# 用 460 万美元追上 GPT\-5？Kimi 团队首次回应一切，杨植麟也来了

- 作者：张子豪
- 发布时间：2025-11-11 14:14
- 分类：公司、软件
- 原文：https://www.ifanr.com/1644032

![](https://s3.ifanr.com/wp-content/uploads/2025/11/kimiyoung.jpeg)

上周 Kimi K2 Thinking 发布，开源模型打败 OpenAI 和 Anthropic，让它社交媒体卷起不小的声浪，网友们都在说它厉害，我们也实测了一波，在智能体、代码和写作能力上确实进步明显。

刚刚 Kimi 团队，甚至创始人杨植麟也来了，他们在 Reddit 上举办了一场信息量爆炸的 AMA（有问必答）活动。

![](https://s3.ifanr.com/wp-content/uploads/2025/11/PixPin_2025-11-11_07-09-42.png)

▲ Kimi 团队三位联创，杨植麟、周昕宇、吴育昕参与回答



面对社区的犀利提问，Kimi 不仅透露了下一代模型 K3 的线索、核心技术 KDA 的细节，还毫不避讳地谈论了 460 万的成本，以及与 OpenAI 在训练成本、产品哲学上的巨大差异。

- 460 万美元这个数字不是官方的数字，具体的训练成本很难量化到多少钱
- K3 什么时候来，是看奥特曼的万亿美元数据中心什么时候建成
- K3 的技术将会继续沿用，当前效果显著的 KDA 注意力机制
- 视觉模型还需要我们去采集更多的数据，但目前已经在做了……

![](https://s3.ifanr.com/wp-content/uploads/2025/11/PixPin_2025-11-11_05-20-28.png)

我们为你整理了这场 AMA 中最值得关注的几个核心焦点，来看看这家现在算是国产开源老大的 AI 实验室，是如何看待他们的模型，和未来 AI 的发展。

## 叫板 OpenAI，「我们有自己的节奏」

在这场 AMA 中，火药味最足的部分，大概就是 Kimi 团队对 OpenAI 的隔空回应。

最大的噱头之一：K3 什么时候来？Kimi 团队的回答非常巧妙：「**在奥特曼的万亿美元数据中心建成之前。**」

![](https://s3.ifanr.com/wp-content/uploads/2025/11/PixPin_2025-11-11_07-28-56.png)

很明显这一方面是幽默，因为没有人知道 OpenAI 到底什么时候才能建成那个数据中心，另一方面似乎也在回应外界对于 Kimi 能用更少资源追赶 GPT-5 的赞叹。

当有网友贴脸开大，直接问 Kimi 怎么看 OpenAI 要花这么多钱在训练上时，Kimi 坦言：「我们也不知道，只有奥特曼自己才知道」，并强硬地补充道，「**我们有自己的方式和节奏。**」

这种自己的节奏，首先体现在产品哲学上。当被问到是否会像 OpenAI 一样发布 AI 浏览器时，团队直言 No：

![](https://s3.ifanr.com/wp-content/uploads/2025/11/Screenshot-2025-11-11-at-07.30.09.png)

我们不需要创建另一个 chromium 包装器（浏览器套壳），来构建更好的模型。

他们强调，目前的工作还是专注于模型训练，能力的体现会通过大模型助手来完成。

在训练成本和硬件上，Kimi 也展现了精打细算的一面。社区好奇 K2 的训练成本是否真的是传闻中的 460 万美元，Kimi 澄清了这个数字并不正确，但表示大部分的钱都是花在研究和实验上，很难具体量化。

![](https://s3.ifanr.com/wp-content/uploads/2025/11/Weixin-Image_20251111065245_2521_82.png)

至于硬件，Kimi 承认他们使用的是 H800 GPU 和 Infiniband，虽然「不如美国的顶级 GPU 好，而且数量上也不占优势」，但他们充分利用了每一张卡。

## 模型的个性与 AI 的垃圾味

一个好的模型，不仅要有智商，还要有个性。

很多用户喜欢 Kimi K2 Instruct 的风格，认为它「比较少的谄媚，同时又像散文一样，有洞察力且独特」。

Kimi 解释说，这是「预训练（提供知识）+ 后训练（增添风味）」共同作用的结果。不同的强化学习配方（即奖励模型的不同选择）会得到不同的风格，**而他们也会有意的把模型设计为更不谄媚**。

![](https://s3.ifanr.com/wp-content/uploads/2025/11/PixPin_2025-11-11_07-31-59.png)

▲大语言模型情商评估排名，图片来源：https://eqbench.com/creative\_writing.html



但与此同时，也有用户直言 Kimi K2 Thinking 的写作风格太「AI Slop 垃圾」，无论写什么话题，风格都太过于积极和正面，导致读起来 AI 味就是很重。他还举例子说，要 Kimi 写一些很暴力很对抗的内容，它还是把整体的风格往积极正面那边去靠近。

Kimi 团队的回答非常坦诚，他们承认这是大语言模型的常见问题，也提到现阶段的强化学习，就是会刻意地放大这种风格。

**这种用户体感与测试数据的矛盾，也体现在对 Benchmark（跑分）的质疑上**。有网友尖锐地提问，Kimi K2 Thinking 是不是专门针对 HLE 等跑分进行了训练，才会取得如此高分？毕竟这么高的分数，好像和他实际使用中的智能不太匹配。

![](https://s3.ifanr.com/wp-content/uploads/2025/11/G5Ls9SjaYAAU2GD.jpeg)

对此，Kimi 团队解释说，他们在改进自主推理方面取得了一些微小的进展，这刚好让 K2 Thinking 在 HLE 上得分很高。但他们也坦诚了努力的方向，要进一步提升通用能力，以便在更多实际应用场景中和跑分一样聪明。

网友还说，你看马斯克的 Grok 因为做了很多 NSFW (非工作安全) 的工作，生成图片和视频；Kimi 完全可以利用自己的写作优势，让它完成一些 NSFW 的写作，一定能为 Kimi 带来很多用户的。

![](https://s3.ifanr.com/wp-content/uploads/2025/11/PixPin_2025-11-11_07-35-06.png)

Kimi 只能笑而不语，说这是一个很好的建议。未来是否会支持 NSFW 内容，可能还需要找到一些年龄验证的方法，也需要进一步做好模型的对齐工作。

很明显，现阶段 Kimi 是不可能支持 NSFW。

## 核心技术揭秘：KDA、长推理与多模态

作为一家被称为「开源先锋实验室」的公司，而 Reddit 本身就是也是一个非常庞大和活跃的技术社区，Kimi 也在这次的 AMA 中，分享了大量的技术细节。

10 月底，Kimi 在《Kimi Linear: An Expressive, Efficient Attention Architecture》的论文，详细介绍了一种新型混合线性注意力架构 Kimi Linear，其核心正是 Kimi Delta Attention (KDA)。

![](https://s3.ifanr.com/wp-content/uploads/2025/11/PixPin_2025-11-11_07-35-51.png)

▲KDA 算法实现，论文链接：<https://arxiv.org/pdf/2510.26692>



通俗来说，注意力（Attention）就是 AI 在思考时，决定应该重点关注上下文哪些词语的机制。和常见的完全注意力和线性注意力不同，**KDA (Kimi Delta Attention)，是一种更智能、更高效的注意力机制**。

在这次 AMA 活动中，Kimi 也多次提到，KDA 在长序列强化学习场景中展现了性能提升，并且 KDA 相关的想法很可能在 K3 中应用。

但 Kimi 也坦言，技术是有取舍的。目前混合注意力的主要目的是节省计算成本，并不是为了更好的推理，在长输入和长输出任务上，完全注意力的表现依然是更好的。

那么，Kimi K2 Thinking 是如何做到超长推理链的呢，最多 300 个工具的思考和调用，还有网友认为甚至比 GPT-5 Pro 还要好？

![](https://s3.ifanr.com/wp-content/uploads/2025/11/PixPin_2025-11-11_07-37-11.png)

▲ Kimi Linear 模型结构



Kimi 认为这取决于训练方式，**他们倾向于使用相对更多的思考 token 以获得最佳结果**。此外，K2 Thinking 也原生支持 INT4，这也进一步加速了推理过程。

我们在之前的 Kimi K2 Thinking 文章中也分享了 INT4 的量化训练技术，这是一种高效的量化技术（INT4 QAT），Kimi 没有训练完再压缩，而是在训练过程中，就保持了低精度运算模型。

这能带来两个巨大的优势，一个是推理速度的提升，一个是长链条的推理，不会因为训练完再进行的压缩量化，而造成逻辑崩溃。

最后，**关于外界期待的视觉语言能力，Kimi 明确表示：目前正在完成这项工作。**

之所以先发布纯文本模型，是因为视觉语言模型的数据获取，还有训练，都需要非常多的时间，团队的资源有限，只能优先选择一个方向。

## 生态、成本与开放的未来

对于开发者和普通用户关心的问题，Kimi 团队也一一作答。

为什么之前能处理 1M 上下文的模型消失了？Kimi 的回答言简意赅：「成本太高了。」而对于 256K 上下文在处理大型代码库时依然不够用的问题，团队表示未来会计划增加上下文长度。

在 API 定价上，有开发者质疑为何按「调用次数」而非 token 收费。对使用 Claude Code 等其他智能体工具进行编程的用户来说，基于 API 请求次数的计费方式，是最不可控且最不透明的。

在发送提示之前，用户根本无法明确工具将发起多少次 API 调用，或者任务将持续多长时间。

![](https://s3.ifanr.com/wp-content/uploads/2025/11/Screenshot-2025-11-11-at-07.39.06.png)

▲Kimi 会员计划



Kimi 解释说，我们用 API 调用，是为了让用户更清楚的知道费用是怎么消耗的，同时符合他们团队的成本规划，但他们也松口表示会看看是否有更好的计算方法。

当有网友提到自己公司不允许使用其他聊天助手时，Kimi 借机表达了他们的核心理念：

我们拥抱开源，因为我们相信通用人工智能应该是一个带来团结而不是分裂的追求。

而对于那个终极问题——AGI 什么时候到来？Kimi 认为 AGI 很难定义，但人们已经开始感受到这种 AGI 的氛围，更强大的模型也即将到来。

和去年疯狂打广告营销的 Kimi 不同，在这场 AMA 力，杨植麟和团队成员的回答；确实能让人感受到在国产开源，逐渐占据全球大语言模型开源市场的背景下，Kimi 也更加有底气，更明确了自己的节奏。

而这个节奏很明显，就是在这场烧钱、甚至卷太空的 AI 竞赛中，继续走开源的路，才能推动技术往前走。