MoonshotAI、Kimi K2.5の技術レポートを公開 ビジョン・エージェントでブレークスルー

MoonshotAIは、Kimi.ai大規模言語モデルプラットフォームを運営する企業であり、Kimi K2.5の技術レポートを公開した。このレポートでは、マルチモーダルAI機能とエージェントシステムにおいて顕著な進展が概説されている。

主なハイライトは、15兆のビジョン・テキストトークンで事前学習したモデルのテキスト・ビジョン共同訓練アプローチである。これに続き、追加のビジョン特化訓練データを使わずテキストのみのデータによるゼロ・ビジョン監督ファインチューニングにより、視覚推論能力が活性化される。

レポートでは、Agent SwarmとPARLを組み合わせたシステムが紹介されており、並列サブエージェントを動的にオーケストレーションする。これにより、最大4.5倍低いレイテンシが実現され、BrowseCompベンチマークで78.4%のパフォーマンスを達成し、複雑なタスクでの効率向上が示された。

もう一つの革新はMoonViT-3Dで、4倍の時間圧縮を特徴とする統一画像・ビデオエンコーダーである。これにより、同じコンテキスト長内で4倍長いビデオの処理が可能となり、動的視覚コンテンツの能力が向上する。

さらに、Toggleはトークン効率の高い強化学習を採用し、精度を維持しつつトークン使用量を25-30%削減する。これらの手法は一体となって、スケーラブルで実世界のエージェント知能に向けた推進力を生む。

技術レポート全文はGitHubで公開されており、研究者や開発者が手法と結果を詳細に探求できる。