DeepSeek 卡顿别烦恼，Kimi k1.5 来 “救场”

在人工智能领域持续高速发展的当下，多模态模型凭借其强大的综合能力，成为了众多科研人员和爱好者关注的焦点。其中，Moonshot AI推出的Kimi k1.5多模态推理模型，更是以其卓越的性能和独特的优势，在竞争激烈的AI市场中崭露头角。

一、多模态模型：开启AI新境界

多模态模型，简单来说，就是能够同时处理多种类型数据的人工智能模型。传统的语言模型主要依赖文本数据进行训练和推理，而多模态模型在此基础上，还能融合图像、音频等其他模态的数据信息，从而实现更加全面、深入的理解和分析。例如，在处理一个包含文字描述和图片的任务时，多模态模型可以将两者的信息结合起来，给出更准确、更丰富的回答。这种能力使得多模态模型在诸多领域都有着广泛的应用前景，如智能客服、智能驾驶、教育等。

二、Kimi k1.5：核心特性大揭秘

（一）长上下文扩展，纵览全局

Kimi k1.5将强化学习的上下文窗口扩展到了惊人的128k。这意味着它在处理长文本时，能够记住更多的前文信息，从而更好地理解文本的整体含义和逻辑关系。在处理长篇小说、学术论文等长文本内容时，Kimi k1.5可以轻松把握其中的情节发展、观点论证等关键要素。它通过部分滚动更新的方式，重用之前的轨迹来采样新轨迹，避免了从头开始生成新轨迹的高昂成本，大大提高了训练效率，也使得模型在长文本处理上表现得更加出色。

（二）策略优化升级，精准推理

Kimi k1.5推导出了基于长思维链（CoT）的强化学习公式，并采用在线镜像下降的变体方法，加入正则项来稳定策略迭代。同时，通过优化数据配方和有效的采样策略，进一步提升了模型性能。在面对复杂的推理任务，如数学竞赛中的难题、逻辑推理问题时，Kimi k1.5能够凭借其改进的策略优化方法，生成长且准确的思维链，更高效地解决问题。

（三）框架简化，性能卓越

Kimi k1.5建立了一个简化的强化学习框架。在这个框架下，通过长上下文扩展和改进的策略优化方法，模型能够学习到具有规划、反思和纠正特性的CoT。令人瞩目的是，它在不依赖蒙特卡洛树搜索、价值函数和过程奖励模型等复杂技术的情况下，依然取得了优异的性能。这使得Kimi k1.5在保持高性能的同时，降低了模型的复杂度和计算成本。

（四）多模态支持，多元融合

作为一款多模态模型，Kimi k1.5能够同时处理文本和视觉数据。在数学推理任务中，它可以根据题目中的文字描述和相关图形信息，进行综合分析和推理；在视觉问答场景下，它能理解图片内容，并结合问题给出准确的回答。这种多模态支持能力，使得Kimi k1.5在处理涉及多种数据类型的任务时，展现出了强大的优势。

三、实战见真章：Kimi k1.5的性能表现

Kimi k1.5在多个基准测试中都取得了令人赞叹的成绩：

（一）文本基准测试

在衡量模型对各类知识理解和应用能力的MMLU (EM)测试中，Kimi k1.5获得了88.3的高分；在IF - Eval (Prompt Strict)测试中得分87.9；CLUEWSC (EM)测试成绩为91.7；C - Eval (EM)测试也达到了88.3。这些成绩充分表明Kimi k1.5在文本处理方面具有深厚的功底，能够准确理解和回答各种类型的问题。

（二）推理基准测试

在AIME 2024 (Pass@1)任务中，Kimi k1.5的Long - CoT模式得分为77.5，Short - CoT模式得分为60.8，均领先于众多竞争对手；在MATH - 500 (EM)任务中，Long - CoT模式得分96.2，Short - CoT模式得分94.6，展现出强大的数学推理能力；在Codeforces (Percentile)任