Kimi K2.5: возможности, контекст и результаты тестов
Замеры качества работы модели Kimi K2.5 с длинными документами и кодом.
Kimi K2.5 от Moonshot — это новая ведущая модель с открытыми весами, которая теперь ближе, чем когда-либо, к передовым достижениям — впереди только модели OpenAI, Anthropic и Google.
Ключевые выводы
➤ Впечатляющая производительность при выполнении агентских задач: Kimi K2.5 достигает Elo 1309 по нашей оценке GDPval-AA, уступая только моделям OpenAI и Anthropic. Kimi K2.5 опережает GLM-4.7, DeepSeek V3.2 и Gemini 3 Pro. GDPval-AA — это наш ведущий показатель общей производительности агентов, измеряющий производительность моделей при выполнении реалистичных задач работы с знаниями, таких как подготовка презентаций и анализ. Модели получают доступ к оболочке и возможности просмотра веб-страниц в агентном цикле через нашу справочную агентскую систему под названием Stirrup.
➤ Впервые встроенная мультимодальность: Kimi K2.5 — первая флагманская модель Moonshot с поддержкой мультимодального ввода (изображений и видео). Впервые ведущая модель открытых весов поддерживает ввод изображений, устраняя критический барьер на пути внедрения моделей открытых весов по сравнению с запатентованными моделями из передовых лабораторий. Это представляет собой существенное отличие Kimi K2.5 от других лидеров открытых весов, включая DeepSeek V3.2, GLM-4.7, MiniMax M2.1 и MiMo-V2-Flash. Kimi K2.5 набирает 75% в тесте визуального мышления MMMU Pro, немного отставая от Gemini 3 Pro, но соответствуя GPT-5.2 и Claude Opus 4.5.
➤ Умеренная стоимость запуска индекса искусственного анализа интеллекта: Kimi K2.5 стоит 371 доллар США в индексе стоимости запуска искусственного анализа интеллекта, что более чем в 4 раза дешевле, чем Claude Opus 4.5 и GPT-5.2, но более чем в 5 раз дороже, чем DeepSeek V3.2 и gpt-oss-120b.
➤ Умеренное использование токенов: Кими K2.5 демонстрирует использование токенов, сравнимое с другими моделями на том же уровне интеллекта, используя ~ 82 миллиона токенов рассуждения в пакете оценки индекса искусственного анализа интеллекта. Это немного ниже, чем у Kimi K2 Thinking (~95 миллионов жетонов рассуждения) и намного ниже, чем у GLM 4.7 (~160 миллионов жетонов рассуждения).
➤ Открытые веса: Kimi K2.5 — модель MoE с общими параметрами 1T и активным 32B. Подобно Kimi K2 Thinking, Kimi K2.5 был выпущен с собственной точностью INT4, а не FP8/BF16. Это означает, что модель весит всего ~595 ГБ.
➤ Гибридное рассуждение: Кими K2.5 объединяет модели рассуждения и нерассуждения Moonshot в единую модель. Мы оценили К2.5 с включенными рассуждениями (и скоро поделимся результатами с отключенными рассуждениями).
➤ Низкий уровень галлюцинаций: Кими K2,5 получает -11 баллов по Индексу всеведения AA, нашей оценке знаний, измеряющей как точность, так и частоту галлюцинаций. Этот показатель в первую очередь обусловлен сравнительно низким уровнем галлюцинаций — 64% (по сравнению с 74% у Kimi K2 Thinking), что указывает на несколько большую тенденцию воздерживаться, а не фабриковать знания, когда модель неопределенна.
Индекс интеллекта искусственного анализа
Производительность GDPval-AA
Kimi K2.5 стоит 371 доллар для запуска индекса искусственного интеллекта, что делает его дороже, чем другие модели с открытыми весами, но значительно дешевле, чем передовые запатентованные модели.
Стоимость проведения анализа
Kimi K2.5 требует немного меньше токенов, чем Kimi K2 Thinking.
Использование выходных токенов
Кими К2,5 получил -11 баллов по индексу всеведения АА.
Индекс всеведения АА
