k1.5：性能超越 GPT-4 和 Claude 3.5！Kimi 新一代多模态推理模型

最新推荐文章于 2025-04-28 22:01:42 发布

蚝油菜花

最新推荐文章于 2025-04-28 22:01:42 发布

阅读量1.5k

点赞数 6

分类专栏：每日 AI 项目与应用实例文章标签：人工智能开源

本文链接：https://blog.csdn.net/qq_19841021/article/details/145292704

版权

每日 AI 项目与应用实例专栏收录该内容

659 篇文章

订阅专栏

❤️ 如果你也关注 AI 的发展现状，且对 AI 应用开发非常感兴趣，我会每日分享大模型与 AI 领域的最新开源项目和应用，提供运行实例和实用教程，帮助你快速上手AI技术，欢迎关注我哦！

🥦 微信公众号｜搜一搜：蚝油菜花 🥦

🚀 快速阅读

多模态推理：Kimi k1.5 支持文本和视觉数据的联合推理，适用于数学、代码和视觉推理等领域。
长链与短链思维：在短链思维模式下，性能超越GPT-4和Claude 3.5；在长链思维模式下，性能达到OpenAI o1水平。
高效训练与优化：通过长上下文扩展和改进的策略优化，Kimi k1.5 实现了高效的训练和推理能力。

正文（附运行示例）

Kimi k1.5 是什么

kimi-k1.5

Kimi k1.5 是月之暗面推出的最新多模态思考模型，具备强大的推理和多模态处理能力。该模型在短链思维（short-CoT）模式下，数学、代码、视觉多模态和通用能力大幅超越了全球范围内的短思考 SOTA 模型 GPT-4o 和 Claude 3.5 Sonnet，领先幅度高达 550%。在长链思维（long-CoT）模式下，k1.5 的性能达到了 OpenAI o1 正式版的水平，成为全球范围内首个达到这一水平的多模态模型。

kimi-k1.5

Kimi k1.5 的设计和训练包含四大关键要素：长上下文扩展、改进的策略优化、简洁的框架和多模态能力。通过扩展上下文窗口至 128k 和部分展开技术，模型在推理深度和效率上显著提升。k1.5 通过 long2short 技术，将长链思维的优势迁移到短链思维模型中，进一步优化性能。

Kimi k1.5 的主要功能

多模态推理能力：k1.5 能同时处理文本和视觉数据，具备联合推理能力，适用于数学、代码和视觉推理等领域。
短链和长链思维：在短链思维模式下，k1.5 的数学、代码、视觉多模态和通用能力大幅超越全球领先的模型（如 GPT-4 和 Claude 3.5），领先幅度高达 550%。在长链思维模式下，其性能达到了 OpenAI o1 正式版的水平。
出色的数学与代码能力：k1.5 在数学推理和编程任务中表现出色，尤其在 LaTeX 格式的数学公式输入上表现优异。
高效的训练和优化：通过长上下文扩展（上下文窗口扩展至 128k）和改进的策略优化，k1.5 实现了更高效的训练，展现出规划、反思和修正的推理特性。
深度推理能力：k1.5 擅长解决复杂的推理任务，如难解的数学问题、编程调试和工作难题，能帮助用户解锁更复杂的任务。

Kimi k1.5 的技术原理

长上下文扩展（Long Context Scaling）：Kimi k1.5 将强化学习的上下文窗口扩展到 128k，通过增加上下文长度显著提升了模型的推理能力。核心是基于部分回滚（Partial Rollout）策略，通过重用先前的轨迹片段来生成新的轨迹，避免从头生成完整轨迹的高计算成本。
改进的策略优化（Improved Policy Optimization）：模型采用了基于长链思维（Long-CoT）的强化学习公式，并结合在线镜像下降法（Online Mirror Descent）的变体进行策略优化。通过有效的采样策略、长度惩罚和数据配方优化，进一步提升了算法的性能。
简洁的框架（Simplistic Framework）：Kimi k1.5 的设计摒弃了复杂的蒙特卡洛树搜索、价值函数和过程奖励模型等技术，是通过扩展上下文长度和优化策略，实现了强大的推理能力。使模型在长上下文推理中表现出色，同时具备规划、反思和修正的能力。
多模态联合训练（Multimodalities）：模型在文本和视觉数据上进行了联合训练，能同时处理文本和视觉信息，具备跨模态推理的能力。
Long2Short 技术：Kimi k1.5 提出了一种将长链思维模型的推理能力迁移到短链思维模型的方法，包括模型融合、最短拒绝采样、DPO（成对偏好优化）和 Long2Short RL（强化学习）。

如何运行 Kimi k1.5

API 调用

开发者可以使用 Kimi API 进行调用。不过在此之前，你需要先通过申请 k1.5 的测试资格，你可以在文章的最后一节找到申请通道链接。以下是一个简单的 Python 示例：

from openai import Client

client = Client(
    api_key="YOUR_KIMI_KEY",
    base_url="https://api.moonshot.ai/v1",
)

messages = [
    {
        "role": "user",
        "content": "The lengths of the two legs of a right triangle are 3 cm and 4 cm respectively. Find the length of the hypotenuse of this right triangle.",
    },
]

stream = client.chat.completions.create(
    model="kimi-k1.5-preview",
    messages=messages,
    temperature=0.3,
    stream=True,
    max_tokens=8192,
)

for chunk in stream:
    if chunk.choices[0].delta:
        if chunk.choices[0].delta.content:
            print(chunk.choices[0].delta.content, end="")