K2.6 Agent Swarm [бета]

27 января 2026 года Moonshot AI выпустила Kimi K2.5 и представила Agent Swarm [бета]. 20 апреля 2026 года Moonshot AI выпустила Kimi K2.6 и открыла его исходный код, значительно улучшив архитектуру Agent Swarm:

• До 300 субагентов, работающих одновременно
• Более 4 000 вызовов инструментов на одну задачу
• В 4,5 раза быстрее, чем последовательное выполнение одним агентом

Как это появилось

В 2025 году в AI-индустрии главной темой было вертикальное масштабирование — более крупные модели, больше параметров. Но у такого подхода есть системный предел: узкое место последовательного выполнения одним агентом.

Agent Swarm родился из реальной ситуации: одна из участниц команды попыталась автоматизировать ежедневный сбор биржевой информации и, дойдя до 100 строк if-else, поняла: "Я вручную пишу многоагентную систему". Если модели умеют пользоваться инструментами, почему они не могут сами проектировать собственную архитектуру?

Agent Swarm — это самоорганизующаяся структура, спроектированная AI, а не человеком. Главный Agent (оркестратор) автономно управляет до 300 субагентами, выполняя до 4 000 параллельных шагов рабочего процесса.

K2.6 Agent Swarm [бета] использует метод обучения PARL (Parallel-Agent Reinforcement Learning). По сравнению с одноагентными подходами он сокращает число критических шагов в 3–4,5 раза в крупномасштабных поисковых сценариях.

Как пользоваться?

Точки доступа:

• Web: kimi.com/agent-swarm
• Мобильное приложение: приложение Kimi → переключить режим → выбрать K2.6 Agent Swarm [бета]

Шаги:

1. Опишите задачу и отправьте её (например: "Собери более 200 статей Пола Грэма")
2. Следите за ходом выполнения в реальном времени: создание списка задач, запуск субагентов, параллельное выполнение
3. Получите результаты: кодовые проекты, папки с файлами, анализ данных, документы Office
4. Просмотрите, скачайте или поделитесь результатами
5. Переключитесь на одиночный K2.6 Agent, чтобы продолжить в следующих ходах диалога

Примеры использования

Масштабное обнаружение информации

Пример 1: топ-3 автора в 100 нишах YouTube

K2.6 Agent Swarm [бета] создал 300 субагентов для параллельного поиска и сформировал структурированные таблицы с названиями каналов, количеством подписчиков и описаниями.

Посмотреть результат

Пример 2: сбор более 200 статей Пола Грэма

Agent Swarm задействовал субагентов для поиска, скачивания, категоризации и краткого изложения более 200 статей по тематическим папкам.

Посмотреть результат

Масштабный выпуск материалов

Пример: литературный обзор на 100 страницах по 40 PDF

K2.6 Agent Swarm [бета] задействовал несколько субагентов, специализирующихся на письме; каждый отвечал за отдельную главу. Итоговый результат: академический документ на 100 страниц с цитированием, схемами методологии и анализом сети источников.

Масштабная проверка с разных точек зрения

Пример: экспертная оценка стратегии запуска продукта Agent Swarm задействовал экспертных субагентов с разными перспективами (Product Manager, инвестор, специалист Customer Success) для проверки стратегии запуска.

Посмотреть результат

Пример: Задача трёх тел в 20 литературных стилях 20 субагентов-"писателей" независимо создали тексты в разных стилях — от Вирджинии Вулф и Борхеса до Кафки.

Посмотреть результат

Технический разбор

Базовая архитектура: командир + специалисты

• Оркестратор = тренер/командир: видит общую картину, задаёт стратегию
• Субагенты = игроки: каждый сосредоточен на своей роли

Ключевой принцип: заморозить игроков, обучать только тренера

Все субагенты сохраняют имеющиеся возможности; через reinforcement learning улучшается только оркестратор. Это даёт понятное распределение ответственности и стабильность обучения.

Как предотвращается "лень":

• Схлопывание в последовательное выполнение: оркестратор передаёт всё одному субагенту
• Фальшивый параллелизм: бессмысленные подзадачи ради улучшения метрик

Решение: трёхмерный механизм вознаграждения

1. Качество итогового результата
2. Достигнутый реальный параллелизм
3. Доля выполненных подзадач

Метрика критических шагов

Agent Swarm рассчитывает время самого медленного субагента на каждом этапе. Это заставляет по-настоящему оптимизировать процесс, а не просто вслепую дробить задачи.

Context Sharding

Каждый субагент работает со своим "блокнотом" и самостоятельно фиксирует релевантные детали. Оркестратору передаются только ключевые выводы — так рассуждения сохраняются, не перегружая память.

Результаты в реальных условиях

На бенчмарке BrowseComp:

• Точность: 15,9% (один агент) → 33,3%
• Число критических шагов сокращено примерно на 40%

Сценарии применения

K2.6 Agent Swarm [бета] особенно хорошо подходит для:

1. Крупномасштабного поиска информации: массовый сбор данных из интернета
2. Пакетных загрузок: крупномасштабный сбор файлов и ресурсов
3. Чтения большого объёма материалов: обработка 100+ документов
4. Создания длинных текстов: материалы объёмом более 100 000 слов
5. Сложного программирования: frontend-разработка, code review, рефакторинг
6. Автоматизации офисных задач: профессиональные документы, электронные таблицы, презентации

Дополнительно:

• Kimi Agent Swarm: 100 субагентов в масштабе
• Kimi K2.5: визуальный Agentic Intelligence
• Kimi K2.6: развитие open-source coding