Kimi k1.5 推理模型

Kimi k1.5 是什么

Kimi k1.5 是月之暗面（Moonshot AI）于 2025 年 1 月 20 日发布的推理模型^[1][2]。它是多模态模型，除文本之外也接受图像输入，推理不局限于语言^[2]。发布时，月之暗面称其在数学、编程和多模态推理三个方面达到了与 OpenAI o1 相当的水平^[1][2]。

该模型的技术报告题为「Kimi k1.5: Scaling Reinforcement Learning with LLMs」，署名 Kimi Team 与另外 95 位作者^[3]。

怎么训练的

报告的标题点明了核心思路：不是主要靠更多的预训练数据，而是在大语言模型之上扩展强化学习（reinforcement learning）^[3]。在这个语境里，强化学习指的是：对那些机器可以自动判定的任务给高分——算式验算通过、代码通过测试——再让模型的参数朝产生高分的那个方向调整。

作者描述的强化学习框架不使用这类训练中常见的三个部件：蒙特卡洛树搜索（Monte Carlo tree search）、价值函数（value function）和过程奖励模型（process reward model）^[1][3]。通俗地说，蒙特卡洛树搜索是把一条推理路径的许多分支展开，靠模拟结果来挑选走哪一条；价值函数估计一个尚未完成的解法后面还能拿到多少奖励；过程奖励模型则是一个另外训练出来的打分器，逐步给中间推理步骤评分，好让模型按步获得奖励。三者都不用，训练流程因此简化，也不必先训练一个步骤级的奖励模型——奖励直接来自最终那个可验证的答案。

公布的成绩

arXiv 摘要给出了两种配置的结果^[3]。长思维链（long chain-of-thought，long-CoT）版本在作答前花更多 token 进行推理，在 AIME 上得 77.5 分，MATH 500 上得 96.2 分，在 Codeforces 上处于第 94 百分位，MathVista 上得 74.9 分；作者称这些数字与 OpenAI 的 o1 相当^[3]。短思维链版本推理更简短，在 AIME 上得 60.8 分，MATH 500 上得 94.6 分，LiveCodeBench 上得 47.3 分^[3]。作者还称，短思维链版本的结果比 GPT-4o 和 Claude Sonnet 3.5 高出最多 550%^[3]。

以上都是作者自己报告的数字和比较。基准成绩会随提示方式、采样和评测设置而变化，因此它们描述的是该报告中测得的模型表现。

在模型序列中的位置

这次发布把月之暗面放进了围绕推理阶段延长思考时间来构建模型的一批实验室之中，并直接把 OpenAI 的 o1 作为对照对象^[1][2][3]。技术报告的贡献不止于分数：它主张用相对简洁的强化学习回路就能训练出较强的推理能力，训练阶段不做搜索，也不需要单独训练步骤打分器^[1][3]。

k1.5 之后，2025 年 4 月出现了开源的 Kimi-VL，2025 年 7 月出现了开放权重的 Kimi K2^[2]，Kimi 系列由此向公开释放的多模态模型与大规模模型延伸。