KI-Modelle und Plattformen
LG AI Research ermöglicht kostenlosen API-Zugang zu seinem Modell K-EXAONE 2.5
Unite.AI zu deinen bevorzugten Quellen auf Google hinzufügen
LG AI Research gab bekannt, dass K-EXAONE 2.5 seit dem 9. November 2026 kostenlos über die EXAONE API Platform genutzt werden kann. Damit steht das gehostete Modell mit 750 Milliarden Parametern zur Verfügung.
Entwickler, Start-ups, Unternehmen und Forschungseinrichtungen können einen API-Schlüssel beziehen, um das Modell für die Entwicklung von Diensten und für Forschungszwecke zu nutzen. LG beschreibt K-EXAONE 2.5 als Modell zur Technologievalidierung, das durch zusätzliches Training der im August 2026 veröffentlichten Version entstanden ist. Die frühere Modellkarte von K-EXAONE 2.0 dokumentiert eine Veröffentlichung mit offenen Gewichten unter Apache 2.0. Das Modell basiert auf einer Mixture-of-Experts-Architektur, hat 37 Milliarden aktive Parameter und ein Kontextfenster von 262.144 Tokens.
Von LG gemeldete Ergebnisse für agentische Aufgaben
LG zufolge wurde K-EXAONE 2.5 intern anhand offener Datensätze gemessen und erwies sich dabei als konkurrenzfähig gegenüber weltweit führenden Modellen mit offenen Gewichten. Die Modelldokumentation enthält den folgenden Vergleich mit dem Vorgängermodell und zwei externen Systemen:
| Benchmark | K-EXAONE 2.5 | K-EXAONE 2.0 | DeepSeek-V4.1-Flash | GLM-5.3 |
|---|---|---|---|---|
| SWE-Bench Pro, agentisches Programmieren | 59.21 | 47.1 | 58.41 | 64.03 |
| BrowseComp, agentische Suche | 78.0 | 50.87 | 75.8 | 79.0 |
| AutomationBench Open-Set, agentische Tool-Nutzung | 74.6 | 16.9 | 74.9 | 71.6 |
| Claw-Eval, agentische Tool-Nutzung | 77.29 | 62.11 | 75.78 | 77.64 |
Die Benchmarks umfassen die Entwicklung und Überarbeitung von Software, die Suche nach benötigten Informationen im Internet, die Automatisierung von Arbeitsabläufen mit SaaS-Tools sowie die Problemlösung durch Agenten in Arbeitsumgebungen. Den von LG gemeldeten Werten zufolge verbessert sich K-EXAONE 2.5 in allen vier Bereichen gegenüber seinem Vorgänger. Bei SWE-Bench Pro, BrowseComp und Claw-Eval erzielt das Modell höhere Werte als DeepSeek-V4.1-Flash, bei AutomationBench dagegen niedrigere. Im Vergleich mit GLM-5.3 liegt es nur bei AutomationBench vorn.
LG nennt Codegenerierung, Fehlersuche, Refactoring und das Schreiben von Testcode als Anwendungsbereiche. Damit ist die Softwareentwicklung neben der agentischen Suche und der Automatisierung am Arbeitsplatz ein zentrales Einsatzgebiet.
API-Design und Integration von Agenten
K-EXAONE 2.5 ist ein reines Textmodell und unterstützt Koreanisch und Englisch. In der Dokumentation werden 31 Milliarden aktive Parameter, ein Wissensstichtag im Januar 2026 und Funktionen wie Chat, Tool-Aufrufe, strukturierte Ausgaben, Codegenerierung und Streaming aufgeführt.
Die Endpunktreferenz beschreibt eine OpenAI-kompatible POST /v1/chat/completions Schnittstelle, die die Modellkennung k-exaone_v2.5. Die Eingabetokens zuzüglich der max_tokens Generierungstokens, zu denen auch das Reasoning zählt, dürfen insgesamt 524.288 Tokens nicht überschreiten. Bei größeren Anfragen wird ein Fehler 400 zurückgegeben. Antworten werden als JSON im standardmäßigen OpenAI-Format ausgegeben oder, wenn Streaming aktiviert ist, in Form von Server-Sent-Event-Blöcken.
Die Reasoning-Einstellungen sind direkt zugänglich. reasoning_effort ist standardmäßig eingestellt auf max, während preserve_thinking frühere Reasoning-Inhalte des Assistenten in mehrstufige Anfragen übernehmen kann. LG zufolge kann eine höhere Reasoning-Intensität die Antwortzeit und den Tokenverbrauch erhöhen. Der Agentenleitfaden unterscheidet dabei zwischen dem Aufwand für die aktuelle Antwort und der Übermittlung früherer Reasoning-Inhalte und Tool-Aufrufverläufe.
Der Leitfaden enthält Konfigurationen für den allgemeinen Agenten Hermes und den Programmieragenten OpenCode. Im dokumentierten Ablauf führt das externe Harness die vom Modell zurückgegebenen Tool-Aufrufe aus und übermittelt die Ergebnisse zurück. Zugleich verarbeitet es Text-, Reasoning- und Tool-Aufruf-Deltas über mehrere aufeinanderfolgende Gesprächsrunden hinweg. Entwickler erhalten über die API somit Reasoning-Ausgaben und Entscheidungen zu Tool-Aufrufen; für die Ausführung der Aktionen und die Steuerung des Ablaufs ist jedoch weiterhin der umgebende Agent zuständig.
Der kostenlose Zugang senkt die Kosten, wenn die Ergebnisse von LG zum agentischen Programmieren mit bestehenden OpenAI-kompatiblen Tools getestet werden. Entscheidend ist, inwieweit sich die intern gemessenen Leistungssteigerungen auf produktive Software und geschäftliche Arbeitsabläufe übertragen lassen. Der praktische Nutzen des Modells hängt davon ab, wie sich Reasoning-Tiefe, Tool-Ausführung und Kontextverwaltung dort auswirken.
