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

月之暗面,豪赌下一代AI范式

编程导航
编程导航
2026-01-14 12:30
阅读 167
编程导航
2026-01-14 12:30
阅读 167

文 | 蓝媒汇,作者 | 封华,编辑 | 魏晓

在智谱、MiniMax先后上市的同时,同为大模型创业公司的月之暗面(Kimi)适时对外发声。

1月10日的AGI-Next前沿峰会上,很久没有公开露面的月之暗面创始人杨植麟,详细地分享了Kimi的技术路线重点,以及对下一代AI技术范式、Agent前景的思考。

“希望在接下来的十年、二十年的时间,继续把K4、K5到K100做得更好。”

面对下一代通用人工智能往哪走的问题,杨植麟孤注一掷,要抢夺下一代AI技术范式的船票。

但与此同时,其C端的AI应用助手Kimi却经历着掉队的风险。

Kimi曾有过高光时刻,凭借长文本能力,最高峰时单月投放超亿元,拿到了最早的市场红利。

然而随着DeepSeek、豆包的冲击,Kimi的月活相比去年已然大幅下滑。月之暗面不得不做出取舍,把资源集中投入到大模型底层技术上。

代价则是算力投入高、周期也更长,而且从大模型霸榜历史上看,各家大模型“各领风骚三两月”,技术的先进性并无法长久保持。

对于尚未背靠大厂生态的月之暗面来说,保持技术领先固然重要,但也同样需要找到一条更清晰的商业落地与资本路径。

抢夺下一代技术范式的船票

同为“大模型六小龙”,各家的发展理念与技术路线,已然开始分化。

在智谱、MiniMax上市的同时,月之暗面杨植麟却在内部信中称“不急于上市”。他的理由很豪横,刚完成的5亿美元C轮融资,相当于友商IPO的融资规模。“我们有超过100亿人民币的现金储备。”在通往AGI的征途上,粮草充足。而在一级市场就能受到如此追捧,正说明了市场对月之暗面的认可度之高。

不过,友商也有不同看法。

智谱创始人张鹏在接受张小珺专访时说道:“从资本市场的角度,你在一级市场都算没有离开学校,还是在学习、培养、成长的阶段。到二级市场之后,是更接近市场的阶段。”

全联并购公会信用管理委员会专家安光勇向AI蓝媒汇表示:“月之暗面的选择,能够避开二级市场对短期盈利能力的严苛审视,专注于长周期研发,避免被资本市场的恐慌情绪左右决策。”

当然,无论上不上市,技术的演进和产品体验的提升,才是决定生存到最后的根本。

1月10日的AGI-Next前沿峰会上,智谱唐杰、月之暗面杨植麟、阿里Qwen林俊旸和腾讯首席AI科学家姚顺雨讨论一个焦点问题:下一代人工智能,还能往哪走?

共识是,Scaling(指提高模型的规模)虽仍有价值,但当算力、数据和成本的投入不断放大,智能提升的增量却持续变小。效率降低的同时,自主学习被认为是下一阶段的技术范式。

问题是,在这个技术路线接棒的过程中,中国大模型厂商有没有可能成为引领者?

无论是月之暗面、智谱,还是其他行业竞逐者,当然希望自己能够率先突围。

从杨植麟的表述中,月之暗面几乎将所有核心工作都压在Token效率上,即用更少的Token,做到更低的Loss(损耗)。在Kimi K2模型中,他们尝试通过提升Token efficiency(效率),使模型“用一半数据达到相同效果”。

同时,效率优化要与长上下文能力被同时优化,前者决定单位Token的价值,后者则决定模型能否承担真实世界中的长程任务。两者叠加,杨植麟相信能在模型训练策略上达到最优的Agent效果。

简单来说,杨植麟的目标,就是抢到下一代技术范式的优先票,保持在技术上的领先优势。谁能在有限算力与数据条件下,更高效地“消耗Token”,谁就更有可能在下一阶段的模型竞争中占据主动。

这一战略,延续了月之暗面2025年以来的策略。

过去一年,月之暗面的主要任务,就是ALL in模型能力和Agent,到目前已取得了不小的成绩。

Kimi K2模型在基准测试中超越GPT-5、Sonnet 4.5等顶尖闭源模型,刷新SOTA,支持长链路、多步骤任务执行,为用户提供深度生产力场景能力。 

同时,推出Agent模式OK Computer,目前已经支持包括图片生成、音频生成在内的20多种工具,提供写代码、设计、产品定义、后续开发等服务。

带来的结果是,Kimi的Web端流量,从2025年6月开始反弹,访问量环比增长30%,9-11月,Kimi的海外API收入增长4倍。 

模型能力的增长,让月之暗面更有底气走自己的路,但这条路,仍是任重道远。

智谱唐杰对技术长跑保持着清醒:“尽管中国开源模型在2025年席卷了各大榜单,前五名几乎被中国模型包揽,但与顶尖闭源模型的实际差距可能并没有想象中那么小。只有去探索那些未知的Scaling范式,才能真正缩小这一差距。”

无论是杨植麟,还是唐杰,都在抢夺下一代技术范式的船票。在差异化的道路上摸索前进,也是一种押注,一旦赌输了,就有可能彻底出局。

AI也“拼爹”,月之暗面胜算几何?

对于月之暗面来说,即使坚持自己的技术路线,创业历程也注定艰辛。

Minimax创始人闫俊杰曾说:“留给领先模型的优势窗口期越来越短,最先进的闭源模型只能比同性能的开源模型领先6个月。”

当所有AI模型巨头都手握巨量的训练算力,最强的大模型永远是最新发布的大模型,大家轮流做第一。

Kimi的领先优势,能够保持多久,还真不好说。

重庆理工大学发规处高教室主任王文涛认为:“月之暗面的策略是典型的‘长线豪赌’,其成功与否取决于三点:一是能否在2-3年内实现技术里程碑;二是能否在垂直领域建立不可替代性;三是资本市场的耐心是否与其研发周期匹配。在当前行业分水岭阶段,这一选择既是机遇也是高风险博弈。”

而月之暗面这样的独立大模型公司来说,即使有相对充足的现金储备,但还是需要尽快建立健康的商业模式,带来更持续的收入和更高的利润率,这是实现长久发展的必要条件。

前不久,李彦宏在接受《时代》采访时,再次指出应用层的重要性:“AI应用层是价值创造的核心,其创造的价值可能达到芯片层的100倍。”“未来,只会存在少数通用大模型,但应用层在垂直方向上会涌现出众多成功参与者。”

这个看法已经构成一个信号——AI行业正在从技术叙事,转向结果叙事。

不过,与大厂相比,月之暗面既无庞大的自有流量池可供导流,也缺乏成熟业务场景。在B端市场漫长的回款周期以及低毛利下,面向终端用户的订阅制,原本是个不错的选择。

但在这方面,Kimi已然有所落后。

早在2023年10月,Kimi便推出C端产品Kimi助手,投流最激进时,最高峰时单月投放超亿元,拿到了最早的市场红利。

但在大厂迅猛反扑之下,C端AI助手这个领域竞争愈加激烈激烈了,豆包、通义、文心……等等,大厂都在布局,不仅基本免费,而且还在大力投流推广,DAU(日活跃用户数)和MAU(月活跃用户数)逐步拉高,将Kimi远远甩在身后。

而Kimi在2025年减少投流后,月活下降明显。据QuestMobile 2025年周活跃用户规模TOP10 AI原生App榜单上,Kimi以450万的周活跃仅排在第7位,豆包周活跃数是其34倍。

知名AI产业观察家、科方得咨询机构负责人张新原向AI蓝媒汇分析:“Kimi的优势在于深度文本理解和分析,适合研究、文档处理等专业场景;不足在于功能相对单一,缺乏视觉、语音等交互方式。未来需在保持核心优势的同时,拓展应用场景以提升竞争力。”

在“AI也拼爹”的时代,Kimi显得力不从心。暂时放弃开拓C端市场,押注技术路线,是月之暗面在资源有限的情况下做出的取舍。大厂则不需要如此孤注一掷,可以投入更多的钱开启战线。

据“晚点LatePost”总结,2025年,百度在AI上的资本开支计划在300至500亿元;腾讯则在700至1000亿元;阿里投入了1200亿元;字节则投入了1600亿元。大厂们在底层算力、自研模型到超级应用上,都花了大力气。

甚至得出结论:中国AI的战局,有可能是变成“阿里系”和“字节系”的竞争。

月之暗面等大模型创业公司在大厂的夹缝中,或许早晚要从技术信仰的幻梦中清醒,直面残酷的生存挑战。

对于他们来说,挑战才刚刚开始。

原文链接: 月之暗面,豪赌下一代AI范式
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
墨得问题墨得问题
🔥 热门文章
1
离谱,DeepSeek 崩了 5 小时,大家却喊:梁圣恩情还不完??
450
2
B 站上 DeepSeek 闹鱼灾了,我发起《大肥鱼清除计划》!
410
3
DeepSeek 全新模型发布,性价比最高的一集!
400
4
自己学习ai,直接买cursor 的套餐,还是买gpt 或者claude 的套餐?
370
5
又一个国产版 Codex 神器,也来卷办公了!
340
6
Vibe Coding 实战:从零构建现代专业级 AI 搜索引擎
330
7
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。
320
8
我的第一个出海产品!7 天 2 万
310
9
WorkBuddy 本地 API 桥 + dsh 插件:把你的 WorkBuddy 额度,变成手边随手可用的模型
310
10
什么是LLM
300
11
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!
260
12
PHP 被曝两大致命漏洞,请所有程序员抓紧做这件事!
260