梁文锋和杨植麟，第四次撞车

二人为何都瞄准了视觉理解？

文｜《中国企业家》见习记者 孙欣

记者 王怡洁

(相关资料图)

这已经是2025年以来的第4次，DeepSeek创始人梁文锋和月之暗面创始人杨植麟在技术路线上精准“撞车”。

1月27日，月之暗面发布并开源新模型Kimi K2.5，该模型由K2和K2-Thinking并存演进而来。在官方视频里，杨植麟将其形容为“全能模型”，视觉理解、代码、多模态、思考与非思考模式、Agent及Agent集群能力，都被封装进了同一个模型中。

除了代码能力极大提升之外，K2.5的一大亮点在于“视觉理解能力”的极大增强，可分析用户上传的图片、视频，并据此编程或解答问题。

无独有偶，K2.5发布的同日，DeepSeek也上线了新一代模型OCR-2。该模型同样在视觉理解上取得重大突破，解决方法更另辟蹊径。DeepSeek创新了“视觉因果流”机制，不再需要按照固定顺序扫描图片，而是能像人一样，根据图像内容的语义和逻辑，动态调整阅读顺序。

屡屡在同一条技术路线上探索，又数次同日发布成果，梁文锋与杨植麟的心有灵犀已经很难用偶然来解释，他们二人又为何不约而同地瞄准了视觉理解这座山峰？

四次“撞车”

实际上，梁文锋和杨植麟模型产品、论文总是选择同期发布，并非因为“内卷”。拆解二人的成果会发现，他们在关键技术路线上“和而不同”的创新，背后是对大模型和产业痛点的相似判断。

2025年1月20日，DeepSeek-R1上线后火速破圈。Kimi 1.5也紧随其后发布，且同样采用了“基于结果奖励的强化学习”路线。

2025年2月18日，梁文锋和杨植麟前后脚发表了关于注意力架构的最新论文，聚焦于解决Transformer注意力机制下，长上下文处理效率低下、算力消耗过高的行业痛点。

其中，梁文锋作为共同作者，提出了DeepSeek-NSA（原生稀疏注意力）架构，通过分层压缩、关键令牌选择与滑动窗口结合的策略，大幅降低了长上下文处理的算力消耗。

同日，杨植麟也作为论文共同作者，提出了MoBA（混合块注意力）架构，并与NSA选择了不同的优化路径——基于专家混合（MoE）原理，通过分块处理与动态门控机制，让模型自主实现全注意力与稀疏注意力的切换。

只不过，NSA更侧重硬件层面的优化，MoBA则倾向于在Transformer框架内做灵活创新。虽路径不同，但二人的核心目标一致：解决效率瓶颈，让模型在复杂任务中更具实用性。

2025年4月，DeepSeek发布数学推理模型DeepSeek-Prover-V2。通过子目标分解的强化学习推进定理证明，让模型能够“自验证”推理过程的合理性，几乎同期，月之暗面也上线了数学推理专项模型，同样采用了“自验证”核心方式，大幅提升了定理证明的稳定性与准确性。

这一次“撞车”源于，彼时AI深度推理还是行业的技术难点。而数学推理作为核心场景，直接关系到大模型在科研、金融、工程等领域的落地能力，二人同时聚焦这一方向，背后是对验证AI落地价值的一致探索。

而最近的一次同台竞技，DeepSeek的OCR-2和月之暗面的K2.5又不约而同地瞄准了视觉理解。这一次同样绝非巧合。

数月前，《中国企业家》从相关人士处了解到，DeepSeek和月暗一直在围绕谁能先做出具备前沿能力的视觉语言模型，让大模型不再成为“聪明的瞎子”而暗自较劲。

结合2025年7月SuperCLUE发布的多模态测评报告，或可找到二人攻坚视觉语言模型的答案。

报告指出，视觉语言模型正普遍面临三大痛点：1.专业领域知识欠缺，特别是在医疗影像分析、工业应用等专业领域得分较低。2.复杂场景适应不足，在自动驾驶、空间推理等任务中表现较差。3.多模态融合深度不够，图文不一致情况下，判断准确率不足65%。

由此可见，视觉理解是大模型从“语言交互”走向“全场景交互”的必经之路，也已成为制约模型商业化落地的瓶颈。梁文锋与杨植麟同时聚焦这一领域，源于对行业痛点的相似洞察——谁能率先突破，就能在多模态商业化竞争中占据主动。

如何翻越视觉理解高山？

实际上，在大语言模型层面，国内模型正在与海外模型日益拉近距离。但业内人士对《中国企业家》表示，在视觉理解层面，海外被称为“御三家”的Google Gemini、OpenAI GPT 5.2和Claude已“卷”到下一阶段，国内大模型则还处于追赶和“补课”阶段。

例如，数月前网络上曾让大模型做识别车型的测试。特斯拉被车主自贴了一个小米标志，不少大模型将其认错。“这说明综合视觉信息，当前对多模态模型依旧有困难。”前述人士说。

此次发布中，杨植麟在视频中演示了一段视频，K2.5通过识别图片或者视频，复刻出一个网址的功能。此前国内大模型更多需要借助语言、指令来实现。“需要精确地告诉模型，左上角是个按钮，需求都要用指令来描述。”

“一图胜千言。”科技博主海拉鲁对《中国企业家》说。大部分情况下，用户很难用文字一次性描述出自己想要编出的前端界面，视觉理解核心意义在于让大模型从“读文字”升级为“懂信息、用信息。”

K2.5是月暗在视觉理解上交出的第一份答卷。团队让原生的多模态架构设计与大规模视觉文本进行联合预训练，采用了约15万亿个Token持续训练。在这个基础底座之上，构建Visual Agentic Intelligence（视觉智能体智能）系统。简而言之，K2.5从视觉理解编码入手，分解Agent任务，增强Coding能力。

接近月之暗面的人士告诉《中国企业家》，训练中最现实的困难在于多模态数据的匮乏，以及对数据的处理。“普通人每天拍的照片对模型来说没什么用。需要高质量的数据，才能让模型学到东西。像维基百科，也只是中等质量的数据。”

此外，月之暗面在K2.5中也再次坚持了对“技术品味”的追求，“如果你希望模型更加浪漫，精通软件的UI界面、美学设计，你该给它匹配什么样的数据，这都需要对世界有更多审美认知。”前述人士说。

1月29日凌晨，月之暗面团队在Reddit上回答了网友问题，杨植麟表示：“模型的核心在于品味，因为智能本身是非同质化的（non-fungible）。”

海拉鲁评价道，Kimi是国内编程不错的模型里面第一家真正“开眼”的。AI从业者徐再世也表示：K2.5与其他多模态模型最大的区别在于，把视觉和编程、Agent能力结合得更紧密，这降低了开发门槛，让非程序员靠截图录屏也能做出原型。

除了前端设计，伴随K2.5，Kimi还推出了Kimi Code，可以在终端里直接运行，也能集成到 VSCode、Cursor等主流编辑器中。简单来说，K2.5可以自动发现用户的编程过程，并将用户现有的Skills（给AI Agent使用的技能包）迁移到新的工作流中。

相对于K2.5侧重在工程化层面解决问题，DeepSeek在视觉技术源头做出了更多创新。

传统的视觉语言模型（VLM）在扫描图片时，通常是固定地从左到右、从上到下。但人类在理解图片时，会代入自身的语义顺序和取舍，如先看标题，再看正文。

OCR-2也模仿了人类的逻辑，其替换了原本的CLIP编码器，引入了全新的视觉编码器DeepEncoder V2。该架构打破了固定顺序（从左上到右下）扫描图像的限制，而是模仿人类视觉的“因果流（Causal Flow）”逻辑。

从这个维度上看，DeepSeek和月之暗面虽然都在补齐视觉理解的短板，但二者的创新点发生在不同环节。K2.5是基于多模态模型提升工程化性能，更靠近商业落地侧；而DeepSeek更侧重追溯到技术源头，进行创新。

集群重新定义Agent

除了视觉理解，此次K2.5的Agent集群功能也获得了不少业内人士的称道。

徐再世在做大语言模型预训练的工作，他看到，Anthropic的Claude Opus在编程场景上表现突出，一个原因就是它很擅长通过工具调用来执行任务。但很多语言模型在工具调用中，出错概率很高。而K2.5引入的Agent Swarm（智能体集群）架构，从单一Agent进化到Agent集群，意味着模型能力的关键提升。

在杨植麟对Agent集群的介绍中，K2.5不再是一个单打独斗包揽一切的智能体，而是一支即时组建的“智能体团队”。即当任务下达时，主Agent能够生出上百个“子Agent”，由主Agent支配。相较于单智能体模式，其任务执行效率提升最高达4.5倍。

月暗团队演示了一段视频，他们给Kimi Agent集群投喂了40篇关于心理学和AI的论文。K2.5先是通过多次调用工具，按顺序把论文通读一遍；随后，其衍生出数个子Agent负责不同章节撰写。最后，成果由主Agent负责把关验收，将所有内容汇总成一份长达几十页的PDF综述。

要实现上百个Agent并发运行并非易事，平衡调度器便是一大难点：在训练初期，子Agent可能会因协同失败而放弃并行策略。而月暗团队采用了PARL (并行智能体强化学习) 的训练方法，团队通过分阶段奖励，引导模型建立稳定偏好。

此外，当100个Agent同时工作，通信、算力都将产生巨大负载，Agent之间可能会信息复读、相互干扰，效率可能会低于单体模型。团队需要让模型学习如何自主通信，并动态调整智能体数量和资源分配。

据《中国企业家》了解，K2.5整个Agent集群由K2.5模型全自动创建与协调，用户无需对子智能体或工作流进行预先定义。即便某个子智能体失败，主Agent也能迅速感知并重新调度。

徐再世解释道，无需预定义意味着K2.5的Agent集群是动态分工，模型自己会决定这个任务需要什么角色，自动创建子Agent并行工作。

1月29日，在解答网友询问K2.5的“智能体蜂群”在运行100个并行推理流时，如何解决延迟和上下文信息丢失问题时，月之暗面联创吴育昕表示：K2.5的各个子智囊团可以在不“腐蚀”或污染主调度器上下文的情况下独立执行子任务，即子Agent本质上拥有各自的工作记忆，只在必要时将结果返回给调度器。

“从K2开始，月暗团队每一步都走得很扎实稳重。”虽然徐再世认为，月暗的产品形态还需要时间打磨。但从长远来看，Agent集群技术的突破有着重大价值。“这意味着未来的智能体将无需人工设计工作流，真正实现人力的解放。”

责任编辑：【henankuaibao】