Fonti 6AFFIDABILITÀ 82%Affidabilità complessiva: 82%Quanto la fonte e le altre fonti del pin ne confermano le date.Media ponderata di quanto 6 fonti, compresa quella principale, confermano gli orari di inizio e fine del pin; una fonte conta la metà per ogni 180 giorni in più rispetto alla più recenteMostra tutti i pin con affidabilità pari o superiore al 75%
La prima voce è sempre la fonte del pin. L’affidabilità complessiva è una media ponderata di quanto ogni fonte conferma gli orari di inizio e fine indicati sopra; una fonte conta la metà per ogni 180 giorni in più rispetto alla più recente.
- [1]90%kimi.com/blog/kimi-k2-5kimi.com· Postato il 12 ott 2026· Inizio 27 gen 2026 ✓· 24% del punteggio
Il blog tecnico di Moonshot si apre con "Today, we are introducing Kimi K2.5" con file di figure datati 20260127; la scheda del modello su Hugging Face[2] è diventata pubblica il 2026-01-27 e OpenRouter[3] ha elencato kimi-k2.5 quel giorno, con The Decoder[6] che ne ha riferito il 28 gennaio.
- [2]90%moonshotai/Kimi-K2.5 - Hugging Facehuggingface.co· Aggiunto il 12 ott 2026· 24% del punteggio
Moonshot's model card: native multimodal agentic model, 1T total / 32B activated parameters, 256K context, MoonViT vision encoder, Modified MIT license and the K2.5 (Thinking) benchmark table against GPT-5.2 (xhigh), Claude 4.5 Opus, Gemini 3 Pro and DeepSeek V3.2.[1]
- [3]70%Kimi K2.5 - OpenRouter endpointsopenrouter.ai· Aggiunto il 12 ott 2026· 24% del punteggio
OpenRouter's record: created 2026-01-27, 262,144-token context, text and image input and third-party provider prices of $0.49 to $0.60 per million input tokens and $2.50 to $3.33 output.
- [4]75%Moonshot AI releases Kimi K2.5 with agent swarm - InfoQinfoq.com· Pubblicato il 17 feb 2026· 10% del punteggio
17 February analysis of the PARL training method: only the orchestrator is trained while sub-agents stay frozen, the reward counters "serial collapse", and K2.5 beat GPT-5.2 Pro on BrowseComp and Claude Opus 4.5 on WideSearch.[1]
- [5]85%Kimi K2.5: Visual Agentic Intelligence - arXivarxiv.org· Pubblicato il 2 feb 2026· 9% del punteggio
Kimi[1] Team's technical report (submitted 2 February 2026): joint text-vision pre-training, vision-free SFT and joint RL, plus Agent Swarm, which cuts latency by up to 4.5x against single-agent baselines.
Suggerisci una correzione
Manca qualcosa o c’è un errore? Dillo con parole tue: un link che conferma questo pin, una data di inizio o fine diversa e perché, o un fatto che manca o è sbagliato. L’IA lo confronta con le fonti del pin, ne cerca di migliori e aggiunge qualsiasi pagina ti dia ragione. Le fonti del pin contano comunque di più. Anche un’immagine che mostra altro, o lo mostra male, viene esaminata e spostata in basso o sostituita.