二人為何都瞄準(zhǔn)了視覺理解？

文｜《中國(guó)企業(yè)家》見習(xí)記者 孫欣

記者 王怡潔

見習(xí)編輯｜李原編輯｜何伊凡

頭圖來源｜視覺中國(guó)

這已經(jīng)是2025年以來的第4次，DeepSeek創(chuàng)始人梁文鋒和月之暗面創(chuàng)始人楊植麟在技術(shù)路線上精準(zhǔn)“撞車”。

1月27日，月之暗面發(fā)布并開源新模型Kimi K2.5，該模型由K2和K2-Thinking并存演進(jìn)而來。在官方視頻里，楊植麟將其形容為“全能模型”，視覺理解、代碼、多模態(tài)、思考與非思考模式、Agent及Agent集群能力，都被封裝進(jìn)了同一個(gè)模型中。

除了代碼能力極大提升之外，K2.5的一大亮點(diǎn)在于“視覺理解能力”的極大增強(qiáng)，可分析用戶上傳的圖片、視頻，并據(jù)此編程或解答問題。

無獨(dú)有偶，K2.5發(fā)布的同日，DeepSeek也上線了新一代模型OCR-2。該模型同樣在視覺理解上取得重大突破，解決方法更另辟蹊徑。DeepSeek創(chuàng)新了“視覺因果流”機(jī)制，不再需要按照固定順序掃描圖片，而是能像人一樣，根據(jù)圖像內(nèi)容的語(yǔ)義和邏輯，動(dòng)態(tài)調(diào)整閱讀順序。

屢屢在同一條技術(shù)路線上探索，又?jǐn)?shù)次同日發(fā)布成果，梁文鋒與楊植麟的心有靈犀已經(jīng)很難用偶然來解釋，他們二人又為何不約而同地瞄準(zhǔn)了視覺理解這座山峰？

四次“撞車”

實(shí)際上，梁文鋒和楊植麟模型產(chǎn)品、論文總是選擇同期發(fā)布，并非因?yàn)椤皟?nèi)卷”。拆解二人的成果會(huì)發(fā)現(xiàn)，他們?cè)陉P(guān)鍵技術(shù)路線上“和而不同”的創(chuàng)新，背后是對(duì)大模型和產(chǎn)業(yè)痛點(diǎn)的相似判斷。

2025年1月20日，DeepSeek-R1上線后火速破圈。Kimi 1.5也緊隨其后發(fā)布，且同樣采用了“基于結(jié)果獎(jiǎng)勵(lì)的強(qiáng)化學(xué)習(xí)”路線。

2025年2月18日，梁文鋒和楊植麟前后腳發(fā)表了關(guān)于注意力架構(gòu)的最新論文，聚焦于解決Transformer注意力機(jī)制下，長(zhǎng)上下文處理效率低下、算力消耗過高的行業(yè)痛點(diǎn)。

其中，梁文鋒作為共同作者，提出了DeepSeek-NSA（原生稀疏注意力）架構(gòu)，通過分層壓縮、關(guān)鍵令牌選擇與滑動(dòng)窗口結(jié)合的策略，大幅降低了長(zhǎng)上下文處理的算力消耗。

同日，楊植麟也作為論文共同作者，提出了MoBA（混合塊注意力）架構(gòu)，并與NSA選擇了不同的優(yōu)化路徑——基于專家混合（MoE）原理，通過分塊處理與動(dòng)態(tài)門控機(jī)制，讓模型自主實(shí)現(xiàn)全注意力與稀疏注意力的切換。

只不過，NSA更側(cè)重硬件層面的優(yōu)化，MoBA則傾向于在Transformer框架內(nèi)做靈活創(chuàng)新。雖路徑不同，但二人的核心目標(biāo)一致：解決效率瓶頸，讓模型在復(fù)雜任務(wù)中更具實(shí)用性。

2025年4月，DeepSeek發(fā)布數(shù)學(xué)推理模型DeepSeek-Prover-V2。通過子目標(biāo)分解的強(qiáng)化學(xué)習(xí)推進(jìn)定理證明，讓模型能夠“自驗(yàn)證”推理過程的合理性，幾乎同期，月之暗面也上線了數(shù)學(xué)推理專項(xiàng)模型，同樣采用了“自驗(yàn)證”核心方式，大幅提升了定理證明的穩(wěn)定性與準(zhǔn)確性。

來源：AI生成

這一次“撞車”源于，彼時(shí)AI深度推理還是行業(yè)的技術(shù)難點(diǎn)。而數(shù)學(xué)推理作為核心場(chǎng)景，直接關(guān)系到大模型在科研、金融、工程等領(lǐng)域的落地能力，二人同時(shí)聚焦這一方向，背后是對(duì)驗(yàn)證AI落地價(jià)值的一致探索。

而最近的一次同臺(tái)競(jìng)技，DeepSeek的OCR-2和月之暗面的K2.5又不約而同地瞄準(zhǔn)了視覺理解。這一次同樣絕非巧合。

數(shù)月前，《中國(guó)企業(yè)家》從相關(guān)人士處了解到，DeepSeek和月暗一直在圍繞誰(shuí)能先做出具備前沿能力的視覺語(yǔ)言模型，讓大模型不再成為“聰明的瞎子”而暗自較勁。

結(jié)合2025年7月SuperCLUE發(fā)布的多模態(tài)測(cè)評(píng)報(bào)告，或可找到二人攻堅(jiān)視覺語(yǔ)言模型的答案。

報(bào)告指出，視覺語(yǔ)言模型正普遍面臨三大痛點(diǎn)：1.專業(yè)領(lǐng)域知識(shí)欠缺，特別是在醫(yī)療影像分析、工業(yè)應(yīng)用等專業(yè)領(lǐng)域得分較低。2.復(fù)雜場(chǎng)景適應(yīng)不足，在自動(dòng)駕駛、空間推理等任務(wù)中表現(xiàn)較差。3.多模態(tài)融合深度不夠，圖文不一致情況下，判斷準(zhǔn)確率不足65%。

由此可見，視覺理解是大模型從“語(yǔ)言交互”走向“全場(chǎng)景交互”的必經(jīng)之路，也已成為制約模型商業(yè)化落地的瓶頸。梁文鋒與楊植麟同時(shí)聚焦這一領(lǐng)域，源于對(duì)行業(yè)痛點(diǎn)的相似洞察——誰(shuí)能率先突破，就能在多模態(tài)商業(yè)化競(jìng)爭(zhēng)中占據(jù)主動(dòng)。

如何翻越視覺理解高山？

實(shí)際上，在大語(yǔ)言模型層面，國(guó)內(nèi)模型正在與海外模型日益拉近距離。但業(yè)內(nèi)人士對(duì)《中國(guó)企業(yè)家》表示，在視覺理解層面，海外被稱為“御三家”的Google Gemini、OpenAI GPT 5.2和Claude已“卷”到下一階段，國(guó)內(nèi)大模型則還處于追趕和“補(bǔ)課”階段。

例如，數(shù)月前網(wǎng)絡(luò)上曾讓大模型做識(shí)別車型的測(cè)試。特斯拉被車主自貼了一個(gè)小米標(biāo)志，不少大模型將其認(rèn)錯(cuò)。“這說明綜合視覺信息，當(dāng)前對(duì)多模態(tài)模型依舊有困難?！鼻笆鋈耸空f。

此次發(fā)布中，楊植麟在視頻中演示了一段視頻，K2.5通過識(shí)別圖片或者視頻，復(fù)刻出一個(gè)網(wǎng)址的功能。此前國(guó)內(nèi)大模型更多需要借助語(yǔ)言、指令來實(shí)現(xiàn)?！靶枰_地告訴模型，左上角是個(gè)按鈕，需求都要用指令來描述?！?/p>

“一圖勝千言?！笨萍疾┲骱＠攲?duì)《中國(guó)企業(yè)家》說。大部分情況下，用戶很難用文字一次性描述出自己想要編出的前端界面，視覺理解核心意義在于讓大模型從“讀文字”升級(jí)為“懂信息、用信息。”

K2.5是月暗在視覺理解上交出的第一份答卷。團(tuán)隊(duì)讓原生的多模態(tài)架構(gòu)設(shè)計(jì)與大規(guī)模視覺文本進(jìn)行聯(lián)合預(yù)訓(xùn)練，采用了約15萬(wàn)億個(gè)Token持續(xù)訓(xùn)練。在這個(gè)基礎(chǔ)底座之上，構(gòu)建Visual Agentic Intelligence（視覺智能體智能）系統(tǒng)。簡(jiǎn)而言之，K2.5從視覺理解編碼入手，分解Agent任務(wù)，增強(qiáng)Coding能力。

接近月之暗面的人士告訴《中國(guó)企業(yè)家》，訓(xùn)練中最現(xiàn)實(shí)的困難在于多模態(tài)數(shù)據(jù)的匱乏，以及對(duì)數(shù)據(jù)的處理。“普通人每天拍的照片對(duì)模型來說沒什么用。需要高質(zhì)量的數(shù)據(jù)，才能讓模型學(xué)到東西。像維基百科，也只是中等質(zhì)量的數(shù)據(jù)?！?/p>

此外，月之暗面在K2.5中也再次堅(jiān)持了對(duì)“技術(shù)品味”的追求，“如果你希望模型更加浪漫，精通軟件的UI界面、美學(xué)設(shè)計(jì)，你該給它匹配什么樣的數(shù)據(jù)，這都需要對(duì)世界有更多審美認(rèn)知?！鼻笆鋈耸空f。

來源：官網(wǎng)截圖

1月29日凌晨，月之暗面團(tuán)隊(duì)在Reddit上回答了網(wǎng)友問題，楊植麟表示：“模型的核心在于品味，因?yàn)橹悄鼙旧硎欠峭|(zhì)化的（non-fungible）?！?/p>

海拉魯評(píng)價(jià)道，Kimi是國(guó)內(nèi)編程不錯(cuò)的模型里面第一家真正“開眼”的。AI從業(yè)者徐再世也表示：K2.5與其他多模態(tài)模型最大的區(qū)別在于，把視覺和編程、Agent能力結(jié)合得更緊密，這降低了開發(fā)門檻，讓非程序員靠截圖錄屏也能做出原型。

除了前端設(shè)計(jì)，伴隨K2.5，Kimi還推出了Kimi Code，可以在終端里直接運(yùn)行，也能集成到 VSCode、Cursor等主流編輯器中。簡(jiǎn)單來說，K2.5可以自動(dòng)發(fā)現(xiàn)用戶的編程過程，并將用戶現(xiàn)有的Skills（給AI Agent使用的技能包）遷移到新的工作流中。

相對(duì)于K2.5側(cè)重在工程化層面解決問題，DeepSeek在視覺技術(shù)源頭做出了更多創(chuàng)新。

傳統(tǒng)的視覺語(yǔ)言模型（VLM）在掃描圖片時(shí)，通常是固定地從左到右、從上到下。但人類在理解圖片時(shí)，會(huì)代入自身的語(yǔ)義順序和取舍，如先看標(biāo)題，再看正文。

OCR-2也模仿了人類的邏輯，其替換了原本的CLIP編碼器，引入了全新的視覺編碼器DeepEncoder V2。該架構(gòu)打破了固定順序（從左上到右下）掃描圖像的限制，而是模仿人類視覺的“因果流（Causal Flow）”邏輯。

從這個(gè)維度上看，DeepSeek和月之暗面雖然都在補(bǔ)齊視覺理解的短板，但二者的創(chuàng)新點(diǎn)發(fā)生在不同環(huán)節(jié)。K2.5是基于多模態(tài)模型提升工程化性能，更靠近商業(yè)落地側(cè)；而DeepSeek更側(cè)重追溯到技術(shù)源頭，進(jìn)行創(chuàng)新。

集群重新定義Agent

除了視覺理解，此次K2.5的Agent集群功能也獲得了不少業(yè)內(nèi)人士的稱道。

徐再世在做大語(yǔ)言模型預(yù)訓(xùn)練的工作，他看到，Anthropic的Claude Opus在編程場(chǎng)景上表現(xiàn)突出，一個(gè)原因就是它很擅長(zhǎng)通過工具調(diào)用來執(zhí)行任務(wù)。但很多語(yǔ)言模型在工具調(diào)用中，出錯(cuò)概率很高。而K2.5引入的Agent Swarm（智能體集群）架構(gòu)，從單一Agent進(jìn)化到Agent集群，意味著模型能力的關(guān)鍵提升。

在楊植麟對(duì)Agent集群的介紹中，K2.5不再是一個(gè)單打獨(dú)斗包攬一切的智能體，而是一支即時(shí)組建的“智能體團(tuán)隊(duì)”。即當(dāng)任務(wù)下達(dá)時(shí)，主Agent能夠生出上百個(gè)“子Agent”，由主Agent支配。相較于單智能體模式，其任務(wù)執(zhí)行效率提升最高達(dá)4.5倍。

月暗團(tuán)隊(duì)演示了一段視頻，他們給Kimi Agent集群投喂了40篇關(guān)于心理學(xué)和AI的論文。K2.5先是通過多次調(diào)用工具，按順序把論文通讀一遍；隨后，其衍生出數(shù)個(gè)子Agent負(fù)責(zé)不同章節(jié)撰寫。最后，成果由主Agent負(fù)責(zé)把關(guān)驗(yàn)收，將所有內(nèi)容匯總成一份長(zhǎng)達(dá)幾十頁(yè)的PDF綜述。

來源：AI生成

要實(shí)現(xiàn)上百個(gè)Agent并發(fā)運(yùn)行并非易事，平衡調(diào)度器便是一大難點(diǎn)：在訓(xùn)練初期，子Agent可能會(huì)因協(xié)同失敗而放棄并行策略。而月暗團(tuán)隊(duì)采用了PARL (并行智能體強(qiáng)化學(xué)習(xí)) 的訓(xùn)練方法，團(tuán)隊(duì)通過分階段獎(jiǎng)勵(lì)，引導(dǎo)模型建立穩(wěn)定偏好。

此外，當(dāng)100個(gè)Agent同時(shí)工作，通信、算力都將產(chǎn)生巨大負(fù)載，Agent之間可能會(huì)信息復(fù)讀、相互干擾，效率可能會(huì)低于單體模型。團(tuán)隊(duì)需要讓模型學(xué)習(xí)如何自主通信，并動(dòng)態(tài)調(diào)整智能體數(shù)量和資源分配。

據(jù)《中國(guó)企業(yè)家》了解，K2.5整個(gè)Agent集群由K2.5模型全自動(dòng)創(chuàng)建與協(xié)調(diào)，用戶無需對(duì)子智能體或工作流進(jìn)行預(yù)先定義。即便某個(gè)子智能體失敗，主Agent也能迅速感知并重新調(diào)度。

徐再世解釋道，無需預(yù)定義意味著K2.5的Agent集群是動(dòng)態(tài)分工，模型自己會(huì)決定這個(gè)任務(wù)需要什么角色，自動(dòng)創(chuàng)建子Agent并行工作。

1月29日，在解答網(wǎng)友詢問K2.5的“智能體蜂群”在運(yùn)行100個(gè)并行推理流時(shí)，如何解決延遲和上下文信息丟失問題時(shí)，月之暗面聯(lián)創(chuàng)吳育昕表示：K2.5的各個(gè)子智囊團(tuán)可以在不“腐蝕”或污染主調(diào)度器上下文的情況下獨(dú)立執(zhí)行子任務(wù)，即子Agent本質(zhì)上擁有各自的工作記憶，只在必要時(shí)將結(jié)果返回給調(diào)度器。

“從K2開始，月暗團(tuán)隊(duì)每一步都走得很扎實(shí)穩(wěn)重?！彪m然徐再世認(rèn)為，月暗的產(chǎn)品形態(tài)還需要時(shí)間打磨。但從長(zhǎng)遠(yuǎn)來看，Agent集群技術(shù)的突破有著重大價(jià)值。“這意味著未來的智能體將無需人工設(shè)計(jì)工作流，真正實(shí)現(xiàn)人力的解放?！?/p>