鱼皮AI导航
鱼皮AI导航
  • 主页
  • 社区
  • AI工具
  • AI知识库
  • AI提示词
  • MCP
  • Skills
  • AI学习资源
  • AI资讯
  • GitHub开源
登录/注册

还是王慧文有眼光,Kimi又融了35亿

编程导航
编程导航
2026-01-01 23:50
阅读 231
编程导航
2026-01-01 23:50
阅读 231

文 | 字母榜,作者 | 李炤锋,编辑 | 王靖

2025年的最后几周,随着AI“六小龙”中,智谱与MiniMax相继把目光投向港股、公开释放上市信号,“是否该尽快IPO”,几乎成了所有AI创业公司绕不开的议题。

但在总部位于北京知春路的月之暗面Kimi,创始人杨植麟想给出一个不一样的答案。

2025年的最后一天,杨植麟发出了一封内部信。信中,他回顾了月之暗面过去一年的业务进展,也顺势把目光投向更长的未来。从模型层面的“K3还要继续scaling”,写到Kimi最初的起点,“其实非常简单,只是单纯的好奇,好奇AGI的上限究竟在哪里”。

在这封信的末尾,杨植麟提到,公司刚刚完成了一轮5亿美元规模、且大幅超募的C轮融资,账面现金已超过100亿元人民币。针对业内关于IPO的传闻,他明确表示:短期不着急上市。

几乎在同一时间,这笔C轮融资的背景被进一步证实,阿里、腾讯、美团联合创始人王慧文等投资方均超额认购,投后估值43亿美元。目前,王慧文已经累计投资月之暗面7000万美元。

2025年,随着Kimi 的Agent模式在9月上线,月之暗面确认其全球付费用户数自上线后实现月增速约170%,并推动海外大模型API收入在11月以来增长约4倍;这些商业化进展标志着,K2系列大模型的Agent能力在企业与专业用户的实际工作流中,开始转化为可持续收入。

透过这封内部信,杨植麟想传递的信息并不复杂:当一级市场仍在持续给出真金白银的认可时,IPO并不是必须尽快抵达的终点。

走进2026年,在现金流充裕、资本信心进一步加持的前提下,月之暗面想要跑在自己的节奏里。

01 “熟面孔”跟投背后,是资本的长期信心

在中国大模型创业公司中,月之暗面的融资路径显得并不“喧闹”。从C轮投资回头看,不难发现这样一个特征:“熟面孔”一直在,并且持续加投。这些“熟面孔”的大都是业内知名的机构/企业,不乏阿里、腾讯还有高榕资本这样的“顶流”。

2024年初,月之暗面获得了包括阿里巴巴领投的10亿美元B轮融资。年中,腾讯也成为其股东。而在刚刚公布的最新一轮5亿美元融资中,阿里、腾讯等老股东的“超额认购”,凸显了资本市场对这家AI独角兽持续的热情。

这样稳定“连续加码”的融资结构背后,是投资方对月之暗面长期技术路线的一致性判定。

从2024年开始,月之暗面反复对外强调长上下文能力;进入2025年,大模型行业整体节奏加快,一些AI创业公司在不同方向之间频繁切换。但月之暗面并没有改变重心,而是选择把工程资源持续投向提升模型底层能力上。

9月,Kimi在聊天对话模式依然免费的基础上,推出了面向算力密集型Agent任务的会员服务。官方页面显示,会员订阅分为49、99、199元三档,对应更高额度的深度研究、通用Agent任务(OK Computer)和PPT使用次数。

不难发现,月之暗面的商业化结构在过去一年中逐步清晰,一方面是应用层面的稳步迭代,也得益于顶尖模型能力的持续加持。

2025年,是中国大模型生态加速的关键一年。在同一时间段内,国内头部大模型公司在模型性能、开源策略、商业化路径等方面展开了激烈竞争。

7月,月之暗面开源KimiK2,一些公开报道披露,KimiK2在代码理解与Agent执行能力方面表现出色,部分领域甚至“超过主流开源模型”,并具备更复杂任务分解的能力。

“自Claude Sonnet之后,它是第一款让我在生产环境中使用时感到放心的模型。”前Anthropic AI工程师、MagicPath创始人Pietro Schirano这样评价Kimi K2。

去年11月发布的开源模型Kimi K2 Thinking,一经发布就展现出极强的综合智能体能力:在推理与搜索基准(HLE、BrowseComp)中取得高于GPT-5系列的成绩。Artificial Analysis在榜单中将K2 Thinking列入开源权重模型第一梯队,排名领先多款海外主流模型。

在Artificial Analysis的独立基准测试中,Kimi K2 Thinking的评测得分(66.98)超过了业内知名模型Grok4和Claude Sonnet 4.5。

在基模领域的持续领先,无疑是投资人长线看好月之暗面的重要原因之一。

在跟投名单中,美团联合创始人王慧文的名字再一次出现,据了解,他已经累计投资月之暗面7000万美元。在美团时期,王慧文以敢于开拓新业务场景著称,强调长期投入而不是只看短期盈利指标。

2018年,王慧文曾在接受专访时表示:“很多人就是自我设限,导致最后没有达成原本能达成的成就。”

这句话,或许也能解释他此后持续看好月之暗面的原因。

相较于那些押注“短期用户增长爆发”的项目,月之暗面选择了一条长线的路径——专注于模型能力与技术体系的持续积累上。

也正因如此,IPO,似乎并不是月之暗面当下最紧迫的选择。

02 去不去IPO,月之暗面,想有自己的主动权

关于IPO,杨植麟在内部信中给出了一个直接的回应。他表示,公司当前现金持有量超过100亿元人民币,“相比于二级市场,我们判断还可以从一级市场募集更大量资金”。

“我们B/C轮融资金额,就超过绝大部分IPO募资及上市公司的定向增发。”杨植麟在信中这样说道。

“不差钱”背后一方面是融资充裕,一方面是商业化能力的不断进化。内部信披露的另一组数字,印证了这一判断。

2025年9–11月,月之暗面海外和国内付费用户数平均MoM增长超过170%;同一时期,随着K2Thinking的发布,海外API收入增长约4倍。这些数据表明,Kimi系列模型能力的提升,已经到了可以转化成付费的初步节点。

对于投资者而言,API收入的关键不在于绝对规模,而在于是否能随着模型代际升级同步放大。

月之暗面在数月时间中展现的商业化增长潜力,无疑让新老股东对业务的长线发展有了更坚定的预期。

另一方面,和二级市场不同,一级市场往往对公司的成长性给予更宽容的时间预期。而在大模型研发中,时间本身就是最宝贵的稀缺资源。

尤其是在AI创业团队中,算力采购、模型训练与工程团队稳定性高度耦合,一旦训练节奏被外部节点打断,重新组织的成本往往高于融资成本本身。

也正是如此,内部信中,杨植麟明确提到,新增融资将主要用于扩增显卡规模、推进K3研发,并同步安排员工激励与期权回购计划。

显然,短期内不考虑IPO,反而让月之暗面的业务规划更加聚焦。

而在全球范围内,不少头部AI公司同样并未急于进入二级市场。

例如OpenAI,长期通过一级市场融资支持模型与算力扩张;DeepSeek亦选择在产品与模型节奏成熟前,保持私有化状态。大模型是一场考验耐心和技术长期迭代的持久战,二级市场固然能提供大量资金,但要面对的未知影响因素也更多。

《金融时报》在此前的报道中以OpenAI为例提到,为覆盖算力与训练带来的超大规模支出,头部模型公司正通过继续融资与债务/合作等方式筹钱,并为未来可能的上市铺路,而非急于登陆公开市场。

事实上,早在2023年,OpenAICEO奥特曼就曾公开表示,OpenAI“短期没有上市计划”,并提到其结构与使命会让一些传统投资者感到“感到陌生“。

显然,月之暗面的选择,也可以带入奥特曼这一语境下,不着急踏入IPO,并不是有意回避资本市场,而是对自身节奏的一种内部判断。

“2026年Kimi会成为一个“与众不同”和“不被定义”的LLM。”在内部信中,杨植麟如是说道。

原文链接: 还是王慧文有眼光,Kimi又融了35亿
站长:程序员鱼皮 老鱼简历 商务合作 增值电信业务经营许可证
2026 鱼皮AI导航 | 沪ICP备19026706号-6
🔥热门工具
朱雀AI检测朱雀AI检测
朱雀AI检测助手朱雀AI检测助手
LovartLovart
老鱼简历老鱼简历
WritePass官网WritePass官网
面多多面多多
CursorCursor
星月写作星月写作
零感AI零感AI
朱雀AI检测助手朱雀AI检测助手
🔥 热门文章
1
B 站上 DeepSeek 闹鱼灾了,我发起《大肥鱼清除计划》!
480
2
Vibe Coding 实战:从零构建现代专业级 AI 搜索引擎
430
3
我的第一个出海产品!7 天 2 万
370
4
又一个国产版 Codex 神器,也来卷办公了!
370
5
day3-如何写出一个高质量的 Skill(组内分享) 高质量 Skill 不是“一个调得很顺的巨型 Prompt”,而是一个可验证、可回归、可维护的能力包。 先定义“什么算好”,再实现“怎么做好”。评估体系先于 Skill 本身成型。 下面用“故障诊断 Markdown 转 YAML”作为例子,但方法是通用的。 --- 一、先想清楚:Skill 到底是什么 一个 Skill 至少包含四部分: 部分 作用 接口 输入什么、输出什么、边界在哪 流程 分几步做,每步的产物是什么 规则 硬约束、经验规则、失败模式 降级策略 不确定时怎么办,而不是硬编一个看似合理的结果 高质量 Skill 的共同点:职责单一、接口清晰、规则可定位、输出可验证。 反例:把几十条经验全塞进一个主 Prompt,改一条规则要重调整个 Prompt,评估时也不知道是哪条规则退化。 --- 二、核心方法:先建评估,再写 Skill 不要先写转换器再补测试。正确顺序是: 1. 定义输出契约:什么算合法、什么算合格; 2. 建金标准集:一小批人工认可“可放行”的样本; 3. 先写评估 Skill:让它在金标准集上跑出基线; 4. 再迭代生成 Skill:每次修改跑同一套评估,无退化且目标维度提升才算正向。 这就是评估驱动开发:评估是 Skill 的单元测试,金标准集是回归锚点。 --- 三、评估 Skill:三层门禁,逐层递进 前一层不过,后一层不跑。每层留可追溯证据。 第 1 层:确定性硬门禁 用解析器、Schema、校验器完成,不消耗模型成本。 · 输出可解析; · 必填字段齐全,类型/枚举合法; · 引用目标存在,无悬空引用、无不可达节点; · 关键路径至少有一条能到达预期出口。 不通过直接打回。 第 2 层:语义断言 用脚本 + 结构遍历检查“逻辑对不对”,仍然保持确定性。 通用检查项: · 覆盖率:源材料里的关键步骤、分支、条件,输出里是否都有对应? · 完整性:每个判断节点是否都有明确出口?有没有死胡同? · 可达性:每条路径是否都能到达预期终点?有没有无出口循环? · 顺序与依赖:有先后依赖的操作,是否保留了顺序?有没有被拍平成无序列表? 例子:故障诊断转换中,检查“每个判断项是否有是/否/异常出口”“每条路径是否能到根因”。 第 3 层:LLM-as-Judge 只处理解析器表达不了的维度:忠实度、完整性、可执行性。 但 Judge 会漂移,不能单独放行,必须建立在第 1、2 层之上。Judge 的 Prompt、rubric、模型版本都要版本化,换模型必须用金标准集重新校准。 通用 Judge 维度: 维度 问什么 忠实度 输出是否忠实源材料意图?有没有自行发明内容? 完整性 关键步骤、条件、证据是否保留?隐式知识有没有被压成空话? 收敛性 输出是否仍指向原目标,而不是发散? 可执行性 下游不依赖源材料能否直接使用? --- 四、金标准集:回归测试的锚点 不需要一开始就标注几百份。用已认可的样本当种子,扩到 15~30 份,覆盖失败模式而非随机抽样: · 完整正例:典型流程; · 边界/异常分支:异常路径、循环、前置失败回退; · 已知易错模式:实际踩过的坑; · 留出集:不参与调优,只用于最终验收,防过拟合。 金标准不需要完美,只需要当前标准下认可可放行。 回归指标:关键路径用 pass^k(k 次全过),稳定性用 pass@k。 --- 五、工程约束:让批量产出可重放 · 幂等:同输入 + 同 Skill 版本 + 同规则 → 输出一致,否则无法判断变好是 Skill 改了还是随机波动; · 隔离不阻断:单份失败进隔离队列,记录失败层和原因,不阻塞其余; · 版本绑定:规则、rubric、金标准集进 Git;每份报告绑定“源版本 + 生成 Skill 版本 + 评估 Skill 版本 + Judge 模型版本”; · 抽样人工复核:Judge 临界样本 + 易错模式,人工抽检结果反过来校准 rubric。 --- 六、Skill 本身怎么写 · SKILL.md 控制篇幅,写清:输入约定、输出契约、分步流程、硬规则、降级策略; · 经验规则放 references/ 或 rules/,按失败模式分类,不要全塞进主 Prompt; · 不确定时标 needs_review: true,不要硬编看似合理的结果; · 迭代由评估报告驱动:报告告诉你哪层挂了、哪类失败模式,你改对应规则文件,而不是漫无目的调 Prompt。 --- 七、落地顺序(不要反过来) 1. 固化输出契约:Schema + 结构约束; 2. 建金标准集:从已认可的 + 最易出错的样本开始; 3. 先写评估 Skill:跑出基线报告; 4. 再迭代生成 Skill:每次修改对比逐项通过率,无退化且目标提升才算正向; 5. 批量运行 + 隔离回放:失败进队列,结束后人工抽检; 6. 评估 Skill 自身版本化:换 Judge 模型必须重新校准。 --- 八、给组员的三条硬要求 1. 不许凭感觉说“变好了”:每次修改必须附评估报告对比,逐项通过率说话。 2. 不许跳过确定性门禁直接看 Judge 分数:前两层挂了,Judge 分数没有意义。 3. 不许把规则堆进主 Prompt:规则按失败模式分文件,评估报告要能定位到具体文件。 --- 一句话收尾 生成 Skill 决定“能不能做”,评估 Skill 决定“敢不敢用”。 先让评估体系站稳,再让生成器迭代。这样交付的不是一堆“看起来还行”的产出,而是一套可证明、可回归、可交接的 Skill 质量体系。
340
6
DeepSeek 重磅开源的超级 Agent,到底是个啥?
330
7
最近在落地 AI Native 项目,卡在团队资产协同这块,想请教下社区各位有实际落地经验的同学: 我们现在的资产分为三块:项目文档(PRD/ADR/ 运行手册)、Agent Skill(业务技能、执行 SOP、提示词包)、MCP 工具服务定义。 目标是做到:人和多 Agent 共用一套可信资料源,Skill、MCP 配置、项目文档能够版本化、同步、共享、可评审。 目前我们初步方案是用 Git 做底层版本主线: - 文档:Markdown + ADR,带元信息,支持 RAG 检索 - Skill:单技能包目录化,带版本、评估用例、依赖声明 - MCP:项目级声明文件纳入 Git 但实际协作里遇到不少疑问,想参考大家成熟的实践: 1. 大家团队里,文档、Skill、MCP 三者是怎么组织目录和版本管理的?有没有稳定的仓库结构模板? 2. 多人协作时,Skill 的变更评审、灰度升级、依赖管理怎么做?如何避免本地版本不一致、“本地能跑别人不行”? 3. MCP 是统一中心化网关模式,还是大家各自本地启动 + git 同步配置?权限白名单、调用审计这块有什么好方案? 4. 有没有成熟工具链做自动同步(类似 agentmeld /teamai-cli)、变更校验、eval 回归门禁? 5. 文档和 Agent 的打通:哪些文档放进 Git 作为可信真值,哪些放外部知识库,边界怎么划分? 如果有现成的仓库样例、目录规范、团队协作流程,非常希望能分享参考,感谢!
280
8
PHP 被曝两大致命漏洞,请所有程序员抓紧做这件事!
280
9
人工智能前沿部署工程师(FDE) · 概 览 与 方 法 论
270
10
QuireKit 编辑器的 AI-Native 是如何设计的?谈谈我对真正 AI-Native 的理解
250
11
告别“金鱼记忆”:我开发了一款能当“第二大脑”的浏览器 AI 助手
250
12
ARTS 1101: 最长回文串与子序列匹配、一次 URL 请求的来回之旅与如何验证 AI 的交付
230