Kimi K2.5发布：原生多模态 + Agent Swarm，我用它把小红书「复刻」了一遍

昨天，Kimi 发布了新模型 Kimi K2.5。

我一开始以为这会是一次“常规升级”：更大的参数、更长的上下文、更高的分数……但翻完官方技术报告后，最大的感受反而是——K2.5 更像是在补齐一个方向：

• 不只是“会看图”。而是原生多模态，从训练开始就把视觉和文本当成同一个大脑要处理的信息。
• 不只是“会用工具”。而是能把复杂任务拆成并行子任务，自己拉起一个**Agent Swarm（最多 100 个子智能体）**去跑。
• 不只是“能写代码”。而是强调 Coding with Vision：看着图片/视频写前端、查错、迭代，甚至做审美。

更关键的是：这些能力不是停留在 PPT 上。至少在我最常用的领域——前端设计——K2.5 给了我一波真实的“惊艳”。

---

一、先看官方：K2.5 到底升级了什么？

官方报告开门见山：Kimi K2.5 是“目前最强的开源模型”。

它基于 K2 继续预训练，使用了约 15T 的混合视觉与文本 tokens，并且强调一句关键点：Built as a native multimodal model（原生多模态）。

另外，Kimi.com 和 App 也同步更新了 4 种模式：

• K2.5 Instant
• K2.5 Thinking
• K2.5 Agent
• K2.5 Agent Swarm (Beta)
  

如果你只把它当“聊天模型”，可能感知不到它的全部威力；但如果你把它当成“能执行任务的系统”，K2.5 的路线就很清晰了：

• Coding with Vision：看图/视频写代码、做视觉 Debug、把“审美”纳入迭代回路。
• Agent Swarm：不是一个 Agent 走到黑，而是并行拉起多个子 Agent 并行工作。
• Office Productivity：面向真实办公产出（文档、表格、PDF、Slides）的长链路任务。

---

二、Benchmark 里最扎眼的：Agent 能力和“成本”

我知道很多人看 Benchmark 会疲劳，但 K2.5 这次有两点确实值得扫一眼。

1）Agent 相关榜单：不只是“能调用工具”，而是“能把事做成”

官方拿了几个偏 agentic 的 benchmark 来展示：

• HLE-Full（含工具）：K2.5（Thinking）= 50.2，对比 GPT-5.2（xhigh）= 45.5
• BrowseComp：K2.5 = 60.6（有上下文管理策略的版本更高）
• DeepSearchQA：K2.5 = 77.1

这类榜单的意义不在于“谁多 1 分”，而在于它更接近真实工作流：

• 有信息缺口
• 需要多步推理
• 需要工具来验证/检索/执行
• 最终要交付一个可用结果

换句话说，它衡量的是“能不能把任务闭环”。

2）成本（token cost）也被单独拿出来讲

报告里专门放了一张图，强调 K2.5 在几个 agent benchmark 上能做到“更强 + 更便宜”。

这一点对普通用户的体感就是：

• 同样一个复杂任务，模型更愿意“动手”（用工具、写脚本、做验证），而不是只给一堆口头建议。
• 如果你是 API 用户，成本结构会影响你能不能把它真的接入到产品/工作流里。

---

三、我最关心的：它的“前端审美”真的提升了吗？

官方在报告里直接写：K2.5 在 front-end development 上尤其强。

而且它强调的不是“写得出页面”，而是：

• 能做 interactive layouts
• 能做 rich animations（例如滚动触发效果）
• 能把图片/视频当成需求输入，直接走 image/video-to-code

这几句话对前端来说很敏感：

以前很多模型“功能能跑”，但页面带着一股浓浓的 AI 味：

• 间距、字号、配色像默认模板
• 层级关系混乱
• 动效不是没有，就是非常粗糙

所以我做了两个非常“偏私心”的测试：

• 网页审美：同一份祖传 prompt，对比我过去用 Gemini 3 Pro 的体验。
• 图片复刻：拿小红书的三个界面，让它尽量还原（顺便测图像理解+组件拆解能力）。

---

四、实测 1：网页审美（结论：好看，但慢）

我的测试方法

我用了我一直拿来生成“个人数字网站”的那份提示词（提示词不在这里展开，避免文章太长）。

测试环境：

• 使用 Kimi 网页端
• 选择 Agent 模式

结论先说

• 审美不错：至少我自己挺喜欢的。
• AI 味不重：生成的页面没有那种“模板拼接感”。
• 但速度真的慢：不是思考很久，而是执行链路整体偏慢（尤其是涉及生成资源、组织文件、迭代页面的时候）。

这里我反而觉得它更像“认真做事的团队新人”：

• 思路不拖泥带水
• 但把东西落地、跑流程、出结果，需要时间
  

---

五、实测 2：小红书界面复刻（结论：惊艳，但稳定性需要再打磨）

为什么选小红书？

因为它是典型的“高审美 + 高工程复杂度”的结合体：

• 信息密度高
• UI 细节多（卡片、标签、头像、间距）
• 组件复用强
• 状态复杂（推荐流、详情、评论、收藏/点赞）

我给了它 3 个界面让它复刻。

过程中发生了什么

• K2.5 生成了非常多的图片资源
• 中途莫名中断了一次，没有完成代码撰写和部署
• 过一会又恢复了（我猜可能是当时用的人太多）

最终效果

尽管过程磕磕绊绊，但最终出来的界面让我有点惊到：

• 真的有“小红书那味道”
• 组件层级、留白、字体大小的选择比较像“人做的”

我把复刻效果放在这里，你可以直接点开看（目前只做了电脑端适配）：

https://tjb4cuoijc2wu.ok.kimi.link/

---

六、为什么它能做到“看着图/视频写前端”？

这里就要回到报告里一句话：

K2.5 excels at coding with vision.

它的核心不是“接了个视觉模型”，而是通过大规模的视觉-文本联合预训练，让模型具备一种更接近人类的表达方式：

• 你可以用图片/视频表达需求
• 模型能把视觉信息映射到可执行的工程结构（组件、布局、样式、资源）
• 还能在迭代里做 visual debugging（看着自己的输出改）

官方举的例子里包括：

• 从视频重建网站
• 看着一个迷宫图，用 Python 找最短路径并可视化

这种能力一旦成立，意味着“需求表达”的门槛会下降：

• 以前要描述 UI：你要写一大段文字
• 现在你可以说：就照这个图来（甚至是照这个视频的交互来）
  

---

七、另一个大招：Agent Swarm（不是一个人做项目，是 100 个同事一起做）

如果说“看图写代码”解决的是表达与落地，那 Agent Swarm 解决的是另一件事：

• 复杂任务里，最大的敌人往往不是智商，而是 时间（以及串行的步骤依赖）。

官方给的数据很激进：

• 最多 100 个子智能体
• 最多 1,500 次工具调用
• 相比单 Agent，最多能快 4.5x

并且它强调：

• 子 Agent 不是预先手工定义的
• 工作流也不是写死的
• 而是模型自动创建并编排

报告里提到他们用 **Parallel-Agent Reinforcement Learning（PARL）**训练一个“可学习的编排器（orchestrator）”，去避免常见失败模式：

• serial collapse（串行塌缩）：明明可以并行，但 orchestrator 懒得拆，最后还是一个 agent 从头干到尾

以及他们用一个更贴近并行计算的指标：Critical Steps，去逼迫系统真的用并行缩短关键路径。

---

八、写代码这件事：K2.5 的定位可能更像“能落地的工程队”

官方也给了不少 coding benchmark：

• SWE-Bench Verified：76.8
• SWE-Bench Multilingual：73.0
• LiveCodeBench v6：85.0

这些分数当然重要，但对我来说更重要的是它在产品层的配套：

• Kimi Code：在终端里用，也能接入 VSCode / Cursor / Zed 等
• 支持图片和视频输入
• 能发现并迁移 MCP/技能到环境

这类“生态接入”的完善程度，会直接决定它是不是能成为你每天都用的生产力工具。

---

九、我的真实感受（优点很明确，短板也很真实）

我认为它最强的地方

• 视觉 + 代码的结合很实用：尤其是前端、产品、设计协作场景
• Agent 能力更像“能把事做成”：不是聊天式建议，而是能执行、能闭环
• 审美显著进步：至少在我测的前端页面生成/复刻里，明显更像“人做的”

你可能会踩的坑

• 速度/稳定性：任务复杂时，链路长、资源多，容易慢或中断
• 高峰期体验波动：我这次复刻小红书时就遇到过中断
• 不要只看一个分数：K2.5 在不同任务类型的表现有强弱分布，适配场景更重要
  

---

十、怎么上手最划算？（给不同人群的建议）

• 如果你是普通用户：
  • 先在 Kimi.com 用 K2.5 Agent 做一次完整任务（比如“把这个页面复刻出来并部署”），你会最快理解它的优势。
• 如果你是前端/设计/产品：
  • 直接用“图片/视频 + 需求”驱动它做页面，你会明显感到表达成本下降。
• 如果你是开发者/API 用户：
  • 建议先把“工具链”配齐（IDE、终端、浏览器、截图对比），再评估它的吞吐与成本。

最后还是那句话：

判断一个模型到底行不行，最好的方式不是读任何解读（包括这篇），而是自己真的去亲手试一次。

如果你也测了 K2.5，欢迎留言告诉我：

• 你在哪个场景觉得它“离谱地好用”？
• 又在哪个场景觉得它“还差点意思”？