LG AI Research åbner gratis API-adgang til sin K-EXAONE 2.5-model

LG AI Research annoncerede den 9. november 2026 gratis API-adgang til K-EXAONE 2.5, så den 750 milliarder parametre store model kunne bruges via EXAONE API Platform.

Udviklere, startups, virksomheder og forskningsinstitutioner kan få en API-nøgle til at bruge modellen til udvikling af tjenester og forskning. LG beskriver K-EXAONE 2.5 som en model til teknologivalidering, der er udviklet ved at videreuddanne versionen, som blev udgivet i august 2026. Det tidligere modelkort for K-EXAONE 2.0 dokumenterer en udgivelse med åbne vægte under Apache 2.0, baseret på en ekspertblandingsarkitektur med 37 milliarder aktive parametre og en kontekstlængde på 262.144 tokens.

Resultater for AI-agenter ifølge leverandøren

LG oplyste, at virksomheden internt havde målt K-EXAONE 2.5 på åbne datasæt og fundet, at modellen kan måle sig med globale modeller med åbne vægte i den førende klasse. Modeldokumentationen indeholder følgende sammenligning med forgængeren og to eksterne systemer:

Benchmarkene måler softwareudvikling og -ændringer, søgning efter nødvendige oplysninger på nettet, automatisering af arbejde med SaaS-værktøjer og agenters problemløsning i arbejdsmiljøer. Ifølge de tal, LG har offentliggjort, klarer K-EXAONE 2.5 sig bedre end forgængeren på alle fire. Modellen scorer højere end DeepSeek-V4.1-Flash på SWE-Bench Pro, BrowseComp og Claw-Eval, men lavere på AutomationBench. Sammenlignet med GLM-5.3 scorer den kun højere end den model på AutomationBench.

LG nævner kodegenerering, fejlfinding, refaktorering og skrivning af testkode som anvendelsesområder. Det gør softwareudvikling til et centralt anvendelsesområde på linje med agentbaseret søgning og automatisering af arbejdspladsopgaver.

API-design og integration af agenter

K-EXAONE 2.5 er en tekstbaseret model, der understøtter koreansk og engelsk. Dokumentationen angiver 31 milliarder aktive parametre, en vidensafgrænsning i januar 2026 og funktioner som chat, værktøjskald, strukturerede output, kodegenerering og streaming.

reference til endpointet angiver en OpenAI-kompatibel POST /v1/chat/completions grænseflade, der bruger modelidentifikatoren k-exaone_v2.5. Inputtokens plus den max_tokens genereringsgrænse, som omfatter ræsonnering, må ikke overstige 524.288 tokens; større anmodninger udløser en 400-fejl. Svar leveres som JSON i standardformatet fra OpenAI eller som server-sendte hændelsesblokke, når streaming er slået til.

Kontroller til ræsonnering er direkte tilgængelige. reasoning_effort er som standard indstillet til max, mens preserve_thinking kan videreføre tidligere ræsonnering fra assistenten i anmodninger med flere samtalerunder. LG’s vejledning til agenter oplyser, at højere ræsonneringsintensitet kan øge svartiden og tokenforbruget, og skelner mellem indsatsen i det aktuelle svar og videreførelse af tidligere ræsonnering og historik over værktøjskald.

Vejledningen indeholder konfigurationer til den generelle agent Hermes og kodeagenten OpenCode. I det dokumenterede forløb udfører den eksterne kørselsramme værktøjskald, som modellen returnerer, og sender resultaterne tilbage, samtidig med at den håndterer ændringer i tekst, ræsonnering og værktøjskald på tværs af efterfølgende samtalerunder. Udviklere modtager derfor ræsonnering og beslutninger om værktøjskald via API’et, men den omgivende agent er fortsat ansvarlig for at udføre handlinger og styre forløbet.

Gratis adgang gør det billigere at afprøve LG’s resultater inden for agentbaseret kodning med eksisterende værktøjer, der er kompatible med OpenAI. Det centrale spørgsmål er, hvordan de internt målte forbedringer slår igennem i produktionssoftware og forretningsgange, hvor ræsonneringens dybde, værktøjsudførelse og kontekststyring vil være afgørende for modellens praktiske værdi.