kbits

Kimi K2.5 技術レポート - マルチモーダルエージェントモデルの新時代

• ソース: GitHub - MoonshotAI/Kimi-K2.5
• 著者: Moonshot AI
• 日付: 2026年1月
• 種別: 技術レポート
• アーカイブ日: 2026-01-31

---

概要

Moonshot AIが発表したKimi K2.5は、視覚と言語の理解を統合したネイティブマルチモーダルエージェントモデル。約15兆の混合視覚・テキストトークンで継続事前学習され、GPT-5.2、Claude Opus 4.5、Gemini 3 Proと肩を並べるパフォーマンスを示している。

主要な特徴

1. ネイティブマルチモーダリティ

視覚と言語のトークンで事前学習されており、視覚的知識、クロスモーダル推論、視覚入力に基づくエージェント的ツール使用に優れる。

2. ビジョンを使ったコーディング

UIデザインやビデオワークフローといった視覚仕様からコードを生成し、視覚データ処理のためのツールを自律的に編成できる。

3. Agent Swarm（エージェントスウォーム）

単一エージェントスケーリングから、自己指向型・協調型のスウォーム実行スキームへの移行。複雑なタスクを並列サブタスクに分解し、動的にインスタンス化されたドメイン固有のエージェントによって実行する。

モデル仕様

項目	値
アーキテクチャ	Mixture-of-Experts (MoE)
総パラメータ数	1T
アクティブパラメータ数	32B
レイヤー数	61（Denseレイヤー含む）
エキスパート数	384
トークンごとに選択されるエキスパート	8
コンテキスト長	256K
ビジョンエンコーダ	MoonViT (400M params)
語彙サイズ	160K

ベンチマーク性能（抜粋）

推論・知識

• AIME 2025: 96.1（GPT-5.2: 100、Claude 4.5: 92.8）
• GPQA-Diamond: 87.6（GPT-5.2: 92.4、Claude 4.5: 87.0）
• MMLU-Pro: 87.1（Gemini 3 Pro: 90.1、Claude 4.5: 89.3）

画像・動画

• MMMU-Pro: 78.5（Gemini 3 Pro: 81.0、GPT-5.2: 79.5）
• MathVision: 84.2（Gemini 3 Pro: 86.1、GPT-5.2: 83.0）
• OCRBench: 92.3（GPT-5.2: 80.7、Claude 4.5: 86.5）
• VideoMMMU: 86.6（Gemini 3 Pro: 87.6、GPT-5.2: 85.9）

コーディング

• SWE-Bench Verified: 76.8（Claude 4.5: 80.9、GPT-5.2: 80.0）
• LiveCodeBench (v6): 85.0（Gemini 3 Pro: 87.4、Claude 4.5: 82.2）

エージェンティック検索

• BrowseComp (Agent Swarm): 78.4（他モデルは通常モードで60-65前後）
• WideSearch (Agent Swarm): 79.0 item-f1（通常モード: 72.7）

Agent Swarmの革新性

従来のシングルエージェントアプローチと異なり、K2.5は複雑なタスクを自動的に分解し、専門化されたサブエージェントを動的に生成・協調させる。例えば：

• BrowseComp: メインエージェント最大15ステップ、サブエージェント最大100ステップ
• WideSearch: メイン・サブエージェント共に最大100ステップ

この手法により、単一エージェントモデルと比較して有意な性能向上を実現している。

ネイティブINT4量子化

Kimi-K2-Thinkingと同じネイティブint4量子化手法を採用し、効率的なデプロイメントを実現。

デプロイメント

以下の推論エンジンで動作を推奨：

• vLLM
• SGLang
• KTransformers

transformersの最小バージョン要件: 4.57.1

公式API: https://platform.moonshot.ai（OpenAI/Anthropic互換API）

ライセンス

Modified MIT Licenseでコードリポジトリとモデルウェイトの両方を公開。

---

解説・所感

Kimi K2.5は、オープンソースAIモデルとして極めて重要なマイルストーンである。以下の点で注目に値する：

1. 真のマルチモーダル統合

多くのモデルが後付けでビジョン機能を追加している中、K2.5は最初から視覚と言語を統合して学習している。これにより、UIデザインからコード生成といった実践的なタスクが可能になっている。

2. Agent Swarmという新パラダイム

単一の大型エージェントをスケールさせるのではなく、動的に専門化されたエージェント群を協調させるアプローチは、より人間的な問題解決手法に近い。BrowseCompやWideSearchでの性能向上がこの有効性を証明している。

3. オープンソースの競争力

GPT-5.2やClaude Opus 4.5といったクローズドソースモデルに匹敵する性能を、MITライセンスで公開している点は、AI民主化の観点から極めて重要。

4. 実用性重視の設計

256Kのコンテキスト長、INT4量子化対応、主要な推論エンジンサポートなど、実際にプロダクションで使えることを重視した設計になっている。

課題と今後の展望

• SWE-Benchシリーズでは若干Claude 4.5に劣る（70台後半 vs 80前後）
• Agent Swarmの詳細な実装や最適化手法はまだ明らかになっていない
• ビデオ入力機能は実験的で、公式APIのみサポート

それでも、K2.5はオープンソースAIの新たな基準を打ち立てたと言える。特に、Agent Swarmという概念が今後のAI開発にどのような影響を与えるか、注目していきたい。

---

タグ: #AI #MultiModal #MoE #AgentSwarm #OpenSource #Moonshot #Kimi #Benchmark