開源熱榜第一輪流做，現在花落Kimi。在Hugging Face上，Kimi K2.5登上了Trending榜首，下載量超過了5.3萬。Kimi K2.5主打Agent能力，在HLE-Full、BrowseComp等測試集中，成績超越了GPT-5.2、Claude 4.5 Opus以及Gemini 3 Pro等旗艦閉源模型。而且極具性價比，在BrowseComp上達到比GPT-5.2更高的表現，Kimi K2.5的資金消耗僅有不到5%。現在，官方的技術報告也已經亮相，Kimi K2.5怎樣練成，我們可以從中窺探一些答案。原生多模態，15T Token混合訓練Kimi K2.5在K2的架構基礎上，投入了15T的視覺與文字混合Token進行持續預訓練。它選擇了一條原生多模態的技術路線，讓同一套參數空間直接處理視覺訊號與文字邏輯。在15T這樣龐大的資料量級下，視覺理解與文字推理能力實現了同步增強，一改往日“此消彼長”的局面。這種統一的參數架構，讓模型能夠像理解語法結構一樣，精準解析像素背後的邏輯語義。有了這套原生底座，K2.5解鎖了“視覺程式設計”能力。因為能在像素層面進行推理，它具備了從視訊流直接逆向推導程式碼的能力。面對一段包含複雜滾動觸發特效或動態互動佈局的網頁演示視訊，模型能夠準確捕捉視覺元素隨時間軸變化的規律，並將其直接對應為可執行的前端程式碼。這一過程跳過了“視覺-文字”的中間環節，讓開發需求能夠以最直觀的視覺形式傳遞給模型，實現了從設計演示到程式碼實現的無損轉化，即便是極其複雜的動態互動邏輯也能被精準還原。為瞭解決程式碼能跑但樣式不對的問題，K2.5還整合了自主視覺偵錯機制，在程式碼生成並渲染出介面後，模型會呼叫視覺感知能力對實際運行的頁面進行驗收。一旦發現佈局錯位、樣式偏差或動畫異常，模型會自動觸發文件查詢工具，查閱相關技術文件定位問題，並對程式碼進行修正。這種“生成-觀察-查閱-修復”的自動化閉環，模擬了高級工程師的偵錯流程，讓模型具備了獨立完成端到端軟體工程任務的可靠性。超大規模“智能體叢集”為了能更好地解決複雜任務，Kimi K2.5還搭載了Agent Swarm架構。這是一套能自主建構百人規模數位化團隊的平行系統，讓模型獲得了“分身”能力，可以瞬間建立並編排多達100個子智能體，並支援呼叫1500個工具的平行工作流。這種機制將全網深度搜尋或海量資料分析等複雜任務，拆解為無數個同步進行的子任務，利用叢集算力大幅壓縮了處理時間。指揮這支龐大團隊運轉的是PARL（平行智能體強化學習）框架。該框架建立了一套嚴密的指揮體系，由核心的調度器和眾多子智能體構成。調度器如同指揮官，負責宏觀層面的任務拆解與分發；子智能體則作為執行層，在參數凍結的狀態下專注於高效完成具體指令。這種動靜結合的設計，既賦予了系統靈活規劃的能力，又保障了大規模平行操作的邏輯嚴密性。為了讓模型學會高效分工，訓練過程採用了一套階段性獎勵塑造策略。系統在初期會優先激勵調度器進行平行化探索，培養其“多管齊下”的直覺；隨著訓練深入，獎勵重心平滑過渡至任務的最終成功率。這種循序漸進的訓練方式，讓模型建立了在保證結果精準的前提下，最大化利用並行優勢的思維習慣。在效率評估上，系統引入了臨界步驟作為核心指標，基於平行計算的關鍵路徑原理，聚焦於調度開銷與最慢子智能體的耗時。這種機制倒逼模型在決策時，必須優先考慮如何縮短端到端的實際等待時間。只有在能切實提升響應速度的情況下，系統才會增加平行度，從而在極致速度與計算資源消耗之間找到了最佳平衡。楊植麟劇透Kimi K3K2.5上線後不久，月之暗面的三位創始人——楊植麟、周昕宇和吳育昕現身Reddit，來了一場長達3小時的AMA問答。面對全球開發者和的提問，他們直接把程式碼背後的思考、未來的劇透甚至尷尬的Bug都攤開來聊了個透。對於大家最關心的下一代Kimi K3，團隊給出了一個相當硬核的預告——它很可能基於線性注意力機制。楊植麟更是直言，雖然不敢打包票，但K3相比K2.5那怕沒有10倍的提升，也絕對會有質的飛躍。針對K2.5偶爾會自稱Claude的趣聞，團隊也給出了坦誠的解釋——這是因為Kimi“吃”了太多高品質的程式設計訓練資料，而這些資料裡充斥著Claude的名字 。這就像讀了太多某位作家的書，說話難免帶上對方的口頭禪。此外他們也對算力焦慮問題進行了回應，演算法負責人周昕宇拋出了一句“創新往往誕生於約束之中（Innovation loves constraints）” 。在他們看來，堆砌算力不是通往AGI的唯一路徑，在有限的資源下逼出更高效的演算法、更聰明的架構，才是這家實驗室真正的“登月”野心 。 (量子位)

當前，全球AI大模型的技術焦點正從“對話互動”轉向“自主執行”。在這一趨勢中，國產大模型正展現出獨特的價值與影響力。近日，人工智慧企業月之暗面正式發佈並開源新一代大模型Kimi K2.5。作為該公司迄今最智能、最全能的模型，K2.5在視覺理解、程式碼生成與Agent叢集協作等方面實現重要突破，被AI業界視為國產人工智慧發展的又一標誌性產品。2025年初，DeepSeek-R1憑藉極高的推理效率火遍全球。一年後，月之暗面通過原生多模態與智能體能力的深度融合，進一步體現了國產基座模型在提升智能“密度”與實用效能方面的進階。隨著以Kimi K2.5為代表的AI大模型加速賦能千行百業，其廣泛的應用潛力越發凸顯。KimiK2.5模型全球多榜單領先自2023年成立以來，月之暗面先以“長文字”功能打開市場，隨後推出基於強化學習的K系列模型。這次K2.5的發佈，意味著公司在基礎模型研發上再進一步。相比2025年7月發佈的K2模型，Kimi K2.5模型意義重大。多項測試表明，K2.5在程式設計、視覺、推理和Agent（智能體）任務等多個領域達到國際先進水平。K2.5讓AI更“親民”。通過融合視覺、推理、程式碼和Agent能力，使用者現在只需拍照、截圖或錄屏，就能讓Kimi理解複雜需求，大大降低了與AI的互動門檻。發佈不到一周，來自美國、英國、德國、西班牙、新加坡等近20個國家超50家主串流媒體對Kimi K2.5進行了報導。該模型發佈後，迅速登上多個權威評測榜單前列。在第三方評測機構Artificial Analysis的最新榜單中，Kimi K2.5綜合性能位列全球前五，僅次於GPT-5.2、Claude Opus 4.5、GPT-5.2 Codex和Gemini 3 Pro Preview這四款閉源模型，在開源模型中居首。圖為評測機構Artificial Analysis發佈的最新模型排名Kimi K2.5還進一步提升了開源模型的程式碼水平，尤其是在前端開發領域，通過融合視覺能力降低了程式設計的門檻。比如，K2.5能自動拆解錄屏背後的互動邏輯，用程式碼進行完整復現。開發者社區的反響也十分熱烈。大模型聚合平台OpenRouter平台資料顯示，K2.5的呼叫量已進入全球前三，且仍在快速增長。LMArena榜單也顯示，其程式碼能力在開源模型中居首，總榜排名前三，是前十名中唯一的中國模型。知名程式設計工具Kilo Code近期資料顯示，K2.5已成為平台上呼叫量最高的模型。在程式設計的實際應用中，因具備視覺理解能力，Kimi K2.5模型也成為多家頭部大廠的首選，展現出廣泛的行業適配性。對普通使用者來說，Kimi K2.5模型將Agent能力擴展到日常辦公領域，它已具備處理Word、Excel、PPT、PDF等常用軟體的高階技能，能幫助使用者直接交付准專業水平的辦公文件。更值得關注的是，Kimi K2.5首次引入了“Agent叢集”能力，可以自主建立多達100個的數字“分身”，按需組成不同角色的團隊，平行工作，團隊作戰，獲得效率的極大提升。例如，使用者輸入40篇論文後，K2.5會先通讀全文，再派生子Agent分別撰寫不同章節，最後由主Agent整合成一份完整的PDF報告。這種“團隊作戰”模式極大提升了效率。圖為評測平台Design Arena發佈的榜單，Kimi K2.5位列第一最新資料顯示，Kimi K2.5已登上評測平台Design Arena榜單首位。該平台主要評測AI大模型的“視覺+互動+創意”能力，此結果印證了K2.5在“設計智能體”領域的綜合領先優勢。隨著應用場景的持續拓展與技術的穩步迭代，Kimi K2.5有望在全球範圍內推動AI應用走向更廣、更深的落地，為各行各業的智能化轉型提供切實助力。國產AI大模型影響力持續提升Kimi K2.5模型的快速破圈，不僅是國產AI模型的一次“實戰測試”，更是中國開源模式憑藉技術能力和性價比優勢在全球舞台嶄露頭角的重要體現。從DeepSeek-R1以強化學習最佳化實現“效率革命”，到月之暗面Kimi K2.5實現原生多模態與智能體叢集能力的融合突破，國產大模型在技術體繫上完成了從單點突破到系統化創新的範式躍遷，影響力持續提升。大模型能力是人工智慧走向規模化應用的核心基石。Kimi K2.5的發佈，體現了人工智慧行業將加速從“聊天互動”轉向以“自主執行”為目標的智能體新階段。以“Agent叢集”為例，過去工程師需要逐行編寫程式碼的複雜流程，如今僅憑一條自然語言指令，即可調度上百個智能體協同作業、平行處理。業內分析認為，這一從“單一模型智能”向“多智能體群體協作”的躍遷，是企業級AI開發的下一個前沿。當前，智能體技術正逐漸從實驗室走向實際應用，進入規模化落地階段。在政策引導與產業鏈協同創新的雙輪驅動下，中國在場景、資料與工程化方面的優勢持續釋放，為AI產業形成全球競爭力奠定了基礎。在市場與資本的雙重助推下，頭部企業正將資源聚焦於下一代技術的攻堅。月之暗面創始人楊植麟表示，下一代模型將採用Kimi Delta Attention新型線性注意力機制，進一步提升短長文字任務性能與速度。同時，未來的大模型還將具備更多“審美”和“價值觀”，擺脫同質化發展。“我們致力於在未來十年、二十年，推動K系列模型從K4、K5到K100實現代際跨越。”楊植麟表示，當前多款中國開源模型已成為事實上的行業基準，“中國技術不僅要好用，還要參與制定規則”。 (瞭望財經)

圖源：視覺中國“這家公司是我目前最看不懂的。”一位國產大模型上市公司的投資部人士這樣評價月之暗面。在他看來，月之暗面的模型能力本身沒問題。讓人困惑的是，這家公司在行業節奏上的走向。1月21日，在達沃斯世界經濟論壇年會上，月之暗面Kimi總裁張予彤表態：“Kimi很快就會發佈一個新模型。”六天後的1月27日，月之暗面發佈並開源了Kimi K2.5模型。這是Kimi迄今能力最為集中的一次更新：視覺理解、程式碼、多模態輸入、思考與非思考模式、Agent及Agent叢集能力，被統一封裝進同一個All-in-one模型之中。發佈視訊中，楊植麟親自站台介紹著K2.5。模型如期亮相，讓月之暗面在技術層面給了外界一個明確回應。但在資本與公司化層面，它卻走在另一條軌道上。過去一段時間，“AI六小虎”開始分化：智譜、MiniMax先後推進上市。幾乎在同一時間，楊植麟稱，公司有100億元現金，並不著急上市。正是在這種對照下，投資人對月之暗面的“看不懂”，變得更具體。進入行業中場，這是在主動放慢節奏，把籌碼繼續押在技術路徑上，還是不得不承認，已經不在第一梯隊？Kimi K2.5，怎麼樣？一位體驗過Kimi K2.5的AI創業者表示，該模型給他的直觀感受是全面聚焦於“生產力”：核心轉向程式設計、辦公與複雜任務協作，而非擴展零散功能。“它不是靠跑分證明自己，而是靠實際產品能力。”他強調，這種在具體任務中的體感差異，比分數更有說服力。K2.5的取向是一次有跡可循的戰略聚焦，標誌著月之暗面在大模型能力譜系中的位置遷移：其技術標籤已從2024年的“長文字”，轉向2025年的複雜推理、思考過程與Agent任務協同。一位接近公司的人士指出，此輪迭代的價值不在榜單排名，而在工程取向——模型圍繞Agent任務反向設計，核心目標是穩定地拆解任務、呼叫工具並保持長鏈路推理的一致性。這一取向，與月之暗面近年來強調的效率優先路線相呼應。公司方面在多個場合提到，自身並不具備無限堆砌算力的條件，因此更強調演算法與系統層面的效率提升，而非單純擴大訓練規模。在K2系列訓練中，月之暗面使用改進版Muon最佳化器，實現約2倍Token效率提升，並通過QK-Clip等機制增強大規模訓練穩定性；在推理側，則提出Kimi Linear線性注意力機制，在保證效果的同時提升長上下文處理速度。張予彤在達沃斯論壇上將這一策略概括為：僅使用美國頂尖實驗室約1%的資源，完成K2與K2 Thinking的訓練。這也意味著，月之暗面對模型能力的驗證路徑，正轉向工程系統導向。這種變化，同樣體現在產品層。自2025年5月起，Kimi密集推出了Researcher、PPT、Kimi Code等Agent功能；9月進一步上線OK Computer，可呼叫虛擬電腦中的工具完成開發、資料分析、多模態內容生成或製作PPT。Agent被放置在模型能力與商業化之間，逐漸成為關鍵中間層。與此同時，月之暗面有意識地將部分能力驗證場景放在海外。公開資料顯示，K2系列模型發佈後，在OpenRouter等模型呼叫平台上佔據一定份額。市場普遍認為，月之暗面不再追求“大而全”的炫技，而是將籌碼押注在“用工程化能力解決實際問題”這一差異化的方向上。這一策略能否成功，關鍵取決於其Agent叢集等核心功能在真實、複雜業務場景中的穩定性和可靠性能否經得起大規模驗證。同時，在面對DeepSeek等同樣強勁的競爭對手時，如何平衡頂尖性能、使用成本與商業化速度，將是月之暗面接下來的核心挑戰。雙重擠壓：資源戰與評價體系之變更早階段，月之暗面曾是國內較早將重心放在C端通用助手上的大模型公司之一。成立初期，憑藉楊植麟的學術背景，公司在行業內獲得較高期待，被部分從業者視作“中國版OpenAI”，月之暗面很早便選擇以產品形態承接模型能力。2023年8月，在首個模型訓練進入後期階段時，月之暗面啟動AI助理Kimi項目。當時公司規模約50人，Kimi在內部更像是模型能力的展示窗口。產品上線後，Kimi月活使用者一度保持較高增長，並通過投放完成冷啟動，在通用對話類產品中進入頭部梯隊。QuestMobile資料顯示，截至2024年底，Kimi月活使用者超過2000萬，僅次於豆包。多位從業者將那段時間視為月之暗面在C端最為風光的階段。但這種增長，很快就遭遇到了成長的煩惱。進入2025年後，隨著字節豆包、騰訊元寶、阿里系產品線同步推進，這一賽道逐漸演變為高度依賴資源投入的競爭。對擁有平台入口和分發體系的大廠而言，投放成本可以被內部消化；而對獨立創業公司來說，持續投流更像一項難以長期承擔的支出。一位接近月之暗面的人士直言：“創業公司很難跟大廠正面拼投流，比到最後，往往是錢燒得更快，使用者卻留不住。”與此同時，行業對“好模型”的判斷標準也在發生變化。2025年初，DeepSeek等模型的崛起重塑了行業的選擇標準：其幾乎零大規模推廣、純靠技術口碑驅動增長的現象，在業內引發了強烈震動。一位月之暗面員工曾回憶，那段時間公司內部感受到的壓力是雙重的，投流層面打不過大廠，技術聲量又被DeepSeek搶走。但這種衝擊，也促成一次內部認知轉向。公司層面逐漸意識到，對技術型創業公司而言，C端通用助手的使用者規模，並不天然構成技術壁壘。相比講使用者故事，更重要的是在模型能力上形成真實差距。上述投資人將這種變化概括為：“過去是先佔使用者，再補模型；現在是模型能力決定你還能不能留住使用者。”在這一判斷下，楊植麟更傾向於將規模視為階段性結果，而非優先目標。在模型能力尚未形成穩定差距前，過早放大使用者規模，反而可能放大資源消耗與路徑誤判的風險。2025年，月之暗面開始對C端業務做出明顯收斂。產品層面，公司逐步停止大規模投流，收縮泛娛樂方向，先後暫停或放緩Ohai、Noisee等多條C端產品線；技術層面，資源重新集中到基座模型訓練與推理能力；市場層面，重心從國內使用者規模競賽中抽離，轉向海外開發者生態與專業使用者場景；戰略層面，公司從閉源轉向開源，並將產品與商業化的主要增量方向放到海外。整體來看，這是一次主動退出C端正面戰場、更換賽場的選擇。但收縮的代價同樣存在。上述投資人表示，從其瞭解的情況看，公司目前“基本只剩下大模型和Kimi這一條主線”，不少其他產品線已經被放棄，“甚至有多個產品線負責人後來離職創業”。分水嶺時刻：當上市成為同行的標準答案戰略上的主動收縮與聚焦，也讓月之暗面在資本路徑的選擇上，展現出與同業公司截然不同的節奏。成立初期，月之暗面展現出極強的融資能力。公司成立僅三個月後即完成超2億美元天使輪融資，投後估值約3億美元；同年7月完成Pre-A輪融資。2024年進入融資高峰期：2月完成超10億美元A+輪融資，估值升至25億美元；8月完成超3億美元B輪融資，估值提升至33億美元。2025年底，月之暗面完成5億美元C輪融資並實現超募，投後估值約43億美元。表：月之暗面融資時間線然而，與強勁的融資表現形成鮮明對比的是，月之暗面在上市處理程序上的“按兵不動”。在多家同梯隊公司相繼啟動上市處理程序的背景下，月之暗面並未同步推進 IPO。對於一家已具備上市條件、且身處高關注賽道的公司而言，這一選擇並不常見。上述投資人提到，隨著智譜、MiniMax 進入二級市場，大模型公司的評估標準正在發生變化：相比一級市場更強調願景與潛力，二級市場更關注成本結構、毛利率水平與商業化兌現節奏。近期多家公司推動上市，本質上仍是現金流壓力下的融資選擇，而非成功與否的標誌。例如，繼 H 股上市後，智譜仍在推進 A 股上市處理程序。中國證監會官網顯示，其輔導機構中金公司已於 2026 年 1 月 15 日遞交輔導報告。這意味著，“大模型第一股”並未止步於單一資本市場。不同公司間的現金狀況，正在成為決定其戰略節奏的關鍵變數。進入2025年底，行業格局進一步分化：12月中旬，同為“AI六小虎”的智譜和MiniMax相繼通過港交所聆訊並開始招股。就在幾天後的12月31日，久未公開露面的楊植麟內部信曝光，披露公司仍持有約100億元現金，並直言“不急於上市”。此後不久，2026年1月13日百川智能創始人王小川也在媒體溝通會上透露，公司帳上存有30多億元現金。三天後的1月26日，階躍星辰完成超50億元新一輪融資，印奇出任董事長。然而，充足的現金並未消除壓力。在看似從容的“不上市”宣背後，楊植麟、王小川和印奇實則面臨著一個共同的難題：僅憑手中的資金，在技術爆炸的窗口期內建立起真正的護城河。實際上，除了對外部技術競賽的焦慮，對月之暗面來說，公司歷史“舊帳”也構成了另一種維度的壓力。有觀點認為，月之暗面早期分拆相關的股權與仲裁問題尚未完全塵埃落定，在這一狀態下貿然啟動 IPO，本身就存在合規與資訊披露層面的複雜性；相比之下，留在一級市場繼續推進技術與產品演進，操作成本更低。上述投資人補充道，他對月之暗面的判斷依然複雜。公司能夠持續推出模型、持續完成大額融資，說明其在技術能力與資本市場層面具備較強說服力；但月之暗面仍未向外界清晰回答產品形態如何確立、商業化如何展開、穩定使用者從何而來等更基礎的問題。在他看來，月之暗面更像是一家技術能力已被驗證，但公司形態仍在形成中的企業。這種技術先行、商業輪廓尚未完全浮現的狀態，也在一定程度上對應了當前國產大模型行業所處的整體階段。 (深網騰訊新聞)

Kimi K2 Thinking模型訓練成本僅460萬美元，海外網友再一次炸鍋Kimi開源K2思考模型後的2天，在海外科技圈又掀起一波“DeepSeek效應”，權威榜單Artificial Analysis直接把它列為世界第一，排在GPT-5、Grok-4和Claude 4.5前面！連HuggingFace創辦人都親自發文說：「Kimi K2是開源AI的重大里程碑，今天就是AI的轉捩點！CNBC報告：據知情人士透露，這款新模型的訓練成本僅為460萬美元，再次刷新了AI模型訓練的成本效率紀錄。這一數字甚至低於先前DeepSeek V3模型聲稱的560萬美元訓練成本，形成鮮明對比的是，OpenAI等美國公司通常需要投入數十億美元進行模型訓練。消息一出，海外網紅直接刷屏啦~~~突然想起：1969年NASA阿波羅登月，電腦只有4KB記憶體。"如果460萬美元是真的，那矽谷那些燒錢的AI實驗室可以關門了。""重新定義效率。新紀錄，甚至超越了DeepSeek R1的訓練效率。我的天。""僅460萬？是美國的1/100？這能是真的嗎？我來給大家速覽海外網友玩瘋了的真實案例。例如有開發者用K2一口氣寫了本科幻小說集，15個短篇故事從一個指令開始，全程自動調用300次工具，一部完整的書就這麼誕生了！日本網友讓它挑戰東京大學2025年數​​學入學試題，模型整整思考了3分鐘，推理過程像現代藝術表演一樣在屏幕上跳舞，最後答案全對——這種題人類學霸都得啃幾小時。還有人把兆參數的K2塞進兩台Mac Studio，M3 Ultra那種，原格式運作完全不降質！量化到int4，每秒15個token，3500個token一口氣就吐完了，推理速度捲到飛起。(三次方AIRX)

刷到了Vercel CEO 大讚Kimi K2 ，是企業內部實際的部署估值93億美元的美國知名雲平台Vercel，其CEO吉列爾莫·勞赫（Guillermo Rauch）在x公開表示，在一項內部智能體真實場景基準測試中，來自中國的Kimi K2模型表現優於GPT-5和Claude Sonnet 4.5根據勞赫於10月19日發佈的資訊，這項測試結果顯示，Kimi K2在運行速度和精準率兩個維度上均有優勢具體資料如下：執行階段間：Kimi K2為2分鐘，而GPT-5和Sonnet 4.5為8-10分鐘。K2的速度是後兩者的5倍精準率：Kimi K2高於60%，而GPT-5低於40%，Sonnet 4.5低於50%。K2的精準率比GPT-5高出50%。勞赫同時提到，借助運行平台，可以實現零成本完成模型切換。Vercel是一家總部位於舊金山的雲端開發平台公司，為開發者提供將網站或AI應用從程式碼部署到線上的服務，其客戶包括Netflix、OpenAI、Stripe等公司。Vercel也是Web開發框架Next.js的建立者和維護者。在2025年10月，該公司完成3億美元融資後，估值達到93億美元，Vercel也是2025年OpenAI開發者大會上重點展示的企業之一矽谷多家公司已接入或轉用除Vercel的測試外，我發現矽谷已出現一股將工作流切換或接入K2模型的小高潮此前在美國科技投資播客《All in》中，“SPAC之王”查馬斯·帕裡哈皮蒂亞（Chamath Palihapitiya）透露，他的公司已經把大量工作需求轉移到Kimi K2模型上。他給出的理由是，K2不僅性能強，並且價格比OpenAI和Anthropic便宜很多查馬斯表示，由中國引領的開源模型，正在挑戰美國閉源模型的領先地位此外，一批科技公司，諸如Cline，Cursor，Perplexity,  Genspark,  Youware等也都宣佈已接入K2模型。客觀講，GPT-5、Claude Sonnet 4.5這樣的頂級模型，在整體實力上還是要領先我們不少，推測Vercel這個結果因為是內部測試，非常規Benchmark的刷分邏輯，所以會有驚喜。理性認清差距的同時，還是應該為國產模型感到高興，畢竟性能和價格擺在這裡，頂尖的矽谷投資人和科技公司已經用行動說明一切。K2 Agent 能力其實在7月K2剛發佈時我就第一時間充了API，當時在Claude code 中簡單配置了一下，我還用K2搗鼓了一個給圖片加上漸變底色的小工具，現在市面上有很多這樣的工具，介面大概長這樣：但基本都是付費的，免費的輸出會有水印，我也不想花錢，抱著試一試的態度就讓K2幫我做了類似的小工具，前後花了1小時，踩了一些坑，核心功能就實現了，不過我的功能比較粗糙，目的是能用就行，反正最終結果就是K2幫我在桌面建了一個終端快捷方式，操作很簡單，點選打開，拖入圖片，就會自動處理，給圖片加上漸變底色我來曬一下，大家不要笑話，確實很粗糙，介面長這樣：比如拖入張圖美女進行漸變底色處理：處理過程：處理完後，會輸出5種效果：🎨 生成: 紫色酷炫... ✅🎨 生成: 薄暮餘暉... ✅🎨 生成: 抹茶拿鐵... ✅🎨 生成: 星夜極光... ✅🎨 生成: 盛夏果實... ✅我放兩張大家感受一下效果：個人感覺還可以，抱著試一試的心態讓K2 做完這個小工具後，我當時內心的直觀感受就是 Kimi K2 確實成了！由於平時比較忙，沒時間最佳化這個工具，後面有時間了再搞一下，到時候免費分發有感興趣的朋友可以後台私信我交流，我給你提供開發文件，不過這個文件也是我讓K2 自己寫的，我一個字都沒寫，哈哈哈😄，大家有時間也可以自己試試讓Kimi K2 復刻一下這個工具（注意全程都在 Claude code 中使用的）國產模型繼續攻城略地，Kimi k2 的Agent能力慢慢經受住了時間，市場和真實生產環境的檢驗，尤其是更新後的K2的兩個版本kimi-k2-0905-Preview 版本和 kimi-k2-turbo-preview 版本均提供 256K 上下文窗口。kimi k2 高速版本，速度更是高達 60-100 Tokens/s，特別適合企業級和高響應智能體應用關於使用Kimi K2 和價格國際版看這裡：https://platform.moonshot.ai/docs/overview國內版看這裡：https://platform.moonshot.cn/docs/overview在 ClaudeCode/Cline/RooCode 中使用 kimi k2 模型，看這裡：https://platform.moonshot.cn/docs/guide/agent-support#%E4%BD%BF%E7%94%A8%E6%B3%A8%E6%84%8F%E4%BA%8B%E9%A1%B9價格：充值與限速：(AI寒武紀)

7月12日深夜，月之暗面更新了最新的大模型——Kimi K2，並將模型權重和程式碼全部開源。海內外AI圈瞬間炸鍋。在大模型競技場LMArena排行榜中，Kimi K2綜合排名斬獲全球第五，在開源大模型中位居全球第一，超越Claude 4、DeepSeek-R1-0528。海外AI圈大佬紛紛點贊，Perplexity CEO次日即宣佈將基於K2開啟後訓練。我們原本認為，K2的發佈只不過意味著月之暗面趕上了節奏，獲得了“短暫的呼吸權”。但當深入閱讀技術文件後我們卻發現，K2對於月之暗面以及行業的意義，遠比短暫的第一要更加重大。01 Kimi為何“遲到”？月之暗面曾憑藉獨樹一幟的長上下文技術和天才創始人背景，成為中國“AI六小虎”中最典型的代表。然而從今年1月份，Kimi的聲量卻逐漸式微，模型及產品的口碑開始出現下滑。要理解Kimi K2的轉向，我們必須先理解一個問題：為何Kimi陷入長達數月的沉寂。楊植麟以及月之暗面，在過去一直都是Scaling Law的忠實信徒。他們堅信，更大的模型、更多的資料，必然會湧現出更強的智能。通過卓越的產品體驗吸引使用者，利用使用者資料反哺模型訓練，從而形成“使用者資料”與“模型性能”的增長飛輪。因此月之暗面自創立之初起，就一直採取激進的“買量”策略，以期獲得更多使用者資料來驅動飛輪旋轉。2024年11月，楊植麟在接受採訪時表示，Kimi當前最核心的任務仍然是提升使用者留存。這個戰略聽起來很完美，但它建立在一個脆弱的前提之上——高品質的網際網路資料是取之不盡的。然而2024年底AI技術圈的風向徹底改變。前OpenAI科學家Ilya在演講中，預告了一個殘酷的現實：全球範圍內，可用於高品質預訓練的公開資料，已經被消耗殆盡。這與月之暗面一直堅持的Scaling信仰產生了巨大的矛盾。之後的故事我們已經很熟悉了。深度求索搶先佈局，依靠DeepSeek R1開闢了一種新的技術範式：依靠後訓練強化學習，讓大模型從“模仿學習”轉向更本質的“目標導向學習”來突破智能上限，是這個版本實現AGI的新路徑。儘管月之暗面也意識到強化學習的重要性，但在Kimi 1.5的訓練中，強化學習僅僅只是一個解決長文字 “上下文衰減問題”的輔助環節，而並非如R1那樣聚焦 “提升推理能力”，幫助模型突破智能上限。根據AppGrowing測算，2024年Kimi一年花掉的行銷預算接近9億人民幣，月活流量資料峰值為10月的 3600 萬。而一分廣告費沒花的DeepSeek，單單依靠產品實力和使用者口碑，月活一個月就暴漲至6181 萬。DeepSeek R1的出現直接引發了AI創業公司的存在主義危機。月之暗面的使用者增長策略開始備受質疑。這種巨大的壓力當然不僅僅只有月之暗面一家公司需要面對，R1給行業帶來挑戰是一視同仁的。當舊地圖已經無法通向羅馬，月之暗面必須找到一條全新的航線。02 Kimi K2 趟出的一條新航線Kimi K2 的“新”首先是在模型架構、演算法上的全面革新，更深層次則是月之暗面公司戰略甚至文化的重新出發。在大模型層面，K2取得了兩個突破性進展：（1）將模型參數量擴展到了超大的1T量級（2）K2原生具有呼叫各種工具的能力，提出了“模型即Agent”的新概念這兩個技術創新說起來容易，但真正實現卻十分困難，否則Kimi也不會消耗了大半年的時間才將K2端上來。Kimi是怎麼做到的呢？首先，為了實現K2 1T的參數量規模，Kimi果斷放棄了此前自研的模型架構，轉而積極擁抱DeepSeek V3。根據Kimi團隊的觀點，V3是一個被市場驗證過的、兼具性能和效率的選擇。於是，很多人抨擊K2就是DeepSeek V3的套殼，這顯然又是一種淺薄的傲慢。根據第一性原則，不拘泥於固有思維，只關注方案是否有效、可用，這恰恰反映了Kimi團隊的進步。合適的架構選擇只是第一步，K2與V3在具體參數上的差別非常大。根據團隊此前對Scaling的研究，為了在算力並不充裕的情況下突破智能上限，Kimi選擇減少DeepSeek V3 MoE結構中的Attention Heads（注意力頭）數量，將節省下來的參數空間全部用於增加專家的數量（Experts）。就理論而言，更多的專家數意味著模型擁有更龐大的知識，以及更強的處理複雜問題的潛力。然而，參數的輕微改動卻產生了巨大的麻煩。Kimi發現，此前內部已經驗證過的自研Muon最佳化器，在龐大的資料集的預訓練過程表現極不穩定，會頻繁崩潰。這困擾了Kimi團隊很長的時間，沒有公開的解決方案能應用於穩定15T量級的預訓練資料集。經過長期的嘗試，Kimi巧妙的將Muon與QK-Clip的組合，提出了一種新的MuonClip最佳化器。MuonClip最佳化器能很好地保持在預訓練的穩定性，最終保證了模型在15.5T tokens的巨量預訓練中，實現了零崩潰的穩定表現。它的Loss曲線是這樣的，海外AI圈大佬稱其為“完美的Loss曲線”。K2的第二個壯舉，是提出來一條通往原生Agentic Intelligence（智能體人工智慧）的新思路。眾所周知，繼推理大模型普及之後，Agent 在今年正式成為 AI 新的發展方向。AI Agent與對話類大模型最大的區別，就是AI Agent 能做到主動感知環境、影響環境，具備使用工具的能力。今年我們見證了MCP概念的火熱與普及，Cursor等 AI 程式設計產品開始大規模普及，OpenAI及國內廠商先後也發佈了不少通用Agent產品。在此前的認知中，大模型的使用工具的能力，大多需要通過複雜的提示工程（Prompt Engineering）或在預訓練後進行強化學習（RLHF）來“後補”。但Kimi K2 卻提出了訓練Agent的第三條路徑。在模型訓練之前，Kimi團隊依靠AI生成了成百上千個模擬場景，例如點外賣、寫程式碼、看視訊等，來模擬使用者的各種行為，並據此合成了覆蓋了數百個垂直領域的工具呼叫軌跡，其中既包括真實的MCP（模型上下文協議）工具，也包括合成工具。通俗點說，這就相當於直接將無數使用者未來可能使用Agent的所有場景，提前打包成了全新的、高品質的語料。最後再通過LLM從結果去評估每條模擬結果成功與否，以此篩選出高品質的訓練資料。基於此流程，月之暗面搭建出了一個完全自動化的Agent資料生產工廠！正如Kimi團隊研究員Flood Sung所言，這個生成無數個工作流的機制，十分契合老子的思想：一生二，二生三，三生萬物。這就讓Kimi K2在預訓練中，學到的不僅僅是知識，還包括工具和方法。最終我們看到，Kimi K2具備了很強的原生Agent能力。在我們的測試案例中，Kimi K2幾乎零失誤地實現了我們搭建前端網頁、開發小遊戲的需求。在官方公開的衡量程式碼任務執行能力的LiveCodeBench測試中，K2取得了53.7%的驚人成績，遠超GPT-4.1的44.7%和Claude 3.5 Opus的47.4%。不少從業者反饋，當K2的API完全接入Claude Code之後，能以更低的成本完美的取代原本Claude 3.5的能力，效果甚至直逼最先進的Claude 4.0。03 尾聲：先改變自己，再改變世界最後，我們想聊一聊月之暗面公司本身的戰略轉型。人們熟悉的月之暗面，是一家堅持產品、模型雙管齊下，有時候看起來甚至是更偏向產品驅動的AI公司。這當中自然有面對30億美元融資的無奈。參照過去網際網路時代行業“燒錢”換使用者的慣性思維，似乎只有使用者數量的持續增長，才能回應投資人的期待。網際網路可以通過平台免費+廣告變現的方式，將流量無痛轉化為收入，但AI與廣告在核心上就水火不容：前者強調效率提升，後者分散注意力。真正為AI創業公司創造價值的是付費使用者，付費使用者只會為效率和結果買單。C端使用者在乎的，是模型能力是否足夠聰明、通人性；B端使用者關心的，是AI能否幫企業賺更多錢。這也是為什麼DeepSeek R1能不花一分行銷預算就收穫巨量使用者——它足夠滿足需求，這就夠了。Kimi團隊在社交媒體上透露，公司在DeepSeek爆火後，內部對此前的決策進行了深刻乃至痛苦的反思。自2025年初開始，Kimi完全停掉了所有市場行銷和買量行為。“只要模型做的好，就會獲得市場認可”這是一個Kimi研究員從DeepSeek成功歸納出的結論。在反思會上，楊植麟果斷決定不再更新 K1 系列模型，集中資源搞基礎演算法和 K2，將全部資源和能力重新聚焦到大模型性能的提升上來。截至發稿日，Kimi開源第一的位置似乎已被阿里Qwen再次反超。但這些都不重要，從Kimi K2身上我們能夠看到月之暗面正在改變自己：放棄自研的架構去擁抱更優秀的架構；暫停買量，回歸技術研究，用實力說話；加入開源陣營，分享探索出的新技術路徑……無論是架構還是戰略上，我們可以肯定地說，是DeepSeek喚醒了Kimi。但我們更希望這是一個青出於藍而勝於藍的故事。 (新財富)

幾千人盲投，Kimi K2超越DeepSeek拿下全球開源第一！歪果網友們直接炸了，留言區秒變誇誇打卡現場：今天，競技場終於更新了Kimi K2的排名情況——開源第一，總榜第五，而且緊追馬斯克Grok 4這樣的頂尖閉源模型。且各類單項能力也不差，能和一水兒閉源模型打得有來有回：連續多輪對話並列第一，o3和Grok 4均為第四；程式能力第二，和GPT 4.5、Grok 4持平；應對複雜提示詞能力第二，和o3、4o位於同一梯隊；……連眼尖的朋友也發現了，唯二闖入總榜TOP 10的開源模式都來自中國。（DeepSeek R1總榜第8）當然了，即使拋開榜單不談，Kimi這款新模型過去一周也確實火爆——K2過去一周真熱啊公開可查戰績包括但不限於以下這些：從實打實的數據來看，發布這一周裡，Kimi K2在開源社群中獲得了相當關注度和下載量。GitHub標星5.6K，Hugging Face下載量近10萬，這還不包括它在中國社區的應用。連AI搜尋引擎明星創企Perplexity CEO也親自為它站台，並透露：Kimi K2在內部評估中表現出色，Perplexity計劃接下來基於K2模型進行後訓練。甚至因為造訪的用戶太多了，逼得Kimi官方也出來發公告：訪問量大+模型體積大，導致API過慢。……不過就在一片向好之時，人們關於「Kimi K2採用了DeepSeek V3架構」的質疑聲再度升溫。對此，我們也找到了Kimi團隊成員關於K2架構的相關回應。總結下來就是，確實繼承了DeepSeek V3的架構，不過後續還有一系列參數調整。ps 以下分享皆來自知乎@劉少偉，內容經概括總結如下~一開始，他們嘗試了各種架構方案，結果發現V3架構是最能打的（其他頂多旗鼓相當）。所以問題變成了，要不要為了不同而不同？經過深思熟慮，團隊給了否定答案。理由有兩點：一是V3架構珠玉在前且已經經過大規模驗證，沒必要強行「標新立異」；二是自己和DeepSeek一樣，訓練和推理資源非常有限，而經過評估V3架構符合相關成本預算。所以他們選擇了完全繼承V3架構，並引入適合自己的模型結構參數。具體而言，K2的結構參數改動有四點：增加專家數量：團隊驗證了在啟動參數量不變的情況下，MoE總參數增加仍有益於loss下降。注意力頭head數減半：減少head數節省的成本，剛好抵消MoE參數變大帶來的開銷，且效果影響很小。只保留第一層Dense：只保留第一層為dense，其餘都用MoE，結果對推理幾乎無影響。專家無分組：透過自由路由+動態重排（EPLB）可以處理負載不均衡，同時讓專家組合更靈活，模型能力更強。最終得到的推理方案就是，在相同專家數量下：雖然總參數增加到1.5倍，但除去通訊部分，理論的prefill和decode耗時都更小。即使考慮與通訊overlap等複雜因素，這個方案也不會比V3有顯著的成本增加。就是說，這是一種更「精打細算」的結構調優。而這種放棄自己的模型架構路線，徹底走DeepSeek路線的做法，也被國內網友評價為「相當大膽」。△來源：知乎網友@蛙哥OK，以上關於Kimi和DeepSeek架構之爭的問題落定後，我們再把目光拉回這次最新排名。開源追平or超越閉源ing一個很明顯的趨勢是：「開源=效能弱」的刻板印象正在被打破，開源模型已經越來越厲害了。不僅榜單上的整體排名正在上升，而且分數差距也越來越小。仔細看，模型TOP 10總分均為1400+，開源和閉源幾乎可以看成位於同一起跑線。而這次拿下開源第一的Kimi K2，總分已經非常接近Grok 4、GPT 4.5等頂尖閉源模型了。換句話說，以前我們可能還要在模型能力和成本之間作取捨，但隨著開源力量的崛起，多思考一秒鐘都是對開源的不尊重（doge）。同時，越來越多的產業人士也表達了對開源崛起的判斷。艾倫人工智慧研究所研究科學家Tim Dettmers表示：開源擊敗閉源將變得越來越普遍。Perplexity CEO也多次在公開場合表示：開源模型將在塑造AI能力的全球擴散路徑中扮演重要角色。它們對於因地制宜地定製和本地化AI體驗至關重要。而在已經逐漸崛起的開源模型領域，TOP 10中唯二開源、且都是國產模型的含金量還在上升。 （量子位元）

先說一句，感謝Kimi-k2，讓窮小編也用上了富哥的大殺器Claude codeClaude code不用多講了，用過的都說好，但是貴，一般人真用不起，Kimi-k2大家也應該看了很多博主的文章了，表現還是很不錯的，甚至可以說被嚴重低估，最重要的k2的Agent能力很強，雖然可能還不如claude 模型那麼強，但至少讓我們看到了它的潛力，而且API價格比claude便宜多了月之暗麵糰隊為 Kimi K2 提供了一個與 Anthropic 相容的 API 端點。這意味著我們可以“欺騙” Claude Code讓它轉而與 Kimi K2 進行互動，而無需改動 Claude 自身的一行程式碼那麼如何在強大的claude code 使用k2模型呢？看了一些網友寫的claude code 中使用 k2方法,我自己也動手實踐了一下，以下是更簡潔和清晰的親測可食用版本以下逐步說明（前提：會使用命令列）：安裝claude code打開你的終端，先安裝node.js（mac）sudo xcode-select --install/bin/bash -c "$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/HEAD/install.sbrew install nodenode --version安裝 claude code# Install Claude Codenpm install -g @anthropic-ai/claude-code# 開始使用claude安裝成功會出現以下介面：選一個主題進入，安裝成功前往Kimi開放平台申請API Keyhttps://platform.moonshot.cn/console/api-keys ，去這裡建立你的api沒記錯的你的帳戶默認有免費贈送15塊使用費用，建立好API Key 等待下一步使用注意：不要洩露你的API金鑰在 claude code 中使用 k2建立一個測試資料夾比如claude，切換到這個檔案,這樣全新的檔案目錄下你可以隨便造了，以防誤操作，破壞你的電腦其他檔案cd desktop/claude第一種方法最簡單的方法可以使用這個項目提供的方法 https://github.com/LLM-Red-Team/kimi-cc在安裝完claude code和準備好 kimi 的API Key後，運行以下這個命令，命令運行後會讓你輸入API Key，這時，你只需要複製上一步建立好的API key，貼上就可以了bash -c "$(curl -fsSL https://raw.githubusercontent.com/LLM-Red-Team/kimi-cc/refs/heads/main/install.sh)"這樣就可以在claude code 裡使用 kimi K2 了另外一種方法配置環境變數來實現，複製以下命令到命令列，回車：# 告訴claude將所有通常指向 api.anthropic.com 的 API 呼叫重新導向到 Moonshot AI 的相容端點export ANTHROPIC_BASE_URL=https://api.moonshot.cn/anthropicexport ANTHROPIC_API_KEY=你的kimiAPIkeyclaude注意這一步有個巨坑，就是你在設定ANTHROPIC_BASE_URL時，如果你用月之暗面國內站點生成的API-key，那麼就必須用這個https://api.moonshot.cn/anthropic，如果你用全球網站生成的生成的API-key，就用https://api.moonshot.ai/anthropic，這兩組API是不相容的，否則等你配置完了就會不斷出現API報錯，這個折騰了我好長時間，😄，比如這個錯誤如果成功，會出現一下介面：寫在最後照著我以上的步驟操作直接開始低成本使用 Claude Code，媽媽再也不用擔心你錢不夠了，也不用擔心被封號了，嫌速度慢的可以多充點(AI寒武紀)