Laporan Teknis Kimi K2.5 [PDF] - Model Multimodal Terbuka Menuju Kecerdasan Agen Visual

• Kimi K2.5 yang dirilis Moonshot AI adalah model agen multimodal open-source yang dioptimalkan bersama untuk teks dan visi, yang secara komprehensif menangani penalaran, coding, visi, dan tugas agen dalam satu model
• Untuk melampaui keterbatasan agen sekuensial yang ada, model ini memperkenalkan orkestrasi agen paralel Agent Swarm untuk mengurai dan mengeksekusi tugas kompleks secara bersamaan
• Dalam evaluasi benchmark yang luas yang mencakup gambar, video, dokumen, web, hingga lingkungan OS, model ini menyajikan performa komparatif terhadap model komersial maupun open-source
• Secara eksperimental dikonfirmasi adanya efek transfer lintas modal di mana reinforcement learning visual juga meningkatkan performa penalaran teks
• Dengan merilis checkpoint terlatih, proyek ini menargetkan riset sistem agen umum dan perluasan penggunaan di dunia nyata

---

Gambaran umum dan latar masalah

• Model bahasa skala besar sedang berevolusi melampaui tanya-jawab sederhana menuju kecerdasan agen yang mampu menggunakan tool dan melakukan perencanaan jangka panjang
• Model multimodal yang ada umumnya menambahkan visi ke desain yang berpusat pada teks, sehingga masih memiliki konflik antar-modal dan keterbatasan generalisasi
• Dalam tugas nyata yang kompleks, latensi akibat eksekusi agen sekuensial dan keterbatasan konteks menjadi bottleneck utama

Desain inti Kimi K2.5

• Melalui pra-pelatihan bersama teks–visi, kedua modal dicampur dalam rasio tertentu sejak awal pelatihan untuk memperkuat alignment
• Menggunakan vision encoder MoonViT-3D untuk memproses gambar resolusi asli dan video berdurasi panjang dalam struktur yang sama
• Mengadopsi strategi zero-vision SFT yang memungkinkan performa visi aktif tanpa SFT khusus visi
• Melalui reinforcement learning multimodal bersama yang disusun per unit kapabilitas, model ini secara simultan meningkatkan pengetahuan, penalaran, coding, dan kemampuan agen

Arsitektur Agent Swarm

• Orkestrator pusat mengurai tugas menjadi submasalah yang dapat diparalelkan dan secara dinamis membuat subagen spesialis
• Setiap subagen bekerja dalam konteks lokal yang terpisah untuk mencegah kontaminasi konteks global
• Alih-alih seluruh log, hanya hasil yang diringkas yang digabung secara selektif untuk menerapkan context sharding
• Model dilatih meminimalkan latensi melalui prompt pelatihan yang mendorong eksekusi paralel dan metrik Critical Steps

Konfigurasi dan skala pelatihan

• Model dasar Kimi K2 menggunakan arsitektur MoE 1 triliun parameter dan dipra-latih dengan 15 triliun token teks
• Melalui pelatihan joint long-context, model mendukung panjang konteks hingga 256k
• Mencakup beragam data multimodal seperti gambar, video, OCR, dokumen, dan screenshot OS

Evaluasi dan performa: ringkasan berfokus pada perbandingan model utama

• Kimi K2.5 menjalani evaluasi perbandingan dalam kondisi yang sama terhadap model komersial (Claude Opus 4.5, GPT-5.2, Gemini 3 Pro) dan model open-source (DeepSeek-V3.2, Qwen3-VL-235B)
• Semua evaluasi dijalankan dengan temperature 1.0, top-p 0.95, dan panjang konteks maksimum 256k

• Benchmark penalaran dan pengetahuan umum

  • Di AIME 2025, Kimi K2.5 mencatat 96.1, melampaui Claude Opus 4.5(92.8) dan Gemini 3 Pro(95.0), serta mendekati performa GPT-5.2(100)
  • Di HMMT 2025 dan IMO-AnswerBench, model ini juga mempertahankan skor yang lebih tinggi dibanding Claude Opus 4.5 dan Qwen3-VL
  • Pada GPQA-Diamond, skornya 87.6, setara dengan Claude Opus 4.5(87.0) dan menunjukkan performa lebih unggul dibanding model open-source lain
  • Pada LongBench v2, Gemini 3 Pro mencatat skor tertinggi, tetapi Kimi K2.5 tetap menunjukkan hasil yang kompetitif dibanding DeepSeek-V3.2 dan Qwen3-VL

• Coding dan software engineering

  • Di SWE-Bench Verified, Kimi K2.5 mencatat 76.8, mirip dengan DeepSeek-V3.2(76.2), dan melampaui Qwen3-VL(73.1)
  • Pada SWE-Bench Pro dan Multilingual, model ini masih di bawah model komersial, tetapi tetap berada di kelompok atas di antara model open-source
  • Di LiveCodeBench v6, model ini mencatat 85.0, lebih tinggi daripada Claude Opus 4.5(82.2) dan Qwen3-VL(83.3)
  • Pada PaperBench(CodeDev) dan CyberGym, model komersial masih unggul, tetapi Kimi K2.5 menunjukkan performa stabil yang layak dipakai di dunia nyata

• Tugas agen dan berbasis pencarian

  • Di BrowseComp, untuk agen tunggal model ini mencatat 60.6, jauh melampaui Claude Opus 4.5(37.0)
  • Saat Agent Swarm diterapkan, skor BrowseComp menjadi 78.4 dan WideSearch 79.0, menunjukkan peningkatan yang jelas dibanding agen tunggal
  • Pada WideSearch, Claude Opus 4.5 mencatat skor lebih tinggi untuk agen tunggal, tetapi dalam konfigurasi agen paralel Kimi K2.5 lebih unggul
  • Pada keluarga benchmark DeepSearchQA dan FinSearchComp, model ini juga mencatat hasil yang mendekati model komersial

• Pemahaman visi, dokumen, dan video

  • Pada MMMU-Pro, OCRBench, OmniDocBench 1.5 dan lainnya, model ini dibandingkan langsung dengan Qwen3-VL dan secara umum tetap kompetitif dalam penalaran visual dan pemahaman dokumen
  • GPT-5.2 pada beberapa evaluasi visi mengalami tingkat kegagalan output sekitar 10%, sehingga dinilai secara konservatif
  • Pada benchmark video panjang dan pendek, Kimi K2.5 menunjukkan performa yang konsisten dan hasil yang lebih stabil dibanding model yang berfokus pada gambar tunggal

• Evaluasi keseluruhan

  • Kimi K2.5 memang belum melampaui model komersial terbaik pada sebagian metrik, tetapi di antara model multimodal dan agen open-source, model ini menunjukkan performa yang paling luas dan seimbang
  • Terutama saat Agent Swarm diterapkan, keunggulan yang jelas terlihat pada tugas agen dan pencarian
  • Karena mencakup penalaran, coding, visi, dan agen dalam satu model terbuka, model ini adalah model agen umum yang benar-benar dapat digunakan, bukan sekadar untuk eksperimen

Keterbatasan dan observasi

• Beberapa model komersial mengalami tingkat kegagalan output pada benchmark visi sehingga diperlakukan dengan skor konservatif
• Pada tugas agen yang panjang, perbedaan performa sangat dipengaruhi strategi pengelolaan konteks
• Beberapa benchmark berbiaya tinggi dikeluarkan dari evaluasi karena masalah stabilitas API

Publikasi dan pemanfaatan

• Checkpoint post-training Kimi K2.5 dirilis sebagai open-source
• Menjadi model dasar yang dapat digunakan ulang untuk sistem agen umum, riset multimodal, dan workload otomatisasi nyata
• Pendekatan yang tidak memisahkan teks dan visi serta struktur agen paralel dapat menjadi jalur praktis menuju General Agentic Intelligence