Moonshot تطلق Kimi K2.5: سرب من 100 وكيل فرعي و1500 استدعاء للأدوات

قدمت Moonshot AI نموذج Kimi K2.5، وهو نموذج متعدد الوسائط تصفه الشركة بأنه الأقوى بين النماذج المفتوحة حتى اليوم. بُني النموذج على Kimi K2 وخضع لتدريب إضافي على نحو 15 تريليون رمز بصري ونصي مختلط. أبرز ما يقدمه هو Agent Swarm: ينشر النموذج بنفسه ما يصل إلى 100 وكيل فرعي وينفذ ما يصل إلى 1500 استدعاء للأدوات. وبحسب الشركة، يقلص ذلك زمن تنفيذ المهام المعقدة حتى 4.5 مرة مقارنة بالوكيل المنفرد.

كيف يعمل السرب

لا تُحدَّد الوكلاء الفرعيون يدويًا. يقسّم المنسّق (orchestrator) المهمة بنفسه إلى مهام فرعية متوازية، ثم ينشئ المنفذين عند الحاجة، مثل باحث أو فيزيائي أو مدقق حقائق. دُرّب المنسّق عبر Parallel-Agent Reinforcement Learning (PARL). المنسّق قابل للتدريب، بينما الوكلاء الفرعيون مجمّدون. ولهذا تصل إشارة التغذية الراجعة متأخرة ونادرة وغير ثابتة الخصائص.

يعاني هذا النهج من خللين شائعين. الأول هو serial collapse: ينحدر المنسّق إلى التنفيذ المنفرد مع أنه كان قادرًا على توزيع العمل بالتوازي. والثاني هو spurious parallelism: يكثّر الوكلاء الفرعيين لتحسين المقياس ظاهريًا دون تقسيم حقيقي للمهمة. وللحد من الأول أُضيفت إلى المكافأة علاوة على إنشاء الوكلاء الفرعيين، وللحد من الثاني أُضيفت مكافأة على نسبة المهام الفرعية المنجزة. ويتناقص المعاملان كلاهما إلى الصفر خلال التدريب، فتبقى مكافأة النتيجة وحدها.

وثمة حل آخر هو مقياس Critical Steps، وهو نظير المسار الحرج في الحوسبة المتوازية. يجمع هذا المقياس في كل مرحلة خطوات الوكيل الرئيسي وأبطأ وكيل فرعي، ولذلك لا يفيد الوكلاء الإضافيون إلا حين يقصّرون المسار الحرج.

• الحجم: حتى 100 وكيل فرعي، وحتى 1500 خطوة منسّقة.
• السرعة: حتى 4.5x في زمن التنفيذ؛ وفي الاختبارات الداخلية ينخفض زمن الاستجابة بنسبة 80%.
• الخطوات الحرجة: تحتاج سيناريوهات البحث الواسع إلى عدد أقل منها بمقدار 3–4.5 مرة.
• السياق: 256 ألف رمز في الاختبارات.
• HLE بدون أدوات: 31.5 (نص) و21.3 (صور).
• HLE مع الأدوات: 51.8 (نص) و39.8 (صور).
• اختبارات المكتب: +59.3% (AI Office) و+24.3% (General Agent) مقارنة بـ K2 Thinking.

البرمجة والرؤية والمكتب

تركّز Moonshot على الواجهات الأمامية: فمن طلب واحد يبني النموذج واجهات بها رسوم متحركة، بما في ذلك تأثيرات التمرير. ويستطيع إعادة بناء موقع من مقطع فيديو، وتصحيح تخطيط الصفحة بصريًا، إذ ينظر إلى ناتجه ويعدّله تكراريًا. وبحسب المطورين، يختفي التنازل بين الرؤية والنص عند هذا الحجم من التدريب المسبق، وتنمو القدرتان معًا.

ولأغراض التطوير أطلقت الشركة Kimi Code، وهي أداة مفتوحة للطرفية. تتكامل الأداة مع VSCode وCursor وZed، وتقبل الصور والفيديو، وتعثر بنفسها على المهارات وبروتوكولات MCP الموجودة وتنقلها. ويصف المطورون كذلك سيناريو مكتبيًا يشمل مستندات Word مع تعليقات توضيحية، ونماذج مالية مع جداول محورية، وصيغ LaTeX في ملفات PDF، ومستندات تصل إلى 100 صفحة.

وتلزم الأرقام تحفظات. أجرى المطور الاختبارات بنفسه. وجرت المقارنة مع DeepSeek-V3.2 وClaude Opus 4.5 وGPT-5.2 (xhigh) وGemini 3 Pro، وفي الاختبارات البصرية مع Qwen3-VL-235B-A22B-Thinking أيضًا. ولم يُقيَّم GPT-5.2 xhigh في كل الاختبارات بسبب عدم استقرار الخدمة. وفي الاختبارات البصرية سجّل نحو 10% من حالات الرفض، احتُسبت أخطاءً، ويقر المطورون بأن نتيجته على الأرجح أقل من الواقع. وبعض المقاييس، ومنها Kimi Code Bench واختبارات المكتب، داخلي. ولإعادة إنتاج النتائج توصي Moonshot باستخدام واجهة API الرسمية أو مزودين جرى التحقق منهم عبر Kimi Vendor Verifier.

من أين تبدأ

يُنصح المطورون بالبدء بـ Kimi Code مع K2.5: الأداة مفتوحة، وتندمج في بيئات التطوير المألوفة، ويمكن اختبار التصحيح البصري على واجهتهم الأمامية الخاصة. وعلى الفرق التي تعمل على مهام البحث الواسع وجمع البيانات أن تجرّب Agent Swarm. وهو الآن في مرحلة تجريبية (بيتا) على Kimi.ai، ويحصل مستخدمو الباقات المدفوعة العليا على رصيد مجاني.

عند المقارنة بالمنافسين، لا تقيسوا الدقة وحدها، بل قيسوا زمن التنفيذ والتكلفة أيضًا، لأن السرب مصمم لهما تحديدًا. وإذا شغّلتم النموذج لدى مزود خارجي، فتحققوا عبر Kimi Vendor Verifier، وإلا فقد تختلف النتائج كثيرًا عن المنشورة. أما التقرير التقني الكامل مع موجّهات النظام فلم تقدمه Moonshot بعد، وهي تكتفي بالوعد به.