Kimi K2.5开源，Agent Swarm框架让多Agent并行延迟降4.5倍

重点关注

01 Agent 月之暗面把多Agent调度做成了自组织系统

Agent系统的一个核心瓶颈是编排——多个子Agent怎么分工、怎么并行、出错了怎么容错？大多数方案依赖人工定义的DAG或中心调度器。Kimi K2.5走了不同的路：Agent Swarm框架让模型自己把复杂任务分解为异构子问题，动态分配给不同Agent并行执行，延迟比单Agent基线降低最高4.5倍。模型本身是一个多模态Agent模型，核心训练思路是文本和视觉的联合优化——包括joint pre-training、zero-vision SFT（纯文本SFT也能提升视觉能力）、以及联合RL。在coding、vision、reasoning、agentic任务上达到多项SOTA，模型权重已开源。

原文：Kimi K2.5: Visual Agentic Intelligence

02 代码智能 把代码截成图片喂给模型，居然比当文本读更高效？

LLM处理源代码有一个很实际的问题：代码越多token越长，计算成本线性增长。CodeOCR提出了一个反直觉的思路——干脆把代码渲染成图片，让视觉语言模型（VLM）「看」代码而不是「读」代码。一张截图可以把相同内容的token数压缩到原来的1/19。团队在12个代码理解任务上测试了14个主流VLM，发现在简单任务（代码摘要、clone detection）上图片模式几乎不损失准确率，但在需要精确推理的复杂任务（如漏洞检测）上仍有明显差距。关键发现是瓶颈不在「看不清代码」，而在视觉模型对代码语义的推理能力本身。

原文：CodeOCR: On the Effectiveness of Vision Language Models in Code Understanding

03 推理 CoT推理没有你以为的那么深谋远虑

大家习惯性地觉得LLM写出的长推理链是在做「规划」——先想好整体思路，再一步步推导。但事实真的如此吗？这项研究用probing实验直接去测LLM内部状态中的「规划视野」。结论令人清醒：模型在生成CoT时的latent planning只覆盖后续2-3步，距离全局规划差得很远。换句话说，模型写出的那些看似有条理的推理链，更像是局部贪心搜索——每一步做出当下最合理的选择，而不是真的有一个全局蓝图。这也解释了为什么LLM在需要长距离规划的任务上经常「走偏」。

原文：No Global Plan in Chain-of-Thought: Uncover the Latent Planning Horizon of LLMs

04 可解释性 微调、LoRA、activation steering——其实都是同一件事

控制LLM行为的手段越来越多：直接微调权重、LoRA低秩适配、activation steering（在推理时直接修改激活值）。这三类方法通常被当作完全不同的技术路线来研究。浙大团队提出了一个统一框架：三者本质上都是由控制信号引发的动态权重更新，数学形式可以放进同一个表达式。在这个框架下，团队引入了「偏好-效用」分析——偏好是模型向目标概念偏移的程度，效用是输出仍然连贯合理的程度。两者存在可预测的权衡：控制力度越强，偏好越高但效用越低。从activation manifold的视角看，效用下降主要发生在干预把表示推离了模型「有效生成流形」的时候。基于此分析，团队提出的SPLIT方法在提升偏好的同时更好地保持了效用。

原文：Why Steering Works: Toward a Unified View of Language Model Parameter Dynamics