梁文鋒和楊植麟，第四次撞車

二人為何都瞄準了視覺理解？

文｜《中國企業(yè)家》見習記者 孫欣

記者 王怡潔

見習編輯｜李原編輯｜何伊凡

頭圖來源｜視覺中國

這已經是2025年以來的第4次，DeepSeek創(chuàng)始人梁文鋒和月之暗面創(chuàng)始人楊植麟在技術路線上精準“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，都被封裝進了同一個模型中。

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

無獨有偶，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”機制，不再需要按照固定順序掃描圖片，而是能像人一樣，根據圖像內容的語義和邏輯，動態(tài)調整閱讀順序。

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

四次“撞車”

實際上，梁文鋒和楊植麟模型產品、論文總是選擇同期發(fā)布，并非因為“內卷”。拆解二人的成果會發(fā)現，他們在關鍵技術路線上“和而不同”的創(chuàng)新，背后是對大模型和產業(yè)痛點的相似判斷。

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“基于結果獎勵的強化學習”路線。

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

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，通過分層壓縮、關鍵令牌選擇與滑動窗口結合的策略，大幅降低了長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，并與NSA選擇了不同的優(yōu)化路徑——基于專家混合（MoE）原理，通過分塊處理與動態(tài)門控機制，讓模型自主實現全注意力與稀疏注意力的切換。

只不過，NSA更側重硬件層面的優(yōu)化，MoBA則傾向于在Transformer框架內做靈活創(chuàng)新。雖路徑不同，但二人的核心目標一致：解決效率瓶頸，讓模型在復雜任務中更具實用性。

2025年4月，DeepSeek發(fā)布數學推理模型DeepSeek-Prover-V2。通過子目標分解的強化學習推進定理證明，讓模型能夠“自驗證”推理過程的合理性，幾乎同期，月之暗面也上線了數學推理專項模型，同樣采用了“自驗證”核心方式，大幅提升了定理證明的穩(wěn)定性與準確性。

來源：AI生成

這一次“撞車”源于，彼時AI深度推理還是行業(yè)的技術難點。而數學推理作為核心場景，直接關系到大模型在科研、金融、工程等領域的落地能力，二人同時聚焦這一方向，背后是對驗證AI落地價值的一致探索。

而最近的一次同臺競技，DeepSeek的OCR-2和月之暗面的K2.5又不約而同地瞄準了視覺理解。這一次同樣絕非巧合。

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

結合2025年7月SuperCLUE發(fā)布的多模態(tài)測評報告，或可找到二人攻堅視覺語言模型的答案。

報告指出，視覺語言模型正普遍面臨三大痛點：1.專業(yè)領域知識欠缺，特別是在醫(yī)療影像分析、工業(yè)應用等專業(yè)領域得分較低。2.復雜場景適應不足，在自動駕駛、空間推理等任務中表現較差。3.多模態(tài)融合深度不夠，圖文不一致情況下，判斷準確率不足65%。

由此可見，視覺理解是大模型從“語言交互”走向“全場景交互”的必經之路，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聚焦這一領域，源于對行業(yè)痛點的相似洞察——誰能率先突破，就能在多模態(tài)商業(yè)化競爭中占據主動。

如何翻越視覺理解高山？

實際上，在大語言模型層面，國內模型正在與海外模型日益拉近距離。但業(yè)內人士對《中國企業(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，國內大模型則還處于追趕和“補課”階段。

例如，數月前網絡上曾讓大模型做識別車型的測試。特斯拉被車主自貼了一個小米標志，不少大模型將其認錯。“這說明綜合視覺信息，當前對多模態(tài)模型依舊有困難。”前述人士說。

此次發(fā)布中，楊植麟在視頻中演示了一段視頻，K2.5通過識別圖片或者視頻，復刻出一個網址的功能。此前國內大模型更多需要借助語言、指令來實現。“需要精確地告訴模型，左上角是個按鈕，需求都要用指令來描述。”

“一圖勝千言。”科技博主海拉魯對《中國企業(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。團隊讓原生的多模態(tài)架構設計與大規(guī)模視覺文本進行聯合預訓練，采用了約15萬億個Token持續(xù)訓練。在這個基礎底座之上，構建Visual Agentic Intelligence（視覺智能體智能）系統(tǒng)。簡而言之，K2.5從視覺理解編碼入手，分解Agent任務，增強Coding能力。

接近月之暗面的人士告訴《中國企業(yè)家》，訓練中最現實的困難在于多模態(tài)數據的匱乏，以及對數據的處理。“普通人每天拍的照片對模型來說沒什么用。需要高質量的數據，才能讓模型學到東西。像維基百科，也只是中等質量的數據。”

此外，月之暗面在K2.5中也再次堅持了對“技術品味”的追求，“如果你希望模型更加浪漫，精通軟件的UI界面、美學設計，你該給它匹配什么樣的數據，這都需要對世界有更多審美認知。”前述人士說。

來源：官網截圖

1月29日凌晨，月之暗面團隊在Reddit上回答了網友問題，楊植麟表示：“模型的核心在于品味，因為智能本身是非同質化的（non-fungible）。”

海拉魯評價道，Kimi是國內編程不錯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。

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

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

傳統(tǒng)的視覺語言模型（VLM）在掃描圖片時，通常是固定地從左到右、從上到下。但人類在理解圖片時，會代入自身的語義順序和取舍，如先看標題，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。

從這個維度上看，DeepSeek和月之暗面雖然都在補齊視覺理解的短板，但二者的創(chuàng)新點發(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；而DeepSeek更側重追溯到技術源頭，進行創(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)內人士的稱道。

徐再世在做大語言模型預訓練的工作，他看到，Anthropic的Claude Opus在編程場景上表現突出，一個原因就是它很擅長通過工具調用來執(zhí)行任務。但很多語言模型在工具調用中，出錯概率很高。而K2.5引入的Agent Swarm（智能體集群）架構，從單一Agent進化到Agent集群，意味著模型能力的關鍵提升。

在楊植麟對Agent集群的介紹中，K2.5不再是一個單打獨斗包攬一切的智能體，而是一支即時組建的“智能體團隊”。即當任務下達時，主Agent能夠生出上百個“子Agent”，由主Agent支配。相較于單智能體模式，其任務執(zhí)行效率提升最高達4.5倍。

月暗團隊演示了一段視頻，他們給Kimi Agent集群投喂了40篇關于心理學和AI的論文。K2.5先是通過多次調用工具，按順序把論文通讀一遍；隨后，其衍生出數個子Agent負責不同章節(jié)撰寫。最后，成果由主Agent負責把關驗收，將所有內容匯總成一份長達幾十頁的PDF綜述。

來源：AI生成

要實現上百個Agent并發(fā)運行并非易事，平衡調度器便是一大難點：在訓練初期，子Agent可能會因協同失敗而放棄并行策略。而月暗團隊采用了PARL (并行智能體強化學習) 的訓練方法，團隊通過分階段獎勵，引導模型建立穩(wěn)定偏好。

此外，當100個Agent同時工作，通信、算力都將產生巨大負載，Agent之間可能會信息復讀、相互干擾，效率可能會低于單體模型。團隊需要讓模型學習如何自主通信，并動態(tài)調整智能體數量和資源分配。

據《中國企業(yè)家》了解，K2.5整個Agent集群由K2.5模型全自動創(chuàng)建與協調，用戶無需對子智能體或工作流進行預先定義。即便某個子智能體失敗，主Agent也能迅速感知并重新調度。

徐再世解釋道，無需預定義意味著K2.5的Agent集群是動態(tài)分工，模型自己會決定這個任務需要什么角色，自動創(chuàng)建子Agent并行工作。

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

“從K2開始，月暗團隊每一步都走得很扎實穩(wěn)重。”雖然徐再世認為，月暗的產品形態(tài)還需要時間打磨。但從長遠來看，Agent集群技術的突破有著重大價值。“這意味著未來的智能體將無需人工設計工作流，真正實現人力的解放。”