月之暗面发布 Kimi k1.5 推理模型

一家年轻公司与一个新目标

月之暗面（Moonshot AI）成立于 2023 年 3 月，到发布 Kimi k1.5 时还不满两年^[1]。这段时间里，大模型领域的关注点正从「直接作答」转向「先想再答」：先生成一长串中间推理步骤，然后才给出最终答案。OpenAI 的 o1 是这类系统的参照物，追上它成了若干实验室的明确目标。

发布

2025 年 1 月 20 日，月之暗面发布 Kimi k1.5^[1][2]。这是一个多模态推理模型，除文本外也接受图像输入，并在两者之上进行推理^[2]。月之暗面称，它在数学、代码和多模态推理三方面与 OpenAI 的 o1 持平^[1][2]。这是一句竞争性表态，而不是中立的评测报告，但外界正是按这个说法来接收这款模型的。

训练路线

两天后的 2025 年 1 月 22 日，配套的技术报告以《Kimi k1.5: Scaling Reinforcement Learning with LLMs》为题提交到 arXiv^[3]。

报告最特别的地方在于它舍弃了什么：月之暗面描述的强化学习方法避开了蒙特卡洛树搜索（Monte Carlo tree search）、价值函数（value function）和过程奖励模型（process reward model）^[1]。

这三样东西是搜索式推理训练的常规部件，各管一件事。蒙特卡洛树搜索从一个不完整的解出发，探索许多条可能的后续路径，留下看起来有希望的分支。价值函数是对某个中间状态好坏的习得估计，用来指导这种探索往哪里走。过程奖励模型则对每一步中间推理单独打分，而不只看最终答案，好让模型知道思维链是在哪一步走偏的。三者的共同代价是额外的训练或额外的计算：搜索要在生成时多跑许多分支，价值函数和过程奖励模型都要单独训练。一套不用它们的方案，意味着训练时既不必单独跑一遍搜索，也不必单独训练一个步骤级的打分器。

成绩

论文摘要给出了两套配置，区别在于允许模型生成的思维链有多长。长思维链版本在 AIME 上得 77.5 分，在 MATH 500 上得 96.2 分；短思维链版本推理过程短得多，AIME 得 60.8 分，MATH 500 得 94.6 分^[3]。

两个基准测的不是一回事。MATH 500 和 AIME 都是竞赛数学题集，其中 AIME 更难、门槛更高。因此两套配置的差距很能说明问题：在 AIME 上，长思维链比短思维链高出近 17 分；在 MATH 500 上，两者只差 1.6 分。题目越难，加长推理换来的收益越大；题目较常规时，短推理已经能到达答案，长推理的空间就小了。

意义

有两点值得注意。一是时间。一家 2023 年 3 月才成立的公司，在 2025 年初就宣称与 o1 持平^[1]。前沿推理能力不再只属于规模最大、历史最久的实验室，一家资金充足的初创公司与领先闭源模型之间的距离，已经可以用月来衡量。

二是方法。报告给出了一条不依赖树搜索、价值函数和过程奖励模型的强化学习路线，能在这些部件缺席的情况下扩展^[1]，为训练推理模型的人提供了另一种设计选择。它也支撑了一个更宽泛的判断：收益的很大一部分来自长思维链本身，围绕它的那套复杂搜索装置是可选项，而非必需品。论文报告的两套配置，以及它们在难题上拉开的差距，正是这个判断的证据。