在年初的时候，Kimi 发布了 1.5 版本
- 林亦LYi
- 2025-03-06 02:14:28
在年初的时候，Kimi 发布了 1.5 版本。有意思的是，它跟爆火的 DeepSeek R1 竟然是同一天（1 月 20 日）发布的。但春节期间， DeepSeek 出圈到海内外，Kimi 这波就相对有些冷清了。
但 Kimi 1.5 毕竟号称是国内首个多模态推理性能能媲美 o1 的模型，还是值得上手体验一下。这次的更新，最主要是新增了深度思考和联网功能。我们用三个日常工作场景来试用了一下，分别是：数据归纳、图表绘制和专业搜索，想看看它在这些真实的工作环境中表现如何。 （图1）
在官方介绍中，Kimi1.5 能无损对 200 万字的上下文进行理解。既然这样，那必须要上点强度了。于是我们找来一份 156 页的年报给它消化，看它能否准确提取关键数据。
对比一下结果，Kimi1.5 总结出来的数据和原始数据，不能说非常相似，只能说一模一样。在如此复杂的文字干扰下能快速精准地输出数据，这种效果来自于 Kimi 团队对 RL Infra 技术的创新，他们将 RL 的上下文窗口扩展到 128k，并观察到随着上下文长度的增加，性能持续提升。这个方法背后的一个关键思想是，通过重用大量先前的轨迹来采样新的轨迹，避免了从头开始重新生成新轨迹的成本。这样生成的过程也更加流畅丝滑。（图2 图3）
那对于打工人来说，数据仅仅是整理好了当然还不够。要是它能够生成能直接生成放进 PPT 的表格才是真的厉害。
于是我们再进一步让它将这些总结出的数据转化成表格，结果果然没让我们失望。
Kimi1.5 不仅能准确抓取信息，还能自动生成结构化的表格，简洁明了，数据一目了然。试想一下，平时我们得花多少时间自己手动整理数据？这些 Kimi1.5 都能一键搞定，彻底解放双手。（图4）
只有一个工作场景肯定还不够，正好，AI 编程也火了有一段时间了，我们就想看看 Kimi1.5 在编程方面的表现。（图5）
从结果可以看见 Kimi1.5 不仅迅速生成了代码，还根据我们的要求，轻松地写出了整个管理系统的核心功能：从学生信息录入到成绩计算、查询、排序，甚至还能生成成绩统计报表，功能非常完善。如果是在项目紧急时，能省去很多开发时间。（图6 图7）
最后一个场景，我们设定为复杂资料查找，在工作中也经常会遇到需要上网搜索资料，但查到一堆散乱且不知真假的资料的情况。
Kimi1.5 不仅能快速浏览多个网页，还能筛选出最相关的内容，几乎是秒级响应。在它找到答案后，还会把所有相关的网页链接和原始资料展示出来。这意味着，你不仅得到了答案，还能追溯到答案的来源，确保信息的可信度。（图8 图9）
那说到这里，不得不再夸一夸 Kimi 了，他们的 Long2short 技术是真的有点厉害，降低推理成本的同时提升了模型的推理效率，具体的做法是将 long-cot 模型的推理能力迁移到 short-cot 模型上，直接将 long-cot 和 short-cot 模型结合，提高输出效率的同时还能中和输出内容，并且整个过程不需要额外训练。此外，K1.5 还尝试了最短拒绝采样，即让模型对同一个问题进行多次采样，最终选择最短的正确答案进行微调，从而在不影响准确率的前提下，进一步压缩冗余输出。
在这个过程中，DPO 训练策略同样发挥了重要作用，long-cot 生成的多个答案中，最短的正确输出被视为正样本，而冗长的正确答案或错误的长输出则作为负样本，帮助模型学会更偏向简洁、高效的推理路径。
总的体验下来，我们可以看见 Kimi 1.5 在推理能力和多模态处理方面的显著进步。尤其是在长文本处理上的创新。更重要的是 Kimi 1.5 的发布为 AI 大模型的发展提供了新的思路和方向。但是，随着模型复杂度的增加，计算资源的需求也会相应提升。如何保持高性能的同时，优化计算资源的使用，会是未来需要重点关注的问题。
但 Kimi 1.5 毕竟号称是国内首个多模态推理性能能媲美 o1 的模型，还是值得上手体验一下。这次的更新，最主要是新增了深度思考和联网功能。我们用三个日常工作场景来试用了一下，分别是：数据归纳、图表绘制和专业搜索，想看看它在这些真实的工作环境中表现如何。 （图1）
在官方介绍中，Kimi1.5 能无损对 200 万字的上下文进行理解。既然这样，那必须要上点强度了。于是我们找来一份 156 页的年报给它消化，看它能否准确提取关键数据。
对比一下结果，Kimi1.5 总结出来的数据和原始数据，不能说非常相似，只能说一模一样。在如此复杂的文字干扰下能快速精准地输出数据，这种效果来自于 Kimi 团队对 RL Infra 技术的创新，他们将 RL 的上下文窗口扩展到 128k，并观察到随着上下文长度的增加，性能持续提升。这个方法背后的一个关键思想是，通过重用大量先前的轨迹来采样新的轨迹，避免了从头开始重新生成新轨迹的成本。这样生成的过程也更加流畅丝滑。（图2 图3）
那对于打工人来说，数据仅仅是整理好了当然还不够。要是它能够生成能直接生成放进 PPT 的表格才是真的厉害。
于是我们再进一步让它将这些总结出的数据转化成表格，结果果然没让我们失望。
Kimi1.5 不仅能准确抓取信息，还能自动生成结构化的表格，简洁明了，数据一目了然。试想一下，平时我们得花多少时间自己手动整理数据？这些 Kimi1.5 都能一键搞定，彻底解放双手。（图4）
只有一个工作场景肯定还不够，正好，AI 编程也火了有一段时间了，我们就想看看 Kimi1.5 在编程方面的表现。（图5）
从结果可以看见 Kimi1.5 不仅迅速生成了代码，还根据我们的要求，轻松地写出了整个管理系统的核心功能：从学生信息录入到成绩计算、查询、排序，甚至还能生成成绩统计报表，功能非常完善。如果是在项目紧急时，能省去很多开发时间。（图6 图7）
最后一个场景，我们设定为复杂资料查找，在工作中也经常会遇到需要上网搜索资料，但查到一堆散乱且不知真假的资料的情况。
Kimi1.5 不仅能快速浏览多个网页，还能筛选出最相关的内容，几乎是秒级响应。在它找到答案后，还会把所有相关的网页链接和原始资料展示出来。这意味着，你不仅得到了答案，还能追溯到答案的来源，确保信息的可信度。（图8 图9）
那说到这里，不得不再夸一夸 Kimi 了，他们的 Long2short 技术是真的有点厉害，降低推理成本的同时提升了模型的推理效率，具体的做法是将 long-cot 模型的推理能力迁移到 short-cot 模型上，直接将 long-cot 和 short-cot 模型结合，提高输出效率的同时还能中和输出内容，并且整个过程不需要额外训练。此外，K1.5 还尝试了最短拒绝采样，即让模型对同一个问题进行多次采样，最终选择最短的正确答案进行微调，从而在不影响准确率的前提下，进一步压缩冗余输出。
在这个过程中，DPO 训练策略同样发挥了重要作用，long-cot 生成的多个答案中，最短的正确输出被视为正样本，而冗长的正确答案或错误的长输出则作为负样本，帮助模型学会更偏向简洁、高效的推理路径。
总的体验下来，我们可以看见 Kimi 1.5 在推理能力和多模态处理方面的显著进步。尤其是在长文本处理上的创新。更重要的是 Kimi 1.5 的发布为 AI 大模型的发展提供了新的思路和方向。但是，随着模型复杂度的增加，计算资源的需求也会相应提升。如何保持高性能的同时，优化计算资源的使用，会是未来需要重点关注的问题。
