Kimi K2.5: Visual Agentic Intelligence
本条目由 AI 按收录标准筛选与撰写，经独立的 AI 核查在原文中逐条找到依据，未经人工审核；数字与结论以原文为准。
相关报告
收录理由
该报告为Kimi K2.5技术报告，说明联合图文预训练、零视觉SFT、联合RL与Agent Swarm及PARL训练设置，并给出多域基准评测与post-trained checkpoint开源发布。
关键要点
- 该模型在Kimi K2基础上经大规模联合预训练，使用约15万亿图文混合token。
- 预训练采用全程恒定图文token配比；视觉编码为MoonViT-3D，视频端以轻量3D ViT压缩并在patch级做时序聚合。
- post-training提出zero-vision SFT，仅使用文本SFT数据激活视觉推理与工具使用能力。
- outcome-based视觉RL后，MMLU-Pro由84.7%升至86.4%。
- 宽搜场景下Agent Swarm将item-level F1从72.8%提至79.0%，相对单智能体基线推理延迟最多可降至4.5×。
- BrowseComp上Agent Swarm得78.4%。