真是热闹的一周
周一，Kimi刚发完K2.6；周五，万众瞩目的DeepSeek V4就来了。
这种感觉是不是很熟悉？过去一年里，这两家公司的节奏总是如此：不是前后脚发布模型，就是先后抛出重磅技术论文。市场热度刚被一方点燃，技术讨论的接力棒立刻就被另一方接了过去。
回想更早时候，提起中国开源模型，几乎所有人的第一反应都是DeepSeek。尤其是其R1模型发布后，这家公司几乎以一己之力，刷新了全球市场对中国AI技术实力的认知，更重要的是，它点燃了整个中国AI创业圈的信心。
一个明显的信号是，此后越来越多的中国团队开始推出具备强劲竞争力的模型，并贡献出具有全球影响力的研究成果。
技术上的互相借鉴与追赶，成了这场竞赛中最有趣的看点。2025年7月，被《自然》杂志称为“又一个DeepSeek时刻”的Kimi K2模型，在底层架构上首次大规模验证了二阶优化器Muon，同时采用了由DeepSeek验证过的MLA注意力机制。不到一年，2026年4月，DeepSeek V4也在架构上跟进，用Muon优化器取代了沿用十年的Adam。
这或许正是开源最大的魅力所在：它让顶尖技术得以共享，成为中国公司加速追赶美国闭源巨头的共同燃料。
如今，它们是中国目前唯二总参数超过万亿且已公开权重的模型，也是最具国际影响力的中国AI代表。就连全球芯片巨头英伟达，在展示其下一代芯片性能时，选用的标杆模型也来自DeepSeek和Kimi。
不仅如此，两家公司都在向深度学习的底层架构发起挑战。DeepSeek有mHC残差连接，Kimi则提出了引发硅谷技术圈热议的“注意力残差”。这场竞赛，早已超越了单纯的性能比拼。
01 技术路径：一个降本，一个增效
虽说DeepSeek V4和Kimi K2.6在同一周发布，但两者的技术侧重点其实泾渭分明。
V4的核心突破在于对“百万上下文”的成本进行了重构。它通过一套全新的混合注意力机制，将单token推理的计算量压缩到V3.2的27%，KV Cache更是降至10%。这套结合了压缩稀疏注意力和重度压缩注意力的方案，让百万级上下文从昂贵的技术演示，变成了可大规模普及的基础设施。
同时，V4针对智能体（Agent）场景做了专项优化。在后训练阶段，它将Agent能力作为独立方向进行单独训练；工具调用格式从JSON换成了带特殊token的XML结构，确保了跨轮次推理痕迹在工具调用场景下的完整保留。为了支撑Agent的强化学习训练与评测，DeepSeek还自建了名为DSec的沙箱平台，单集群即可并发管理数十万个沙箱实例。
K2.6的方向则更偏向长程编码与Agent集群协作。它在内部的Kimi Code Bench评测中得分68.2，较K2.5的57.4提升了约20%。其设计最高可支持300个子Agent并行协作，完成长达4000个步骤的复杂任务。
02 Kimi的进化：从聊天窗口到生产力引擎
回顾Kimi过去一年的技术路线图，能清晰地看到其战略重心的转移。
2025年2月，Kimi发布Moonlight系列模型，首次将二阶优化器Muon应用于480亿参数的大模型，验证了新一代优化器的可行性。4月，Kimi-VL模型发布，在Moonlight基础上引入MoonViT视觉编码器，为多模态理解打下基础。7月，Kimi首次将Muon优化器扩展到万亿参数规模，推出K2开源模型。
到了10月，Kimi发布Kimi Linear线性注意力架构，核心目标是在保住长上下文能力的同时，大幅降低处理超长文本的计算和显存成本。这一举动释放了一个明确信号：创始人杨植麟的野心，已不止于训练更好的模型，而是要对模型的底层架构“动手术”。
随后，Kimi发布并开源了支持图片和视频理解的万亿参数模型K2.5。2026年3月，其关于“注意力残差”的论文再次对Transformer底层结构发起挑战，甚至收获了马斯克本人在X平台上的称赞。紧接着便是前几天的K2.6，一个围绕长周期编码、Agent执行和工程任务能力构建的模型。
这一系列动作表明，Kimi正坚定地从消费级对话产品，向生产力工具转型。
2026年3月，杨植麟在英伟达GTC大会的演讲中，用三个关键词概括了Kimi的规模化（Scaling）策略：Token效率、长上下文、Agent集群。他指出，要推动大模型智能上限的持续突破，必须对优化器、注意力机制及残差连接等底层基石进行重构。当下的规模化竞争，早已不是简单的资源堆砌，而是在计算效率、长程记忆和自动化协作上同时寻找规模效应。
市场给出了最真实的反馈。一家公司最怕的莫过于只有媒体声量，却没有开发者采用。但Kimi显然跨过了这道坎。无论是在OpenRouter平台，还是在多数Agent工具的默认接口里，K2.5和K2.6都是主流选项。截至发稿，Kimi和DeepSeek都位列OpenRouter的TOP3模型，在部分评测榜单上，K2.6甚至暂时领先。
K2.6持续强化Agent、长任务和编码能力，正是这一战略的延续。杨植麟真正押注的，是生产力场景。这构成了Kimi过去一年最关键的变化：它不再仅仅满足于告诉用户“我能帮你读更长的文件”，而是在试图回答一个更底层的问题——模型怎样才能在更长时间、更复杂任务、更高频的工具调用下保持稳定输出？
长上下文解决记忆和信息承载，线性注意力解决成本和扩展性，Agent集群解决复杂任务拆解，编程能力则解决模型的理解与执行。这几条产品线看似独立，实则共同指向一个目标：将Kimi从一个好用的聊天窗口，转变为能够承接真实工作的基础模型。
这种转变也获得了更高层面的认可。4月，杨植麟受邀作为唯一的大模型创业者代表，参加了总理主持的经济形势专家和企业家座谈会。这位1993年出生的年轻人，成为座谈会上最年轻的参会者。而就在一个月前，他刚在2026中关村论坛年会全体会议上发表演讲，系统阐述了中国AI团队如何通过底层架构的“推倒重建”，来打破沿用十年的行业技术标准。
显然，Kimi已经从一家创业公司，成长为代表中国AI某条重要技术路线的符号。其成长路径与DeepSeek存在明显差异，但正是这种技术选择上的不同，让中国开源模型的生态呈现出更多可能性。
03 双星并耀：中国开源模型的两条腿
过去在讨论这两家公司时，很容易陷入一种误区：总想比出个“谁的模型更好”、“谁才是中国的OpenAI”。
但事实上，将DeepSeek和Kimi简单理解为“谁赢谁输”的零和博弈，本身就偏离了重点。它们更像中国开源模型对外竞争的两条腿，不存在谁取代谁，而应该是一种互相刺激、彼此促进的共生关系。
两家公司相继证明了一件事：做前沿模型未必需要无限的资源，关键在于算法创新与工程优化的深度结合。它们在模型算法、工程效率、开源路线和降低推理成本上的贡献，无疑是中国AI过去一年最重要的技术事件之一。它们彼此竞争，但也共同抬升了中国开源模型的技术上限。
真正重要的不是谁先到达终点，而是它们共同把中国模型的竞争维度给拆解开了。过去评价一家模型公司，往往只看榜单分数、参数规模、API价格和发布会声量。但现在，模型公司真正的护城河，已经超越了“模型聪不聪明”的层面，转而围绕能否形成一整套自洽且领先的技术路线。
在这个框架下看，DeepSeek把第一件事做到了极致。它让外界看到，中国公司可以用更高的工程效率，把模型训练和推理成本打下来；可以把技术报告写到足够透明；可以把权重开放得足够激进。它建立的是一种“开源信任”。开发者愿意研究、复现、部署它的模型，不仅仅是因为它提供了一个API，更是因为它把背后的方法论也毫无保留地拿了出来。
Kimi则补上了另一块关键拼图。它最早被用户记住是因为长文本和聊天产品，但到了K2.6，它讲述的故事已经不是一个更会聊天的助手，而是模型如何深度融入真实工作流。长程编码、Agent集群、工具调用、长周期任务——这些能力没有“霸榜”那么直观，却直接决定了模型能否从“被试用”走向“被依赖”。如果说DeepSeek解决的是模型够不够强、够不够便宜、够不够开放的问题，那么Kimi更关心的是模型能不能真的替人完成复杂任务。
所以，将这两家公司放在一起看，意义反而更加凸显。作为观察者和用户，我们乐见其成，因为产业的健康发展正需要这样的多元繁荣。
中国AI真正值得兴奋的，并非仅仅出了一个DeepSeek。而是在DeepSeek的带动下，像Kimi这样的公司依然能凭借自身探索，成长为另一座技术高峰。这说明中国AI公司已经开始在不同维度上找到自己的独特位置，不再是简单的模仿者，而是真正在探索属于自己的那条技术路线。
DeepSeek与Kimi在技术上的互相借鉴与赋能，也印证了开源生态的核心价值在于协作。现在的问题早已不是“DeepSeek和Kimi谁更强”，而是它们能否继续保持这种良性的竞争关系，在技术上持续互相刺激、共同进步。
中国开源模型要真正在全球舞台站稳脚跟，需要的不是一家独大，而是多家公司在不同的技术方向上都能达到世界级水平。DeepSeek和Kimi的存在，让这种可能性变得前所未有的清晰和真实。
