# Kimi K2.6: Jak open-source AI agent za 13 hodin optimalizoval burzovní jádro o +185 %
Čínská společnost Moonshot AI vydala Kimi K2.6 — multimodální open-source model zaměřenou na dlouhodobé programovací úkoly a autonomní práci agentů. Za 13 hodin nepřetržité práce si K2.6 sama přepsala osmiletý open-source matching engine exchange-core, čímž zvýšila jeho mediánní propustnost o 185 % a špičkovou o 133 %. Není to marketingový případ, ale reprodukovatelný výsledek s otevřenými váhami na Hugging Face pod licencí Modified MIT.
Architektonické základy a režim Agent Swarm
Kimi K2.6 si zachovává stejnou základní architekturu jako předchůdce K2.5: řídce naplněný model typu MoE (Mixture of Experts) s celkovým počtem parametrů kolem 1 bilionu, z nichž na token aktivně využívá 32 miliard. Model obsahuje 384 expertů, podporuje kontext až 256 tisíc tokenů a využívá vlastní vision enkodér MoonViT. Dále je implementována nativní INT4 kvantizace pro efektivní inferenci na edge zařízeních.
Klíčová novinka je rozšířený režim Agent Swarm. V K2.6 umožňuje koordinovat až 300 subagentů a provádět až 4000 sekvenčních kroků, zatímco v K2.5 byly limity 100 agentů a 1500 kroků. To zásadně mění měřítko řešitelných úkolů: systém nyní dokáže řídit složité DevOps procesy, provádět vícestupňovou optimalizaci kódu nebo distribuované výpočty bez vnějšího zásahu.
Jako research preview je představena koncepce Claw Groups — společná práce agentů různých uživatelů z různých zařízení pod centralizovanou orchestrací K2.6. Ačkoli tato funkce zatím není v stabilním vydání, naznačuje strategický směr: přechod od jednotlivých AI asistentů k kolektivním inteligentním systémům.
Praktické případy: od burzovního jádra po Zig inferenci
Nejvýraznější výsledek je refaktoring exchange-core, osmiletého engine pro matching příkazů na finančních trzích. K2.6:
- Proanalyzovala flame grafy pro CPU a alokaci paměti
- Otestovala 12 různých strategií optimalizace
- Změnila více než 4000 řádků kódu
- Překonfigurovala topologii jádrových vláken
Konečné metriky:
- Mediánní propustnost: z 0,43 na 1,24 MT/s (+185 %)
- Špičková propustnost: z 1,23 na 2,86 MT/s (+133 %)
Další ukázkový příklad je spuštění inferencí Qwen3.5-0.8B na Apple Silicon přes jazyk Zig, který prakticky chybí v trénovacích datech. Za 12 hodin a více než 4000 volání nástrojů K2.6 implementovala funkční inference stack a dosáhla rychlosti 193 tokenů/s — to je o 20 % rychlejší než LM Studio na stejném hardware.
Vnitřní DevOps agent na bázi K2.6 pracoval autonomně 5 dní a prováděl:
- Monitorování stavu infrastruktury
- Diagnostiku a řešení incidentů
- Automatické škálování zdrojů
Výsledky beta testování a benchmarky
Partneři Moonshot potvrzují významná zlepšení:
- Vercel: +50 % na interním Next.js benchmarku oproti K2.5
- Factory.ai: +15 % podle vlastních metrik výkonu
- CodeBuddy: +12 % přesnosti generování kódu, +18 % stability na dlouhém kontextu, 96,6 % úspěšných volání nástrojů
- Kilo.ai: SOTA úroveň při výrazně nižších nákladech na inferenci
V agentově orientovaných testech K2.6 vede:
- HLE-Full (s nástroji): 54,0 bodů (GPT-5.4 xhigh — 52,1, Claude Opus 4.6 — 53,0)
- DeepSearchQA: f1 = 92,5, accuracy = 83,0 — nejlepší výsledky mezi konkurenty
- SWE-Bench Pro: 58,6 bodů — nad GPT-5.4, Claude Opus 4.6 a Gemini 3.1 Pro
Nicméně v úlohách čistého uvažování bez vnějších nástrojů model zaostává za vlajkovými loděmi:
- AIME 2026: 96,4 proti 99,2 u GPT-5.4
- GPQA-Diamond: 90,5 proti 94,3 u Gemini 3.1 Pro
To potvrzuje profil K2.6 jako specializovaného agenta pro nástrojově rozšířené scénáře, nikoli univerzálního řešiče teoretických úkolů.
Co je důležité
- Kimi K2.6 je open-source model s licencí Modified MIT, API kompatibilní s OpenAI a Anthropic.
- Hlavní výhoda je rozšířený režim Agent Swarm (300 agentů, 4000 kroků).
- Reálné případy potvrzují významný nárůst výkonu v inženýrských úlohách.
- Model vede v agentových benchmarkách, ale zaostává v čistém uvažování bez nástrojů.
- Podpora nativní INT4 a kompatibilita s edge zařízeními ji činí atraktivní pro embedded scénáře.
— Editorial Team
Zatím žádné komentáře.