K2.6 Agent Swarm [Beta]

El 27 de enero de 2026, Moonshot AI lanzó Kimi K2.5 e introdujo Agent Swarm [Beta]. El 20 de abril de 2026, Moonshot AI lanzó y liberó como código abierto Kimi K2.6, con grandes mejoras en la arquitectura de Agent Swarm:

• Hasta 300 subagentes trabajando de forma simultánea
• Más de 4,000 llamadas a herramientas por tarea
• 4.5 veces más rápido que la ejecución secuencial con un solo agente

La historia detrás de esto

En 2025, el relato dominante de la industria de la IA giraba en torno al escalado vertical: modelos más grandes, más parámetros. Pero esto choca con un techo estructural: el cuello de botella de la ejecución secuencial única.

Agent Swarm nació de una situación real: cuando una integrante del equipo quiso automatizar la recopilación diaria de información bursátil y llegó a 100 líneas de código if-else, se dio cuenta de algo: "Estoy escribiendo a mano un sistema multiagente". Si los modelos pueden usar herramientas, ¿por qué no podrían diseñar su propia arquitectura?

Agent Swarm es una estructura organizativa autodiseñada: creada por la IA, no por humanos. El Agent principal (orquestador) dirige de forma autónoma hasta 300 subagentes, ejecutando hasta 4,000 pasos de flujo de trabajo en paralelo.

K2.6 Agent Swarm [Beta] utiliza el método de entrenamiento PARL (Parallel-Agent Reinforcement Learning). En comparación con los enfoques de un solo agente, reduce los pasos críticos entre 3 y 4.5 veces en escenarios de búsqueda a gran escala.

¿Cómo se usa?

Puntos de acceso:

• Web: kimi.com/agent-swarm
• Móvil: app de Kimi → Cambiar modo → Seleccionar K2.6 Agent Swarm [Beta]

Pasos:

1. Describe tu tarea y envíala (por ejemplo, "Recopila más de 200 artículos de Paul Graham")
2. Observa el progreso en tiempo real: creación de la lista de tareas, generación de subagentes y ejecución en paralelo
3. Recibe los resultados: proyectos de código, carpetas de archivos, análisis de datos y documentos de Office
4. Previsualiza, descarga o comparte los resultados
5. Cambia a un único K2.6 Agent para continuar en los siguientes turnos

Casos de uso

Descubrimiento a gran escala

Caso 1: Los 3 mejores creadores en 100 nichos de YouTube

K2.6 Agent Swarm [Beta] creó 300 subagentes para una búsqueda en paralelo y generó tablas estructuradas con nombres de canales, cantidad de suscriptores y descripciones.

Ver resultado

Caso 2: Recopilación de más de 200 artículos de Paul Graham

Agent Swarm desplegó subagentes para buscar, descargar, categorizar y resumir más de 200 artículos en carpetas temáticas.

Ver resultado

Producción a gran escala

Caso: Revisión de literatura de 100 páginas a partir de 40 PDF

K2.6 Agent Swarm [Beta] desplegó varios subagentes enfocados en la redacción, cada uno a cargo de un capítulo. Resultado final: un documento académico de 100 páginas con citas, gráficos metodológicos y análisis de la red de citas.

Perspectivas a gran escala

Caso: Revisión experta de una estrategia de lanzamiento de producto Agent Swarm desplegó subagentes expertos con distintas perspectivas (gerente de producto, inversionista, éxito del cliente) para revisar una estrategia de lanzamiento.

Ver resultado

Caso: El problema de los tres cuerpos reescrito en 20 estilos literarios 20 subagentes "escritores" compusieron de forma independiente en estilos distintos, desde Virginia Woolf hasta Borges y Kafka.

Ver resultado

Análisis técnico a fondo

Arquitectura central: comandante + especialistas

• Orquestador = entrenador/comandante: ve el panorama completo y define la estrategia
• Subagentes = jugadores: cada uno enfocado en un rol específico

Diseño clave: congelar a los jugadores y entrenar solo al entrenador

Todos los subagentes conservan sus capacidades existentes; solo el orquestador mejora mediante aprendizaje por refuerzo. Esto brinda una responsabilidad clara y estabilidad en el entrenamiento.

Cómo evitar la "pereza":

• Colapso en serie: el orquestador le entrega todo a un solo subagente
• Paralelismo falso: subtareas sin sentido para manipular las métricas

Solución: mecanismo de recompensa tridimensional

1. Calidad del resultado final
2. Paralelismo real logrado
3. Tasa de finalización de subtareas

Métrica de pasos críticos

Agent Swarm calcula el tiempo del subagente más lento en cada etapa. Esto obliga a una verdadera optimización del proceso, en lugar de una división ciega de las tareas.

Context Sharding

Cada subagente se concentra en su propio "cuaderno", registrando los detalles relevantes de forma independiente. Solo las conclusiones clave se reportan al orquestador, lo que preserva el razonamiento sin saturar la memoria.

Resultados en el mundo real

En el benchmark BrowseComp:

• Precisión: 15.9% (un solo agente) → 33.3%
• Pasos críticos reducidos en ~40%

Escenarios de aplicación

K2.6 Agent Swarm [Beta] es especialmente adecuado para:

1. Recuperación de información a gran escala: recopilación masiva de datos de internet
2. Descargas por lotes: recopilación de archivos y recursos a gran escala
3. Lectura de amplio alcance: procesamiento de más de 100 documentos
4. Escritura de formato largo: contenido de más de 100,000 palabras
5. Programación compleja: desarrollo frontend, revisión de código y refactorización
6. Automatización de oficina: documentos profesionales, hojas de cálculo y presentaciones

Lecturas adicionales:

• Kimi Agent Swarm: 100 subagentes a gran escala
• Kimi K2.5: inteligencia agéntica visual​
• Kimi K2.6: avanzando en la programación de código abierto