Kimi K2.5 et Agent Swarm : Un guide avec quatre exemples pratiques

Cependant, l'inconvénient est que certaines affirmations dans la version finale semblent insuffisamment étayées ou trop absolues, et le guide serait plus convaincant s'il comportait des liens, des sources et des hypothèses plus claires (matériel, taille du modèle, taille du lot, longueur du contexte), car les conseils de production dépendent fortement du contexte. Dans l'ensemble, il a traité une requête complexe en plusieurs parties et a fourni un guide clair et immédiatement utilisable qui semble prêt à être mis en production. 

Création et annotation d'ensembles de données

Ensuite, j'ai évalué Agent Swarm dans le cadre d'une tâche de création d'ensemble de données en demandant à Kimi K2.5 de générer un benchmark de 100 problèmes mathématiques avec leurs solutions et leur niveau de difficulté. J'ai également demandé explicitement d'utiliser 20 agents afin d'évaluer dans quelle mesure il respecte la contrainte relative à la taille de l'essaim tout en maintenant la qualité.

Invite : 

Build a small benchmark dataset of 100 math word problems with step-by-step solutions and difficulty labels. Use at least 20 agents to generate problems in parallel, verify solutions independently, and calibrate difficulty.

Kimi K2.5 Agent Swarm a traité la création de l'ensemble de données comme un pipeline en trois phases, comprenant la génération, la vérification et l'étalonnage. Bien que l'invite ait demandé au moins 20 agents, le système a généré de manière autonome 25 sous-agents, privilégiant l'exactitude plutôt que le respect strict du nombre demandé. Il était intéressant de constater qu'environ cinq agents travaillaient activement à la fois, tandis que les autres attendaient leur tour et reprenaient leur activité une fois les sous-tâches précédentes terminées, ce qui suggère l'existence d'un mécanisme de planification interne. 

Chaque agent générationnel traitait un domaine mathématique distinct et produisait cinq problèmes accompagnés de solutions étape par étape. Par la suite, dix agents ont été affectés à la vérification, tandis qu'un groupe plus restreint de cinq agents s'est concentré sur l'ajustement du niveau de difficulté. 

Le point fort ici est la séparation claire des préoccupations et la redondance dans la vérification, ce qui améliore considérablement la qualité des ensembles de données. Le principal inconvénient réside dans la latence et un goulot d'étranglement séquentiel. 

L'exécution complète a pris environ 20 à 25 minutes, ce qui rend cette approche plus adaptée à la création de benchmarks de haute qualité qu'à l'itération rapide. Même avec 25 agents, certains agents ont dû attendre que d'autres terminent, ce qui signifie que l'essaim reste limité par la logique des étapes.

Néanmoins, la capacité à ajuster de manière dynamique le nombre d'agents pour chaque sous-tâche, à réutiliser les agents inactifs et à converger vers un ensemble de données étiquetées démontre clairement le fonctionnement d'Agent Swarm. 

Assurance qualité multimodale à grande échelle 

Ensuite, j'ai intégré Kimi K2.5 dans un flux de travail multimodal en fournissant plusieurs images d'étiquettes nutritionnelles et en demandant une comparaison structurée. L'objectif était d'évaluer sa capacité à extraire, normaliser et vérifier des données visuelles.

Invite: 

I’m sharing images of nutrition labels from 7 packaged food items. Analyze them and produce a clear comparison specifically:
Extract fields like: calories, protein, total fat, sugar, sodium,  from each label.Normalize all values to a per-100g basis so items are comparableDouble-check numeric consistency (e.g. serving size vs totals)Rank the products from healthiest to least healthy, explaining the reasoningReturn a comparison table with normalized values for all items. Also include a summary highlighting, best high-protein option, the lowest sugar option, and items to avoid and why.
Assume the labels may vary in format and serving size. Resolve ambiguities where possible and note any missing or unclear values.

Dans cette expérience d'assurance qualité multimodale, Kimi K2.5 Agent Swarm a décomposé la tâche en attribuant environ une étiquette par sous-agent, lançant sept sous-agents parallèles pour extraire les champs nutritionnels de chaque image, tandis qu'un agent de coordination se chargeait de la normalisation, de la vérification croisée et du classement. 

Une caractéristique intéressante de Kimi est que les contraintes que vous spécifiez dans l'invite (extraction, normalisation, vérification, classement) deviennent effectivement le modèle selon lequel Kimi instancie et attribue des sous-agents.

Ce qui m'a particulièrement marqué, c'est la manière dont le groupe a considéré la vérification comme une étape importante. En effet, après l'extraction, l'orchestrateur a explicitement harmonisé les tailles des portions, normalisé les valeurs et signalé les ambiguïtés au lieu de se contenter de faire des suppositions. La dernière étape de synthèse, qui a classé les produits et mis en avant les meilleures options riches en protéines et pauvres en sucre, a démontré une logique d'agrégation solide à travers les entrées visuelles.

Cependant, l'analyse de 7 images haute résolution avec un essaim nécessite une grande puissance de calcul, ce qui en fait une fonctionnalité haut de gamme plutôt qu'un outil de discussion rapide. 

Cet exemple a également mis en évidence une limitation actuelle : si l'analyse multimodale basée sur l'image a bien fonctionné, l'entrée vidéo directe n'était pas prise en charge, de sorte qu'une tentative ultérieure de générer une recette à partir d'une vidéo de cuisine n'a pas pu être exécutée. 

Dans l'ensemble, cette démonstration met en évidence la capacité d'Agent Swarm à effectuer des extractions visuelles parallèles et des rapprochements structurés.

Développement d'un jeu

Enfin, j'ai évalué les capacités de codage de Kimi K2.5 en lui demandant de créer un jeu Bubble Shooter entièrement interactif à partir de zéro. Cette expérience met en évidence la manière dont le modèle gère la génération de code de bout en bout avec état, où la cohérence est plus importante que le parallélisme.

Invite : 

```markdown

Développez un jeu Bubble Shooter entièrement jouable qui s'exécute localement dans un navigateur Web. Le jeu devrait prendre en charge la visée à la souris et au toucher, afficher un guide de visée en temps réel, tirer des bulles colorées depuis le centre inférieur, faire rebondir les tirs sur les parois latérales et faire coller les bulles à une grille en haut lors de la collision. 

Mettre en œuvre la logique de jeu principale, notamment faire éclater des groupes de trois bulles ou plus de la même couleur reliées entre elles, faire tomber les grappes non reliées, suivre et afficher le score, afficher un aperçu de la bulle suivante et terminer le jeu lorsque les bulles franchissent une ligne de danger près du bas.

Veuillez garder les éléments visuels simples mais réactifs, inclure un bouton de redémarrage et terminer par de brèves instructions sur la manière d'exécuter et de tester le jeu localement.

```

Dans cette expérience de création de jeu, Kimi K2.5 Agent Swarm a fait un choix particulièrement prudent en n'affectant qu'un seul sous-agent à la gestion de l'ensemble de la tâche. 

Cette décision est en soi une observation intéressante, car le système a correctement identifié qu'il s'agissait d'un problème de codage étroitement couplé et avec état, où un parallélisme intensif ajouterait une surcharge de coordination sans aucun avantage. 

L'agent a produit une implémentation complète et exécutable localement de Bubble Shooter avec visée, rebonds sur les murs, alignement sur la grille, éclatement par trois, suivi des scores et logique de redémarrage, illustrant à la fois les mécanismes de jeu et le flux de l'interface utilisateur. 

Ce que j'ai particulièrement apprécié, c'est que le résultat semblait cohérent et intégré. Cependant, le compromis est que le raffinement et la finition nécessiteraient probablement des incitations itératives, car tout passe par un seul agent. 

Dans l'ensemble, cet exemple démontre clairement que l'Agent Swarm dans Kimi K2.5 ne consiste pas à générer toujours plus d'agents, mais à utiliser le parallélisme uniquement lorsqu'il améliore réellement les résultats.

Conclusion

Dans ce tutoriel, Kimi K2.5 a démontré sa capacité à décomposer des tâches complexes, à allouer des agents de manière dynamique et à produire des résultats structurés et prêts à être utilisés pour la prise de décision, ce qui nécessiterait traditionnellement une petite équipe plutôt qu'un seul modèle.

Parallèlement, les exemples permettent de clarifier ses limites. 

Agent Swarm excelle dans les flux de travail étendus et nécessitant de nombreux outils, tels que la recherche, la construction d'ensembles de données et l'extraction multimodale, mais offre peu d'avantages pour les tâches étroitement liées et à état, telles que le développement de jeux interactifs. 

Cela implique également des compromis réels en termes de latence, de coût et de vitesse d'itération, en particulier lorsque la vérification et le rapprochement sont prioritaires par rapport au débit brut.

Dans l'ensemble, Kimi K2.5 offre un aperçu convaincant de l'orientation future des systèmes agentifs. Pour les développeurs et les chercheurs qui sont à l'aise avec les workflows basés sur des agents, il s'agit de l'un des modèles les plus intéressants à explorer actuellement.

Si vous souhaitez en savoir plus sur le fonctionnement de l'IA agentique, je vous recommande de consulter la cursus de compétences « Principes fondamentaux des agents IA ».