Moonshot Kimi K2 (0905 baseline) — 1T-param MoE-chatmodel met 32B actief per doorgang, 256k context, gebalanceerde prestaties.
Kimi K2.5 is een multimodaal taalmodel gemaakt door de aanbieder Kimi. Het accepteert zowel tekst- als beeldinvoer en is ontworpen om lange-contexttaken te verwerken met een contextvenster van…
Kimi K2.5 blinkt uit in het begrijpen van lange contexten met een venster van 262K tokens. Het kan volledige documenten in één keer verwerken, waardoor taken zoals samenvatten, vraagbeantwoorden en informatie-extractie uit lange teksten mogelijk zijn. De mogelijkheid om afbeeldingen in te voeren maakt multimodale redenering mogelijk—bijvoorbeeld het beschrijven van een grafiek, het lezen van tekst uit een foto, of het combineren van visuele en tekstuele gegevens om complexe vragen te beantwoorden. De hoge τ²-Bench-score (95,9) duidt op sterke prestaties in toolgebruik en meerstapsredenering, zoals het aanroepen van API's, het uitvoeren van berekeningen of het doorzoeken van gegevens.
U moet Kimi K2.5 selecteren wanneer uw taak een groot contextvenster vereist (meer dan 32K tokens) of wanneer u afbeeldingen moet verwerken. Als uw taak puur tekstgebaseerd is en binnen een venster van 4K tot 32K tokens past, kan een kleiner model kosteneffectiever zijn. De sterkte van Kimi K2.5 in redeneren bij het gebruik van hulpmiddelen (blijkend uit de τ²-Bench-score) maakt het een goede keuze voor agentische workflows waarbij het model externe hulpmiddelen moet aanroepen, meerstapsinteracties moet afhandelen of complexe instructies moet volgen. Voor eenvoudige tekstgeneratie of classificatie kan een goedkoper model volstaan.
Taken die het meeste baat hebben bij deze aanpak zijn: analyse van lange documenten (bijv. contractbeoordeling, samenvatting van academische papers), multimodaal redeneren (bijv. bijschrift van afbeeldingen, visuele QA), agentische workflows (bijv. webautomatisering, codegeneratie met meerdere stappen), en taken die consistente context vereisen over vele beurten (bijv. chatbots voor klantensupport die uitgebreide geschiedenissen verwerken). De combinatie van grote context en beeldinvoer maakt het bijzonder nuttig voor domeinen zoals gezondheidszorg (analyseren van rapporten en afbeeldingen), juridisch (documentbeoordeling) en onderzoek (verwerken van grafieken en publicaties).
Specifieke beperkingen zijn niet vermeld, maar als groot model kan het een hogere latentie hebben vergeleken met kleinere modellen. De prijs per token is hoger dan bij sommige compacte alternatieven, dus het is mogelijk niet kostenefficiënt voor zeer korte prompts. Verwerking van beeldinvoer kan veel tokens verbruiken, wat de kosten verhoogt. De prestaties van het model op taken die niet door de τ²-Bench-benchmark worden gedekt, zijn niet geverifieerd. Gebruikers moeten testen op hun eigen gegevens om de geschiktheid te bevestigen. Het model wordt benaderd via OrcaRouter, die een standaard API-laag toevoegt, maar geen extra opslag op de prijzen van de aanbieder.
τ²-Bench is een benchmark die is ontworpen om AI-agenten te evalueren op realistische tool-gebruik redeneertaken. Het test het vermogen van een model om instructies te begrijpen, stappen te plannen, externe tools te gebruiken (bijv. rekenmachines, zoekmachines) en correcte resultaten te produceren. Een score van 95.9 geeft aan dat Kimi K2.5 zeer sterk presteert op deze praktische redeneertaken. Dit enkel getal vangt echter niet de prestaties op andere dimensies zoals creativiteit, feitelijke nauwkeurigheid of meertalige ondersteuning. De benchmark biedt een nuttige referentie voor het vergelijken van modellen die zijn geoptimaliseerd voor agentische workflows.
Het enige openbaar beschikbare benchmarkcijfer voor Kimi K2.5 is de τ²-Bench-score van 95,9. Andere benchmarkcijfers (bijv. MMLU, HumanEval) zijn niet beschikbaar in de bronfeiten. Daarom kunnen met deze gegevens alleen geen directe vergelijkingen worden gemaakt. Over het algemeen suggereert een hoge τ²-Bench-score dat Kimi K2.5 concurrerend is met andere modellen die zijn ontworpen voor toolgebruik en meerstaps redeneertaken. Gebruikers moeten hun eigen evaluaties uitvoeren voor specifieke gebruiksscenario's om te bepalen of het aan hun prestatie-eisen voldoet. OrcaRouter biedt toegang tot dit model zonder extra markup.
Er worden geen specifieke latentie- of tokens-per-seconde cijfers gegeven voor Kimi K2.5. Als groot model met een contextvenster van 262K tokens zal de inferentietijd over het algemeen langer zijn dan bij kleinere modellen, vooral bij lange prompts of hoge uitvoertokenaantallen. Latentie hangt ook af van de hardware die door de provider (Kimi) wordt gebruikt en de huidige belasting van de OrcaRouter API. Voor real-time toepassingen moeten gebruikers het model testen met hun typische prompthoeveelheden om acceptabele reactietijden te bepalen. De prijzen zijn per token, niet per verzoek, dus er worden geen extra snelheidskosten in rekening gebracht.
Kimi K2.5 wordt geprijsd op $0,60 per 1 miljoen invoertokens en $3,00 per 1 miljoen uitvoertokens. Deze tarieven worden gefactureerd tegen het provider-tarief zonder opslag, wat betekent dat OrcaRouter de exacte kosten van Kimi doorberekent. Er zijn geen extra kosten of getrapte prijzen. Invoertokens omvatten zowel tekst- als afbeeldingstokens. Uitvoertokens zijn de gegenereerde reactie. De prijs is per token, dus de totale kosten zijn afhankelijk van de lengte van de prompt en de reactie. Er worden geen aparte kosten in rekening gebracht voor beeldverwerking bovenop het aantal tokens.
De verstrekte feiten vermelden geen cachingmechanismen of speciale prijskortingen voor Kimi K2.5. De standaard API van OrcaRouter bevat op dit moment geen automatische promptcaching. Gebruikers kunnen kosten optimaliseren door zorgvuldig de promptlengte te beheren en onnodige tokens te verminderen. Voor herhaalde taken kan het bundelen van meerdere queries in één verzoek het totale tokenverbruik verminderen. Aangezien er geen opslag is op de prijzen van providers, zijn de modelkosten direct gekoppeld aan tokenverbruik. Overweeg een kleiner model te gebruiken voor taken die binnen een kortere context passen om geld te besparen.
De primaire afweging is tussen prestaties en kosten. Kimi K2.5’s prijs per output token ($3.00/1M) is hoger dan die van veel kleinere modellen. Voor taken die lange outputs vereisen (bijv. het genereren van volledige documenten), kunnen de kosten snel oplopen. Het grote contextvenster kan echter de noodzaak verminderen van meerdere API-aanroepen om lange inputs te verwerken, wat mogelijk de totale kosten bespaart. De mogelijkheid voor beeldinvoer voegt tokenverbruik toe, maar kan de noodzaak voor aparte beeldverwerkingspijplijnen wegnemen. Gebruikers moeten de verwachte tokenvolumes evalueren en vergelijken met alternatieven via OrcaRouter om de beste pasvorm te vinden.
Kimi K2.5 is toegankelijk via de OpenAI-compatibele API van OrcaRouter. De basis-URL is https://api.orcarouter.ai/v1. U moet de modelidentificator 'kimi/kimi-k2.5' gebruiken in uw verzoeken. Authenticatie gebeurt via een API-sleutel verkregen van OrcaRouter. De API ondersteunt dezelfde endpoints als OpenAI's Chat Completions API, inclusief chat completions en streaming. Voorbeeld: POST naar /chat/completions met model: 'kimi/kimi-k2.5', messages-array (inhoud kan tekst en afbeeldings-URL's bevatten), en optionele parameters zoals temperature, max_tokens (tot 32768), en stream.
Het model ondersteunt standaardparameters van de OpenAI Chat API: 'model', 'messages' (array met rol en inhoud), 'max_tokens' (standaard varieert, max 32768), 'temperature' (standaard 0.7), 'top_p', 'stop', 'stream' (boolean), en 'frequency_penalty' en 'presence_penalty'. Afbeeldingsinvoer wordt afgehandeld via content-onderdelen van het type 'image_url' in het gebruikersbericht. Het model respecteert de limiet van 262144 tokens voor context, dus prompt+max_tokens mag deze niet overschrijden. Alle andere OpenAI-parameters worden mogelijk geaccepteerd, maar hun effect hangt af van het onderliggende Kimi-model.
Migratie is eenvoudig omdat de API van OrcaRouter OpenAI-compatibel is. Wijzig eenvoudig de basis-URL naar https://api.orcarouter.ai/v1, uw API-sleutel naar een OrcaRouter-sleutel en werk de modelnaam bij naar 'kimi/kimi-k2.5'. Als uw bestaande code de openai Python-bibliotheek gebruikt, kunt u openai.api_base en openai.api_key instellen. Voor chatcompletions blijft het berichtformaat hetzelfde; als u eerder afbeeldingsinvoer met GPT-4V hebt gebruikt, is de indeling van het 'image_url'-onderdeel identiek. Pas max_tokens aan als deze 32768 overschrijdt. Voor basisfunctionaliteit zijn geen andere wijzigingen nodig.
Op basis van de verstrekte feiten biedt Kimi K2.5 een contextvenster van 262.144 tokens, wat groter is dan typische modellen zoals GPT-4 (32K) maar vergelijkbaar met andere modellen met lange context zoals Gemini 1.5 Pro (1M limiet) of Claude 3.5 Sonnet (200K). De prijs van $0.60/$3.00 per 1M tokens is concurrerend, en de nulopslag van OrcaRouter houdt de kosten voorspelbaar. De τ²-Bench score van 95.9 suggereert sterke tool-use redenering, maar zonder aanvullende benchmarks is een volledige prestatievergelijking niet mogelijk. Gebruikers moeten evalueren op hun eigen taken.
Kleinere modellen op OrcaRouter (bijv. gpt-4o-mini of andere compacte modellen) hebben over het algemeen lagere kosten per token, snellere latentie en kortere contextvensters. Ze zijn geschikt voor eenvoudige taken, classificatie of korte queries. Kimi K2.5, met zijn 262K context en ondersteuning voor afbeeldingen, is beter voor complex redeneren, lange documenten en multimodale invoer. De afweging is hogere kosten per token en mogelijk langzamere responstijden. Als uw taak geen grote context of multimodale mogelijkheden vereist, is een goedkoper model efficiënter. OrcaRouter maakt het eenvoudig om tussen modellen te wisselen voor verschillende gebruikssituaties.
Kimi K2.5 is geschikt voor productie als zijn mogelijkheden overeenkomen met uw vereisten. Het model wordt benaderd via OrcaRouter, dat betrouwbare API-infrastructuur en standaard OpenAI-compatibiliteit biedt. De prijsstelling tegen het tarief van de provider zonder opslag is transparant. Echter, zoals bij elk model van derden, moet u testen op consistentie, latentie en foutafhandeling onder belasting. De τ²-Bench-score suggereert sterke prestaties in tool-use-scenario's, maar productiegereedheid hangt ook af van factoren zoals uptime, snelheidslimieten en ondersteuning van OrcaRouter. Neem contact op met OrcaRouter voor specifieke SLA's en beschikbaarheidsdetails.
OpenAI-compatibel — behoud je huidige SDK
https://api.orcarouter.ai/v1from openai import OpenAI
client = OpenAI(
base_url="https://api.orcarouter.ai/v1",
api_key="$ORCAROUTER_API_KEY",
)
response = client.chat.completions.create(
model="kimi/kimi-k2.5",
messages=[{"role": "user", "content": "Hello"}],
)
print(response.choices[0].message.content)frequency_penaltyinclude_reasoningmax_completion_tokensmax_tokensnpresence_penaltyprompt_cache_keyreasoningresponse_formatsafety_identifierstopstreamstream_optionstemperaturethinkingtoolstop_p| Invoer / 1M tokens | $0.600 |
| Uitvoer / 1M tokens | $3.00 |
| Cache lezen / 1M | $0.100 |
| Valuta | USD |
Schatting op basis van catalogusprijs
Alleen een schatting — het werkelijke aantal tokens hangt af van de tokenizer van de aanbieder.
GET /api/public/models/kimi/kimi-k2.5Openen @misc{orcarouter_kimi_k2_5,
title = {kimi/kimi-k2.5 API},
author = {kimi},
year = {n.d.},
howpublished = {OrcaRouter},
url = {https://www.orcarouter.ai/models/kimi/kimi-k2.5}
}kimi. (n.d.). kimi/kimi-k2.5 API. OrcaRouter. https://www.orcarouter.ai/models/kimi/kimi-k2.5