Kimi K2.5 月底退役：月之暗面第一代萬億參數多模態模型謝幕
月之暗面近日正式對外宣布，旗下第一代萬億參數多模態模型 Kimi K2.5 將於本月底正式退役。這款被視為 Kimi 系列功能最全面的代表模型，自今年 1 月推出並同步開源以來，在開源社群與 AI 開發者圈中累積了相當顯著的影響力。隨著本月底的退役，也象徵月之暗面在萬億參數多模態模型領域的第一代產品正式走入歷史。Kimi K2.5 採用原生多模態架構設計，同時支援視覺與文本兩種輸入形式，並整合了思考模式、非思考模式、對話以及 Agent 任務等多種應用場景。
這使得它在同一模型框架下，能夠靈活應對從純文字推理到複雜圖像理解的不同需求，成為當時業界少數能夠在單一模型內同時處理多種任務類型的開源方案之一。在性能表現上，Kimi K2.5 在 Agent 任務執行、程式碼生成、圖像與影片理解，以及通用智能等關鍵領域，均達到了當時開源模型的頂尖水準（SOTA）。這項成績不僅讓它在學術研究與商業應用中獲得廣泛關注，也讓月之暗面在開源大模型領域的地位更加穩固。許多開發者與企業用戶在評估多模態模型時，都曾將 Kimi K2.5 列為重要參考基準。從推出到退役，Kimi K2.5 的市場生命週期雖然不算長，卻在開源社群中留下了鮮明的足跡。
特別是在多模態理解與代理任務執行能力上，它為後續產品奠定了扎實的技術基礎。月之暗面透過這款模型，驗證了萬億參數規模下原生多模態架構的可行性，也累積了從模型訓練到開源維護的完整經驗。對於開發者與企業用戶而言，Kimi K2.5 的退役意味著需要開始規劃轉移至新一代模型。月之暗面已明確表示，後續將由新一代模型接棒，繼續延續 Kimi 系列在複雜任務與多模態場景上的技術路線。新一代模型預計將在既有基礎上進一步提升效能與效率，並可能針對 Agent 任務與多模態理解進行更深度的優化。值得注意的是，Kimi K2.5 開源版本的程式碼與權重檔案仍可在社群中取得，但官方將不再提供技術支援與更新。
對於已經基於該模型進行二次開發或部署的團隊，建議密切關注月之暗面後續發布的技術文件與遷移指南，以確保服務的連續性與穩定性。回顧 Kimi K2.5 的發展歷程，它不僅是月之暗面在萬億參數多模態領域的首次嘗試，也代表著中國開源大模型在國際舞台上的重要突破。當時能夠同時在視覺理解、程式碼生成與 Agent 任務等多個維度達到開源 SOTA，實屬難得。這也讓許多國外研究機構與企業開始關注月之暗面的技術實力。從技術架構來看，Kimi K2.5 的原生多模態設計是其最大特色之一。傳統多模態模型往往需要額外的模組來處理圖像與文字，而 Kimi K2.
5 則將視覺與文本的編碼與推理整合在同一模型內部，減少了資訊傳遞的損失，也提升了跨模態的協同效果。這種設計思路也為後續模型提供了重要的參考方向。在應用層面，Kimi K2.5 的 Agent 任務能力尤其受到開發者青睞。它能夠在不需要外部工具輔助的情況下，自主完成多步驟的推理與操作，例如根據使用者指令從網頁中提取資訊、生成程式碼並執行除錯，或是結合圖像理解進行複雜的邏輯判斷。這些能力在自動化工作流程與智慧助理場景中具有很高的實用價值。隨著 Kimi K2.5 的退役，月之暗面也將正式進入新一代模型的研發與部署階段。
市場預期，新一代模型將在參數效率、推理速度與多模態融合深度上進一步升級，同時可能加入更多針對特定領域的優化，例如醫療影像分析、工業視覺檢測或金融數據處理等垂直場景。對於開源社群而言，Kimi K2.5 的離開雖然令人惋惜，但也是技術迭代的自然過程。月之暗面透過這款模型所建立的開源生態與技術口碑，將持續為後續產品帶來正面影響。許多開發者表示，期待新一代模型能夠在保持開源精神的同時，帶來更大的效能突破。總體而言，Kimi K2.5 的退役標誌著月之暗面第一代萬億參數多模態模型的圓滿謝幕。
它在短短幾個月的市場生命週期中，不僅為開源大模型樹立了多模態與 Agent 任務的標竿，也為整個 AI 產業提供了寶貴的技術與實踐經驗。未來，新一代模型將承載這些基礎，繼續推動 Kimi 系列在複雜智能場景中的進化。
Related
相關文章
Google 開源 Harness²：遞迴代理程式框架，無需新模型也能提升效能
Google Cloud AI Research 開源了 Harness²，這是一個遞迴代理程式框架，透過改良凍結模型周圍的程式碼與檔案來增強效能。對開發者而言，重點很簡單：你的代理程式無需更強大的模型也能進步。重點摘要：規模為框架而非模型，訓練參數為0，包含8個可編輯的框架元件，版本0.1.0。執行環境為Linux、Python 3.12或3.13搭配uv，模型呼叫則透過Vertex AI。GPU需求未公開。效能方面：一次改良步驟即可在3個基準測試中，提升所有4個模型與框架組合的表現。最佳成果：GLM-5搭配OpenCode在WorkBuddy-Bench上從64.2提升至75.7（+11.5點）；最差表現：GLM-5搭配Codex在JobBench上僅提升1.2點（23.6至24.8）。什麼是Harness²？它是Google研究推出的即插即用框架。
如何利用NVIDIA結構化資料模型進行零訓練表格預測
In this tutorial, we implement Structured Data Models, NVIDIA’s new library that puts several pretrained foundation models for tables behind one PyTorch interface, and use it to make predictions without training.
認識 Kyutai REKI：2.4B VLA 模型為機器人操控帶來高效記憶
Kyutai 與 Inria 及 École des Ponts 合作，推出了 REKI——一個用於機器人操控的 2.4B 參數視覺-語言-動作模型（VLA）。該模型僅使用公開數據進行預訓練，並配備了輕量級的近期記憶功能。在三個分佈外基準測試中，僅有規模約為其兩倍的模型能超越它。所有模型權重已於今日在 Hugging Face 上公開。核心資訊：規模：2.4B 參數（2.2B Qwen3.5-2B VLM + 0.2B 流匹配動作專家）。記憶涵蓋最近 3 幀，間隔 1 秒。運行環境：在 1 張 NVIDIA H100 上進行基準測試。從兩個 256×256 攝像頭輸入，編譯後每個動作區塊耗時 21.8 毫秒。權重以 BF16 格式提供，暫無量化版本。性能：在 LIBERO-Plus 和 RoboTwin Clean2Rand 基準測試中，為公開數據預訓練的 VLA 模型中最優；在 LIBERO-Plus 上達到 90.4% 的最高分。
DeepSeek 發布 V4.1-Flash-1017，DeepSWE 得分 77.0，並開放搜尋 API
DeepSeek 剛發布 DeepSeek-V4.1-Flash-1017，這是其 V4.1-Flash 模型的新檢查點，現已在 DeepSeek 網站、應用程式及 API 上線。DeepSeek 宣稱該版本在性能、任務完成速度與輸出簡潔度上均優於 9 月發布的 V4.1-Flash，並稱之為性能與成本的帕累託改進。同時，DeepSeek 也向所有開發者開放了搜尋與擷取 API。對代理建構者而言，這意味著更便宜的編碼模型加上單一 API 金鑰即可使用的第一方網路層。重點摘要：骨架參數 552B，另加 196B 的 Engram 參數；預填充階段每 token 啟用 8B 參數，解碼階段啟用 16B 參數；上下文長度達 1M tokens，最大輸出 384K tokens。運行於 DeepSeek API 的 deepseek-flash 模型。9 月版的 V4.1-Flash 權重（763B 參數，FP8）採 MIT 授權。
2026年20款Jev替代方案：挑戰TypeSafe的決策模型
TypeSafe於2026年9月15日推出Jev，這是一款決策模型而非聊天機器人。使用者可定義允許的答案，Jev將回傳標籤、分數或是否的機率。約4週內，至少20款Jev替代方案相繼問世，來自Cloudflare、OpenAI、Perplexity、Liquid AI、AWS的Strands Labs及獨立開發者。本指南比較各方案在規模、授權、硬體、價格、Jev API相容性及已發布基準測試的表現。重點摘要：規模範圍從287M（GLiNER2.5-multi-Decide）到35B-A3B（Mapika Decider），Jev規模未公開。執行環境：Von和Laya等編碼器可在CPU上運行，4B適配器適用24 GB GPU或32 GB Mac。效能：多數開源模型在困難推理上落後Jev，但在狹窄分類任務上數款與之匹敵或超越。最佳表現：Cloudflare Clef在BANKING7取得94.20分。
長鑫科技市值兩月內跌去1萬億；阿里加碼AI硬件品牌，天貓、速賣通聯動；國行版蘋果AI有望12月上線，百度、阿里參與合作丨雷峰早報
要聞提示1.長鑫科技市值兩月內跌去1萬億2.年內已至少18次故障！DeepSeek發放宕機補償，有人拿到3000元3.阿里加碼AI硬件品牌，天貓、速賣通聯動4.國行版蘋果AI有望12月上線，百度、阿里參與合作5.可靈AI新一代模型Kling 4.