榜单更新！Kimi K2.5表现突出｜xbench月报

截至2026年1月底，xbench的3个leaderboard已完成分数更新。Kimi K2.5悉数上榜，表现突出。

xbench近期发布了2个新的benchmark，分别是用来评估模型多模态理解能力的BabyVision，和Agent复杂任务指令遵循能力的AgentIF-OneDay。

• BabyVision：评估大模型的多模态视觉理解能力的基准评测集，https://xbench.org/agi/babyVision

• AgentIF-OneDay：评估通用智能体在日常场景、多附件、复杂任务中的指令遵循基准评测集，https://xbench.org/agi/agentif

xbench采用长青评估机制，持续汇报最新模型的能力表现，更多榜单未来将陆续更新，期待你的关注。你可以在xbench.org上追踪我们的工作和查看实时更新的Leaderboard榜单排名。如果公司已上线发布的产品想参与xbench评测和Leaderboard榜单，欢迎通过team@xbench.org与我们取得联系，反馈意见。

xbench-ScienceQA Leaderboard更新

• 汇率取 1 USD = 7.1491 CNY

• 本次评估基本涵盖了截至排行榜发布之日主流大语言模型（LLMs）的公开可用应用程序编程接口（APIs），未公开发布的内测模型未列入榜单。

• 如果一家公司有多个模型，优先测试最新版本和官方网站推荐的模型。所有模型均关闭搜索功能。

• 一家公司有多个模型时，排名中保留每家公司的最新模型版本。当同一推理模型存在不同的推理成本时，仅保留得分最高的版本。

截至2026年1月底，Kimi K2.5平均分达到63.2分，与此前的K2相比提升明显，BoN(N=5)达到77分，位于leaderboard第4，在国内大模型中排名第1。在性能提升的同时，运行速度也有提升，同时Token价格下降，更具性价比。

xbench-DeepSearch Leaderboard更新

截至2026年1月底，模型分数更新如下：

• Kimi K2.5：Kimi K2.5达到40+分，跻身榜单第二，仅次于ChatGPT，成为国内模型SOTA。每道题推理仅耗时2-3min，速度提升明显。

BabyVision Leaderboard更新

截至2026年1月底，模型分数更新如下：

• Kimi K2.5：Kimi K2.5得分为36.5，仅次于Gemini 3 Pro排名第二，国内大模型中排名第一。

近期新发布模型和产品总结

Kimi K2.5

Kimi K2.5是月之暗面于2026年1月27日发布的最新一代大语言模型。Kimi K2.5是一款原生多模态模型，将视觉理解、逻辑推理、编程及Agent能力深度集成。

• K2.5 基于约15万亿（15T）混合视觉和文本token进行持续预训练。它能原生理解和处理视觉信息，支持跨模态推理。

• 采用混合专家架构（MoE），模型总参数量约为1万亿（1 Trillion），在推理时激活参数约为320亿（32B），在保证高性能的同时维持了推理效率。

• 支持超长上下文，有版本的均支持256k token的上下文窗口，能够处理长文档和复杂的上下文记忆。

• 集成多模态视觉编码器，用于将图像/视频等非文本信号转换为模型可理解的向量表示。

Kimi K2.5正在从长文本向着多模态+智能体的全面进化，它不仅能“读”和“写”，还能通过视觉“看”懂需求，并组织多个AI智能体协作完成复杂工作。

Google Genie 3开放测试

Genie 3是Google DeepMind 2025年推出的通用世界模型（general-purpose world model）：你给它一段文本描述（也可结合图片提示），它就能生成可实时（24 fps）探索、可交互的环境，可用于快速生成“类游戏”的可探索世界、交互式内容创作，以及作为智能体/机器人在仿真环境中训练与测试的基础设施。

Google 4D Model

Google DeepMind 的 D4RT（Dynamic 4D Reconstruction and Tracking） 提出一种把“静态3D重建+动态物体追踪”统一起来的4D建模框架：模型先用大型 Transformer对整段视频编码成全局场景表征（可理解为长期记忆），再用“时空查询（spatiotemporal querying）”的方式对任意时间、任意像素/视角发起并行查询，直接输出对应的几何信息（如深度、3D位置、跨帧3D轨迹等），从而把传统多模块串联的流程变成一个统一的可并行推理接口。可成为为Genie系列的4D数据引擎。

Runway GWM

Runway 的GWM（通用世界模型）乃是基于Runway Gen 4.5模型架构，通过将双向扩散模型进行蒸馏处理，进而将其转换为自回归扩散模型。具体应用如下：

• 机器人：GWM Robotics是一个学习性模拟器，用于生成合成数据，以实现可扩展的机器人训练和政策评估，从而消除物理硬件的瓶颈。具体来说，它是一个在机器人数据上训练的世界模型，能够根据机器人动作预测视频序列。并且，这个模型支持反事实生成，能够探索替代的机器人的轨迹和结果。

• 实时世界模拟与探索：开放式交互式世界模拟，能够在实时中构建无限可探索现实的方法。

• 实时虚拟形象：GWM虚拟形象是一种音频驱动的交互式视频生成模型。它能够模拟自然的人类动作和表情，适用于任意逼真或风格化的角色。该模型在说话和倾听时，都能够渲染逼真的面部表情、眼球运动、口型同步和手势，并且支持长时间对话而不出现质量下降。