今天上午，DeepSeek V4 發(fā)布，直接把這個(gè)大模型瘋狂更新月推向了最高潮。

百萬(wàn)上下文標(biāo)配，性能比肩頂級(jí)閉源模型，首發(fā)適配華為昇騰芯片，隨便一個(gè)點(diǎn)單拎出來能寫一篇爆款頭條。

不過在我翻看 V4 的技術(shù)報(bào)告的時(shí)候，在訓(xùn)練層面看到了一個(gè)被大部分人滑過去的名詞：Muon 優(yōu)化器。

這個(gè)技術(shù)名詞，怎么看著這么眼熟呢？

原來是前兩天發(fā)布的 Kimi 2.6 里，就是通過 Muon優(yōu)化器，在相同的訓(xùn)練量下實(shí)現(xiàn)了2倍的效率提升，并在 1 萬(wàn)億參數(shù)規(guī)模上解決了訓(xùn)練不穩(wěn)定的難題。

早在上個(gè)月楊植麟站在英偉達(dá) GTC 2026 的舞臺(tái)上，花了演講中最長(zhǎng)的一個(gè)板塊講它。Kimi 是全世界第一個(gè)發(fā)論文證明 Muon 可以用在萬(wàn)億參數(shù)大模型訓(xùn)練上的團(tuán)隊(duì)。
（附APPSO解讀文章鏈接）

楊植麟是這樣說的：「用 MuonClip 而非 Adam 訓(xùn)練 Transformer 大模型，效果會(huì)好得多?！拐_實(shí)現(xiàn)后，token 效率提升 2 倍。在數(shù)據(jù)墻面前，這相當(dāng)于把 50 萬(wàn)億 token 用出了 100 萬(wàn)億的效果。

現(xiàn)在，這項(xiàng)技術(shù)出現(xiàn)在了 DeepSeek V4 的訓(xùn)練方案里。

我又回來翻了一下 Kimi K2 的架構(gòu)底層，又發(fā)現(xiàn)了一個(gè)更有意思的細(xì)節(jié)：它用的是 DeepSeek-V3 提出的 MLA（Multi-head Latent Attention）。

DeepSeek 的技術(shù)報(bào)告寫著 Kimi 的名字，Kimi 的架構(gòu)底座寫著 DeepSeek 的名字。 你中有我，我中有你。

這大概是中國(guó) AI 圈最魔幻的一幕：兩家被外界反復(fù)對(duì)比的開源雙子星，技術(shù)底層早就長(zhǎng)到了一起。

而且，Kimi 類似這樣的巧合，已經(jīng)不是第一次了。

五次「撞車」，五個(gè)拐點(diǎn)

算上 V4 和 K2.6 前后腳上線，這已經(jīng)是 Kimi 和 DeepSeek 過去一年里的第五次「撞車」了。

▲ 圖片由 image-2 制作.

五次「撞車」，如果只是時(shí)間重合，那叫巧合。但把每次發(fā)布的內(nèi)容拉出來看，你會(huì)發(fā)現(xiàn)一條清晰的暗線：每次撞車恰好對(duì)應(yīng)一個(gè) AI 行業(yè)拐點(diǎn)的到來。

第一次是最戲劇性的。2025 年 1 月 20 日晚 8 點(diǎn) 10 分，DeepSeek R1 發(fā)布并以 MIT 協(xié)議完全開源。不到兩小時(shí)后，Kimi k1.5 亮相。

兩者都瞄準(zhǔn)同一件事：讓模型從「張嘴就來」變成「先想后說」，用強(qiáng)化學(xué)習(xí)跑通 Long-CoT 長(zhǎng)思維鏈推理。

在這之后，中國(guó)的開源力量就徹底改變了整個(gè)全球 AI 的格局。

后來 OpenAI 在一篇論文中點(diǎn)名指出：Kimi 和 DeepSeek 是「最早復(fù)現(xiàn) OpenAI-o1 Long-CoT」的兩家公司。全世界只有這兩家中國(guó)公司看懂了 OpenAI 在做什么，并且用自己的方式做了出來。

那是中國(guó) AI 從「追隨者」開始變成「引領(lǐng)者」的分水嶺。

最近這次就是今天。四天之內(nèi)，K2.6 帶來了 SWE-Bench Pro 58.6% 的 Agent 集群并行編程能力，V4 把百萬(wàn)上下文做成了所有服務(wù)的標(biāo)配，輸出長(zhǎng)度拉到 384K tokens。

兩家同時(shí)推進(jìn)國(guó)產(chǎn)芯片適配：V4 下半年支持華為昇騰 950，寒武紀(jì)已完成 Day 0 適配；K2.6 支持國(guó)產(chǎn)芯片混合推理。

Agent 能力、編程天花板、百萬(wàn)上下文、國(guó)產(chǎn)芯片適配、開源生態(tài)，全齊了。

從「學(xué)會(huì)思考」到「學(xué)會(huì)干活」，從「改 Transformer」到「改算力底座」，五次撞車其實(shí)展現(xiàn)出來的，是中國(guó) AI 不再一味對(duì)標(biāo) OpenAI ，逐漸不再依賴英偉達(dá)，在開源上走出屬于自己的路。

撞車背后的必然

發(fā)布撞車的巧合固然有意思，但更值得關(guān)注的，其實(shí)是巧合背后的一些必然。

讓我們先回到 DeepSeek 架構(gòu)里的 Muon 。

楊植麟在 GTC 演講中講了一個(gè)技術(shù)困難：當(dāng) Kimi 把 Muon 擴(kuò)展到 1 萬(wàn)億參數(shù)時(shí)，訓(xùn)練不穩(wěn)定性成了攔路虎。最大 logits 爆炸超過 1000，正常值只有 50 到 100。

損失先降后炸，根本無法收斂。他們的解法是 QK-Clip，對(duì)每個(gè)注意力頭計(jì)算最大 logit 的裁剪值，把查詢和鍵限制在合理范圍內(nèi)。訓(xùn)練損失不受影響，但穩(wěn)定性問題消失了。

K2 模型用這套技術(shù)完成了訓(xùn)練，創(chuàng)下機(jī)器學(xué)習(xí)史上最大規(guī)模 Muon 訓(xùn)練的紀(jì)錄。

而 DeepSeek V4 的技術(shù)報(bào)告里，Muon 被直接寫進(jìn)了訓(xùn)練方案。大多數(shù)模塊用 Muon 加速收斂，嵌入層和預(yù)測(cè)頭仍用 AdamW，混合使用。這是對(duì) Kimi 底層創(chuàng)新的一次直接引用。

反過來，Kimi K2 的底層架構(gòu)采用了 DeepSeek-V3 提出的 MLA。Multi-head Latent Attention，通過壓縮 KV 緩存大幅降低推理成本，是 V3 最核心的架構(gòu)創(chuàng)新之一。

你的論文成了我的基礎(chǔ)設(shè)施，我的創(chuàng)新成了你的底座。 寫在引用列表里的互相成就。

在硅谷，你很難看到這種事。OpenAI 和 Anthropic 之間的技術(shù)是「護(hù)城河」，能藏則藏。但 Kimi 和 DeepSeek 之間長(zhǎng)出了一種更原始也更健康的關(guān)系：開源社區(qū)里的正向循環(huán)。

Kimi 和 DeepSeek 是中國(guó)首批開源萬(wàn)億參數(shù)模型的玩家，都相信 Scaling Law。技術(shù)路線上，DeepSeek 以推理模型見長(zhǎng)，Kimi 以 Agent 能力著稱。

底層架構(gòu)上，兩家都在挑戰(zhàn)同一批「古老」的基礎(chǔ)設(shè)施。Kimi 發(fā)了「注意力殘差」論文，DeepSeek 做了 mHC 殘差連接，都在改 ResNet 時(shí)代留下來的殘差連接方式。

在長(zhǎng)文本這條線，Kimi 探索線性注意力（Kimi Linear），DeepSeek 探索稀疏注意力（DSA），殊途同歸。

所以當(dāng)它們撞車時(shí)，與其說是巧合，不如說是對(duì)同一個(gè)方向的必然趨同。

用中國(guó)的芯片，跑中國(guó)的模型，對(duì)全世界開源

在 OpenRouter 上，Kimi 和 DeepSeek 穩(wěn)居中國(guó)模型調(diào)用量前兩名。

Cursor 接入了 Kimi，日本樂天 Rakuten AI 3.0 基于 DeepSeek 開發(fā)。被海外產(chǎn)品「套殼」這件事，放在兩年前是恥辱，現(xiàn)在是勛章。

Meta 新模型 Muse Spark 發(fā)布時(shí)，官方 Blog 做的對(duì)比基準(zhǔn)線里，Kimi 和 DeepSeek 跟 GPT-4、Claude 并排站著。英偉達(dá) GTC 上，黃仁勛用來展示芯片性能的中國(guó)模型就是這兩家。

海外認(rèn)可之外，更值得注意的是國(guó)產(chǎn)芯片這條線。H20 芯片已斷供一年，高端推理芯片短期內(nèi)只有國(guó)產(chǎn)一個(gè)選項(xiàng)。兩家公司同時(shí)在做同一件事：讓中國(guó)模型跑在中國(guó)芯片上。

上周黃仁勛在播客訪談里說了一句話：「如果當(dāng)初 DeepSeek 先在華為平臺(tái)上發(fā)布，那對(duì)我們來說非?？膳隆?/strong>」

今天，V4真的首發(fā)適配華為昇騰，工程團(tuán)隊(duì)把整個(gè)技術(shù)棧從 CUDA 遷移到了華為 CANN 框架，從算子庫(kù)到通信原語(yǔ)到內(nèi)存管理，V4 的混合注意力、MoE 專家并行、FP4 量化訓(xùn)練，幾乎每層從頭實(shí)現(xiàn)。寒武紀(jì)也在 Day 0 完成了 V4 全系列的 vLLM 推理適配，代碼已開源。

黃仁勛一語(yǔ)成讖。

而 Kimi 在國(guó)產(chǎn)芯片上走的路更早，也更深。為了給國(guó)產(chǎn)芯片「鋪路」，Kimi 在架構(gòu)創(chuàng)新上掏出了兩個(gè)殺手锏。

Kimi Linear 混合注意力架構(gòu)把線性注意力層與全注意力層以 7:1 配比混合，將 KV 緩存體積壓縮到極低水平。實(shí)測(cè)數(shù)據(jù)很直觀：32K 上下文下，混合架構(gòu)模型 KV 吞吐量?jī)H 4.66 Gbps，同規(guī)模稠密模型高達(dá) 59.93 Gbps。

KV 緩存?zhèn)鬏斝枨蟊粔旱搅似胀ㄒ蕴W(wǎng)可承載的范圍，RDMA 高速網(wǎng)絡(luò)從「必選項(xiàng)」變成了「可選項(xiàng)」。

在此基礎(chǔ)上，Kimi 聯(lián)合清華大學(xué)發(fā)布了 PrFaaS（預(yù)填充即服務(wù)）論文，把推理的 Prefill 階段和 Decode 階段徹底解耦，調(diào)度到不同異構(gòu)硬件集群上。實(shí)測(cè)吞吐量提升 54%，首詞延遲降低 64%。

這套方案打破了「大模型推理必須綁定同一種高端 GPU」的前提：算力強(qiáng)的國(guó)產(chǎn)卡做 Prefill，帶寬強(qiáng)的國(guó)產(chǎn)卡做 Decode，各司其職。

DeepSeek 用 V4 證明了國(guó)產(chǎn)芯片能跑萬(wàn)億參數(shù)的旗艦?zāi)Ｐ停琄imi 用架構(gòu)創(chuàng)新證明了國(guó)產(chǎn)芯片可以跑得好、跑得省。

一個(gè)從工程適配切入，一個(gè)從架構(gòu)設(shè)計(jì)切入，終點(diǎn)都是同一個(gè)：讓英偉達(dá)不再是唯一選項(xiàng)。

以前的國(guó)產(chǎn) AI 敘事是「用英偉達(dá)的卡，追 OpenAI 的模型」。現(xiàn)在這對(duì)雙子星同時(shí)在寫另一個(gè)劇本：用中國(guó)的芯片，跑中國(guó)的模型，服務(wù)全世界的開發(fā)者。

你的 MLA 是我的基礎(chǔ)，我的 Muon 是你的加速器

回看這一周AI 行業(yè)的瘋狂更新，我們已經(jīng)處在了一個(gè)新的轉(zhuǎn)折點(diǎn)。

同一周內(nèi)，兩個(gè)中國(guó)團(tuán)隊(duì)各自發(fā)布了萬(wàn)億參數(shù)級(jí)開源模型，性能逼近甚至持平美國(guó)頂級(jí)閉源模型。這在一年前是不可想象的。

當(dāng)閉源模型的價(jià)格是開源模型的 50 倍，開源陣營(yíng)每隔幾個(gè)月就推出一個(gè)新的萬(wàn)億參數(shù)選手，競(jìng)爭(zhēng)天平正在發(fā)生微妙的傾斜。

這不是「贏了」或「超越」這么簡(jiǎn)單的勝負(fù)之分。閉源模型在復(fù)雜推理和系統(tǒng)可靠性上仍然有明顯優(yōu)勢(shì)，Opus 4.6 的思考模式依然是 V4-Pro 追趕的目標(biāo)。但開源陣營(yíng)的速度、成本優(yōu)勢(shì)和生態(tài)覆蓋面，正在改變這場(chǎng)競(jìng)賽的規(guī)則本身。

除了這五次撞車發(fā)布，這兩家公司還有一個(gè)巧合。梁文鋒來自廣東湛江，楊植麟來自廣東汕頭。兩個(gè)廣東人，撐起全球開源 AI 半邊天。

梁文鋒像工程師哲學(xué)家，相信開源和底層創(chuàng)新，V4 發(fā)布公告結(jié)尾引的是荀子，「不誘于譽(yù)，不恐于誹，率道而行，端然正己?！?/p>

至于楊植麟在我看來像產(chǎn)品科學(xué)家，他認(rèn)為用戶體驗(yàn)和技術(shù)突破可以兼得，在 K2.6 發(fā)布時(shí)他提到了 Linux 之父 Linus Torvalds 那句「Talk is cheap. Show me the code.」

一個(gè)古典，一個(gè)極客。就是這兩個(gè)風(fēng)格迥異的創(chuàng)始人，一起定位了中國(guó)開源模型在世界坐標(biāo)系的位置。

你的 MLA 是我的基礎(chǔ)，我的 Muon 是你的加速器。這大概也是中國(guó)在能在短時(shí)間內(nèi)引領(lǐng)全球開源 AI 的重要原因之一。