單的上下文管理方式：一旦上下文超出門檻，只保留最新一輪的工具訊息。

3. 工具增強／Agent 搜尋

在使用工具的 HLE 和所有 Agent 搜尋基準測試中，Kimi K2.5 均配備搜尋、程式碼解譯器和網頁瀏覽工具。
除 BrowseComp 外（K2.5 和 DeepSeek-V3.2 在該測試中採用 discard-all 策略），我們沒有採用上下文管理；超出支援上下文長度的任務則直接計為失敗。
測試系統提示詞強調深入而主動地使用工具，指示模型仔細推理、善用工具，並核實不確定的資訊。完整提示詞將於技術報告中提供。
Seal-0 和 WideSearch 的結果取四次執行的平均值 (avg@4)。

4. 視覺基準測試

Max-tokens = 64k，取三次執行的平均值 (avg@3)。
ZeroBench (w/ tools) 使用 max-tokens-per-step = 24k 和 max-steps = 30 進行多步推理。
MMMU-Pro 遵循官方測試規程，保留輸入順序並將圖片置於前方。
GPT-5.2-xhigh 的失敗率約為 10%（重試 3 次仍無輸出），這些情況均計為錯誤；報告的分數可能低於其實際表現。
WorldVQA 是一項旨在評估原子級視覺中心世界知識的基準測試。可透過 https://github.com/MoonshotAI/WorldVQA 存取 WorldVQA。
OmniDocBench Score 的計算方式為 (1 − normalized Levenshtein distance) × 100，分數越高代表準確度越高。

5. 程式碼任務

Terminal-Bench 2.0 的分數使用預設 Agent 框架 (Terminus-2) 和提供的 JSON 解析器得出。在我們的實作中，Terminal-Bench 2.0 的評估採用非思考模式。這是因為我們目前用於思考模式的上下文管理策略與 Terminus-2 不相容。
對於 SWE-Bench 系列評測（包括 verified、multilingual 和 pro），我們使用內部開發的評測框架。此框架包含一組精簡工具——bash 工具、createfile 工具、insert 工具、view 工具、strreplace 工具和 submit 工具——以及為這些任務度身設計的系統提示詞。最高分是在非思考模式下取得。
Claude Opus 4.5 在 CyberGym 的分數，是在非思考設定下報告的。
所有已報告的編碼任務分數，均為 5 次獨立執行的平均值。

6. 長上下文基準測試

AA-LCR：分數為三次執行的平均值（avg@3）。
LongBench-V2：提示詞和輸入上下文均相同，並標準化至約 128k tokens。

7. Agent Swarm

BrowseComp（羣集模式）：主代理最多執行 15 步；子代理最多執行 100 步。
WideSearch（羣集模式）：主代理和子代理最多執行 100 步。