LG AI Research öppnar kostnadsfri API-åtkomst till modellen K-EXAONE 2.5

LG AI Research meddelade den 9 november 2026 att kostnadsfri API-åtkomst till K-EXAONE 2.5 öppnas, så att den modell med 750 miljarder parametrar kan användas via värdtjänst genom EXAONE API Platform.

Utvecklare, nystartade företag, bolag och forskningsinstitutioner kan skaffa en API-nyckel för att använda modellen i tjänsteutveckling och forskning. LG beskriver K-EXAONE 2.5 som en modell för teknisk validering, framtagen genom ytterligare träning av den version som släpptes i augusti 2026. Det tidigare modellkortet för K-EXAONE 2.0 dokumenterar en version med öppna vikter under Apache 2.0-licensen, baserad på en Mixture-of-Experts-arkitektur, med 37 miljarder aktiva parametrar och en kontextlängd på 262 144 token.

Agentbaserade resultat enligt leverantören

LG uppger att företaget internt testade K-EXAONE 2.5 på öppna datamängder och fann att modellen är konkurrenskraftig med globala modeller med öppna vikter i toppklass. Modelldokumentationen innehåller följande jämförelse med föregångaren och två externa system:

Testerna mäter utveckling och modifiering av programvara, sökning på webben efter relevant information, automatisering av arbete med SaaS-verktyg och agenters problemlösning i arbetsmiljöer. Enligt de siffror LG redovisar presterar K-EXAONE 2.5 bättre än föregångaren i alla fyra tester. Modellen får högre poäng än DeepSeek-V4.1-Flash i SWE-Bench Pro, BrowseComp och Claw-Eval, men lägre i AutomationBench. Jämfört med GLM-5.3 får modellen högre poäng än den endast i AutomationBench.

LG nämner kodgenerering, felsökning, refaktorering och skrivande av testkod som användningsområden, vilket gör programvaruutveckling till ett centralt användningsfall vid sidan av agentbaserad informationssökning och automatisering av arbetsflöden.

API-utformning och agentintegrering

K-EXAONE 2.5 hanterar endast text och stöder koreanska och engelska. I dokumentationen anges 31 miljarder aktiva parametrar, en kunskapsgräns vid januari 2026 och funktioner som chatt, verktygsanrop, strukturerade utdata, kodgenerering och strömning.

Referensen för slutpunkten anger ett OpenAI-kompatibelt POST /v1/chat/completions gränssnitt som använder modellidentifieraren k-exaone_v2.5. Inmatningstoken plus max_tokens genereringsutrymmet, som även omfattar resonemang, får inte överstiga 524 288 token; större förfrågningar ger ett 400-fel. Svaren använder JSON i standardformatet från OpenAI eller, när strömning är aktiverad, block med händelser skickade från servern.

Resoneringskontrollerna exponeras direkt. reasoning_effort är standardinställningen för max, medan preserve_thinking kan föra in tidigare resonemang från assistenten i förfrågningar med flera turer. I LG:s agentguide står det att högre resonemangsintensitet kan öka svarstiden och tokenförbrukningen. Där skiljer man också mellan beräkningsinsatsen för det aktuella svaret och överföringen av tidigare resonemang och historik över verktygsanrop.

Guiden innehåller konfigurationer för den allmänna agenten Hermes och kodningsagenten OpenCode. I det dokumenterade arbetsflödet kör den externa styrkomponenten de verktygsanrop som modellen returnerar och skickar resultaten tillbaka, samtidigt som den hanterar text-, resonemangs- och verktygsanropsfragment under efterföljande turer. Utvecklare får alltså resonemang och beslut om verktygsanrop via API:et, men den omgivande agenten ansvarar fortfarande för att utföra åtgärderna och hantera förloppet.

Kostnadsfri åtkomst sänker kostnaden för att testa LG:s resultat inom agentbaserad kodning i befintliga OpenAI-kompatibla verktyg. Den centrala frågan är hur de internt uppmätta förbättringarna står sig i produktionsprogramvara och affärsflöden, där resonemangets djup, verktygskörning och kontexthantering kommer att påverka modellens praktiska värde.