แหล่งอ้างอิง 6ความเชื่อมั่น 82%ความเชื่อมั่นโดยรวม: 82%แหล่งที่มาและแหล่งอ้างอิงของหมุดยืนยันวันที่ได้ดีเพียงใดค่าเฉลี่ยถ่วงน้ำหนักว่าแหล่งอ้างอิง 6 แหล่ง รวมแหล่งที่มา สนับสนุนเวลาเริ่มและสิ้นสุดของหมุดมากเพียงใด แหล่งอ้างอิงจะมีน้ำหนักลดลงครึ่งหนึ่งทุก ๆ 180 วันที่เก่ากว่าแหล่งล่าสุดแสดงหมุดทั้งหมดที่มีความเชื่อมั่น 75% ขึ้นไป
รายการแรกคือแหล่งที่มาของหมุดเสมอ ความเชื่อมั่นโดยรวมคือค่าเฉลี่ยถ่วงน้ำหนักว่าแต่ละแหล่งอ้างอิงสนับสนุนเวลาเริ่มและสิ้นสุดด้านบนมากเพียงใด แหล่งอ้างอิงจะมีน้ำหนักลดลงครึ่งหนึ่งทุก ๆ 180 วันที่เก่ากว่าแหล่งล่าสุด
- [1]90%kimi.com/blog/kimi-k2-5kimi.com· โพสต์ 12 ต.ค. 2026· เริ่ม 27 ม.ค. 2026 ✓· 24% ของคะแนน
บล็อกเทคนิคของ Moonshot เริ่มด้วย "Today, we are introducing Kimi K2.5" โดยไฟล์รูปภาพมีตราประทับ 20260127 โมเดลการ์ดบน Hugging Face[2] เปิดสาธารณะเมื่อ 2026-01-27 และ OpenRouter[3] ลงรายการ kimi-k2.5 ในวันเดียวกัน โดย The Decoder[6] รายงานเมื่อวันที่ 28 มกราคม
- [2]90%moonshotai/Kimi-K2.5 - Hugging Facehuggingface.co· เพิ่มเมื่อ 12 ต.ค. 2026· 24% ของคะแนน
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· เพิ่มเมื่อ 12 ต.ค. 2026· 24% ของคะแนน
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· เผยแพร่ 17 ก.พ. 2026· 10% ของคะแนน
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· เผยแพร่ 2 ก.พ. 2026· 9% ของคะแนน
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.
เสนอการแก้ไข
มีอะไรขาดหรือผิดไหม บอกด้วยคำพูดของคุณเอง: ลิงก์ที่สนับสนุนหมุดนี้ วันที่เริ่มหรือสิ้นสุดที่ต่างออกไปพร้อมเหตุผล หรือข้อเท็จจริงที่ขาดหรือผิด AI จะตรวจสอบกับแหล่งที่มาของหมุด ค้นหาแหล่งที่ดีกว่า และเพิ่มหน้าที่สนับสนุนคุณ แหล่งที่มาของหมุดเองยังคงมีน้ำหนักมากที่สุด รูปภาพที่แสดงสิ่งอื่นหรือแสดงได้ไม่ดีก็จะถูกตรวจสอบ และเลื่อนลงหรือแทนที่