7月12日深夜成都正规配资公司有哪些，月之暗面更新了最新的大模型——Kimi K2，并将模型权重和代码全部开源。
海内外AI圈瞬间炸锅。在大模型竞技场LMArena排行榜中，Kimi K2综合排名斩获全球第五，在开源大模型中位居全球第一，超越Claude 4、DeepSeek-R1-0528。海外AI圈大佬纷纷点赞，Perplexity CEO次日即宣布将基于K2开启后训练。
我们原本认为，K2的发布只不过意味着月之暗面赶上了节奏，获得了“短暂的呼吸权”。
但当深入阅读技术文档后我们却发现，K2对于月之暗面以及行业的意义，远比短暂的第一要更加重大。
01
Kimi为何“迟到”？
月之暗面曾凭借独树一帜的长上下文技术和天才创始人背景，成为中国“AI六小虎”中最典型的代表。然而从今年1月份，Kimi的声量却逐渐式微，模型及产品的口碑开始出现下滑。
要理解Kimi K2的转向，我们必须先理解一个问题：为何Kimi陷入长达数月的沉寂。
杨植麟以及月之暗面，在过去一直都是Scaling Law的忠实信徒。
他们坚信，更大的模型、更多的数据，必然会涌现出更强的智能。通过卓越的产品体验吸引用户，利用用户数据反哺模型训练，从而形成“用户数据”与“模型性能”的增长飞轮。
因此月之暗面自创立之初起，就一直采取激进的“买量”策略，以期获得更多用户数据来驱动飞轮旋转。2024年11月，杨植麟在接受采访时表示，Kimi当前最核心的任务仍然是提升用户留存。
这个战略听起来很完美，但它建立在一个脆弱的前提之上——高质量的互联网数据是取之不尽的。
然而2024年底AI技术圈的风向彻底改变。前OpenAI科学家Ilya在演讲中，预告了一个残酷的现实：全球范围内，可用于高质量预训练的公开数据，已经被消耗殆尽。
这与月之暗面一直坚持的Scaling信仰产生了巨大的矛盾。
之后的故事我们已经很熟悉了。
深度求索抢先布局，依靠DeepSeek R1开辟了一种新的技术范式：依靠后训练强化学习，让大模型从“模仿学习”转向更本质的“目标导向学习”来突破智能上限，是这个版本实现AGI的新路径。
尽管月之暗面也意识到强化学习的重要性，但在Kimi 1.5的训练中，强化学习仅仅只是一个解决长文本 “上下文衰减问题”的辅助环节，而并非如R1那样聚焦 “提升推理能力”，帮助模型突破智能上限。
根据AppGrowing测算，2024年Kimi一年花掉的营销预算接近9亿人民币，月活流量数据峰值为10月的 3600 万。而一分广告费没花的DeepSeek，单单依靠产品实力和用户口碑，月活一个月就暴涨至6181 万。
DeepSeek R1的出现直接引发了AI创业公司的存在主义危机。
月之暗面的用户增长策略开始备受质疑。这种巨大的压力当然不仅仅只有月之暗面一家公司需要面对，R1给行业带来挑战是一视同仁的。
当旧地图已经无法通向罗马，月之暗面必须找到一条全新的航线。
02
Kimi K2 趟出的一条新航线
Kimi K2 的“新”首先是在模型架构、算法上的全面革新，更深层次则是月之暗面公司战略甚至文化的重新出发。
在大模型层面，K2取得了两个突破性进展：
（1）将模型参数量扩展到了超大的1T量级
（2）K2原生具有调用各种工具的能力，提出了“模型即Agent”的新概念
这两个技术创新说起来容易，但真正实现却十分困难，否则Kimi也不会消耗了大半年的时间才将K2端上来。
Kimi是怎么做到的呢？
首先，为了实现K2 1T的参数量规模，Kimi果断放弃了此前自研的模型架构，转而积极拥抱DeepSeek V3。根据Kimi团队的观点，V3是一个被市场验证过的、兼具性能和效率的选择。
于是，很多人抨击K2就是DeepSeek V3的套壳，这显然又是一种浅薄的傲慢。
根据第一性原则，不拘泥于固有思维，只关注方案是否有效、可用，这恰恰反映了Kimi团队的进步。
合适的架构选择只是第一步，K2与V3在具体参数上的差别非常大。
根据团队此前对Scaling的研究，为了在算力并不充裕的情况下突破智能上限，Kimi选择减少DeepSeek V3 MoE结构中的Attention Heads（注意力头）数量，将节省下来的参数空间全部用于增加专家的数量（Experts）。
就理论而言，更多的专家数意味着模型拥有更庞大的知识，以及更强的处理复杂问题的潜力。
然而，参数的轻微改动却产生了巨大的麻烦。Kimi发现，此前内部已经验证过的自研Muon优化器，在庞大的数据集的预训练过程表现极不稳定，会频繁崩溃。
这困扰了Kimi团队很长的时间，没有公开的解决方案能应用于稳定15T量级的预训练数据集。
经过长期的尝试，Kimi巧妙的将Muon与QK-Clip的组合，提出了一种新的MuonClip优化器。MuonClip优化器能很好地保持在预训练的稳定性，最终保证了模型在15.5T tokens的巨量预训练中，实现了零崩溃的稳定表现。它的Loss曲线是这样的，海外AI圈大佬称其为“完美的Loss曲线”。
K2的第二个壮举，是提出来一条通往原生Agentic Intelligence（智能体人工智能）的新思路。
众所周知，继推理大模型普及之后，Agent 在今年正式成为 AI 新的发展方向。
AI Agent与对话类大模型最大的区别，就是AI Agent 能做到主动感知环境、影响环境，具备使用工具的能力。今年我们见证了MCP概念的火热与普及，Cursor等 AI 编程产品开始大规模普及，OpenAI及国内厂商先后也发布了不少通用Agent产品。
在此前的认知中，大模型的使用工具的能力，大多需要通过复杂的提示工程（Prompt Engineering）或在预训练后进行强化学习（RLHF）来“后补”。
但Kimi K2 却提出了训练Agent的第三条路径。
在模型训练之前，Kimi团队依靠AI生成了成百上千个模拟场景，例如点外卖、写代码、看视频等，来模拟用户的各种行为，并据此合成了覆盖了数百个垂直领域的工具调用轨迹，其中既包括真实的MCP（模型上下文协议）工具，也包括合成工具。
通俗点说，这就相当于直接将无数用户未来可能使用Agent的所有场景，提前打包成了全新的、高质量的语料。最后再通过LLM从结果去评估每条模拟结果成功与否，以此筛选出高质量的训练数据。
基于此流程，月之暗面搭建出了一个完全自动化的Agent数据生产工厂！
正如Kimi团队研究员Flood Sung所言，这个生成无数个工作流的机制，十分契合老子的思想：一生二，二生三，三生万物。
这就让Kimi K2在预训练中，学到的不仅仅是知识，还包括工具和方法。
最终我们看到，Kimi K2具备了很强的原生Agent能力。在我们的测试案例中，Kimi K2几乎零失误地实现了我们搭建前端网页、开发小游戏的需求。
在官方公开的衡量代码任务执行能力的LiveCodeBench测试中，K2取得了53.7%的惊人成绩，远超GPT-4.1的44.7%和Claude 3.5 Opus的47.4%。
不少从业者反馈，当K2的API完全接入Claude Code之后，能以更低的成本完美的取代原本Claude 3.5的能力，效果甚至直逼最先进的Claude 4.0。
03
尾声：先改变自己，再改变世界
最后，我们想聊一聊月之暗面公司本身的战略转型。
人们熟悉的月之暗面，是一家坚持产品、模型双管齐下，有时候看起来甚至是更偏向产品驱动的AI公司。
这当中自然有面对30亿美元融资的无奈。参照过去互联网时代行业“烧钱”换用户的惯性思维，似乎只有用户数量的持续增长，才能回应投资人的期待。
互联网可以通过平台免费+广告变现的方式，将流量无痛转化为收入，但AI与广告在内核上就水火不容：前者强调效率提升，后者分散注意力。
真正为AI创业公司创造价值的是付费用户，付费用户只会为效率和结果买单。C端用户在乎的，是模型能力是否足够聪明、通人性；B端用户关心的，是AI能否帮企业赚更多钱。
这也是为什么DeepSeek R1能不花一分营销预算就收获巨量用户——它足够满足需求，这就够了。
Kimi团队在社交媒体上透露，公司在DeepSeek爆火后，内部对此前的决策进行了深刻乃至痛苦的反思。自2025年初开始，Kimi完全停掉了所有市场营销和买量行为。
“只要模型做的好，就会获得市场认可”这是一个Kimi研究员从DeepSeek成功归纳出的结论。在反思会上，杨植麟果断决定不再更新 K1 系列模型，集中资源搞基础算法和 K2，将全部资源和能力重新聚焦到大模型性能的提升上来。
截至发稿日，Kimi开源第一的位置似乎已被阿里Qwen再次反超。但这些都不重要，从Kimi K2身上我们能够看到月之暗面正在改变自己：放弃自研的架构去拥抱更优秀的架构；暂停买量，回归技术研究，用实力说话；加入开源阵营，分享探索出的新技术路径……
无论是架构还是战略上，我们可以肯定地说，是DeepSeek唤醒了Kimi。
但我们更希望这是一个青出于蓝而胜于蓝的故事成都正规配资公司有哪些。
嘉喜配资提示：文章来自网络，不代表本站观点。
