今天，竞技场终于更新了KimiK2的排名情况——
开源第一，总榜第五，而且紧追马斯克Grok4这样的顶尖闭源模型。
并且各类单项能力也不差，能和一水儿闭源模型打得有来有回：
连续多轮对话并列第一，o3和Grok4均为第四；
编程能力第二，和GPT4.5、Grok4持平；
应对复杂提示词能力第二，和o3、4o位于同一梯队；
甚至眼尖的朋友也发现了，唯二闯入总榜TOP10的开源模型都来自中国。（DeepSeekR1总榜第8）
当然了，即使抛开榜单不谈，Kimi这款新模型过去一周也确实火热——
K2过去一周真热啊
公开可查战绩包括但不限于下面这些：
从实打实的数据来看，发布这一周里，KimiK2在开源社区就获得了相当关注度和下载量。
GitHub标星5.6K，HuggingFace下载量近10万，这还不算它在中国社区的应用。
连AI搜索引擎明星创企PerplexityCEO也亲自为它站台，并透露：
KimiK2在内部评估中表现出色，Perplexity计划接下来基于K2模型进行后训练。
甚至由于访问的用户太多了，逼得Kimi官方也出来发公告：
访问量大+模型体积大，导致API过慢。
不过就在一片向好之时，人们关于“KimiK2采用了DeepSeekV3架构”的质疑声再度升温。
对此，我们也找到了Kimi团队成员关于K2架构的相关回应。
总结下来就是，确实继承了DeepSeekV3的架构，不过后续还有一系列参数调整。
p.s.以下分享均来自知乎@刘少伟，内容经概括总结如下~
一开始，他们尝试了各种架构方案，结果发现V3架构是最能打的（其他顶多旗鼓相当）。
所以问题就变成了，要不要为了不同而不同？
经过深思熟虑，团队给出了否定答案。理由有两点：
一是V3架构珠玉在前且已经经过大规模验证，没必要强行“标新立异”；二是自己和DeepSeek一样，训练和推理资源非常有限，而经过评估V3架构符合相关成本预算。
所以他们选择了完全继承V3架构，并引入适合自己的模型结构参数。
具体而言，K2的结构参数改动有四点：
增加专家数量：团队验证了在激活参数量不变的情况下，MoE总参数增加仍有益于loss下降。
注意力头head数减半：减少head数节省的成本，刚好抵消MoE参数变大带来的开销，且效果影响很小。
只保留第一层Dense：只保留第一层为dense，其余都用MoE，结果对推理几乎无影响。
专家无分组：通过自由路由+动态重排（EPLB）可以应对负载不均衡，同时让专家组合更灵活，模型能力更强。
最终得到的推理方案就是，在相同专家数量下：
虽然总参数增大到1.5倍，但除去通信部分，理论的prefill和decode耗时都更小。即使考虑与通信overlap等复杂因素，这个方案也不会比V3有显著的成本增加。
就是说，这是一种更“精打细算”的结构调优。
而且这种放弃自己的模型架构路线，彻底走DeepSeek路线的做法，也被国内网友评价为“相当大胆”。
△来源：知乎网友@蛙哥
OK，以上关于Kimi和DeepSeek架构之争的问题落定后，我们再把目光拉回到这次最新排名。
开源追平or超越闭源ing
一个很明显的趋势是：“开源=性能弱”的刻板印象正在被打破，开源模型已经越来越厉害了。
不仅榜单上的整体排名在上升，而且分数差距也越来越小。
仔细看，模型TOP10总分均为1400+，开源和闭源几乎可以看成位于同一起跑线。
而且这次拿下开源第一的KimiK2，总分已经非常接近Grok4、GPT4.5等顶尖闭源模型了。
换句话说，以前我们可能还要在模型能力和成本之间作取舍，但随着开源力量的崛起，多思考一秒钟都是对开源的不尊重（doge）。
与此同时，越来越多的行业人士也表达了对开源崛起的判断。
艾伦人工智能研究所研究科学家TimDettmers表示：
开源击败闭源将变得越来越普遍。
PerplexityCEO也多次在公开场合表示：
开源模型将在塑造AI能力的全球扩散路径中扮演重要角色。它们对于因地制宜地定制和本地化AI体验至关重要。
而在已经逐渐崛起的开源模型领域，TOP10中唯二开源、且都是国产模型的含金量还在上升。
相关文章
头条焦点
精彩导读
关注我们
【查看完整讨论话题】 | 【用户登录】 | 【用户注册】