moonshotai
MoonshotAI: Kimi K2.5
moonshotai/kimi-k2.5
Nuestro análisis
Análisis asistido por IA basado en las fuentes siguientes. La idoneidad es una valoración editorial; compruébala con tus propias tareas.
MoonshotAI: Kimi K2.5 (moonshotai/kimi-k2.5) es un modelo abierto de mezcla de expertos, nativamente multimodal, que Moonshot AI describe como capaz de recibir imágenes y texto, producir texto y ofrecer modos instantáneo y de razonamiento junto con ejecución coordinada de enjambres de agentes. Su ficha reporta resultados en evaluaciones visuales, de vídeo, documentos, matemáticas, programación y tareas agénticas, mientras OpenRouter indica contexto de 256K tokens y controles de herramientas o salidas estructuradas. Como la evidencia procede sobre todo de documentación del proveedor y un catálogo, conviene validar rendimiento, coste, fiabilidad y seguridad en cargas reales.[1][2]
Puntos fuertes
- El proveedor describe multimodalidad nativa con codificador MoonViT, conocimiento visual, razonamiento intermodal y uso de herramientas basado en imágenes.[2]
- Moonshot AI indica modos instantáneo y de razonamiento y un esquema de enjambre autodirigido que divide tareas complejas en subtareas paralelas especializadas.[2]
- El catálogo de OpenRouter indica contexto de 256K tokens, entrada de imagen y texto, salida de texto, herramientas, salidas estructuradas y controles de razonamiento.[1]
Limitaciones
- La evidencia se limita a documentación oficial y una ficha de OpenRouter; no se aportó una ficha independiente, reproducción ni pruebas específicas de la carga.[1][2]
- El catálogo lista imágenes y texto como entradas, pero solo texto como salida; aunque el proveedor evalúa vídeo, no especifica entrada directa de vídeo.[1][2]
- No se indican requisitos de hardware, límites de despliegue, fecha de corte de conocimiento ni evaluaciones de seguridad o sesgo; revise también la licencia MIT modificada antes de reutilizar el modelo.[1][2]
Dónde utilizarlo
- Evaluar para convertir diseños de UI en código, depuración visual y generación a partir de capturas o especificaciones visuales.[1][2]
- Probar en flujos agénticos que requieran llamadas a herramientas y descomposición paralela, validando la orquestación en la pila de destino.[1][2]
- Considerar asistentes multimodales de contexto largo sobre documentos, imágenes y preguntas visualmente fundamentadas, respetando la salida solo de texto.[1][2]
Fuentes
- [1] OpenRouter catalog · MoonshotAI: Kimi K2.5Fuentes consultadas: 13 nov 2026
- [2] Model documentation · MoonshotAI: Kimi K2.5Fuentes consultadas: 13 nov 2026
Sobre este modelo
La descripción siguiente es el texto original aportado por OpenRouter, en el idioma de la fuente.
Kimi K2.5 is Moonshot AI's native multimodal model, delivering state-of-the-art visual coding capability and a self-directed agent swarm paradigm. Built on Kimi K2 with continued pretraining over approximately 15T mixed...
Especificaciones
- ID del modelo
- moonshotai/kimi-k2.5
- ID canónico
- moonshotai/kimi-k2.5-0127
- Creador
- moonshotai
- Añadido a OpenRouter
- 27.01.2026
- Longitud de contexto
- 262,144
- Modalidad
- text+image->text
- Modalidades de entrada
- text, image
- Modalidades de salida
- text
- Precio por token
- USD por 1M de tokens: entrada $0.500 / salida $2.5
- Corte de conocimiento
- —
- Fecha de expiración
- —
Tareas y capacidades
Una nota aparece solo cuando la fuente aporta una medición correspondiente para esa tarea, el modelo está activo y la cohorte tiene al menos 10 modelos comparables. La columna de capacidad muestra hechos declarados por la fuente — formatos compatibles, razonamiento y parámetros de herramientas — que no son calidad medida.
| Tarea | Nota | Capacidad declarada por la fuente |
|---|---|---|
| Calidad general | Sin medición | razonamiento: opcional · parámetros: include_reasoning, reasoning |
| Programación | BB — siguiente 30% de la cohorte | — |
| Agentes | Sin medición | parámetros: structured_outputs, tool_choice, tools |
| Escritura | Sin medición | salida: text |
| Razonamiento | Sin medición | razonamiento: opcional · parámetros: include_reasoning, reasoning |
| Análisis de documentos | Sin medición | — |
| Visión | Sin medición | entrada: image |
| Generación de imágenes | Sin medición | — |
| Audio | Sin medición | — |
| Vídeo | Sin medición | — |
| Embeddings | Sin medición | — |
Evaluaciones
| Fuente | Benchmark | Valor | Nota | Datos obtenidos |
|---|---|---|---|---|
| Artificial Analysis | Coding index | 46.8 | BB — siguiente 30% de la cohorte | 13.11.2026 |
| Design Arena | agents · androidnativetasa de victoria 57.8% · posición 33 | 1,105Elo | CC — por debajo de la franja B | 13.11.2026 |
| Design Arena | agents · fullstacktasa de victoria 54.4% · posición 30 | 1,091Elo | CC — por debajo de la franja B | 13.11.2026 |
| Design Arena | agents · godotgamedevtasa de victoria 59.8% · posición 9 | 1,219Elo | AA — siguiente 20% de la cohorte | 13.11.2026 |
| Design Arena | agents · mobileappstasa de victoria 54.7% · posición 33 | 1,142Elo | CC — por debajo de la franja B | 13.11.2026 |
| Design Arena | agents · webappstasa de victoria 51.6% · posición 34 | 1,117Elo | CC — por debajo de la franja B | 13.11.2026 |
| Design Arena | models · 3dtasa de victoria 53.1% · posición 55 | 1,188Elo | BB — siguiente 30% de la cohorte | 13.11.2026 |
| Design Arena | models · asciiarttasa de victoria 46.5% · posición 37 | 1,160Elo | BB — siguiente 30% de la cohorte | 13.11.2026 |
| Design Arena | models · codecategoriestasa de victoria 54.1% · posición 52 | 1,227Elo | BB — siguiente 30% de la cohorte | 13.11.2026 |
| Design Arena | models · dataviztasa de victoria 51.3% · posición 53 | 1,217Elo | BB — siguiente 30% de la cohorte | 13.11.2026 |
| Design Arena | models · gamedevtasa de victoria 53.4% · posición 58 | 1,197Elo | BB — siguiente 30% de la cohorte | 13.11.2026 |
| Design Arena | models · svgtasa de victoria 48.4% · posición 54 | 1,141Elo | BB — siguiente 30% de la cohorte | 13.11.2026 |
| Design Arena | models · uicomponenttasa de victoria 53.6% · posición 50 | 1,229Elo | BB — siguiente 30% de la cohorte | 13.11.2026 |
| Design Arena | models · websitetasa de victoria 55.2% · posición 49 | 1,243Elo | BB — siguiente 30% de la cohorte | 13.11.2026 |
Cómo funcionan las notas
Cada nota compara un modelo solo con otros modelos evaluados por la misma fuente y métrica en la instantánea actual. S es el 10% superior, A el siguiente 20%, B el siguiente 30% y C el resto. Los modelos sin medición publicada aparecen como no evaluados: un formato compatible nunca implica calidad medida.
- S — S — 10% superior de la cohorte
- A — A — siguiente 20% de la cohorte
- B — B — siguiente 30% de la cohorte
- C — C — por debajo de la franja B
Proveedores
Estadísticas opcionales de proveedores en vivo desde OpenRouter. Los valores ausentes son desconocidos, no cero.
| Proveedor | Longitud de contexto | Precio entrada /1M | Precio salida /1M | Latencia p50 (30m, s) | Rendimiento p50 (30m, tok/s) | Disponibilidad (30m) |
|---|---|---|---|---|---|---|
| AtlasCloudint4 | 262,144 | $0.490 | $2.5 | — | — | — |
| SiliconFlowint4 | 262,144 | $0.500 | $2.5 | — | — | 100% |
| Venice | 256,000 | $0.532 | $3.32 | — | — | 100% |
| Novita | 262,144 | $0.570 | $2.85 | — | — | 100% |
| Amazon Bedrock | 262,144 | $0.600 | $3 | — | — | 100% |
Datos de proveedores obtenidos: 13.11.2026
Artículos relacionados
Ningún artículo publicado identifica aún este modelo.