摘要： Moonshot AI 於 2026 年 1 月 27 日推出 Kimi K2.5，具備 MIT 授權開源、原生視覺與 Agent Swarm 多代理協作。MIT 授權降低商用與改作摩擦，MoE 讓固定推理預算能跑更大模型，原生視覺則省去截圖 OCR 的轉換損耗。把協調能力放進模型層，為完全自架的多模態代理系統提供正式路線，也改變框架與模型的分工界線。
2026 年 1 月 27 日，Moonshot AI 推出 Kimi K2.5。這款 model 以 MoE（mixture-of-experts）為架構，規格重點有三：採 MIT 授權開源、視覺能力原生內建，以及 Agent Swarm 多代理協作。
單看其中任何一項都不算新鮮事；難得的是三項特徵同時落在同一個 model 上，這才值得逐一拆解。
MIT 授權與 MoE 架構帶來什麼
在各種常見開源授權裡，MIT 屬於最寬鬆的那一端：商業使用沒問題、允許改作，附帶條件寥寥可數。企業要導入時，法務端的摩擦趨近於零，不必針對授權例外一條一條去談。MoE 的做法則是在 model 內部劃分出多組專家網路，每個 token 實際只動用其中一部分，用有限的運算換到大參數規模才有的能力——近年大型 model 多半採行這種設計。對自架團隊來說，這點非常具體：推理預算不變，跑得動的 model 卻更大。
原生視覺重寫 agent 的輸入方式
現行 agent 工作流程大多仍以文字為中心：截圖得先跑 OCR、文件得先抽出純文字，內容之後才進得了 model。原生視覺等於撤掉整段前置處理，圖片直接交給 model 判讀。在 browser agent、文件處理、UI 自動化這種「畫面本身就是資訊」的任務裡，這是質的跳躍：agent 眼前不再只有轉譯留下的文字殘影，而是原始畫面。中間少轉一手，漏掉的資訊就少一些，錯誤的源頭也跟著少一個。
Agent Swarm 描繪的多代理協作
Agent Swarm 處理的是一群 agent 之間如何協調：把任務拆開、分頭執行、再彙整結果。與其把全部本領集中在一個超大 agent 身上，不如交給一群分工明確的 agent 彼此配合——近來 agent 工程正明顯朝這個方向走。K2.5 選擇把這類協調機制直接放進 model，多代理協作於是從「靠 orchestration 框架在 model 外拼裝」變成 model 層級的原生能力。框架不會就此退場，但 model 與框架之間的分工界線正被重新劃定。
對自架多模態 agent 堆疊的影響
三個關鍵詞疊起來看：一個 model，能自由取得、不必轉換就看懂畫面、還自帶多代理協調，「完全自架的多模態 agent 系統」便從手作拼裝工程，轉為有正式支援可走的路線。資料無法離開內部環境的團隊多了一個選擇；orchestrator 生態則迎來新的壓力——協調職責一旦下沉到 model 層，框架就得在更上層證明價值，例如治理、觀測，以及人機協作介面。