kimi-k2.5-instant

اطلاعات مدل

شناسه (Slug)

kimi-k2-5-instant

تاریخ انتشار

—

سازمان

Moonshot AI

دسترسی

پولی

سایت رسمی

www.moonshot.ai

داده‌های تحلیلی

شاخص‌ها

هوش ۱۹,۷

کدنویسی —

عامل (Agentic) —

عملکرد

سرعت خروجی ۳۹,۳ t/s

زمان تا اولین توکن ۱,۳۲ ثانیه

زمان پاسخ کامل ۱۴,۰۵ ثانیه

شمار پارامترها

۱,۰۰۰,۰B پارامتر

مجوز

MIT

ورودی

متن، تصویر

خروجی

متن

پنجرهٔ زمینه

۲۶۲,۱ هزار توکن

میانگین قیمت ورودی (در ۱ میلیون توکن)

$0,57

میانگین قیمت خروجی (در ۱ میلیون توکن)

$2,85

نوع استفاده

متن

بنچمارک‌ها

کدنویسی

PaperBench ۶۳,۵% #2

CyberGym ۴۱,۳% #13

FrontierSWE ۲۶,۰% #15

finance

FinSearchComp T2&T3 ۶۷,۸% #1

زبان

MMLU-Pro ۸۷,۱% #8

زمینهٔ بلند

LongBench v2 ۶۱,۰% #6

ریاضی

AIME 2025 ۹۶,۱% #19

HMMT 2025 ۹۵,۴% #6

MathVista-Mini ۹۰,۱% #1

MathVision ۸۴,۲% #11

IMO-AnswerBench ۸۱,۸% #14

LiveBench ۶۹,۱% #32

چندحالته

Video-MME ۸۷,۴% #5

VideoMMMU ۸۶,۶% #3

استدلال

GPQA ۸۷,۶% #41

LiveCodeBench v6 ۸۵,۰% #11

CharXiv-R ۷۷,۵% #28

SWE-Bench Verified ۷۶,۸% #29

BrowseComp ۷۴,۹% #27

SWE-bench Multilingual ۷۳,۰% #14

AA-LCR ۷۰,۰% #5

OJBench (C++) ۵۷,۴% #1

Seal-0 ۵۷,۴% #1

Terminal-Bench 2.0 ۵۰,۸% #36

SWE-Bench Pro ۵۰,۷% #47

Humanity's Last Exam ۵۰,۲% #22

SciCode ۴۸,۷% #7

جست‌وجو

WideSearch ۷۹,۰% #3

DeepSearchQA ۷۷,۱% #7

بینایی

InfoVQAtest ۹۲,۶% #1

OCRBench ۹۲,۳% #1

OmniDocBench 1.5 ۸۸,۸% #10

MMVU ۸۰,۴% #1

LongVideoBench ۷۹,۸% #3

MMMU-Pro ۷۸,۵% #18

LVBench ۷۵,۹% #6

SimpleVQA ۷۱,۲% ۱ #5

MotionBench ۷۰,۴% #3

WorldVQA ۴۶,۳% #5

ZEROBench ۱۱,۰% ۰ #4

تامین‌کننده‌ها (Providers)

این مدل از طریق 1 ارائه‌دهنده قابل دسترسی است.

ارائه‌دهنده	نوع	نام مدل	مدل اصلی	ورودی ($/1M)	خروجی ($/1M)	رایگان
Arena AI ویژه	گفتگو	—	`kimi-k2.5-instant`	-	-	—

معرفی مدل

مدل kimi-k2.5-instant توسط شرکت Moonshot AI توسعه یافته است تا پردازش زبان طبیعی را با سرعتی بی‌نظیر ارائه دهد. این مدل پیشرفته برای پاسخگویی آنی، تحلیل دقیق داده‌ها و اجرای کارهای مقیاس‌پذیر بهینه‌سازی شده است. توسعه‌دهندگان می‌توانند با بهره‌گیری از kimi-k2.5-instant، اپلیکیشن‌های هوش مصنوعی خود را به ابزاری سریع، دقیق و کارآمد مجهز کنند. این مدل انتخابی ایده‌آل برای سناریوهایی است که به واکنش‌های بلادرنگ و کیفیت بالای تولید متن نیاز دارند.