BenchLM 对 Kimi K2.5 的公开基准账本与任务分层

一句话结论

BenchLM 的动态账本显示 Kimi K2.5 在 Coding、Agentic、Reasoning、Multimodal 等多类基准有公开来源，但总分/排名是自定义聚合，复核时应按原始 benchmark、工具模式和上下文策略逐项比较。

测试环境

• 页面状态：数据截至 2026-08-17；页面显示 21 条 source-displayable rows（动态目录会更新）。

• 证据：Benchmark exact、Provider exact、Secondary exact 混合；页面包含 SWE-Bench、Terminal-Bench、BrowseComp、MMMU、GPQA 等。

• 聚合：页面自定义类别分数/权重与总排名，不是一个统一运行。

输入/配置

条目来自 Kimi model card、Fireworks、SWE/Terminal/AA 等 leaderboard；不同 benchmark 的 Thinking、工具、上下文和重复次数不同。使用时优先打开逐行来源，固定 K2.5 snapshot、模式、parser 和 harness。

结果数据

页面可见代表性结果包括：SWE-Bench Verified 76.8%、SWE-Bench Pro 50.7%、SWE Multilingual 73.0%、Terminal-Bench 2.0 50.8%、BrowseComp 60.6%、BrowseComp（context management）74.9%、Agent Swarm 78.4%、MMMU-Pro 78.5%、LongBench v2 61.0%、AA-LCR 70.0%。

结论

K2.5 的任务优势集中在多模态、Agentic Search、视觉文档和可并行编码；context management、Thinking/non-thinking 和 Swarm 是否启用会显著改变分数，必须按目标产品复跑。

局限

• BenchLM 总分和排名受自定义权重、目录更新和来源混合影响，不能替代原始指标。

• Kimi 官方数值有内部 prompt/harness 和独立 Swarm 配置；不同来源之间不一定可直接比较。

• 部分结果来自 provider/二手来源，证据等级必须跟随每一行记录。

复现步骤

1. 先选择目标任务：编码、视觉、搜索、办公、长上下文或 Swarm。

2. 逐项锁定模型模式、temperature/top_p、工具、context management、最大步骤和重复次数。

3. 保存原始 prompt、输入媒体、工具轨迹、输出、score、成本和失败样本。

4. 与至少一个对照模型同 harness 复跑，并将 BenchLM 页面仅作为索引/交叉核对。