Агенты

Kimi K2.5 — китайский open-source с роем из 100 агентов

Moonshot выпустили Kimi K2.5 — мультимодальную модель с vision, кодингом и рой-архитектурой до 100 параллельных агентов

Kimi K2.5 — китайский open-source с роем из 100 агентов
TL;DR: Moonshot выкатили Kimi K2.5 — open-source модель, которая умеет запускать рой из 100 агентов параллельно, делать до 1500 tool calls за задачу и работает в 4.5 раза быстрее одиночного агента. Плюс сильный vision и кодинг.

Китайцы из Moonshot не дают расслабиться. Только недавно они выпустили K2, а тут уже K2.5 — и это не просто минорный апдейт.

Что нового

K2.5 дообучили на 15 триллионах токенов текста и картинок. Это нативная мультимодальная модель, то есть vision не прикрутили сбоку, а встроили с самого начала.

Главная фишка - agent swarm. Модель сама создаёт до 100 подагентов и раздаёт им задачи параллельно. Никаких предзаданных ролей или хардкода - K2.5 сам решает, каких специалистов создать и как распределить работу.

В итоге получается до 1500 tool calls за одну задачу, а скорость выполнения растёт в 4.5 раза по сравнению с обычным подходом «один агент делает всё по очереди».

Метод PARL

Moonshot назвали свой метод PARL — Parallel-Agent Reinforcement Learning. Идея такая: есть главный агент-оркестратор, который декомпозирует задачу на части. Каждую часть выполняет отдельный подагент.

Проблема в том, что учить такую систему сложно: фидбэк приходит с задержкой, от разных агентов, и всё это меняется по ходу обучения. Плюс есть риск «коллапса в последовательность», когда оркестратор забивает на параллелизм и гоняет всё по очереди.

Чтобы побороть это, они ввели награду за параллелизм на ранних этапах обучения. Постепенно эта награда затухает, и модель переключается на качество результата.

Vision + Code

K2.5 хорошо работает с картинками и кодом одновременно. Можешь скинуть скриншот интерфейса — модель сгенерирует код. Или показать видео сайта — она его воспроизведёт.

Интересный пример из блога: K2.5 дали картинку лабиринта и попросили найти кратчайший путь. Модель сама написала код на Python с BFS-алгоритмом, обработала картинку, нашла путь из 113 тысяч шагов и визуализировала результат.

Бенчмарки

На SWE-Bench Verified модель показала 76.8%. Это рядом с GPT-5.2 (80%) и Claude Opus 4.5 (80.9%). На агентных бенчмарках интереснее: K2.5 в режиме swarm набрал 78.4% на BrowseComp, обойдя всех остальных.

Vision тоже неплохой — MMMU-Pro 78.5%, VideoMMMU 86.6%. Хотя, честно говоря, эти цифры мало что говорят без реального опыта использования.

Где попробовать

Модель доступна на kimi.com, в приложении Kimi, через API и в Kimi Code — это их терминальный клиент вроде Claude Code. Есть четыре режима: K2.5 Instant, K2.5 Thinking, K2.5 Agent и K2.5 Agent Swarm (пока в бета).

Agent Swarm пока дают бесплатно пользователям платных тарифов.

Не знаю, насколько хорошо это будет работать на реальных задачах — бенчмарки это одно, а практика другое. Но сама идея роя агентов выглядит правильной. Вместо того чтобы делать одну модель умнее, они масштабируют параллельно. Посмотрим, приживётся ли такой подход.

Kimi K2.5 Tech Blog: Visual Agentic Intelligence
Kimi K2.5 defines Visual Agentic Intelligence. Trained on 15T tokens, it introduces SOTA visual coding and autonomous agent swarm. Read the full tech blog.

Что ещё почитать

CTO говорит

Разбираю релизы моделей и инструментов: что вышло и стоит ли переходить.

Читать в Telegram

Ещё в разделе Агенты и автоматизация

Весь раздел