董勇博客

标签： DeepSeek

  • 收费才是DeepSeek的“成人礼”

    声明：本文来自于微信公众号 字母榜，作者：彦飞

    DeepSeek首次融资的“金主”名单，逐渐浮出水面。

    6月3日，媒体报道称，DeepSeek计划募集约500亿元人民币，投后估值达3500亿至4000亿元。相比上月底传闻的700亿元，最新传出的融资规模略有收缩。

    除了DeepSeek创始人梁文锋承诺投入200亿元外，腾讯考虑投资100亿元，宁德时代也可能投资50亿元。综合多方消息，其他潜在投资方包括国家集成电路产业投资基金、网易、京东、砺思资本、IDG资本、基石资本等。

    DeepSeek是国内唯一尚未融资的主要AI公司。等到这笔资金到位后，它的财务压力将减轻不少。不过，和梁文锋的理想和大众对于 DeepSeek的期待相比，这笔钱显然远远不够。

    再大的公司，搞 AI 都缺钱。豆包已经确定要收费，DeepSeek或许可以学习一下。

    豆包5月初更新了App Store应用商店页面，公布了即将收费的消息，设置三档订阅价格，最低68元/月。

    6月3日晚间，豆包发布消息称，计划推出专业版，将包含软件开发等多项专业服务。用户日常使用的功能，包含搜索问答、写作生图，以及语音和视频对话等，将保持目前的免费服务。专业版的服务也将在一定额度内免费。

    豆包App启动收费，并不令人意外。

    AI App烧钱严重、收入却非常少，现金流转正遥遥无期，是所有AI公司都面临的难题。坐拥3.45亿MAU、1.45亿DAU的豆包，同样逃不开这一行业现实。

    更深层的难题是，互联网产品的边际效应不适用于AI产品。他们并不能像互联网产品那样，熬到用户量跨过某个节点后，立刻绝地逢生、扭亏为盈。恰恰相反，AI App的用户量越大，token使用量越高，亏损就越严重。

    deepseekv4

    赚钱，已经成为AI App的头等大事。直接收取会员费，则是最简单直接、立竿见影的手段之一。

    在国外，ChatGPT、Gemini、Claude、Grok等AI App早已搭建了一整套付费会员体系，同时对“白嫖”用户施加越来越多限制，形同“逼氪”。在国内，各大AI App吃相好看一些，但底层玩法并无二致。

    如今，国内活得最好的豆包，也把收会员费提上日程。

    但与同行相比，豆包背靠抖音这头现金牛，能够获得集团的资金支持。同时，字节多次上调火山引擎MaaS业务的全年营收目标，今年4月已达150亿元，相比去年底调高50亿元，侧面反映出字节AI的整体赚钱能力相当强劲。

    真正该快马加鞭、向C端用户收费的，或许是一直对商业化不太着急的DeepSeek。

    表面上看，DeepSeek在幻方量化的羽翼之下并不缺钱，数百亿元巨额融资也在路上。但豆包尚且需要靠卖会员“补贴家用”，DeepSeek资金实力更弱，也有必要广开财源。

    收费的另一重好处是，一直顺风顺水的DeepSeek，能够借机逼自己一把，在研发新模型之余，深入AI编程为核心的生产力场景，真正具备“干活”能力。相比技术、工程方面的创新突破，补齐这一短板的战略价值并不逊色。

    此前，DeepSeek违背“祖训”、引入外部股东，实现第一次自我突破。如今，一个敢于向C端收费的DeepSeek，将有机会再次完成“成人礼”。

    A

    DeepSeek的可用资金并不宽裕，表现之一是算力资源明显不足。

    主要AI App中，DeepSeek几乎是宕机次数最多的。特别是今年5月V4系列模型上线后，DeepSeek多次服务中断，相比前几个月更加频繁。

    宕机的部分原因是token消耗量飙升。根据AI模型聚合平台OpenRouter的数据，5月最后一周，DeepSeek V4Flash的token消耗量高达3.65万亿，环比增长32%，高居行业第一。

    解决算力瓶颈并不困难:增加服务器、购买更多云端算力即可。不过，这也意味着更高的日常运营费用。DeepSeek若要不再频频宕机，就得多赚钱。

    在B端，DeepSeek已经具备加大收费力度的条件。

    最新发布的V4系列大模型虽然不算全方位SOTA，但性价比极为出色，吸引了大量专业用户和企业使用。再加上此前沉淀的口碑，DeepSeek完全有资格通过涨价赚得盆满钵丰。

    但DeepSeek显然还不想马上“收割”。

    在竞争对手纷纷涨价的情况下，DeepSeek一个月里四次调低V4模型的价格，5月底更是永久降价75%，每百万token输入（缓存命中）0.025元，输入(缓存未命中)3元，输出6元，堪称今年AI圈的“价格屠夫”。

    DeepSeek释放的信号是:它希望聚拢尽可能多的B端用户，哪怕暂时赚不到钱，也要全力扩大用户规模。

    这与DeepSeek下一步计划——在生产力场景落地相契合。

    此前有报道称，DeepSeek组建了一个Agent Harness团队，方向是编程智能体，对标Anthropic旗下的Claude Code。与此同时，DeepSeek启动了相关职位的招聘。

    不难看出，DeepSeek对于B端市场期待很高，希望通过超低价跑马圈地，并不急于盈利。这也意味着，现阶段，C端收入需要扛起DeepSeek的商业化大旗。

    C端用户每天消耗token，却很少贡献收入，长期是AI App的亏损黑洞。

    以豆包为例，其日均token消耗量从2024年5月的1200亿，飙升至今年3月的120万亿，增长约1000倍，其中很大一部分源自C端用户。但由于AI App的chatbot功能均为免费、不限量，巨量的token消耗并不能直接转化为收入，只会带来亏损。

    在高峰期，这一矛盾更加突出。DeepSeek此前就有点儿“绷不住了”。5月29日下午，不少网友发现，DeepSeek重新生成、修改有次数限制了。有消息称，DeepSeek算力压力太大，采取了临时限制措施。

    但只靠临时限流，无法真正解决问题。更何况，DeepSeek正在添加多模态能力，图片、视频、音频的token消耗量百倍、千倍于文字，算力需求更大，带来的亏损也更严重。

    DeepSeek已经在找钱。但500亿的融资规模，比不上在港股市场狂飙的智谱、MiniMax，更比不上动辄融资千亿美元的OpenAI、Anthropic等巨鳄。只靠外部输血，DeepSeek迟早供不上仍在快速上升的C端用量。

    破局之道，恐怕只有直接向用户收钱，为高消耗的高阶功能设置付费墙。

    这其实是把B端的API商业模式移植到了C端。唯有如此，DeepSeek才能让token用量与收入规模真正挂钩，算力瓶颈才有机会被真正化解。

    B

    向C端用户收费，除了能够立竿见影地获得收入，还能以商业化倒逼产品落地，帮助DeepSeek补齐生产力场景的短板。

    与国内AI公司相比，DeepSeek的长板是技术理念、模型能力、工程实现和性价比。每次发布新模型，它总是能够在这些维度上刷新行业认知，建立新的标杆。

    坐拥高性能、高性价比模型，DeepSeek对于AI生产力的挖掘却并不充分。在产品落地上，DeepSeek尚有不少短板。

    以AI编程为例，DeepSeek最新模型居于行业前列。按照DeepSeek的说法，V4的Agentic编程能力是开源模型里最强的，还针对Claude Code等进行了专项优化。V4发布后调用量迅速跃居行业前列，也从侧面印证了码农对于这一新模型的喜爱。

    问题是，DeepSeek缺少Codex、Claude Code这样的独立AI编程产品，开发者大都通过第三方工具调用DeepSeek V4等模型。这一定程度上限制了DeepSeek的商业前景，也让DeepSeek App的功能矩阵止步不前。

    当豆包、千问等想尽办法在App内塞入各种办公功能，并与电商、本地生活、学习教育等模块打通时，DeepSeek依然停留在chatbot的朴素形态，就连多模态都不支持。

    面向生产力场景，DeepSee手握好牌，却慢了好几步。而这种慢，又导致了App的商业化进展有限。两者互相拖累，形成恶性循环。

    如今，AI App纷纷开始收会员费，为DeepSeek提供了一个契机:以C端收费为切入点，让商业化先行一步，把产品侧的速度带起来。

    AI App卖会员，基础功能chatbot肯定还是免费，卖点只能是高阶功能。这类功能是否好用、够用，很大程度上决定了用户是否愿意花钱。

    以豆包为例，专业版将包含软件开发、数据分析、专业设计、流程自动化、金融分析、科学研究等专业服务。

    会员体系更成熟的AI App，则往往以AI编程为主打项。

    比如Kimi划分四档付费套餐，入门版本为连续包月每月49元，最高版本则为699元。不同档位的差距主要是Agent额度、是否支持Agent多任务并行、能否调用AI编程、是否支持专业数据库、能否“养虾”等。

    DeepSeek要想卖会员，就得效仿其他AI App，主动补齐生产力相关的能力矩阵。如今几乎白板一块的DeepSeek App，势必要经历一番大改造，才能端到用户面前。

    这一改造的技术难度不大，却高度契合高价值用户的需求，并与Agent时代注重工作能力的潮流相吻合。DeepSeek很早就应该做了，却在种种原因下，始终没有迈出第一步。

    后果已经显现:DeepSeek去年初击败一众玩家，登顶国内AI App榜首;如今却又被豆包反超，甚至落在了千问身后。这固然有其他App大举砸钱推广的因素，但DeepSeek功能单一，外加时常宕机，也是其热度下滑的重要原因。

    所幸，DeepSeek仍然拥有大量忠实拥趸。

    今年5月初，一个叫 DeepSeek-TUI的开源项目在GitHub引发关注，一天时间就收获1.6万颗星。它是一款基于DeepSeek V4的终端原生编程智能体，不少开发者称其“DeepSeek版Claude Code”。

    官方无法提供的生产力，粉丝就自己造。热情的粉丝，不仅为DeepSeek缓解了生产力的短板，也让它在开收会员费时有了更好的基础。

    C

    DeepSeek向用户收费，将是梁文锋的又一场“成人礼”。

    上一场“成人礼”，是它不再对外部资本说“不”。

    在风险投资驱动的AI行业，DeepSeek是一家颇为特立独行的公司:不接受外部融资、不稀释股权、不被任何人的商业化时间表绑架。“三不”原则造就了DeepSeek的独特气质和过往成功。

    但进入2026年，DeepSeek出人意料地抛弃了这些原则，转而与众多巨头和风投基金接洽。

    摆在梁文锋和DeepSeek面前的，是一个越来越清晰的事实:仅靠幻方量化每年7亿美元的收入，DeepSeek很难继续领跑，甚至会沦为二线选手。

    资金薄弱的影响正在显现。App用户量被反超;万众期待的DeepSeek V4，虽然依然是开源模型的SOTA，但与一众闭源旗舰模型相比并无优势;罗福莉、郭达雅等核心人员投奔巨头，更是DeepSeek难以弥补的损失。

    在资本市场上，DeepSeek最高4000亿元的投后估值，相当于两个MiniMax，却比智谱低了2500亿;相比万亿美元的OpenAI、Anthropic等，更是有两个数量级的差距。

    于是，DeepSeek改弦更张，腾讯、宁德时代等即将成为新的股东。外部投资者除了带来丰裕的资金，也可以给DeepSeek创造更宽阔的用户入口和落地场景，并将自家的生产力工具矩阵“嫁接”到DeepSeek上。

    但除了改变对于资本的看法，DeepSeek还需要商业化层面的“成人礼”——从“不赔不赚”，到“努力搞钱”。

    过去，梁文锋和DeepSeek对于盈利的态度非常谨慎。在他的构想中，DeepSeek将继续推进开源AI模型，并以实现通用人工智能（AGI）为目标。利润并非公司的首要目标。

    早在2024年宣布DeepSeek V2降价时，梁文锋就表示，DeepSeek 只是按照自己的节奏做事，核算成本后定价，原则是不贴钱，也不赚取暴利，希望在成本之上稍微有点利润。

    这套带有理想主义气息的逻辑，与OpenAI早年间的理念颇为相似。只不过，OpenAI几年前就抛弃了这一路线，转而朝着一家“正常”的公司转型，在赚钱的道路上狂奔;DeepSeek则尚未完成这一转变。

    另一方面，追求“不赔不赚”意味着，DeepSeek需要更加依靠技术、工程等方面的突破来保持领先，去年的R1、今年的V4系列模型就是这样。但在激烈竞争中，这并非最快的发展路径，也并不会总是能够成功。

    抱着旧思维的DeepSeek，面临新的竞争环境:AI已经从SOTA模型的对决，变成了既看产品和技术，更要赚钱逻辑的自洽、商业闭环的成立。

    国内外AI公司已经充分意识到这一点。他们在集体迈向资本市场时，都把商业化能力摆在重中之重，客户比用户更重要，而ARR（年度经常性收入）是关键指标。

    同时，资本市场正在奖励那些赚到钱的AI公司。Anthropic不仅收入规模超越OpenAI，还有望在今年第二季度首次扭亏为盈。在华尔街力挺下，Anthropic的估值已经反超OpenAI。

    DeepSeek无法改变这一趋势，只能改变自己、迅速适应。和其他AI公司一样，DeepSeek到了“努力搞钱”的时刻了。

    DeepSeek以往沿着梁文锋的想法前行，商业化怎么走、赚不赚钱，在于一念之间。但随着DeepSeek引入外部股东，这家公司的理想主义色彩注定消散，商业化进程势必加速。

    今年以来，DeepSeek已经在加大AI编程方面的努力。在这一大动作产生效益之前，效仿豆包及其他对手，向C端用户收费，将是一举多得的举措，也可以推动DeepSeek再一次完成战略思维的跃迁。

  • 梁文锋率领小龙过千亿

    声明：本文来自于微信公众号 字母榜，作者：李炤锋

    这个5月，中国AI产业的一级市场异常热闹。

    先是DeepSeek，这家国产超级AI独角兽正在推进成立以来第一次外部融资。最新信息显示，国家AI产业投资基金、腾讯等资方都进入了洽谈名单。

    一个月前，DeepSeek还被传以100亿美元以上估值融资;几周后，估值已经被推高到450亿—500亿美元区间。综合目前消息来看，DeepSeek本轮融资规模可能达到30亿—40亿美元，资金将主要用于算力基础设施、研发和员工激励。

    紧随其后，月之暗面被曝完成或接近完成约20亿美元融资，投后估值突破200亿美元。这轮融资由美团龙珠领投，中国移动、CPE等参投。

    几乎同一时间，另一家AI“六小龙”阶跃星辰，也传出近25亿美元融资将落地。值得关注的是，这轮融资里出现了华勤、龙旗、豪威、中兴等手机和消费电子产业链资本，被称为“港版淡马锡”的香港投资管理有限公司也被报道进入股东名单。

    三家头部AI独角兽同步推动融资，这并非偶然，而是中国AI产业经历了一场集体重估。以DeepSeek为代表，中国头部基模公司的估值门槛，已经来到了千亿人民币以上。

    要知道，几个月前，最先冲刺港股市场的智谱和MiniMax，上市前发型师估值都在500亿港元左右。

    而在1月登陆港股后，这两家公司迅速成为二级市场上少有的基模标的，市值成倍增长，截至本月9日，智谱最新市值已经突破4000亿港元，而MiniMax也稳定在2300亿港元。

    二级市场已经给了样板，那一级市场的热度，就只需要一个火花来引燃。下一轮基座模型公司的融资和IPO浪潮，终于随着DeepSeek的融资信号，来到了余下几家AI独角兽身上。

    AI客服 AI语音

    A

    谁也没有想到，中国AI独角兽的定价体系，就这样在过去几周之内被颠覆。

    三周前，有媒体爆料称，DeepSeek正在洽谈成立以来第一次外部融资，计划至少融资3亿美元，估值在100亿美元以上，但这一信号很快被资本市场捕捉并加速。

    几天前，一个重磅的名字出现在了DeepSeek的资方名单中，中国国家集成电路产业投资基金，也就是“国家大基金”，正在洽谈领投DeepSeek首轮融资，估值可能达到450亿美元。

    而根据最新消息，DeepSeek的估值可能已经来到500亿美元，融资额预计30亿—40亿美元，腾讯也在洽谈参与。

    换句话说，DeepSeek的估值在几周时间内，迅速在一级市场被做大了五倍。

    这轮估值抬升，一方面是因为DeepSeek被资本和产业侧同时看作国产AI底座的核心竞争者。尤其是在DeepSeek收入仍有限的情况下，仍被投资人看作国产AI战略中的关键公司。

    另一方面，市场一直都在期待DeepSeek打开融资的大门，但多年以来DeepSeek一直是拒绝外部资本的“技术理想主义者”形象。

    过去两年，DeepSeek主要依靠创始人梁文锋，以及母公司幻方体系内资金支持，外部投资人很难进入。但进入2026年后，AI产业的投入呈现指数级增长态势，研发、算力、人才竞争都在变贵。

    DeepSeek也面临来自字节、阿里等公司的竞争，不仅仅是在模型市场，也在人才竞争领域。比如，原DeepSeek的核心研究员郭达雅，就于近期转投字节跳动。

    另一方面，算力扩充也是推动融资的现实理由。母公司幻方早年曾为DeepSeek储备了约1万张规模的英伟达A100集群，但来到V4等新一代模型时期，训练和推理都在放大算力消耗;即便其正加速适配国产算力，继续扩充计算基础设施仍需要外部资金支撑。

    值得注意的是，阿里曾经也试图进入DeepSeek融资桌。

    几周前曾有报道披露，腾讯、阿里都曾与DeepSeek有过投资接触。但近期传出阿里和DeepSeek“谈崩”的消息。根据《每日经济新闻》的最新报道，有市场人士称，阿里“应该没有进行谈判”。

    另一方面，DeepSeek的这一轮资本故事，几乎和新一代模型V4同步落地。

    两周前，DeepSeek-V4Preview正式上线并开源。官方文档显示，V4系列分为V4-Pro和V4-Flash两个版本，最大上下文长度均为1M;V4-Pro总参数更是来到了惊人的1.6T。

    V4的外部反响，贯彻了DeepSeek一直以来的性价比路线。V4Pro的定价，为每百万输入仅为0.435美元、输出0.87美元;开发社区Hacker News上，有用户表示，用它跑同样代码审查，耗时约为Opus/GPT的两倍，但成本不到十分之一。

    与之对比，Anthropic最新给出的Claude Code企业开发者成本，已到日均13美元、月均150—250美元。

    所以，V4的市场反馈更像一次性价比回归：Artificial Analysis把V4Pro列为开源权重模型第一梯队、仅次于Kimi K2.6。

    更重要的是，V4的意义不只是模型升级，而是和国产算力强绑定。

    DeepSeek V4的一个关键变化，是适配华为最先进的昇腾AI芯片。华为也在第一时间宣布其昇腾超节点将全面支持DeepSeek V4;随后业内传出，字节、腾讯、阿里等头部AI厂商，在V4发布后正加速争抢华为昇腾950系列芯片。

    这把DeepSeek推到了国产AI算力生态的C位。

    过去，中国大模型公司很难绕开英伟达CUDA生态。模型越是要升级，越依赖高端GPU。DeepSeek V4在华为昇腾体系内得到验证，意味着国产基模和国产算力之间出现了一次重要的路线重合。

    这也是为什么，DeepSeek能成为这一轮融资潮的“领头羊”。

    而在DeepSeek的估值攀升的同时，其他头部基模公司，也有了新的估值参照系。

    B

    DeepSeek把估值锚抬高后，未上市的几家AI独角兽迅速迎来价值重估，首当其冲的就是月之暗面和阶跃星辰。

    公开信息显示，月之暗面近期这轮融资约20亿美元，投后估值突破200亿美元，由美团龙珠领投，中国移动、CPE等参投，其中美团龙珠出资超过2亿美元。

    这是月之暗面成立以来规模最大的单笔融资，也是彼时国内大模型创业公司金额最高的私募融资金额。

    至于为什么要说“彼时”，因为很快阶跃星辰和DeepSeek就打破了这一纪录。

    不过，抛开单轮额度，月之暗面的融资节奏也在今年密集落地。今年前两个月，月之暗面已经连续完成三轮融资，加上5月这轮20亿美元，不到半年融资超过39亿美元。

    换言之，月之暗面相比去年底的估值，已经翻了4倍有余。

    值得注意的是，月之暗面的每一轮融资背后，都有着美团系的重要身影。

    美团龙珠成立于2017年，是植根于美团体系的产业投资平台，早期更偏消费和本地生活投资，近年开始加码前沿科技。2023年7月，龙珠合伙人王新宇就参与了月之暗面的融资谈判，在Kimi爆红前进行了早期重仓。

    最近一轮持续加码后，王新宇也公开现身给月之暗面站台，他在近期采访中披露，Kimi在K2.5更新后，ARR于3月初突破1亿美元，4月升至超过2亿美元，付费订阅和API调用都在加速。

    美团联合创始人王慧文，则是月之暗面融资历程中的另一位关键人物。公开报道显示，他以个人身份多轮参投月之暗面，并在去年年底5亿美元C轮融资中继续跟投，累计投资额约7000万美元。

    模型方面，月之暗面的最新一代模型K2.6在几周前正式发布，K2.6强化了编程能力、长程任务执行和Agent集群能力，可支持最多300个子Agent协作，Kimi也开始同步测试Claw群组功能。

    测试数据显示，K2.6能够不间断编码13小时，编写或修改代码超过4000行，是Kimi迄今代码能力最强的模型。在智谱和MiniMax上市后，月之暗面一度被认为是“六小龙”剩余几位成员中，最有希望冲击IPO的公司。

    但与此同时，另一家“小龙”阶跃星辰也迅速行动起来。

    最近两天，多家媒体报道，阶跃星辰即将完成近25亿美元融资。融资名单里，除了一众地方国资外，华勤、龙旗、豪威、中兴等手机产业链资本集中入场，覆盖整机制造、核心器件、通信终端等环节。

    其中，华勤、龙旗是手机ODM龙头，豪威是图像传感器核心厂商，中兴是终端和通信设备厂商。它们投阶跃，多少有些产业合作伙伴下场站台的意思。

    另一方面，阶跃今年的资本动作也十分密集。今年1月，阶跃星辰完成超50亿元B+轮融资，投资方包括上海国资、国寿股权、浦东创投等;同日，千里科技董事长印奇，同步出任阶跃星辰董事长。

    印奇的加入，让阶跃的外部想象力迅速发生变化。姜大昕仍是阶跃创始人兼CEO，代表模型研发和公司经营;印奇则更像是资本、产业和终端场景的连接人。而印奇作为双料董事长的另一条线，也开始和阶跃发生更深绑定：千里科技以及其背后的吉利系资本。

    4月22日，千里科技宣布与阶跃星辰达成全面战略合作，双方将共建“原生智驾基座模型”。

    前荣耀CEO赵明在转投千里后也公开亮相，作为千里科技联席董事长的赵明在发布会上表示，千里科技和阶跃决定从基座模型预训练阶段开始深度融合，把通用语料与真实智驾感知、规控数据同源输入。

    这就能解释，为什么阶跃的融资名单里会有一批终端产业链资本。

    阶跃近期业务动作也围绕端侧Agent、语音模型和全模态能力展开。本月8日，阶跃发布StepAudio2.5Realtime，定位新一代实时语音大模型;更早之前，阶跃发布Step-GUI系列，试图把GUI Agent能力推向手机等终端场景。

    另一方面，尽管阶跃星辰和月之暗面的融资动作不断，但想要跑通港股IPO，仍有一个至关重要的环节：红筹架构拆分。

    红筹架构，通常是中国境内经营实体，通过境外控股公司承接境外融资和上市安排的一套股权结构。过去很多互联网公司通过红筹/VIE结构赴美、赴港上市。

    但近年来，涉及数据、AI、硬科技等行业的红筹架构公司，在境外上市备案和监管审核要求愈发严格。对准备赴港上市的公司来说，拆除红筹架构，往往意味着把股权和控制关系放到境内监管备案。

    目前公开报道显示，阶跃星辰已拆除红筹架构，这被视为赴港IPO的重要前置步骤;月之暗面方面，则是更多在磋商阶段，评估时间窗口与架构方案，但没有公开信息显示其在部署股改。

    这一轮的AI港股窗口谁先抢到，还有待进一步观察。

    另一家曾经的“六小龙”零一万物也被传出赴港IPO动向，最新报道称其正进行IPO前融资、筹划港股上市。

    零一万物方面回应称，当前聚焦企业智能体和市场落地，资本规划“开放且审慎”，暂无更多披露。估值上，零一万物2023年曾超10亿美元，但近期融资和新估值信息披露有限。业务上，公司已收缩超大基模预训练，转向企业智能体、垂直场景和行业交付。

    一个现实的情况是，“六小龙”的概念早已是过去式。头部的基模公司，如今都是各路投资机构的香饽饽，尤其是在DeepSeek这一轮引发了行业重估后。大模型的牌桌上，只有千亿身家以上的玩家。

    C

    在这个资本涌动的5月，大模型行业在一级市场的估值情况已经彻底改变。

    按最新报道口径计算，DeepSeek450亿—500亿美元估值，约合人民币3200亿—3600亿元;月之暗面200亿美元估值，约合人民币1400亿元以上;阶跃星辰在运作25亿美元融资的同时，其目标估值已经来到了100亿美元。

    换句话说，一级市场正在默认一个新标准：

    中国头部基模公司，基本上以千亿人民币估值/市值为门槛。

    这个变化背后有多重因素的影响，首先是国产AI Infra层的推动。

    DeepSeek和华为昇腾在V4上的绑定，让国产基模和国产算力之间的路线开始重合，资本市场也迅速给出反应。

    5月首个交易日，国产算力板块全线爆发，云服务、半导体两大二级行业指数分别上涨5.77%、5.48%，位列全行业涨幅第2、第3位，两大板块合计26只个股涨停或涨幅超过10%。这一变化的核心驱动力，正是DeepSeek V4在国产算力领域释放的信号。

    多家券商的分析显示，国产算力芯片及解决方案厂商在2025年和2026年一季度普遍实现营收数倍增长，多家公司扭亏或利润大幅增长，行业正在从研发投入期转向商业回报期。

    换言之，这一轮重估的不仅仅是基模公司，而是整个模型—芯片—云平台的应用生态闭环。

    另一方面，是Agent浪潮下，大模型商业化开始在部分板块跑通。

    从年初“小龙虾”热潮，到全球Token调用暴增，再到Vibe Coding、AI编程和Agent工具全面铺开，一部分大模型公司已经找到了商业化突破口。

    智谱、MiniMax是第一批在港股市场吃到这一红利的公司，伴随着年初的“龙虾”热，OpenRouter模型调用榜单上，两家公司的主力模型一度把Gemini、Claude等海外模型挤在身后，也造就了两家公司的股价不断攀升。

    换言之，在Vibe Coding、Agent工具这些场景里，商业化回报已经开始显现。而这也正是DeepSeek、月之暗面擅长的领域。

    最关键的一点是，当前的大模型市场上，有实力的通用基模玩家越来越少，产业资本开始提前锁定入口。

    通用基座模型，不是所有公司都能继续烧下去，这个命题一直是行业内的共识。

    零一万物创始人李开复曾直言，“只有大厂能够烧超大模型”，他认为中国市场最终可能只剩下DeepSeek、阿里和字节三家大模型公司。无论这个判断是否最终成立，它都反映了一个现实：基座模型只会留给少数有实力的企业。

    在这种背景下，未上市的优质基模公司会变得更稀缺。

    而阶跃星辰的融资名单，一众终端厂商的名字，也反映出大模型公司和外部产业链正在更深绑定。手机、PC、汽车、可穿戴设备都在寻找AI时代的新交互方式，语音、GUI Agent、多模态理解和端侧推理，都在探索下一代终端的形态。

    产业资本投AI，本质上是在给自身行业未来的“原生AI大脑”投资。

    但这轮融资潮也有明显的不确定性。

    二级市场已经先给了一次提醒。智谱和MiniMax上市后大涨，确实把港股AI资产的估值天花板拉高。

    但高估值也意味着高波动。DeepSeek V4发布后，智谱和MiniMax股价曾显著回调，市场担心新模型会推动价格竞争。

    另一方面，智谱和MiniMax预计6月纳入恒生科技指数和港股通，但真正压力测试是7月解禁潮，MiniMax近50%股份解禁，流动性溢价面临考验。

    这恰恰说明，大模型公司的估值不是只涨不跌。资本市场可以提前定价未来，也会很快修正预期，这放在DeepSeek、月之暗面、阶跃星辰身上同样成立。

    此外，代表B端基本盘的AI云市场和C端流量仍牢牢掌握在字节、阿里、百度、腾讯等大厂手里。

    QuestMobile一季度报告显示，豆包、千问、DeepSeek月活分别达到3.4亿、1.7亿、1.3亿，行业用户规模和粘性同时提升。这里面，只有DeepSeek是一个例外，它没有大厂的投流加持，却仍能维持在C端国产AI应用头部阵营。

    但这也说明，DeepSeek的特殊性很难被复制。多数AI独角兽，还是要在大厂夹击中找到自己的位置，在持续打磨基模的同时，不断探索商业化出路。

    眼下的“疯狂5月”，对几家基座模型公司而言，还远远不是兑现答案的时刻。

  • DeepSeek首次有了视觉能力，技术论文却被它连夜删掉了

    声明：本文来自于微信公众号 硅星人Pro，作者：孙芮

    DeepSeek做了件罕见的事情：在终于开始灰测多模态能力后，它放出了一篇解释背后技术的论文，但这篇论文却在发布没多久就又被悄悄撤掉。

    4月29日，DeepSeek研究员陈小康在X发布一条推文——现在，我们可以看见你了。配图中，DeepSeek 标志性的鲸鱼 logo 摘下眼罩，露出了眼睛。

    过去，DeepSeek 最被外界熟知的是它在文本、代码和推理任务上的能力。但真实世界里的问题，并不总是以文字形式出现。它们可能是一张照片、一页论文图表、一个网页截图、一份复杂表格，也可能是一个需要理解空间关系和视觉细节的现实场景。

    对 DeepSeek 来说，视觉能力是让它的推理能力从文本世界延伸到真实世界的关键一步。但这次灰测的视觉能力，很快被使用者们感觉到不同：它和其他模型给语言模型底座增加多模态功能不同，更像是一个单独的模型，且不是以附庸形式定位，而是有某种原生的思考和推理能力。

    就在大家好奇心增加的时候，DeepSeek发布了一篇解释它追求的视觉能力的论文：《Thinking with Visual Primitives》。

    Primitives是图形学和几何里的常用术语，Visual Primitves可以理解为那些用来描述几何信息图形空间信息的最基本元素，也可以称为视觉基元。从这个题目就可以看出，DeepSeek眼里此刻最重要的“多模态”能力，依然是围绕推理和思考，它要让模型能在原生层面用图形的基础语言做更准确的思考。

    这并不是所有主流模型厂商在多模态领域的方向，这让人意外，但这个想法非常有趣。DeepSeek再次给基础研究提供了新的思路。

    但更加让人意外的是，这篇论文很快就被撤下了，没有给出任何解释，也不确定是否会再次发布。

    所以，DeepSeek这次的视觉能力到底是怎样的?我们结合实测、它的研究员的分享，以及这篇“消失”的论文的内容，来尝试解释一下它的做法。

    01当DeepSeek 的视觉能力，开始进入真实场景

    目前DeepSeek的视觉模式还在灰度测试，逐步向用户开放中。

    从 X 上已经试用到这一功能的用户反馈来看，DeepSeek 的视觉能力并不只是识别图片里有什么，更重要的是，它会尝试把图像中的信息和已有的世界知识联系起来。

    有用户在X上表示DeepSeek视觉模式的世界知识非常丰富，思考过程也很有趣。他在公司附近拍了一张照片，发给DeepSeek。在DeepSeek的思考过程中可以看到，它几乎知道我公司附近的每一栋楼，并尽量搜索正确的那栋。并且这个过程中没有用到联网搜索能力。

    还有用户表示DeepSeek的网页复刻还原能力非常好。这对设计师和产品经理来说，它可以让视觉稿更快变成可演示的原型。以前从 Figma、截图或参考网页到可点击 demo，中间需要设计师标注、开发切图、工程师实现。现在模型能直接读懂页面，并生成接近真实效果的网页，让想法验证的周期大幅变短。

    我实际测试了DeepSeek的视觉理解能力。我发送了一张迷宫图让它解答。

    DeepSeek的思考过程十分严谨，它用的是反向推理的方法，从终点出发，逐步反向追踪，走到起点。为了验证解法的可行性，DeepSeek这一路径用正向的方式走了一遍，然后它又核算了一遍，再输出最终答案。整个过程中，DeepSeek推理了四遍路径的可行性。

    02多模态模型的难题，不只是看不清

    陈小康在30号发布的推文中给了更详细的解释：传统的思维链（CoT）主要停留在语言空间里，但视觉推理需要更多能力。通过把点和框作为认知锚点，我们的模型弥合了“指代鸿沟”(Reference Gap)，模拟了人类在视觉推理中常用的“指向—推理”协同机制。

    通过DeepSeek发布的报告，我们可以看到他们针对视觉理解提出了一个新的推理框架，就是使用视觉基元进行思考（Thinking with Visual Primitives）。

    什么是使用视觉基元进行思考呢?

    简单来说，就是让模型在看图推理时，不再只依赖自然语言描述，而是把图像中的点、边界框、路径坐标等空间标记，也作为推理过程的一部分。

    以往多模态模型面对一张图片时，通常会用语言来组织思考。比如它会说“左边那个人”“右上角的物体”“中间那条路”。但问题在于，这些描述在人类看来很自然，对模型来说却并不总是精确。尤其在一张复杂图片里，如果有很多相似的人、物体或区域，“左边那个”“旁边那个”很容易变得模糊，模型也可能在推理过程中把对象搞混。

    DeepSeek 在报告中把这个问题称为“指代鸿沟”。也就是说，模型不是完全看不见，而是看见之后，很难在连续的视觉空间中稳定地指向自己正在讨论的对象。

    视觉基元要解决的正是这个问题。所谓视觉基元，可以理解为模型在图像中的“手指”。当模型数一张合照里有多少人时，它可以先用边界框把每个人标出来，再进行统计;当模型判断两个物体的位置关系时，它可以先框出相关物体，再比较它们的相对位置;当模型走迷宫或追踪一条线时，它可以用一串点记录路径，而不是只用语言说“往左、再往右”。

    这样一来，模型的推理就不再悬浮在文字里，而是被锚定到图像中的具体位置。这也是 DeepSeek 使用视觉基元进行思考最重要的变化，多模态模型的能力不只是看得更清楚，还要指得更准确。

    03DeepSeek 怎么做视觉推理

    陈小康指出，目前DeepSeek的视觉模型主要处理三类任务：计数、空间推理和拓扑推理。

    DeepSeek 的做法不是简单让模型看更高分辨率的图片，而是让模型在推理过程中使用点、框、路径坐标这些“视觉基元”，把每一步判断都落到图像中的具体位置上。

    在计数任务上，DeepSeek 主要使用的是边界框。

    报告中说，多模态大语言模型一直很难做到准确计数，尤其是在密集场景中。人类在数东西时，通常会采用一种“系统扫描和累加”的方式，比如从左到右一个个点着数。但语言模型在对象数量较多时，很难建立精确的对象对应关系。为了解决这个问题，DeepSeek 使用边界框作为视觉基元，为每个被计数对象提供明确的视觉锚点。

    也就是说，模型不是直接凭感觉回答“有多少个”，而是先把目标对象找出来、框出来，再基于这些框进行统计。比如数一张合照里有多少人，模型会先框出图中的每个人，再计算总数。对于更复杂的细粒度计数，比如“有几只熊在地面上”，模型还会先找出所有熊，再逐一判断它们是在树上还是在地面，最后得出答案。

    报告中还把计数分成了两类：一类是粗粒度计数，比如数“狗”“人”“车”这类普通对象;另一类是细粒度计数，比如数“白色的狗”“左边的狗”“站在地上的熊”。后者不仅要求模型识别对象，还要判断颜色、位置、状态等附加条件。DeepSeek 在这里采用的是“定位—验证—统计”的流程，让模型先找到候选对象，再逐个判断是否符合问题条件。

    在空间推理任务上，DeepSeek 也是先让模型用视觉基元锚定对象，再进行关系判断。

    报告中说，空间推理和一般视觉问答被放在同一个类别里处理，因为这类任务的共同难点是：如果只用语言描述，模型很容易出现指代模糊和语义漂移。比如“灰色金属物体”“旁边那个小物体”“同样大小的紫色橡胶物体”，这些说法如果不落到具体图像区域上，模型在推理过程中很容易把对象搞混。

    所以 DeepSeek 的方法是，让模型先把关键对象框出来，再根据这些具体对象进行多步推理。报告中的例子是，模型需要判断图中是否存在一个紫色橡胶物体，和灰色金属物体大小相同。模型会先定位灰色金属球，判断它是小物体;然后再逐一检查其他小物体，看它们的颜色、材质、大小是否匹配。最后模型得出结论：图中没有符合条件的紫色橡胶物体。

    在拓扑推理任务上，DeepSeek 主要使用的是点。

    拓扑推理关心的不是某个物体是什么，而是路径、连通性和结构关系。比如迷宫里从起点能不能走到终点，一堆交错的线条中，某一条线最终连到哪个图标。这类任务对多模态模型尤其困难，因为它要求模型持续跟踪路径，而不是看一眼就回答。

    报告中说，纯语言的思维链很难准确描述不规则形状的轨迹，因此使用点作为认知单元的视觉基元，特别适合处理这类问题。

    在迷宫导航任务中，DeepSeek 会让模型先找到起点和终点，然后像做深度优先搜索一样探索路径。模型每走到一个关键位置，就用点坐标记录下来;如果遇到死路，就回退到前一个岔路口，再尝试另一条路径。报告中提到，模型需要理解空间连通性和可达性，也就是判断哪里有路、哪里被墙挡住、哪条路径最终能到达终点。

    在线条追踪任务中，模型也会用一串点来表示自己沿着哪条线走。报告中说，这类任务的核心挑战是交叉点消歧：当两条线交叉时，模型必须根据局部几何连续性判断哪一条才是目标线的延续，而不是被另一条线带走。为了防止模型只是靠颜色猜，DeepSeek 还设计了所有线条颜色和粗细都一样的样本，迫使模型真正根据曲线连续性来追踪路径。

    04视觉基元并不是终点

    不过，使用视觉基元进行思考，并不意味着视觉推理问题已经被彻底解决。它最大的优势，是让模型的视觉推理变得更稳定，也更容易被验证。

    这会带来两个直接好处。

    一是减少幻觉。模型如果要判断“这里有没有紫色橡胶物体”，就不能只凭语义猜测，而要先在图中找出候选物体，再逐一排除。二是提高可解释性。比如模型说一张图里有25个人，如果它同时框出了这25个人，用户就能判断它有没有漏数、重复数，或者把其他物体误认成人。

    这也是为什么 DeepSeek 的视觉模式在网页复刻、迷宫求解、复杂图像问答这类场景中会显得更有用。网页复刻需要模型理解页面里的模块、层级和布局关系;迷宫求解需要模型持续追踪路径;复杂图像问答则要求模型在多个视觉线索之间来回比对。它们共同需要的不是一句笼统的图片描述，而是模型能够稳定地“看图说话”。

    另一个优势是效率。报告中提到，DeepSeek 并不是简单依赖大量视觉 token 来弥补视觉能力，而是通过更高效的视觉 token 压缩架构，让模型在较低图像 token 消耗下仍然保持较强的推理能力。报告中说，对于800×800的输入图像，其模型在 KV cache 中只保留大约90个条目，却能在计数和空间推理等基准上取得有竞争力的表现。

    DeepSeek 想走的路线，并不是无限提高分辨率、堆更多图像 token，而是让模型更有效地使用视觉信息。

    但这套方法也有局限，报告中提到这类方式有三部分的局限。

    首先是受输入分辨率限制，模型在细粒度场景下的表现仍然不够理想，有时会输出不够精确的视觉基元。也就是说，如果图像里的目标非常小、细节非常密，或者需要识别的区域边界很模糊，点和框本身也可能标得不准。视觉基元能改善指代问题，但它不能完全替代感知能力。模型首先要看清楚，才谈得上指得准。

    第二个局限，这种能力目前还依赖显式触发。报告中说，当前使用视觉基元进行思考的能力需要通过明确触发词来激活，未来希望模型能够根据具体上下文，自主判断是否调用这一机制。

    这意味着，现在模型未必会在每个需要的场景里自动使用这项能力。用户如果只是普通地问“这张图里有多少人”“这条路能不能走通”，模型可能仍然用普通语言推理，而不是主动输出点、框或路径。真正理想的状态应该是，模型自己判断这个问题是否需要精确视觉定位。如果是计数、路径、空间关系这类任务，它就自动拿出“手指”;如果只是描述画面氛围，就不必调用这套机制。

    第三个局限，是拓扑推理仍然很难。报告中说，使用点作为视觉基元来解决复杂拓扑推理问题，仍然是一项艰巨挑战，目前模型的跨场景泛化能力也有限。

    这不难理解。点可以告诉模型“我现在走到哪里”，但点本身并不直接表示“这里和那里是否连通”。在迷宫里，两个点看起来很近，中间可能隔着一堵墙;在交错线条中，两条线可能在视觉上相交，但实际并不是同一条路径的延续。模型不仅要标点，还要持续判断连通关系、路径方向和局部几何连续性。只要中间某一步走错，后面的推理就可能全部偏掉。

    所以，视觉基元让模型开始能够在图像中定位、比较和追踪。但要真正处理开放世界里的复杂视觉问题，还需要更强的感知能力、更稳定的自主调用机制，以及更好的跨场景泛化能力。

    在视觉理解层面，DeepSeek 给出的答案是，让图像不再只是输入材料，而是成为模型推理过程的一部分。模型不只是看见世界，而是开始学会在世界中找到锚点。

    这不像是一个附带的研究，更像是DeepSeek对视觉的最重要的一个不同的理解。因此这次罕见的删除论文行为也引起不少遐想，有人认为它对于开源模型来说“太强大”了，以至于不适合发表。真相如何可能要等DeepSeek自己给出解释了。

  • 这一次，梁文锋和杨植麟隔空握手

    声明：本文来自于微信公众号 字母榜，作者：苗正

    真是热闹的一周。

    周一，Kimi刚发完Kimi K2.6;周五，万众瞩目的DeepSeek V4就来了。

    这种感觉很熟悉。

    过去一年，这两家公司不是前后脚发模型，就是前后脚发技术论文，不是你把市场热度点着了，就是我把技术讨论接过去了。

    更早之前，说起中国开源模型，几乎条件反射地想到DeepSeek。

    尤其是DeepSeek发布R1之后，这家公司不仅凭一己之力改写了全球市场对中国AI的印象，而且唤醒了其他中国的AI创业团队的“信心”。

    于是，我们看到，更多的中国AI创业团队开始做出非常竞争力的模型，带来非常有影响力的技术研究成果。

    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 DeepSeek验证过的 MLA注意力机制。

    到了2026年4月，DeepSeek V4在架构上也跟进 Kimi K2采用 Muon优化器，取代过去已经使用了10年的Adam优化器。

    这可能是开源最大的价值：让中国公司共享技术，加速追赶美国的闭源巨头。

    它们是中国目前唯二，总参数超过万亿、已权重公开的中国模型。也是最有国际影响力的中国AI模型代表。全球市值最高的英伟达公司在展示下一代芯片性能时，用的模型正是来自 DeepSeek 和Kimi。

    不仅如此，他们也都在挑战深度学习网络的底层架构，DeepSeek有mHC残差连接，Kimi有引发硅谷核心技术圈讨论的“注意力残差”。

    A

    虽然说DeepSeek V4和Kimi K2.6在同一周发布，但其实两个模型各有技术侧重点。

    V4的核心突破在于百万上下文的成本重构，它通过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降至10%。

    这套方案结合了压缩稀疏注意力和重度压缩注意力，让百万级上下文从技术演示变成了可以普及的基础设施。

    V4同时针对agent场景做了专项优化，后训练阶段把agent作为独立方向单独训练，工具调用格式从JSON换成带特殊token的XML结构，跨轮次推理痕迹在工具调用场景下完整保留。

    DeepSeek还自建了名为DSec的沙箱平台，单集群可并发管理数十万个沙箱实例，用来支撑agent强化学习训练和评测。

    K2.6的方向则更偏向长程编码和agent集群。它在Kimi Code Bench内部评测中得分68.2，比K2.5的57.4提升约20%。

    最高可支持300个子agent并行完成4000个协作步骤。

    图片

    B

    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效果。

    2025年4月，Kimi-VL模型发布，在Moonlight模型的技术上，引入MoonViT视觉编码器，为之后的多模态理解模型打下基础。

    2025年7月，Kimi首次将Muon优化器扩展到万亿参数的规模，推出 K2开源模型。

    2025年10月，Kimi发布Kimi Linear，这是Kimi提出的一种线性注意力架构，核心目标是在保住长上下文能力的同时，把大模型处理超长文本的计算和显存成本降下来。

    这说明杨植麟已经不满足于只做模型了，他想对模型的底层架构动手。

    随后，Kimi发布并开源支持图片和视频理解的万亿参数模型Kimi K2.5。

    2026年3月，Kimi发布注意力残差的论文，继续对Transformer的底层结构下手。

    这篇论文在X上收获了马斯克本人的称赞。

    在然后就到了前几天的K2.6，这是一个围绕长周期编码、agent执行、工程任务能力的模型。

    从产品定位的演变可以看出，Kimi正在从消费级对话产品往生产力工具转型。

    2026年3月，杨植麟在英伟达GTC大会上发表演讲，系统介绍Kimi技术路线，他用三个关键词概括Kimi的Scaling策略：Token效率、长上下文、agent集群。

    他表示，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。

    当前的Scaling已经不再是单纯的资源堆砌，而是要在计算效率、长程记忆和自动化协作上同时寻找规模效应。

    一家公司最怕的是，只有媒体在讨论你，开发者却不用你。

    但Kimi不一样，无论是在OpenRouter上还是绝大多数agent工具的默认接口里， K2.5和K2.6都是主流选项。

    截止发稿，Kimi和DeepSeek都出现在OpenRouter的TOP3模型里，在AA的榜单上，K2.6甚至暂时占得先机。

    图片

    而在K2.6这里，模型继续强化agent、长任务、编码能力，也是同一个信号。杨植麟真正押注的，就是生产力场景。

    这也是Kimi这一年最关键的变化。

    它不再只是告诉用户“我能帮你读更长的文件”，而是在回答更底层的问题，模型怎样才能在更长时间、更复杂任务、更高工具调用密度下保持稳定?

    长上下文解决的是记忆和信息承载;线性注意力解决的是成本和扩展性;agent集群解决的是复杂任务拆解;编程能力解决的是模型的理解和执行。

    它们看起来是几条不同产品线，其实背后指向同一个方向，Kimi想把Kimi从一个好用的聊天窗口，变成可以承接真实工作的基础模型。

    4月，杨植麟受邀参加经济形势专家和企业家座谈会，作为唯一的大模型创业者代表发言。这个1993年出生的年轻人，成为座谈会上最年轻的参会者。

    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”，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，变成了代表中国AI技术路线的符号之一。

    Kimi这一年的成长路径，和DeepSeek的路径有明显差异。两家公司的技术选择不同，但也正因如此，才让中国开源模型有了更多可能性。

    C

    过去我们写这两家公司，容易写成“谁的模型好”、“谁才是下一个OpenAI”。

    但这其实是个误区。

    DeepSeek和Kimi，不该被简单理解成“谁赢谁输”。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，而是应该互相刺激互相促进。

    DeepSeek和Kimi相继证明了一件事，做前沿模型不一定需要无限的资源，关键在于算法创新和工程优化。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，仍然是中国AI过去一年最重要的技术事件之一。

    它们彼此竞争，但也彼此抬高了中国开源模型的上限。

    真正重要的不是它们谁先到终点，而是它们把中国模型的竞争维度拆开了。

    过去我们评价一家模型公司，很容易只看榜单、参数、价格、发布会声量。

    但模型公司真正的护城河，已经不再是“模型聪不聪明”、“模型性能如何”这些事了。现在围绕模型的叙事，是它能不能形成一整套技术路线。

    DeepSeek把第一件事做得很彻底。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，可以把权重开放到足够激进。

    它建立的是一种开源信任。开发者愿意研究它、复现它、部署它，是因为它不只是给了一个API，而是把模型背后的方法论也拿了出来。

    Kimi补上的是另一块。

    Kimi最早被用户记住，是因为长文本和聊天产品，但K2.6之后，它讲的已经不是一个更会聊天的助手，而是模型如何进入真实工作流。

    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，但它们决定模型能不能从“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，Kimi更关心的是模型能不能真的替人完成复杂任务。

    所以这两家公司放在一起看，意义反而更大。

    作为观察者和用户，我们肯定希望都存在，这样产业才能发展。

    中国AI真正值得兴奋的，不是终于出了一个DeepSeek。

    而是在DeepSeek的带动下，Kimi们依然能靠自己成长为一座座大山。

    这说明中国AI公司已经开始在不同维度上找到自己的位置，不再是简单模仿，是真正的在探索自己独有的那条技术路线。

    DeepSeek和Kimi的技术互相赋能，也说明了一件事，开源生态的价值在于协作。

    现在的问题不是DeepSeek和Kimi谁更强，而是它们能不能继续保持这种竞争关系，继续在技术上互相刺激。

    中国开源模型要真正在全球站稳脚跟，需要的不是一家独大，而是多家公司在不同方向上都做到世界级水平。DeepSeek和Kimi的存在，让这个可能性变得更大。