Moonshot AI、視覚エージェント「Kimi K2.5」をオープンソース公開

Moonshot AIが、テキスト、画像、動画をネイティブに理解するオープンソースの視覚エージェントモデル「Kimi K2.5」を公開しました。

単なる大規模言語モデルにとどまらず、複数のサブエージェントを自律的に並行稼働させて高度なタスクを処理できるのが最大の特徴です。

できることと仕組み

Kimi K2.5は、15兆トークンの視覚およびテキスト混合データで事前学習されており、外部ツールに頼らないネイティブなマルチモーダル処理が可能です。

目玉機能はベータ版として提供される「Agent Swarm」です。従来の単一エージェントのように順番に処理を進めるのではなく、自律的にタスクを分割して並行処理を行います。

最大100個のサブエージェントが同時に動き、最大1500回のツール呼び出しに対応します。単一エージェント構成と比較して、全体の処理速度は4.5倍に向上しました。

コード生成では視覚的な再現性に注力しており、チャットの指示だけでなく、UIのスクリーンショットや操作動画を読み込ませることで、アニメーションを含むWebサイトを自動構築できます。

ベンチマークと開発ツール

公開されたベンチマークでは、自律エージェント評価のHLEで50.2パーセント、Web巡回タスクのBrowseCompで74.9パーセントを記録しました。

視覚分野ではMMMU Proで78.5パーセント、動画推論ベンチマークのVideoMMMUで86.6パーセントを達成し、GPT 5.2やClaude Opus 4.5を上回るスコアを示しています。SWE-bench Verifiedでも76.8パーセントを記録し、オープンソース最高峰の性能を示しました。

あわせて、オープンソースのコーディング支援ツール「Kimi Code」も提供されます。Claude CodeやGemini CLIの対抗として、ターミナルからの利用に加え、VSCode、Cursor、Zedといったエディタと連携し、画像や動画を入力としてコード生成が行えます。

入手方法と開放状況

モデルの重みとコードはHugging Face上で公開されており、ローカル環境や自前サーバーにダウンロードして利用できます。

クラウド上で試したい場合は、kimi.comにてチャットモードおよびエージェントモードで稼働しています。Agent Swarm機能は上位ユーザー向けにベータテスト中です。APIはMoonshotのプラットフォームから利用可能です。

なぜ重要か

フロントエンド開発者やデザイナーにとって、画面録画動画からそのまま動くコードを生成できるワークフローは、モックアップ作成の手間を大幅に削る実用的なツールになります。

また、これまでプロプライエタリなモデルに依存していたエージェント並行処理やコーディング環境を、オープンウェイトで自前環境に組み込めるようになった意義は大きく、開発現場の選択肢を大きく広げる一歩です。