翻完DeepSeek报告，我们发现了中国AI的默契

多次偶遇背后的一场「合谋」

这一周，全球大模型领域的重磅消息接二连三，热闹非凡。国内赛场更是精彩纷呈，从周一开始，Qwen、Kimi、小米、腾讯等玩家相继亮出最新成果。到了周五，备受期待的DeepSeek V4双版本终于发布，瞬间在国内AI圈掀起了一波讨论热潮。

免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈

一个值得关注的里程碑是，中国正式迈入了“万亿参数俱乐部”，并且已有DeepSeek和Kimi两家公司选择将如此规模的模型开源，小米也预告了其万亿模型的开放计划。

仔细研读DeepSeek V4近60页的技术报告，一个有趣的发现浮出水面：这两家已开源的万亿巨头之间，存在着一种超越竞争的默契。这种默契所带来的协同效应，远比任何单打独斗都更具力量。

如果往前追溯，你会发现DeepSeek和Kimi的“偶遇”早已不是第一次。这背后，或许源于两位创始人对Scaling Law的共同信仰，以及对AGI这一终极目标的竞相追逐。

从DeepSeek-R1与Kimi K1.5发布仅隔两小时，到双方关于推理与优化的论文同期发表；从Kimi的数学推理模型启发DeepSeek-Prover V2，再到本周Kimi K2.6与DeepSeek-V4的齐头并进——时间线上的巧合未免太多。

这看起来不像是一场你死我活的厮杀，反倒更像一种基于“开源共享”精神的共同进步。用汽车圈流行的一句话来形容，或许很贴切：“好的设计，总是心有灵犀。”

技术层面的联动尤为明显：Kimi K2采用了DeepSeek V3首创的MLA注意力机制；而到了DeepSeek V4，则引入了经过Kimi大规模验证的Muon优化器。这种你追我赶、相互借鉴的态势，已然成为行业技术演进的一大亮点。

MLA注意力机制：DeepSeek 创新，Kimi 复用

首先值得一书的是MLA注意力机制。这个由DeepSeek在V3中首创的设计，通过巧妙的低秩压缩技术，有效降低了长上下文推理时的显存占用，让处理超长文本成为可能。这项创新很快得到了业界的认可，Kimi在构建K2模型时，便在其注意力机制中采纳了MLA的设计思路。

二阶优化器：Kimi 大规模验证，DeepSeek 跟进

另一个关键突破发生在优化器领域。2025年2月，Kimi发表了《Muon is Scalable for LLM Training》论文，在480亿参数的Moonlight系列模型上验证了Muon优化器的有效性，旨在挑战已统治行业十年的Adam优化器。同年7月，万亿参数的Kimi K2首次大规模应用了二阶优化器Muon，充分展示了其在大模型训练中的潜力。

如今，DeepSeek V4也跟进采用了Muon优化器技术，以提升训练过程的稳定性。两家公司将底层的优化技术相互吸纳，打破了技术壁垒，展现了一种前所未有的、深层次的协作姿态。

残差连接：两种不同的解决方案

在残差连接这一关键组件上，两家公司也各自给出了精彩的答案。

DeepSeek在V4中引入了mHC残差连接，目标是提升信息传递的效率。通过改变多头注意力的拼接方式，mHC优化了梯度流动，实测将训练效率提升了约30%。

Kimi则提出了Attention Residuals（注意力残差），同样致力于优化信息流的传递效率，并提升了模型整体表现。这一创新获得了业界多位重量级人物的关注。Andrej Karpathy点评道“我们对《Attention is All You Need》的理解还不够”，OpenAI的推理专家Jerry Tworek则认为“我们应该重新思考一切，深度学习的2.0时代正在到来”。就连马斯克也在社交媒体上为此点赞，称其为“令人印象深刻的研究”。

两种方案各有侧重，体现了同一技术问题上不同的解决思路与工程智慧。

长上下文推理：两种技术路线的探索

长上下文推理是衡量大模型能力的重要标尺，也是一项巨大的工程挑战。Kimi和DeepSeek在此问题上选择了不同的技术路径。Kimi早在2024年便实现了百万Token的上下文能力，尽管能力强大，但其计算成本随着上下文长度线性增长的问题，对普通开发者而言仍是一道门槛。

到了2026年，针对成本难题，两家公司分别提出了自己的解决方案：

DeepSeek选择了稀疏注意力路线。让模型只聚焦于输入中的关键部分，从而大幅降低计算量，使得百万上下文的成本变得更为可控。这种方法精度高，但对设计和调优提出了更高要求。

Kimi则推出了线性注意力架构。它从根本上改变了注意力机制的计算方式，将计算复杂度从传统的O(n²)降低到O(n)，从理论层面为长上下文的高效处理开辟了新道路。

稀疏注意力强调精准性，线性注意力追求高效性。重要的是，Kimi和DeepSeek同时在这两条路线上发力探索，为未来长上下文推理的规模化应用提供了更多元、更坚实的技术选项。

从「两个公司」到「一套基础设施」

DeepSeek和Kimi之间频繁的“偶遇”，远不止是技术圈的热闹谈资。它更深层的意义在于，正在悄然重塑中国AI产业的格局。

对比来看，GPT-4的参数量至今未正式公布（外界估计在1.8万亿左右），Claude 3.5 Opus同样选择闭源。而中国的这两家创业公司，不仅做出了同等量级的模型，更关键的是选择了全面开源。这意味着任何开发者、研究机构或企业，都能免费获取这些顶尖模型进行二次开发和私有化部署。

带来的直接变化是惊人的：企业私有化部署的成本被砍至原来的十分之一。让中小企业在自己的服务器上跑起万亿参数模型，这在一年前还是难以想象的事情。

开源生态的活力正在显现。在OpenRouter平台上，两家的API调用量稳居中国区前两名。在应用层，Kimi被海外爆款编程工具“套壳”接入，而DeepSeek则被日本乐天集团直接集成，包装成了全新的Rakuten AI 3.0。

这股来自东方的开源力量，已经引起了硅谷巨头的正视。

在Meta最新模型Muse Spark的官方技术博客中，Llama 4的性能被直接拿来与DeepSeek-V3.1以及Kimi-K2进行对比：

而在黄仁勋的CES主题演讲中，DeepSeek和Kimi K2-Thinking模型更是被赫然置于大屏幕，作为展示其下一代Blackwell与Rubin芯片强大性能的基准标杆：

与此同时，两家公司都在国产芯片的适配与应用上做出了实质性投入。DeepSeek V4首次深度适配华&为昇腾芯片，推理环节将运行在国产硬件之上。Kimi的Prefill-as-a-Service方案则提出了跨数据中心异构硬件推理框架，允许用不同类型的国产芯片分别承担Prefill和Decode阶段，实测吞吐量提升54%，首token延迟降低64%。这为国产芯片进入大模型推理的核心链条，打开了一个切实可行的切口。

黄仁勋曾在播客节目中说过一句意味深长的话：“芯片又不是铀浓缩，阻挡不了中国芯片的进步，他们依旧可以通过国产芯片来开发模型。”他或许没想到，DeepSeek和Kimi正在用实际行动，让这个未来加速到来。

结语：两个广东人，撑起中国 AI 的半边天

技术所能达到的高度，最终取决于开拓者的格局。

2023年同年起步，以最短时间双双叩开百亿美金估值的大门——DeepSeek与Kimi，始终保持着团队人数精简、但人才密度顶尖的配置。两位同样来自广东的创始人，杨植麟与梁文锋，既是技术的虔诚信徒，也被视为中国AI国家队的中坚力量。

在高层主持召开的经济形势专家和企业家座谈会上，两人时隔一年分别建言献策，这成为中国AI发展史上的一个有力注脚。他们各自引领着技术范式：DeepSeek向世界证明了“思维链”的威力，而Kimi则在国内点燃了“智能体”落地的浪潮。

在追逐AGI的这场马拉松中，没有哪家公司能闭门造车地跑完全程。DeepSeek与Kimi之间，存在竞争，更有共鸣。Muon与MLA的技术互通，在底层机制上惺惺相惜的探索，恰恰说明：中国AI真正的底气，从来不是某一家公司的单打独斗，而是在这种“偶遇”中碰撞出的技术火花，以及在开源生态里悄然生长、互利共生的繁荣体系。

双峰并峙，终将顶峰相见。属于中国大模型的万亿级航海时代，帷幕才刚刚拉开。