在Hugging Face上，Kimi K2.5登上了Trending榜首，下载量超过了5.3万。
开源热榜第一轮流做，现在花落Kimi。
在Hugging Face上，Kimi K2.5登上了Trending榜首，下载量超过了5.3万。
Kimi K2.5主打Agent能力，在HLE-Full、BrowseComp等测试集中，成绩超越了GPT-5.2、Claude 4.5 Opus以及Gemini 3 Pro等旗舰闭源模型。
而且极具性价比，在BrowseComp上达到比GPT-5.2更高的表现，Kimi K2.5的资金消耗仅有不到5%。
现在，官方的技术报告也已经亮相，Kimi K2.5怎样练成，我们可以从中窥探一些答案。
原生多模态，15T Token混合训练
Kimi K2.5在K2的架构基础上，投入了15T的视觉与文本混合Token进行持续预训练。
它选择了一条原生多模态的技术路线，让同一套参数空间直接处理视觉信号与文本逻辑。
在15T这样庞大的数据量级下，视觉理解与文本推理能力实现了同步增强，一改往日“此消彼长”的局面。
这种统一的参数架构，让模型能够像理解语法结构一样，精准解析像素背后的逻辑语义。
有了这套原生底座，K2.5解锁了“视觉编程”能力。
因为能在像素层面进行推理，它具备了从视频流直接逆向推导代码的能力。
面对一段包含复杂滚动触发特效或动态交互布局的网页演示视频，模型能够准确捕捉视觉元素随时间轴变化的规律，并将其直接映射为可执行的前端代码。
这一过程跳过了“视觉-文本”的中间环节，让开发需求能够以最直观的视觉形式传递给模型，实现了从设计演示到代码实现的无损转化，即便是极其复杂的动态交互逻辑也能被精准还原。
为了解决代码能跑但样式不对的问题，K2.5还集成了自主视觉调试机制，在代码生成并渲染出界面后，模型会调用视觉感知能力对实际运行的页面进行验收。
一旦发现布局错位、样式偏差或动画异常，模型会自动触发文档查询工具，查阅相关技术文档定位问题，并对代码进行修正。
这种“生成-观察-查阅-修复”的自动化闭环，模拟了高级工程师的调试流程，让模型具备了独立完成端到端软件工程任务的可靠性。
超大规模“智能体集群”
为了能更好地解决复杂任务，Kimi K2.5还搭载了Agent Swarm架构。
这是一套能自主构建百人规模数字化团队的并行系统，让模型获得了“分身”能力，可以瞬间创建并编排多达100个子智能体，并支持调用1500个工具的并行工作流。
这种机制将全网深度搜索或海量数据分析等复杂任务，拆解为无数个同步进行的子任务，利用集群算力大幅压缩了处理时间。
指挥这支庞大团队运转的是PARL（并行智能体强化学习）框架。
该框架建立了一套严密的指挥体系，由核心的调度器和众多子智能体构成。
调度器如同指挥官，负责宏观层面的任务拆解与分发；子智能体则作为执行层，在参数冻结的状态下专注于高效完成具体指令。
这种动静结合的设计，既赋予了系统灵活规划的能力，又保障了大规模并行操作的逻辑严密性。
为了让模型学会高效分工，训练过程采用了一套阶段性奖励塑造策略。
系统在初期会优先激励调度器进行并行化探索，培养其“多管齐下”的直觉；随着训练深入，奖励重心平滑过渡至任务的最终成功率。
这种循序渐进的训练方式，让模型建立了在保证结果准确的前提下，最大化利用并发优势的思维习惯。
在效率评估上，系统引入了临界步骤作为核心指标，基于并行计算的关键路径原理，聚焦于调度开销与最慢子智能体的耗时。
这种机制倒逼模型在决策时，必须优先考虑如何缩短端到端的实际等待时间。只有在能切实提升响应速度的情况下，系统才会增加并行度，从而在极致速度与计算资源消耗之间找到了最佳平衡。
杨植麟剧透Kimi K3
K2.5上线后不久，月之暗面的三位创始人——杨植麟、周昕宇和吴育昕现身Reddit，来了一场长达3小时的AMA问答。
面对全球开发者和的提问，他们直接把代码背后的思考、未来的剧透甚至尴尬的Bug都摊开来聊了个透。
对于大家最关心的下一代Kimi K3，团队给出了一个相当硬核的预告——它很可能基于线性注意力机制。
杨植麟更是直言，虽然不敢打包票，但K3相比K2.5哪怕没有10倍的提升，也绝对会有质的飞跃。
针对K2.5偶尔会自称Claude的趣闻，团队也给出了坦诚的解释——
这是因为Kimi“吃”了太多高质量的编程训练数据，而这些数据里充斥着Claude的名字 。这就像读了太多某位作家的书，说话难免带上对方的口头禅。
此外他们也对算力焦虑问题进行了回应，算法负责人周昕宇抛出了一句“创新往往诞生于约束之中（Innovation loves constraints）” 。
在他们看来，堆砌算力不是通往AGI的唯一路径，在有限的资源下逼出更高效的算法、更聪明的架构，才是这家实验室真正的“登月”野心 。
