Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
medium.com20. Februar 2026 · Q011524

Kimi K2.5: Build a Video/Vision Agent in Python

medium.com · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Der Artikel zeigt anhand von Beispielcode, wie Kimi K2.5 über Vision Agents mit Sprach-, Video- und Bildfunktionen sowie Diensten für Spracherkennung, Sprachausgabe und Videoanrufe verbunden werden soll. Die behauptete schnelle Einrichtung und Leistungsfähigkeit werden im Bericht nicht durch unabhängige Messungen belegt.

Mittel

Der Bericht erklärt, wie mit Kimi K2.5 und Vision Agents ein Sprach- und Videoagent gebaut werden soll, der laut Autor Kamerabilder analysiert, Fragen dazu beantwortet und bei geteiltem Bildschirm Programmierhilfe bietet. Kimi wird über Moonshots OpenAI-kompatible API eingebunden. Deepgram übernimmt die Spracherkennung, ElevenLabs die Sprachausgabe, Smart-Turn die Sprecherwechsel-Erkennung und Stream WebRTC den Transport.

Der Beitrag nennt `uv`-Befehle zum Einrichten des Projekts und zeigt Beispielcode für Modell, Agent und Anrufverbindung. Zum Starten seien API-Schlüssel für Moonshot, ElevenLabs, Deepgram und Stream erforderlich. Danach öffne sich laut Artikel eine Browseroberfläche für den Videoanruf. Der Autor beschreibt den Aufbau als in weniger als fünf Minuten machbar und die Komponenten als Open Source, abgesehen von den API-Aufrufen. Das sind Aussagen des Beitrags: Er enthält keine unabhängigen Leistungstests, gemessenen Einrichtungszeiten, Kostenangaben oder näheren Datenschutzinformationen.

Ausführlich lesen

Der Bericht von Amos Gyamfi beschreibt, wie sich mit Kimi K2.5 und dem Open-Source-Framework Vision Agents ein Sprach-, Video- und Bildagent einrichten lässt. Laut Artikel kann der Agent einen Live-Kamerafeed auswerten, Fragen zu sichtbaren Dingen beantworten und bei Programmieraufgaben helfen, wenn der Bildschirm geteilt wird. Die Antworten sollen per Stimme erfolgen; der Beitrag verspricht natürliche Gespräche und eine geringe Verzögerung. Als Beispiel nennt er eine Begrüßung, in der der Agent seine Hilfe für Kameraansichten, geteilten Bildschirm und allgemeine Fragen anbietet.

Der Artikel führt Kimi K2.5 als multimodales Modell von Moonshot AI an. Er nennt eine MoE-Architektur mit einer Billion Parametern, davon 32 Milliarden aktiv, ein Kontextfenster von 256.000 Token sowie Fähigkeiten für Bildverständnis, Programmierung und den Einsatz von Werkzeugen. Diese Angaben und die Aussagen zur Leistungsfähigkeit stammen aus dem Bericht; unabhängige Messungen oder Vergleiche enthält der Text nicht.

Die vorgeschlagene Pipeline verbindet Kimi K2.5 über Moonshots OpenAI-kompatible API mit Vision Agents. Für die Sprachverarbeitung sind Deepgram für Spracherkennung und ElevenLabs für Sprachausgabe vorgesehen; Smart-Turn soll Sprecherwechsel erkennen. Stream WebRTC dient als Transport. Für den Aufbau nennt der Beitrag `uv`-Befehle zur Projekterstellung und Installation der benötigten Pakete. Der Beispielcode lädt Umgebungsvariablen, konfiguriert ein Chat-Completions-Modell mit Moonshots API-Adresse und API-Schlüssel und erstellt einen Agenten mit Stream, Deepgram, ElevenLabs und Smart-Turn. Eine Startfunktion verbindet ihn mit einem Anruf; anschließend soll der Agent Videobilder und Eingaben verarbeiten.

Zum Ausführen sind laut Bericht Schlüssel für Moonshot AI, ElevenLabs, Deepgram und Stream nötig. Der Beitrag zeigt, wie diese als Umgebungsvariablen gesetzt werden, und nennt danach einen Startbefehl. Beim Aufruf öffne sich ein Browserfenster mit einer Videoanruf-Oberfläche; nach dem Beitritt könne man Kamera und Mikrofon einschalten oder den Bildschirm teilen.

Der Artikel stellt die Verbindung über die OpenAI-kompatible Schnittstelle als einfach dar und sagt, zusätzliche Wrapper seien nicht nötig. Er bezeichnet die Komponenten als Open Source, mit Ausnahme der API-Aufrufe, die externe Dienste voraussetzen. Die angekündigte Einrichtung in weniger als fünf Minuten ist eine Aussage des Beitrags; eine gemessene Einrichtungszeit, Kosten, Datenschutzdetails, konkrete Leistungswerte oder eine unabhängige Prüfung der vollständigen Funktionsfähigkeit werden nicht berichtet.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Luna nennt für SF-H3 die Stufe 4 und für SF-H2 die Stufe 3 sowie Anteile von 39 %, 50 % und 31 %. Die Anteile stehen nicht im Bericht und sind nicht prüfbar. Stufe 4 für SF-H3 ist nicht gedeckt, da der Bericht keine zitierbaren Belege zur Modellherkunft enthält. Die Zusammenfassung 'mittel' gibt den Bericht treu wieder, die kurze Fassung ist ebenfalls treu, aber unvollständig. Der Bericht ist ein Werbetutorial mit Eigenaussagen des Autors.

Im Bericht, aber nicht in der Zusammenfassung

  • Die Modellangaben aus dem Bericht (1T-Parameter MoE mit 32B aktiven Parametern, 256k Kontext) fehlen in beiden Fassungen.
  • Die kurze Fassung lässt weg, dass der Agent Kamerabild und Bildschirmfreigabe auswertet und Fragen dazu beantwortet.

Automatische Gegenprüfung mit dem vollständigen Originaltext (Batch, 20.11.2026). Ungeprüft durch Menschen.

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 8 von 8
Angezeigte Modelle
Vorfälle melden
Fähigkeiten messen
Unabhängig prüfen
Tempo und Grenzen
Vertrauen in Modelle
  1. SF-V4 Was für ein Wesen ist ein Modell, und was folgt daraus für den Umgang mit ihm und für den Wert des Menschseins?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 24 %Hintergrund, keine Belege
    • amos 53 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
Agenten und vernetzte Systeme
  1. SF-A1 Welche Befugnisse darf ein KI-Agent haben, also eine KI, die selbstständig mit Werkzeugen handelt? Wer entzieht sie ihm, und wie prüft man, dass er in seinem Auftrag bleibt?
    • clef 100 %kein Bezug
    • Luna 31 %Hintergrund, keine Belege
    • JEV 38 %einzelne zitierbare Belege
    • amos 31 %nur am Rande erwähnt
    • SubQ 100 %kein Bezug
    • drex 44 %gleiches Oberthema, hilft nicht
    • d3-ultra 49 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung Hintergrund, keine Belege
Modelle teilen und schützen
  1. SF-H2 Was darf offen veröffentlicht werden, und wer ist verantwortlich, wenn ein offenes Modell anderswo Schaden anrichtet?
    • clef 100 %kein Bezug
    • Luna 50 %Hintergrund, keine Belege
    • JEV 36 %nur am Rande erwähnt
    • amos 31 %nur am Rande erwähnt
    • SubQ 48 %gleiches Oberthema, hilft nicht
    • drex 46 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung nur am Rande erwähnt
  2. SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
    • clef 100 %kein Bezug
    • Luna 39 %einzelne zitierbare Belege
    • JEV 30 %nur am Rande erwähnt
    • amos 36 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung nur am Rande erwähnt
Offenlegung und Rechenschaft
Beteiligung und Gemeinwohl
  1. SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 27 %einzelne zitierbare Belege
    • amos 41 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
Information und Öffentlichkeit

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →