最强开源模型易主？Kimi 发布 k2.5 用 Agent 集群解决长文本+视觉生成

就在刚刚，月之暗面正式发布并开源了 Kimi k2.5。

官方技术报告的第一句话就不装了：the most powerful open-source model to date——迄今为止最强大的开源模型。

与上一代模型不同，Kimi k2.5 并非简单的「升级版」，而是一个基于 1.5T 混合视觉与文本 Token 预训练的原生多模态模型。在这个基础底座之上，Kimi 团队构建了一套名为 Visual Agentic Intelligence（视觉智能体智能）的系统。

从「单兵作战」到「集群思维」

这次发布的更新当中，Agent 集群堪称是 Kimi k2.5 最具颠覆性的创新。

在过去的几年里，无论模型多强，面对超长、超复杂的任务（比如「帮我调研 100 家竞品的定价策略」），它们通常只能串行处理：查完第 1 家，再查第 2 家……一旦中间出错，整个任务链就容易断裂。

这些智能体可以是「AI 搜索员」、「AI 物理学家」、「AI 事实核查员」……它们在指挥官的调度下并行工作。技术文档显示，Kimi k2.5 支持高达 1500 次并行工具调用（Parallel Tool Calls）。

效果是立竿见影的。在官方演示的「寻找 100 个细分领域的 YouTube 头部博主」任务中，人类需要几天，传统单体 AI 需要数小时，而 Kimi Agent Swarm 仅需几分钟。

数据显示，相比传统模式，Swarm 架构将端到端任务的执行时间减少了 80%，整体效率提升了 4.5 倍。

为了驾驭这种疯狂的并发能力，Kimi 团队采用了一种名为 PARL (Parallel-Agent Reinforcement Learning) 的训练方法。这让模型学会了在没有预定义工作流（Workflow）的情况下，自主拆解任务、分发任务、并处理并行反馈。即便某个子智能体失败了（Serial Collapse），指挥官也能迅速感知并重新调度。

VLM 过时了，这是「视觉工程师」

如果说 Swarm 是 Kimi 的「大脑」，那么 Visual Coding（视觉编程） 就是它进化的「眼睛」。

K2.5 模型支持从简单的自然语言对话生成完整的前端界面，并能有效处理交互式布局及滚动触发等动态效果。在 Kimi k2.5 之前，市面上的 VLM（视觉语言模型）大多停留在「看图说话」的阶段——你给它一张网页截图，它告诉你「这里有个红色按钮」。但如果你让它写代码复刻这个网页，它往往只能写出一个死板的 HTML 骨架，根本不懂交互逻辑。

你只需要录制一段网页操作的视频投喂给 Kimi k2.5，它不仅能看懂静态的 UI 布局，还能理解动态的交互逻辑——比如滚动触发特效、复杂的卡片翻转动画等。然后，它会直接生成包含完整 CSS 和 JS 逻辑的可用代码。

更惊人的是它做视觉调试（Visual Debugging）能力。写完代码后，Kimi k2.5 会「看」一眼渲染出来的页面。如果发现「按钮歪了」或者「颜色和原视频不一致」，它会像人类工程师一样，基于视觉反馈去修改代码，而不是盲目地重新生成。

这种「观察-编码-验证-修正」的闭环能力，让 Kimi k2.5 成为了目前开源界当之无愧的新王，代码和视觉两手抓。

在权威的 SWE-Bench Verified 测试中，Kimi k2.5 拿下了 76.8 的高分，这一成绩不仅碾压了 GPT 5.2，也超过了同为开源顶流的 DeepSeek V3.2。

当所有人都试图把单一模型做得越来越大时，Kimi 展示了另一种可能：通过极致的视觉感知理解世界，通过庞大的智能体集群改造世界。

目前，Kimi k2.5 已在 Hugging Face 开源，同时 Agent Swarm 模式也已在 Kimi.com 上线。无论是用户还是开发者而言，这可能是 2026 年最值得上手一试的开源模型。

作者：Selina