Kimi K2.5 上線：開源模型打進第一梯隊

Moonshot AI 在 2026 年 1 月 27 日推出 Kimi K2.5。這次不是小修小補。它直接丟出 256K token context、1 兆參數 MoE 架構，還給你 MIT 授權。講白了，這種組合很少見。

更狠的是，它還有免費入口。你不用先刷卡，也能摸到接近旗艦級的體驗。對台灣開發者來說，這種模型最實際的意義很簡單：你可以先拿它跑真實工作，再決定要不要付費。

如果你只看一句話，重點就是這個。Kimi K2.5 把「開源模型只能便宜不能強」這種老觀念，狠狠敲了一下。

Moonshot 這次到底端了什麼

Moonshot AI 是北京新創，2023 年成立。創辦團隊裡有前 ByteDance 成員。公司背後也有 Alibaba 和 HongShan 的資金。這種背景很現實，代表它不是只想做 demo。

Moonshot 一開始就押兩件事。第一是長 context。第二是 agent 行為。這兩件事看起來很學術，實際上很務實。因為真實工作裡，文件都很長，任務也很碎。

Kimi K2.5 延續這條路。它能處理文字、圖片、影片。它也能切換成多步驟執行模式。這表示它不是只會聊天。它想做的是幫你把一串工作拆開，再一段段處理。

• 256K token context
• 1 兆參數 MoE 架構
• 32B active parameters
• 支援文字、圖片、影片
• MIT 授權，權重可在 Hugging Face 找到
• 可在 kimi.com 免費使用

256K context 不是拿來炫技而已。Moonshot 的說法是，大概可塞 350 到 500 頁文字。這對法務、研究、產品規格書、技術文件都很有感。你不用一直切檔，也不用一直餵摘要。

MoE 架構也很重要。因為不是每個 token 都要啟動整個模型。這能把推理成本壓下來。說白了，這就是它能做免費版的原因之一。

Agent Swarm 為什麼這麼吵

這次最容易被拿來討論的功能，就是 Kimi 的 Agent Swarm。它不是單線跑到底。它可以把任務拆成很多子任務，再同時派出最多 100 個專門 agent 去做。

這種設計很適合研究、競品分析、資料整理。因為這些工作最浪費時間的地方，不是推理本身，而是找資料、比資料、整理資料。Agent Swarm 就是在砍這段時間。

如果你要查 10 個網站、比 5 份報告、再做一份摘要，傳統單線流程很容易卡住。Swarm 模式則比較像小型研究團隊。它不是一個人在硬幹，是一群人分工。

"The model has 1 trillion parameters but uses a Mixture-of-Experts architecture: only 32 billion are active at any given moment."

這句話很值錢。因為它把產品策略講得很清楚。Moonshot 不是只想拼模型大小。它是在拼工作流。拼長 context。拼平行處理。

我覺得這是比較務實的方向。因為企業買單的，常常不是最會考試的模型，而是最省時間的模型。

如果你想看更多 agent 工具，可以順手看我們整理的 AI agent 工具清單。那篇會更容易看出 Kimi 放在哪個位置。

數據怎麼看，才不會被榜單騙

先講白的。Kimi K2.5 不是每一項都贏。它也不是那種「全項第一」的神話機器。但它的分數，已經夠讓人把它放進旗艦討論圈。

在一些 benchmark 上，它真的很能打。尤其是 agentic search、影片理解、長文工作。這三個方向，正好都是實務很常碰到的痛點。

下面這組數字很有參考價值。你不用把它當神諭，但可以看出趨勢。

• HLE with tools：Kimi K2.5 50.2%，GPT-5.2 45.5%，Claude Opus 4.5 43.2%
• BrowseComp：Kimi K2.5 78.4%，GPT-5.2 54.9%，DeepSeek V3.2 67.6%
• SWE-Bench Verified：Kimi K2.5 76.8%，GPT-5.2 80.0%，Claude Opus 4.5 80.9%
• AIME 2025：Kimi K2.5 96.1%，GPT-5.2 100.0%，Claude Opus 4.5 92.8%
• VideoMMMU：Kimi K2.5 86.6%，GPT-5.2 85.9%，Claude Opus 4.5 84.4%

這些數字透露一件事。Kimi 在搜尋和影片理解上很兇。可是在程式碼與數學上，它還是略輸 OpenAI 和 Anthropic 的旗艦。

但差距沒有大到不能用。這就是重點。很多團隊不是要拿模型去考奧林匹亞。大家要的是，能不能更快完成一份報告，或更穩地跑完一個研究流程。

源文也提到，Kimi 在管理任務測試裡表現很穩。像溝通、規劃、分析、學習、問題解決，都維持在高檔。這種穩定性很重要。因為日常工作最怕模型今天正常，明天失控。

跟其他中國模型比，差在哪

如果只看中國模型圈，Kimi K2.5 不是唯一強者。但它的定位很完整。它不是只強一個面向，而是把搜尋、分析、多模態、agent 行為一起包進來。

這點很像工具箱。你不會每次都想開四個模型。你想要的是一個能先上手的主力。Kimi 就是在搶這個位置。

它的競爭對手也很明確。MiniMax 在團隊管理任務上更亮眼。Qwen 在規劃上更強。DeepSeek 在價格效率上很兇。Kimi 的優勢則是整體廣度。

• Kimi K2.5：整體最均衡，搜尋強，免費入口友善
• MiniMax M2.7：團隊管理任務更突出
• Qwen3.5 Plus：規劃能力更強
• DeepSeek V3.2：每 token 成本更低
• GLM-5：HR 與回饋類任務表現亮眼

價格也很現實。源文提到，Kimi 的付費方案有 19、39、199 美元三種。API 成本做一份 100 頁報告，也比 Claude Opus 4.5 低，還比 GPT-5.2 便宜。

但它不是萬能。它在英文和中文最強。其他語言的品質會掉。這點很值得注意。台灣團隊如果常寫英文，通常沒問題。可如果你要混西文、德文、法文，就要先測。

所以我會這樣看。Kimi 不是拿來取代所有模型。它比較像你工作台上的一把大扳手。很多場景都能用，但不是每顆螺絲都最合。

這波對產業代表什麼

這件事最有意思的地方，不在於又多了一個大模型。真正有意思的是，開源模型和閉源旗艦之間的差距，正在變得沒那麼好看。

過去很多團隊會直接假設，最強模型一定在美國，而且一定要付高價。現在這個假設開始鬆動。中國團隊已經能做出接近第一梯隊的產品，而且還能把授權放開。

這對開發者很實際。你可以先用 Hugging Face 上的權重做測試。你也可以直接用 Kimi 網頁版跑真實任務。這種可接觸性，對小團隊很重要。

長 context 也會繼續變成主戰場。因為企業文件、程式碼庫、客服紀錄、會議記錄，都不是短文。誰能把長資料吃進去，誰就更容易進到工作流程裡。

Agent 也會越來越像標配。不是每個模型都要會下棋，但很多模型都得會分工。這一點，Kimi K2.5 已經先踩進去了。

我會怎麼建議你試

如果你是工程師，先拿它做一個真實任務。不要拿「幫我寫一段 JS」這種玩具題。那種測不出差異。你要給它長文件、10 個來源、或一份需要比對的研究題目。

如果它能幫你把 2 小時壓到 40 分鐘，這就有價值。不是因為它很潮，是因為它真的省時間。AI 工具最後還是要回到這件事。

如果你是產品或管理角色，我會先看三件事。第一，長 context 有沒有用到。第二，中文與英文品質夠不夠。第三，成本能不能壓在可接受範圍。

我的判斷很直接。Kimi K2.5 值得測，而且應該優先測在研究、分析、文件整理這些工作流。下一步不是問它多強，而是問它能不能真的幫你少開幾個分頁。