这才是我想在国行 iPhone 上看到的 AI

主要观点总结

本文介绍了Kimi推出的视觉思考模型k1，它结合了强化学习和推理能力，具有应对复杂任务的能力。文章详细描述了k1的特性和优势，并通过实际应用场景展示了其强大的性能。k1不仅能处理数学、几何问题，还能辅助会议笔记整理、法律合同审阅，甚至识别食物热量和推理照片拍摄技术。文章展望了AI技术的未来发展方向，并鼓励读者亲身体验k1的性能。

关键观点总结

关键观点1: Kimi推出的视觉思考模型k1结合了强化学习和推理能力，突破了传统大模型的局限。

k1通过强化学习在实践中精益求精，不断优化表现。它具备推理能力，面对复杂问题时能分析问题、探索解决方案，并验证和反思，逐步推导出最终答案。

关键观点2: k1在实际应用场景中表现出强大的性能。

k1不仅能处理数学、几何问题，还能辅助会议笔记整理、法律合同审阅，甚至识别食物热量和推理照片拍摄技术。它的实用性和通用性得到了充分体现。

关键观点3: k1将大模型的「黑箱」变为清晰的思维过程。

k1能够完整、详细地展示推理步骤，让用户「知其然，更知其所以然」。这一特点使得k1更加透明和友好，提升了用户的使用体验。

正文

请到「今天看啥」查看全文

然而，人们近来越发意识到，基于规模法则的发展正在遇到瓶颈。 这是由大模型广泛采用的「预训练」技术原理决定的。在预训练中，模型无监督地吸收海量训练数据，以此来掌握语言结构、模式规律和时事常识等基础能力。因此，一旦训练数据日渐稀缺，预训练模式必然面临挑战。事实上，正如本月的《自然》杂志刊文指出，「AI 进化即将用尽数据」：一方面，内容方出于法律、经济方面的各种考虑，不断收紧对自家平台数据的访问权限；另一方面， 可用于训练的的互联网内容增长速度比想象中要慢。

可见，单纯依赖规模扩张的道路，在当下已经难以支撑大模型的持续进步。

在国产大模型中，Kimi 一直在性能、创新速度和易用性方面有很好的口碑。例如，今年早些时候，少数派就 报道 过 Kimi 在国产模型中率先支持 200 万字的超长上下文，大大扩充了使用场景。 而在本周推出的视觉思考模型 k1，就可以看作是 Kimi 应对上述挑战，从「强化学习」和「推理能力」两个角度打磨的成果。

如何理解 k1 的这两项重要特征呢？ 如果说预训练是打基础，强化学习就是在实践中精益求精的过程 ：在这个阶段，模型尝试执行各种特定任务，并根据表现获得打分，在这种奖惩机制的激励下不断改进表现。据 Kimi 官方表示，k1 的训练分为两个阶段：首先通过预训练得到基础模型，随后在此基础上开展强化学习后训练，并且特别优化了数据质量和学习效率，并且实现了强化学习的「规模化」。

而 k1 的推理能力则体现在面对复杂问题时，不是一步给出答案，而是分析问题、探索可能的解决方案，并验证和反思，一步步推导出最终答案。 例如，在处理复杂计算题时，模型不只是给出最后数字，而是依次写下解题过程的每一步公式，并不断检查中间结果，同时思考其他可行路径。显然，这有助于获得更精确、全面的结果。

根据官方公布的信息，在包含数学、物理、化学等学科的多个基准测试中，初代 k1 模型的表现已经超越了目前全球的标杆模型 OpenAI o1、GPT-4o 以及 Claude 3.5 Sonnet。

这无是非常令人期待的。那么，Kimi k1 模型在这些能力加成下的实际表现如何？在「做题」之外，新的推理和视觉能力对日常场景下的使用体验又能带来哪些提升？下面，让我们通过一系列实际应用场景，测试 Kimi k1 的各项能力，一起来验证。

请到「今天看啥」查看全文