В конце января 2026 года китайский стартап Moonshot AI выпустил модель Kimi K2.5 — открытую мультимодальную систему, которая за считанные недели взошла на вершину open-source-рейтингов и заставила говорить о себе как о главной альтернативе закрытым флагманам OpenAI и Anthropic. Модель сочетает триллионный масштаб, нативное понимание изображений и видео и уникальную агентную технологию Agent Swarm. В этом обзоре разбираем, как устроена Kimi K2.5, что она умеет на практике и чем выигрывает или проигрывает DeepSeek V3.2, GLM-5, Qwen и другим современным LLM.
Что такое Kimi K2.5 и кто её разработчик
Kimi K2.5 — большая языковая модель от Moonshot AI, пекинского стартапа, основанного в 2023 году выходцами из ByteDance. Компания выросла на одноимённом чат-ассистенте Kimi и сделала ставку на два направления: сверхдлинный контекст и автономные агенты. K2.5 стала преемницей модели Kimi K2 и первой в линейке нативно мультимодальной: текст, изображения и видео она обрабатывает единой архитектурой, без «прикрученных» зрительных адаптеров.
Ключевое свойство релиза — открытые веса. Разработчики получили возможность изучать архитектуру, дообучать модель под свои задачи и разворачивать её на собственных серверах, что критично для корпоративных сценариев, где данные нельзя отправлять во внешнее облако. Формально это не «открытый исходный код» в строгом смысле, а open-weight модель с модифицированной лицензией MIT, но на практике свобода использования сопоставима с классическим open-source.
Архитектура и ключевые характеристики
Технически Kimi K2.5 построена на архитектуре Mixture-of-Experts (MoE): суммарно модель насчитывает около 1 триллиона параметров, но при обработке каждого токена активируются лишь 32 миллиарда. Такой подход даёт сочетание интеллектуальной мощности и экономичности — ответы генерируются быстро, а стоимость запросов через API в разы ниже, чем у проприетарных конкурентов.
- Контекстное окно — 262 тысячи токенов: в один запрос помещается документация на сотни страниц, крупные PDF, целые репозитории кода.
- Скорость генерации — до 103–116 токенов в секунду: ответ на 500 токенов формируется за 5,9 секунды против 17 секунд у DeepSeek V3.2.
- Нативная мультимодальность: модель понимает скриншоты, макеты, графики и видеофрагменты напрямую, без промежуточного «перевода» в текст.
- Совместимость API с OpenAI и Anthropic: LangChain, LlamaIndex и другие привычные инструменты подключаются без модификаций.
Отдельного упоминания заслуживает режим работы: модель обучалась с контролем критического пути в многоагентных сценариях, что напрямую сказалось на качестве агентных задач — подробнее об этом ниже.
Четыре режима работы: от Instant до Agent Swarm
Instant и Thinking
Режим Instant отвечает быстро и без длинных рассуждений — он оптимизирован под бытовые вопросы, простую генерацию кода и поиск информации. Thinking включает цепочку рассуждений: модель демонстрирует пошаговый ход мысли, поддерживает бюджет размышлений до 96 тысяч токенов и заметно лучше справляется со сложной математикой и многошаговой логикой. По данным независимых сравнений, именно режим Thinking даёт K2.5 наибольший прирост качества на трудных задачах.
Agent и Agent Swarm
Агентный режим позволяет модели автономно выполнять задачи с инструментами: поиском, браузером, интерпретатором кода. Она стабильно выдерживает сотни последовательных вызовов инструментов — собирает отчёты, презентации, таблицы и целые сайты.
Главная же фишка релиза — Agent Swarm, «рой агентов». Оркестратор разбивает сложную задачу на подзадачи и запускает до ста параллельных субагентов: один ищет данные, другой верифицирует факты, третий пишет код. Результаты агрегируются в итоговый ответ. На бенчмарке BrowseComp рой набрал 78,4% против 60,6% у одиночного агента, а сложные исследовательские задачи выполняются в 4,5 раза быстрее. Обучение такой координации Moonshot AI провела методом PARL (Parallel-Agent Reinforcement Learning) с последовательным «отжигом» награды, решив известную проблему serial collapse, когда модель инстинктивно выстраивает параллельные шаги в очередь.
Kimi K2.5 в бенчмарках
Цифры независимых тестов подтверждают претензии на флагманский уровень:
- SWE-bench Verified (реальные задачи программирования) — 76,8%, почти на уровне Claude Opus 4.5 с 80,9%.
- AIME 2025 (олимпиадная математика) — 96,1%.
- LiveCodeBench — 85%.
- VideoMMMU (рассуждения по видео) — 86,6%, выше GPT-5.2.
- Terminal-Bench Hard (агентная работа в терминале) — 35% против 19% у DeepSeek V3.2.
По программированию K2.5 отстаёт от лучших проприетарных моделей в пределах 4%, при этом стоит в 8–10 раз дешевле. Контроль галлюцинаций — ещё одна сильная сторона: уровень отсутствия фактических ошибок у Kimi существенно выше, чем у DeepSeek V3.2, что важно для продакшн-сценариев.
Сравнение с конкурентами
| Модель | Разработчик | Параметры | Контекст | Цена API (1M токенов) |
|---|---|---|---|---|
| Kimi K2.5 | Moonshot AI | 1T (32B активных) | 262K | $0,60 / $3,00 |
| DeepSeek V3.2 | DeepSeek | 685B (37B активных) | 131K | $0,28 / $0,42 |
| GLM-5 | Zhipu AI | 744B (40B активных) | ~200K | ~$1,00 вход |
| GPT-oss 120B | OpenAI | 117B (5,1B активных) | — | бесплатно (веса) |
DeepSeek V3.2 дешевле на входе и хорошо подходит для RAG-сценариев с высокой долей загружаемого текста, однако медленнее генерирует длинные ответы и заметно чаще «галлюцинирует» в режиме рассуждений. GLM-5 сильнее в инженерных SWE-бенчмарках, но лишена нативной мультимодальности. GPT-oss 120B от OpenAI впечатляет математикой, но в реальных разработческих задачах пока уступает китайским флагманам. Kimi K2.5 выигрывает как универсал: мультимодальность, агентность, скорость и сбалансированные результаты почти во всех категориях.
Практические сценарии применения
- Работа с длинными документами: анализ легаси-кода, поиск уязвимостей, карта зависимостей в крупных проектах.
- Генерация интерфейсов: по текстовому описанию или скриншоту модель выдаёт готовый HTML/CSS и React-код с работающей логикой.
- Пакетные исследования: например, сбор и верификация данных по сотням источников параллельными агентами за считанные минуты.
- Документы и таблицы: генерация формул, сводных таблиц и диаграмм Excel, которые сохраняют связи при изменении данных.
- Обработка видео и визуального контента: резюмирование, ответы на вопросы по материалу, кросс-модальный анализ.
Цены и доступность
Веб-версия Kimi доступна бесплатно с лимитами, подписка Moderato стоит $19 в месяц. Прямая оплата из России невозможна, зато сам сервис работает без ограничений. Через API (напрямую или через агрегаторы вроде OpenRouter) цена составляет $0,60 за миллион входных и $3,00 за миллион выходных токенов — в девять раз дешевле Claude Opus 4.5. Полный цикл развёртывания на собственных серверах обходится примерно в $371 за прогон оценки — вчетверо дешевле, чем аналогичный тест Claude. При пиковой нагрузке бесплатные ответы могут задерживаться, а сложные запросы — временно ограничиваться.
Сравнивать актуальные тарифы и возможности разных моделей удобно в подробных обзорах нейросетей — информационном портале об ИИ-инструментах, где собраны актуальные материалы по API, подпискам и локальному развёртыванию.
Ограничения и слабые места
- Токенизация русского языка менее эффективна, чем английского: контекст «на наших» текстах расходуется быстрее.
- Знание российских регуляторных деталей (152-ФЗ, локальные нормативы) фрагментарно — модель путает требования и цитирует устаревшие нормы.
- В режиме Thinking заметно растёт задержка первого токена — для чатов реального времени это критично.
- Как и все дешёвые модели, при сложной логике K2.5 может выдавать уверенный, но нерабочий код — финальное ревью разработчика обязательно.
Выводы: стоит ли переходить на Kimi K2.5
Kimi K2.5 доказала, что открытые модели вышли на флагманский уровень: разрыв с закрытыми системами сократился до считанных месяцев, а по соотношению «качество — цена» Moonshot AI сейчас задаёт планку всему рынку. Модель идеально подходит разработчикам и командам, которым нужны мультимодальность, длинный контекст и агентные сценарии без санкционных и ценовых барьеров. Для задач с жёстким бюджетом на входящие токены выгоднее DeepSeek V3.2, для чисто инженерных SWE-задач — GLM-5, но как единый универсальный инструмент K2.5 остаётся самым убедительным выбором.
Показательно, что Moonshot AI не остановилась: линейка продолжает развиваться — вышли более доступная K2.6, специализированная K2.7-Code и флагман K3 с контекстом в миллион токенов. Однако именно K2.5 стала той точкой, где open-source ИИ окончательно перестал быть «почти как GPT» и превратился в полноценную рабочую альтернативу.
