Coba Kimi

K2.6 Agent Swarm [Beta]

K2.6 Agent Swarm [Beta] adalah arsitektur "penskalaan horizontal" yang mengoordinasikan hingga 300 sub-agen yang bekerja secara paralel — tanpa perlu peran yang ditentukan sebelumnya atau alur kerja buatan tangan. Arsitektur ini menyelesaikan tugas sekitar 4,5× lebih cepat dibandingkan eksekusi satu agen.

Pada 27 Januari 2026, Moonshot AI merilis Kimi K2.5 dan memperkenalkan Agent Swarm [Beta]. Pada 20 April 2026, Moonshot AI merilis sekaligus membuka kode sumber Kimi K2.6, menghadirkan peningkatan besar pada arsitektur Agent Swarm:

  • Hingga 300 sub-agen bekerja bersamaan
  • Lebih dari 4.000 pemanggilan tool per tugas
  • 4,5× lebih cepat daripada eksekusi berurutan satu agen

Kisah di baliknya

Pada 2025, narasi dominan di industri AI berfokus pada penskalaan vertikal — model yang lebih besar, parameter yang lebih banyak. Namun pendekatan ini menemui batas struktural: kemacetan eksekusi berurutan satu agen.

Agent Swarm lahir dari situasi nyata: ketika seorang anggota tim mencoba mengotomatiskan pengumpulan informasi saham harian dan menemukan dirinya menulis 100 baris kode if-else, ia menyadari, "Aku sedang menulis sistem multi-agen dengan tangan." Jika model bisa menggunakan tool, mengapa mereka tidak bisa menyusun arsitekturnya sendiri?

Agent Swarm adalah struktur organisasi yang dirancang sendiri — dirancang oleh AI, bukan manusia. Agent utama (orchestrator) secara mandiri mengarahkan hingga 300 sub-agen, menjalankan hingga 4.000 langkah alur kerja secara paralel.

swarm

K2.6 Agent Swarm [Beta] menggunakan metode pelatihan PARL (Parallel-Agent Reinforcement Learning). Dibandingkan pendekatan satu agen, metode ini memangkas langkah-langkah kritis sebanyak 3×–4,5× dalam skenario pencarian skala besar.

Cara menggunakan?

screenshot 8

Titik Akses:

Akses Beta: K2.6 Agent Swarm [Beta] saat ini tersedia untuk anggota Moderato, Allegretto, Allegro, dan Vivace. Tugas-tugasnya menghabiskan kredit jauh lebih banyak daripada tugas Agent standar.

Langkah-langkah:

  1. Jelaskan tugas Anda lalu kirim (mis. "Kumpulkan 200+ artikel Paul Graham")
  2. Pantau kemajuan secara langsung: pembuatan daftar tugas, pemunculan sub-agen, eksekusi paralel
  3. Terima hasil kerja: proyek kode, folder berkas, analisis data, dokumen Office
  4. Pratinjau, unduh, atau bagikan hasilnya
  5. Beralih ke K2.6 Agent tunggal untuk melanjutkan pada giliran berikutnya

Kasus penggunaan

Penemuan berskala besar

Kasus 1: 3 Kreator Teratas di 100 Niche YouTube

K2.6 Agent Swarm [Beta] membuat 300 sub-agen untuk pencarian paralel, menghasilkan tabel terstruktur berisi nama channel, jumlah subscriber, dan deskripsi.

YouTube

Lihat hasil

Kasus 2: Mengumpulkan 200+ Artikel Paul Graham

Agent Swarm mengerahkan sub-agen untuk mencari, mengunduh, mengategorikan, dan merangkum 200+ artikel ke dalam folder tematik.

Lihat hasil

Keluaran berskala besar

Kasus: Tinjauan Pustaka 100 Halaman dari 40 PDF

K2.6 Agent Swarm [Beta] mengerahkan beberapa sub-agen yang berfokus pada penulisan, masing-masing bertanggung jawab atas satu bab. Hasil akhirnya: dokumen akademis 100 halaman lengkap dengan kutipan, bagan metodologi, dan analisis jejaring sitasi.

literature review

Sudut pandang berskala besar

Kasus: Tinjauan Pakar atas Strategi Peluncuran Produk Agent Swarm mengerahkan sub-agen pakar dengan sudut pandang berbeda (Product Manager, Investor, Customer Success) untuk meninjau sebuah strategi peluncuran.

expert review

Lihat hasil

Kasus: The Three-Body Problem Ditulis Ulang dalam 20 Gaya Sastra 20 sub-agen "penulis" menggubah secara independen dengan gaya yang khas — dari Virginia Woolf, Borges, hingga Kafka.

Lihat hasil

Pendalaman teknis

Arsitektur Inti: Komandan + Spesialis

  • Orchestrator = Pelatih/Komandan: Melihat gambaran besar, menetapkan strategi
  • Sub-agen = Pemain: Masing-masing berfokus pada peran tertentu

Desain Kunci: Bekukan Pemain, Latih Hanya Pelatih

Semua sub-agen mempertahankan kemampuan yang sudah ada; hanya orchestrator yang ditingkatkan melalui reinforcement learning. Pendekatan ini memberikan akuntabilitas yang jelas serta stabilitas pelatihan.

Mencegah "Kemalasan":

  • Kemunduran serial: Orchestrator menyerahkan semuanya ke satu sub-agen
  • Paralelisme palsu: Sub-tugas tak bermakna demi mengakali metrik

Solusi: Mekanisme Reward Tiga Dimensi

  1. Kualitas hasil akhir
  2. Paralelisme nyata yang dicapai
  3. Tingkat penyelesaian sub-tugas

Metrik Langkah Kritis

Agent Swarm menghitung waktu sub-agen paling lambat di setiap tahap. Hal ini memaksa optimalisasi proses yang sungguh-sungguh, bukan sekadar pemecahan tugas secara membabi buta.

Context Sharding

Setiap sub-agen berfokus pada "buku catatannya" sendiri, mencatat detail relevan secara independen. Hanya kesimpulan utama yang dilaporkan ke orchestrator — mempertahankan penalaran tanpa membebani memori.

Hasil Dunia Nyata

Pada benchmark BrowseComp:

  • Akurasi: 15,9% (satu agen) → 33,3%
  • Langkah kritis berkurang ~40%

Skenario penerapan

K2.6 Agent Swarm [Beta] sangat cocok untuk:

  1. Pengambilan informasi skala besar: Pengumpulan data internet dalam jumlah masif
  2. Unduhan massal: Pengumpulan berkas dan sumber daya skala besar
  3. Pembacaan berlingkup luas: Memproses 100+ dokumen
  4. Penulisan panjang: Konten lebih dari 100.000 kata
  5. Pemrograman kompleks: Pengembangan frontend, code review, refactoring
  6. Otomatisasi perkantoran: Dokumen profesional, spreadsheet, presentasi

Bacaan Lanjutan:

K2.6 Agent Swarm [Beta] - Pusat Bantuan Kimi