梦飞：K2.5实测：前端审美第一梯队，Agent集群调度千军万马

梦飞：K2.5实测：前端审美第一梯队，Agent集群调度千军万马梦飞：K2.5实测：前端审美第一梯队，Agent集群调度千军万马 Modified January 29 No access 0bc35ibhiaacm4alim33ynuvf2wdotvae5aa.f10002 00:00 No access 0b2ezea6eaabdqacewtyqnuvdsod4leqdyqa.f10002 00:00 No access 0bc3ueamoaaakiaapldzbjuvbiody6qqbrya.f10002 00:00 No access 0bc3hiaa6aaagaam5i3zqzuvaowdb45aadya.f10002 00:00 No access 0bc3q4a5maab64abpxtyjbuvdb6d22dqdvqa.f10002 00:00 No access 0bc3ryaaeaaadiamgetzszuvbdwdakhaaaqa.f10002 00:00 https://5mq7ttq4az4s2.beta ok.kimi.link 看到生成的结果，还原程度85%是有的吧？配图交互都做的非常契合整个页面，甚至还专门找到了白底双人占位图。至此，我想K2.5的生成能力已经无需多言，只要你看完了以上视频，但凡点进去看了链接，你就能感受到K2.5的前端能力之强。这是直观的、强烈视觉冲击的能力。赏完外在“美感”，我们终于可以谈谈“灵魂”。二、Agent 集群：千军万马来相见上一次，kimi发布K2 thing模型的时候，我有说过： Kimi K2 Thinking 可能才是Agent的真正起点今天，K2.5 的发布，不仅验证了我的猜想，我在随后发出的技术细节和报告中更是发现了，更加重磅的能力： Agent 集群（Agent Swarm）我们先理解下，为什么需要Agent集群。在很多业务场景下，thing模型看似更聪明更准确了，但是随之而来的是token和时间消耗，客户总是屡屡提出，能不能快一点，能不能再快一点。某些过程必须进行，那么时间压缩只有一个解法：任务并行。现在的智能体框架无论是LangChain、AutoGen其实都可以支持任务并行，通过一个主Agent来实时的创建多个子Agent进行任务。但是我们在使用通用模型作为主Agent作为调度和分配员的时候，会发现一个非常明显的问题，Kimi K2.5在论文中也有提到：常见的失效问题是串行崩溃（serial collapse），即协调器尽管具有并行能力，但默认退化为单一代理执行。通俗来说就是，当你使用某一个模型作为主模型，prompt告诉模型“你要拆分任务”，在很多模糊场景下，通用大模型有一种“强烈的自我表现欲”或者说是“惰性”。它会更加偏向于自我完成任务，亦或者不能正确的分配任务。结果是，它经常无视“拆分”指令，自己硬答，或者只拆分了两个简单的，剩下的自己扛。又或者把简单的也硬拆开了。这就导致了“串行坍缩”，导致效率并没有真正提起来。 K2.5瞄准了新的解法：PARL（并行代理强化学习） PARL（并行智能体强化学习）训练，这是一套动态变化的奖励函数。我们可以把它理解为模型的KPI 考核指标，这个指标在训练的不同阶段是变化的，PARL 的训练目标，是把 K2.5 训练成一个“指挥官”，让它学会如何指挥上百个子智能体去并行作战：阶段一：强制并发（哪怕是瞎指挥）在训练刚开始时，为了打破模型的“单线程习惯”，PARL 引入了一个 “奖励” 规则。 • KPI 导向：只要你敢创建子智能体（Sub agents），只要敢把任务拆解并发出去，不管做得对不对，都给模型加分奖励。 • 目的：强行纠正模型的行为偏好，让它意识到“人多力量大”是可以得分的，克服对异步管理的恐惧。阶段二：回归效果（速度与质量的平衡）当指挥官学会了疯狂招人后，考核指标开始调整，重心转移到任务成功和时间效率上。这里有一个核心公式逻辑（简化版）： • 结果分（R result）：任务最后必须做对，做不对倒扣分。 • 速度分（R speed）：谁用的总时间短，谁得分高。这会倒逼模型去优化并行策略，因为只有并行才能缩短总时间。 • 并行分：这个权重逐渐降低，不再盲目奖励“人海战术”，而是奖励“有效的人海战术”。最终形态：内化的“管理直觉” 经过这种 PARL 训练后，Kimi K2.5就内化形成了一种“参数级别的直觉”。在K2.5 之前，大多数 AI 像是一个全能的“独行侠”（比如 GPT 5），它习惯线性地思考：先做A，再做B，最后做C。 K2.5 通过 PARL 训练后。它不再是一个“独行侠”，而被训练成了一个“指挥家”。看到“查阅 300 个网页”，K2.5的下意识的反应不再是“挨个搜”，而是“给我派 10 个兵”。值得一提的是，被调用的子 Agent 是 Frozen Subagents（部分参数冻结的 K2.5），它们拥有执行力但没有指挥权，确保了层级管理的清晰。据我所知，K2.5唯一一个自带最佳实践的“并发调度策略”模型。最终，通过并行代理强化学习（PARL）训练，K2.5 学会了自我引导最多「 100 个子代理的代理群组，执行跨越最多 1500 个协调步骤的并行工作流」。 K2.5不只是“长了手脚”，而是进化到了“指挥千军万马”的程度。为了验证他的能力，我给了一个典型的复杂调研任务：请帮我完成一项‘全球媒体视野’的调研。任务目标：调研2026年1月27日全球 30 个主要国家的主流官方媒体，看看他们最近 24 小时内，头版头条都在关注什么。覆盖国家：必须包含美国、中国、英国、法国、德国、俄罗斯、日本、韩国、印度、巴西、沙特、土耳其、南非、澳大利亚、加拿大、阿根廷、墨西哥、印尼、越南、泰国、瑞典、挪威、意大利、西班牙、波兰、埃及、伊朗、巴基斯坦、以色列、新加坡。信息提取：翻译并概括每个国家的‘今日头条’新闻。最终交付：输出一张巨大的《全球今日日报》，按大洲分类，列出国家、媒体名、头条新闻标题（中文翻译）及一句话摘要。” 于是，屏幕上出现了壮观的一幕：K2.5 瞬间拆解任务，调度了30个子智能体进行调研。 No access 0bc32yaceaaa54aoba3zkruvbvwdellaaiqa.f10002 00:00 最终完成的结果报告汇总了全球30个主要国家官方主流媒体在2026年1月27日的头版头条新闻，按大洲分类呈现，包含国家、媒体名、头条新闻标题（中文翻译）及一句话摘要。 K2.5 代理群通过并行、专业的执行来提升复杂任务的性能。在Kimi的内部评估中，K2.5将端到端运行时间减少了 80%，同时能够支持更复杂、更长周期的任务负载。比如，更大规模的文件下载 No access 0bc3tmaxgaaboealkn3ytruvdg6doonqc4ya.f10002 00:00 No access 0bc35ibhiaacm4alim33ynuvf2wdotvae5aa.f10002 00:00 No access 0bc35ibhiaacm4alim33ynuvf2wdotvae5aa.f10002 00:00 No access 0b2ezea6eaabdqacewtyqnuvdsod4leqdyqa.f10002 00:00 No access 0b2ezea6eaabdqacewtyqnuvdsod4leqdyqa.f10002 00:00 No access 0bc3ueamoaaakiaapldzbjuvbiody6qqbrya.f10002 00:00 No access 0bc3ueamoaaakiaapldzbjuvbiody6qqbrya.f10002 00:00 No access 0bc3hiaa6aaagaam5i3zqzuvaowdb45aadya.f10002 00:00 No access 0bc3hiaa6aaagaam5i3zqzuvaowdb45aadya.f10002 00:00 No access 0bc3q4a5maab64abpxtyjbuvdb6d22dqdvqa.f10002 00:00 No access 0bc3q4a5maab64abpxtyjbuvdb6d22dqdvqa.f10002 00:00 No access 0bc3ryaaeaaadiamgetzszuvbdwdakhaaaqa.f10002 00:00 No access 0bc3ryaaeaaadiamgetzszuvbdwdakhaaaqa.f10002 00:00 https://5mq7ttq4az4s2.beta ok.kimi.link 看到生成的结果，还原程度85%是有的吧？配图交互都做的非常契合整个页面，甚至还专门找到了白底双人占位图。至此，我想K2.5的生成能力已经无需多言，只要你看完了以上视频，但凡点进去看了链接，你就能感受到K2.5的前端能力之强。这是直观的、强烈视觉冲击的能力。赏完外在“美感”，我们终于可以谈谈“灵魂”。二、Agent 集群：千军万马来相见上一次，kimi发布K2 thing模型的时候，我有说过： Kimi K2 Thinking 可能才是Agent的真正起点今天，K2.5 的发布，不仅验证了我的猜想，我在随后发出的技术细节和报告中更是发现了，更加重磅的能力： Agent 集群（Agent Swarm）我们先理解下，为什么需要Agent集群。在很多业务场景下，thing模型看似更聪明更准确了，但是随之而来的是token和时间消耗，客户总是屡屡提出，能不能快一点，能不能再快一点。某些过程必须进行，那么时间压缩只有一个解法：任务并行。现在的智能体框架无论是LangChain、AutoGen其实都可以支持任务并行，通过一个主Agent来实时的创建多个子Agent进行任务。但是我们在使用通用模型作为主Agent作为调度和分配员的时候，会发现一个非常明显的问题，Kimi K2.5在论文中也有提到：常见的失效问题是串行崩溃（serial collapse），即协调器尽管具有并行能力，但默认退化为单一代理执行。通俗来说就是，当你使用某一个模型作为主模型，prompt告诉模型“你要拆分任务”，在很多模糊场景下，通用大模型有一种“强烈的自我表现欲”或者说是“惰性”。它会更加偏向于自我完成任务，亦或者不能正确的分配任务。结果是，它经常无视“拆分”指令，自己硬答，或者只拆分了两个简单的，剩下的自己扛。又或者把简单的也硬拆开了。这就导致了“串行坍缩”，导致效率并没有真正提起来。 K2.5瞄准了新的解法：PARL（并行代理强化学习） PARL（并行智能体强化学习）训练，这是一套动态变化的奖励函数。我们可以把它理解为模型的KPI 考核指标，这个指标在训练的不同阶段是变化的，PARL 的训练目标，是把 K2.5 训练成一个“指挥官”，让它学会如何指挥上百个子智能体去并行作战：阶段一：强制并发（哪怕是瞎指挥）在训练刚开始时，为了打破模型的“单线程习惯”，PARL 引入了一个 “奖励” 规则。 • KPI 导向：只要你敢创建子智能体（Sub agents），只要敢把任务拆解并发出去，不管做得对不对，都给模型加分奖励。 • 目的：强行纠正模型的行为偏好，让它意识到“人多力量大”是可以得分的，克服对异步管理的恐惧。阶段二：回归效果（速度与质量的平衡）当指挥官学会了疯狂招人后，考核指标开始调整，重心转移到任务成功和时间效率上。这里有一个核心公式逻辑（简化版）： • 结果分（R result）：任务最后必须做对，做不对倒扣分。 • 速度分（R speed）：谁用的总时间短，谁得分高。这会倒逼模型去优化并行策略，因为只有并行才能缩短总时间。 • 并行分：这个权重逐渐降低，不再盲目奖励“人海战术”，而是奖励“有效的人海战术”。最终形态：内化的“管理直觉” 经过这种 PARL 训练后，Kimi K2.5就内化形成了一种“参数级别的直觉”。在K2.5 之前，大多数 AI 像是一个全能的“独行侠”（比如 GPT 5），它习惯线性地思考：先做A，再做B，最后做C。 K2.5 通过 PARL 训练后。它不再是一个“独行侠”，而被训练成了一个“指挥家”。看到“查阅 300 个网页”，K2.5的下意识的反应不再是“挨个搜”，而是“给我派 10 个兵”。值得一提的是，被调用的子 Agent 是 Frozen Subagents（部分参数冻结的 K2.5），它们拥有执行力但没有指挥权，确保了层级管理的清晰。据我所知，K2.5唯一一个自带最佳实践的“并发调度策略”模型。最终，通过并行代理强化学习（PARL）训练，K2.5 学会了自我引导最多「 100 个子代理的代理群组，执行跨越最多 1500 个协调步骤的并行工作流」。 K2.5不只是“长了手脚”，而是进化到了“指挥千军万马”的程度。为了验证他的能力，我给了一个典型的复杂调研任务：请帮我完成一项‘全球媒体视野’的调研。任务目标：调研2026年1月27日全球 30 个主要国家的主流官方媒体，看看他们最近 24 小时内，头版头条都在关注什么。覆盖国家：必须包含美国、中国、英国、法国、德国、俄罗斯、日本、韩国、印度、巴西、沙特、土耳其、南非、澳大利亚、加拿大、阿根廷、墨西哥、印尼、越南、泰国、瑞典、挪威、意大利、西班牙、波兰、埃及、伊朗、巴基斯坦、以色列、新加坡。信息提取：翻译并概括每个国家的‘今日头条’新闻。最终交付：输出一张巨大的《全球今日日报》，按大洲分类，列出国家、媒体名、头条新闻标题（中文翻译）及一句话摘要。” 于是，屏幕上出现了壮观的一幕：K2.5 瞬间拆解任务，调度了30个子智能体进行调研。 No access 0bc32yaceaaa54aoba3zkruvbvwdellaaiqa.f10002 00:00 No access 0bc32yaceaaa54aoba3zkruvbvwdellaaiqa.f10002 00:00 最终完成的结果报告汇总了全球30个主要国家官方主流媒体在2026年1月27日的头版头条新闻，按大洲分类呈现，包含国家、媒体名、头条新闻标题（中文翻译）及一句话摘要。 K2.5 代理群通过并行、专业的执行来提升复杂任务的性能。在Kimi的内部评估中，K2.5将端到端运行时间减少了 80%，同时能够支持更复杂、更长周期的任务负载。比如，更大规模的文件下载 No access 0bc3tmaxgaaboealkn3ytruvdg6doonqc4ya.f10002 00:00 No access 0bc3tmaxgaaboealkn3ytruvdg6doonqc4ya.f10002 00:00 更大规模的输出： No access 0bc3aua4uaab7eaazmlymruvcbodzicqdsqa.f10002 00:00 No access 0bc3aua4uaab7eaazmlymruvcbodzicqdsqa.f10002 00:00 K2.5的能力，瞄准的是非常明确的落地痛点场景，在企业的落地场景中一定会被广泛的应用。基于K2.5的模型，Kimi官网还上新了Office Agent和Kimi code。三、还有Office Agent和Kimi code 得益于K2.5的视觉能力。因此，现在的Kimi助手拿到图片不再是盲目地提取文本，而是能结合视觉理解文档中的复杂图表和排版结构。这意味着，针对 PPT、Word、Excel 的输出，它更具备审美和结构感。 K2.5 Agent目前能够支持更加高级的任务，比如为 Word 添加注释、使用数据透视表构建财务模型以及在 PDF 中编写 LaTeX 公式，同时可扩展到长格式输出，如 1 万字论文或 100 页文档。 Kimi Code 是 Kimi 自研的基于 Terminal 的 Coding Agent，可以在用户本地进行代码的增删改查。可以理解为开源版的Claude Code，且全面支持 Skills，无需 MCP 即可支持视频输入。这意味着，遇到复杂的页面Bug，甚至直接录屏扔给 Terminal，它就能看懂并修复。四、写在最后可以看出，月之暗面在「模型既Agent」的方向上一路狂奔。对外，K2.5是一位“视觉艺术家”，有着世界级的审美，能看懂设计图，能生成像素级精度的网页；对内，K2.5是一位“天生指挥官”，用 PARL 训练出的直觉，解决了多智能体协作中最大的“惰性”难题。无论是像素级的前端复刻，还是自带指挥官本能的集群调度，K2.5 都在一步步抹平“模型”与“智能体”之间的界限。 K2.5 的发布，让我们看到了AI 进化更广阔的方向。这是一份很有分量的年末答卷。真心的，为K2.5喝彩。（说实话，我已经开始期待 K3了）以下链接可查看文中案例生成过程：跑车品牌网站：https://beta.kimi.link/share/19bff6fc a142 840e 8000 0000fed6d824 网站链接复刻：https://beta.kimi.link/share/19bff894 8ea2 83ae 8000 0000c29c7563 梵高网站生成：https://beta.kimi.link/share/19c00493 87f2 8687 8000 0000c3d600df 视频参考生成：https://beta.kimi.link/share/19c00499 96e2 87ff 8000 0000e60c6aba 以上，我是梦飞，我们下次见 🔗 原文链接： https://mp.weixin.qq.com/s/OKMl917V... https://mp.weixin.qq.com/s/OKMl917V... 原创张梦飞i 张梦飞i 梦飞 AI2026年1月28日 17:41 河南昨天，月之暗面正式发布并开源了 Kimi K2.5 模型。作为一直在企业侧落地 AI 的服务者，我原本是带着审视的目光，准备大写特写它在 B 端最核心的 Agent 集群（Swarm）能力的。但是，在上手体验的十五分钟后，K2.5的前端能力真的惊到了我，所以决定先聊聊它的页面生成能力，先说结论： K2.5展现的前端美感和代码能力，是世界级水准。我真的不想说的那么夸张，但实测结果摆在面前，在前端生成领域，K2.5无可争议的跻身全球前列。一、前端生成能力，欲与Gemini 3试比高以下均为「实测、一次性生成、未经过任何人工介入」的案例。从文生页面、参考链接生成页面、图片生成页面、到查看视频生成网站页面的实测。 0 1 实测1：根据提示词生成跑车品牌首页提示词：以下是K2.5一次性生成的网站页面： K2.5生成的网页会自动部署上线，大家也可以访问查看：https://a7dsglt6o4zti.beta ok.kimi.link 无论是页面的动态、鼠标滑动的交互、图片的选择全都非常正确，而且这还是跑车品牌，特意高亮了代表性能的红色卡钳和刹车盘。同样的提示词，以下是当今世界上的前端王者Gemini 3 Pro生成的：是的，不是我不滑动，是整个页面就只有这一个图片效果，没有介绍页、不能翻页。 0 2 实测2：根据参考网站生成网页真的只有一句话提示词：一模一样的，复刻这个网站：wodniack.dev 这是K2.5完成的 https://sjxakvvseai7q.beta ok.kimi.link 网页上的动线、滚动的横滑条、上滑的翻页的图片，复刻程度已经远远超过了我的预期。为了有更明显的对比，我也尝试让Gemini 3 Pro生成，给他充足的机会，我甚至让他生成了两次，然后连续失败了两次： 0 3 实测3：参考图片生成梵高主题网站根据我上传图片的风格来实现一个以《梵高》为主题的网站，要有不同的板块主体，通过下滑实现丝滑的切换动效。网站内容由你来自行完成。目的是能够让不了解梵高的人，了解梵高的画作和故事。 No access 0b2ebqaioaaajuaemolzajuvadgdq4gabbya.f10002 00:00 No access 0b2ebqaioaaajuaemolzajuvadgdq4gabbya.f10002 00:00 https://ia5tdpr7ti6ec.beta ok.kimi.link 如果你打开了链接就能够看到背景中的星空点点，感受到随着鼠标晃动星空都在闪耀。K2.5甚至还自己找到了梵高的博物馆网站，并接入了页面。最后K2.5还在页面的最后设计了一个小彩蛋： 0 4 实测4：参考视频生成网站本次的更新的K2.5已经拥有了原生的视觉能力，它不再需要外挂插件来看图，理解图片、视频就像阅读文字一样自然。因此，我们再次提升难度，要求模型完全参考视频来生成网页。这是我给K2.5发送过去的视频：提示词依旧简单，没有任何对网页内容的透露，只能靠视频理解：参考视频生成一个一模一样的网站这是生成的网页：

在小宇宙note 阅读完整内容