Kimi K2.5: Visual Agentic Intelligence

Kimi K2.5 视觉 Agent 智能

核心结论

• Kimi K2.5 是联合文本-视觉优化的多模态 Agent 模型，实现文本和视觉的端到端联合 RL 训练。
• 提出 zero-vision SFT 策略：在 SFT 阶段不提供视觉输入，让模型先学会纯文本推理，再引入视觉——防止模型在视觉训练中退化。
• Agent Swarm/PARL 架构：多 Agent 并行执行 + 反思循环，支持复杂多步 agentic 任务。
• MoonViT-3D：原生分辨率视觉编码器，支持 NaViT 动态打包，提升多分辨率图像处理效率。
• Toggle token-efficient RL：选择性激活视觉 tokens 进行 RL 训练，大幅降低训练开销。
• Decoupled Encoder Process (DEP)：编码器与解码器分离处理，提升推理效率。

关键事实

• 联合文本-视觉优化（early fusion, low vision ratio）。
• Zero-vision SFT 防止视觉训练导致文本能力退化。
• Agent Swarm/PARL：多 Agent 并行 + 反思机制。
• MoonViT-3D + NaViT packing，原生分辨率处理。
• Toggle RL：选择关键视觉 tokens 进行 RL 训练，降低计算开销。
• DEP 架构解耦编码和解码过程。

方法或论证路径

• 联合 RL 训练（文本+视觉）需要特殊处理以避免跨模态干扰，zero-vision SFT 是关键步骤。
• Agent Swarm 通过多 Agent 并行和反思循环解决复杂多步任务。
• Toggle 方法在视觉 RL 中实现 token 级别的效率优化。

与现有 Wiki 的关系

• 关联：国产大模型演进、多模态 Agent
• 与 Kimi-VL 技术报告 形成完整的多模态能力线：Kimi-VL 负责基础 VLM，K2.5 负责 Agent 化。
• 与 Kimi K2 开放 Agent 智能 一脉相承：K2 是纯文本 Agent，K2.5 扩展到多模态 Agent。

可能的矛盾或待核实点

• Zero-vision SFT 的效果是否被后续 ablation 充分验证？
• Agent Swarm 的计算开销是否在实际部署中可控？

后续问题

• K2.5 的 Agent Swarm 与 DeepSeek-V3.2 的 agent 合成管线如何对比？
• MoonViT-3D 与 MoonViT（Kimi-VL）的具体架构差异是什么？