Kimi lance Agent Swarm : jusqu'à 100 sous-agents et 1500 appels d'outils

Moonshot AI a ajouté le mode Agent Swarm à Kimi K2.5. Face à une tâche, le modèle décide lui-même comment la découper, crée jusqu'à 100 sous-agents, les lance en parallèle et consomme plus de 1500 appels d'outils pour la mener à bien. Selon l'entreprise, le résultat est obtenu 4,5 fois plus vite qu'avec une exécution séquentielle. La fonction est sortie en early research preview et n'est pour l'instant accessible qu'aux abonnés de la formule la plus haute.

Le plafond de l'agent unique

Le diagnostic de départ, exposé dans le blog de Kimi, est le suivant : la principale limite actuelle n'est pas l'intelligence du modèle, mais le fonctionnement séquentiel d'un agent unique. Lorsqu'on demande à un outil de deep research d'étudier en détail une centaine d'entreprises ou de synthétiser des dizaines d'articles, la fenêtre de contexte se remplit peu à peu. Le système se met alors à compresser l'historique et à le résumer pour libérer de la place à de nouveaux tokens. Cette compression se fait avec des pertes, et les dernières étapes du raisonnement s'en ressentent. Moonshot parle d'un plafond structurel, et non d'un bug temporaire.

La réponse de l'entreprise : passer à l'échelle non seulement vers le haut (plus de paramètres, meilleurs scores sur les benchmarks), mais aussi en largeur. Un agent unique fonctionne comme un seul expert, tandis qu'un réseau d'agents auto-organisés ressemble davantage à une petite entreprise.

Comment l'idée est née

Les origines sont modestes. En juin 2025, peu après le lancement de Kimi Researcher, une membre de l'équipe passionnée de trading a voulu automatiser la collecte quotidienne de données sur les actions. Il fallait vérifier les actualités sur les grandes tendances macroéconomiques, interroger l'historique du nombre de « limit-up » et creuser davantage si les conditions étaient réunies. Elle a écrit en Python une cascade de if-else et s'est rendu compte, à la centième ligne, qu'elle construisait à la main un système multi-agents. D'où la question : si un modèle sait utiliser des outils et tenir sur des tâches longues, pourquoi ne déciderait-il pas lui-même quand paralléliser le travail, qui « embaucher » et comment déléguer ?

Dans Agent Swarm, l'agent principal joue le rôle de manager : il identifie les exécutants (chercheurs, analystes, vérificateurs de faits) et les crée pour la tâche donnée. L'utilisateur n'a pas besoin de décrire l'orchestration.

Caractéristiques

• Modèle : Kimi K2.5
• Sous-agents parallèles : jusqu'à 100
• Appels d'outils par tâche : plus de 1500
• Vitesse : 4,5 fois supérieure à une exécution séquentielle (données de l'entreprise, aucune mesure indépendante)
• Statut : early research preview, accès réservé aux abonnés de la formule la plus haute
• Prévu : communication directe entre sous-agents et gestion dynamique de la largeur du parallélisme

Ce que montre Kimi

Les exemples du blog se répartissent en trois types. Le premier : la recherche à grande échelle. L'agent identifie 100 thématiques YouTube de niche et lance un sous-agent distinct pour chacune afin de trouver les 3 meilleurs créateurs. Dans un autre exemple, l'essaim a rassemblé plus de 200 essais de Paul Graham, dispersés entre sites personnels, anciens blogs et transcriptions de conférences, puis les a classés dans six dossiers thématiques, avec un rapport final.

Le deuxième type : la production volumineuse. À partir de 40 PDF de psychologie sociale, le système a produit une revue de littérature de 100 pages sur deux colonnes, avec des références mises en forme. Des sous-agents rédacteurs prennent en charge des sections distinctes, puis les textes sont assemblés.

Le troisième type est le plus intéressant : le désaccord délibéré. Un plan produit est évalué par un investisseur en capital-risque sceptique, un PM expérimenté, un spécialiste de l'éthique et un responsable customer success. Pour une expérience littéraire, 20 « écrivains », dans des styles allant de Virginia Woolf à Borges et Kafka, poursuivent « Le Problème à trois corps » de Liu Cixin. Les auteurs du blog affirment que des agents indépendants aboutissent à des conclusions différentes, qu'il faut ensuite concilier. Selon eux, cela protège structurellement de la pensée de groupe.

Comment l'essayer

L'essaim a du sens là où le travail se parallélise réellement : recherche à large spectre, traitements par lots, traitement de nombreux fichiers, analyse sous plusieurs angles, textes longs. Si les étapes dépendent strictement les unes des autres, le gain sera sensiblement plus faible, d'après la logique de l'approche. C'est notre conclusion, et non une déclaration de Moonshot.

Il y a aussi des réserves pratiques. Plus de 1500 appels d'outils signifient une consommation de tokens notable, et le blog lui-même mesure, mi-figue mi-raisin, la maîtrise de l'ère de l'IA au nombre de tokens dépensés. Il vaut mieux vérifier les résultats par échantillonnage : cent agents peuvent se tromper avec assurance, en parallèle. Enfin, pour l'instant, les sous-agents ne communiquent pas directement entre eux, ce qui fait partie des améliorations annoncées. Pour débuter, mieux vaut choisir une tâche dont le résultat a une structure claire : un tableau, un ensemble de dossiers, un rapport découpé en sections. Il sera ainsi plus simple de juger si le multiplicateur de vitesse annoncé est justifié.