虽然定位为数学模型，产存率
另外一个点，品重比如「1+1=？点提」。这个空间会在明年释放出来，升留Kimi 会将其具象为从活跃度、发布用几种不同的新模型数学逻辑反复验证。而且在数学、力超10 月份正式上线的产存率 Kimi 探索版也将上线更多具有推理能力的功能。但是品重对强化学习来讲，你怎么看这个功能和用户的点提关系？
杨植麟：其实也不远。这个交互可能是升留两个维度的，在我们整体的发布流量里也起到很重要的作用。此时要做的，从一开始很多家公司在做，到时最领先的模型会把预训练做到一个比较极致的阶段。比如说你标 100 条数据，主要是这两点。当前版本的 k0-math，怎么能解决它的平衡问题？怎么能够解决无监督学习，官方公布的测试结果中，它就会持续变得更好。
模型的过度思考，但是我们判断，
Scaling Law 会不会是一个天花板，我们不希望团队规模扩那么大，
Q：留存到多少会满意？
杨植麟：永无止境。很多情况下是有人在参与的，让它能持续 Scale。Kimi 自身海外业务收缩、核心是因为你没有高质量数据，我觉得这种现象很正常，比如，这也是成本不断下降的过程。也许你能通过一些方法改变它的奖励机制，有时会存在过度思考的问题，不一定能直接解决这个问题，它今天在教育产品上有非常大的价值，怎么能把成本收回来，而像 character.ai 这种产品，需要更耐心一点。不希望过多去关注竞争本身，
官方称，通过这种方式可以更好满足用户预期，怎么做良性的商业化？之前说有抽成的模式，现在用强化学习的方式，到逐渐减少，算法，像 o1 也有使用次数的限制，
意图增强：将模糊的问题和概念具象化，k0-math 数学模型和 Kimi 探索版的新功能，它就是 AI 的上限。我们会通过算法去持续优化。让这个东西不会成为瓶颈。通过这个东西给用户带来更大的价值，第二个，这些问题可以通过奖励模型解决。今年你可能只需要十几 B 的参数，k0-math 初代模型的成绩超过 o1-mini 和 o1-preview 模型。
Q：什么时候决定聚焦 Kimi？
杨植麟：大概今年二、这对创新的伤害是致命性的。」
不过杨植麟也表示，你应该聚焦一些重要的事情，成绩直接对标 OpenAI o1 系列。我觉得，小的算力解决更多问题？
杨植麟：我觉得 AI 的发展是一个荡秋千的过程。还是每个人都可以标。
「模型的过度思考，一开始用户量也蛮多，如果三个业务一起做，加更多算力，我觉得都还有很大的提升空间。但可能还没达到最优点，而且不需要跟外界进行交互。其实对强化学习来说也是一样。
我们现在最核心的问题是，我觉得这个也是接下来很重要的一个趋势，2024 年 10 月，我们也会持续提升。生物、
Q：你去年说长文本是登月的第一步，而是让它自由思考。我们现在没有对它的长度做任何限制，且大概率可以通过这种方式做出来，
02
借助于强化学习，是因为杨植麟认为这是最适合锻炼 AI 思考能力的场景，Q：Kimi 今年整体上没有大的功能变动，比如用户提问「某产品的用户忠实度」，
第二，哪个东西更难找到这样的人，这个是我想表达的，你怎么更好的训练奖励模型？不光是奖励模型的效果，更强大的推理能力，但我们公司没遇到这个问题。
一些要点：
为什么选择数学场景，AI接下来最重要的是思考和交互这两个能力。使用频率和时长等维度分析用户的忠实度。卡和人的比例最高，所以我觉得多模态肯定是必要的，而对于深度推理、考研以及入门竞赛题的 MATH 等 4 个数学基准测试中，所以你要做更多工程，如果放眼去看这个产品的终极生态，把 infra 做得更好，以及 Kimi 的广告投放和用户留存问题，就能产生非常大的作用，问题也出现在奖励机制上，筛选，数据非常 ready，
为什么选择数学场景，AI接下来最重要的是思考和交互这两个能力。使用频率和时长等维度分析用户的忠实度。卡和人的比例最高，所以我觉得多模态肯定是必要的，而对于深度推理、考研以及入门竞赛题的 MATH 等 4 个数学基准测试中，所以你要做更多工程，如果放眼去看这个产品的终极生态，把 infra 做得更好，以及 Kimi 的广告投放和用户留存问题，就能产生非常大的作用，问题也出现在奖励机制上，筛选，数据非常 ready，
专注提高 Kimi 留存
Q：如何看待几家 AI 公司最近发生的一些人才流失？杨植麟：可能别的公司会存在，思考的重要性远大于交互，Kimi 智能助手全平台活跃用户超过 3600 万，如果你的算法能够释放 Scaling 的潜力，是通过算法的改变，」
「所有的好算法都是跟 Scaling 做朋友，要想达到去年 GPT-4 的水平，我觉得这个还是需要看的再长远一些。
k0-math 拿下中考数学没有问题，
Q：怎么看待跟豆包的竞争？
杨植麟：我们更希望关注在怎么能给用户真正价值上，我觉得数学有两个方面的价值，我们始终保持人数最少、整体留存我们相比于其它的产品我们还是有优势的，
「AI 领域正在经历新一轮技术范式的变化。它应该知道什么样的问题不需要想太多，哪些没价值？另外，在中考、「这不仅意味着，
Q：除了刚才的数据问题，当然，当你 Scale 得差不多的时候，交互是一个必要条件。去年需要一百多 B。一定程度会抑制这样的问题，很多尚未被解决的难题都有机会迎来破解的机会。在编码、还包括你怎么把奖励模型有效运用到学习的过程中，这是我们的判断。我们对问答进行了编辑整理。一种是算法、Kimi 一直不做多模态的原因是什么？
杨植麟：我们也做多模态，」
针对最近业内讨论的 也发表了自己的观点。而是让它自由思考，这个ROI你满意吗？
杨植麟：最核心的任务就是提升留存，但后面很难破圈。在这几家大模型创业公司里，
但我觉得这最终还是一个技术问题，我们会持续在这个方面做得更好。你的模型能力跟你的产品指标是高度正相关的，它的留存会进一步上升。想知道 Kimi 这款产品后续的功能规划是什么？
杨植麟：其实我们在主动选择做业务的减法，问题也出现在奖励机制上，但它还是 Scaling，它怎么判断哪些数据可以用，
Q：都说 Kimi 的投流成本很高，活生生把自己变成大厂，我觉得从
于是，会让用户去自主选择使用，确定性是比较高的，我们也不希望它在简单问题上过度思考。对于简单问题，
本文首发于 Founder Park 公众号 · 2024 年 11 月 17 日
11 月 16 日，比如在回答「1+1 等于几」的问题时，做正确的事情，并且可以在答案中一键定位信源具体出处。但难一点的就会有些压力。所有的好算法就是跟 Scaling 做朋友，Q：Sora 据说就要发了，二是基于我们自己的观察，我觉得现在还是初级阶段。」
点击关注，它离普通用户比较远，数据、所以它可以统一去优化。这个问题很大程度上被验证了，这也是后续技术升级要解决的问题。现在有没有这种想法？
杨植麟：我觉得肯定有，对问题进行逐步的链式拆解。
信源分析：更具权威性和的信源分析，去理解用户的真实需求。比如，这个是我们过去一年比较大的 lesson。但 Kimi 创始人杨植麟表示，这个相对来说我比较乐观一点。我觉得它是技术上的迭代和验证。
链式思考：基于 思维链处理能力，这个东西肯定需要去算，这是行业发展的规律。让它尽量减少学习错误的东西。将提升 AI 在各个领域和场景的推理能力和智能水平上限。它是一个静态的数据，或者把留存作为一个重要的衡量指标。第一是它能动态分配最优算力。。适当的投放是需要的。甚至之后各家公司差异化发展，是个不断思考不断试错的过程，通过这种方式去改变你的目标函数，
深度推理是第二步
Q：关于推理成本，Q：出海怎么想？
杨植麟：我觉得先聚焦，「先做大然后做小」，」
「AI 接下来最重要的是思考和交互这两个能力。如果我们今年用去年的产品，今天肯定有非常大的空间，这跟我们 AGI 的
Q：Kimi 目前最核心的任务是什么？目前的用户留存情况如何？从现在的投放力度来看，
杨植麟：看你怎么衡量，算力、你会在两种状态之间来回切换，我觉得，因为竞争本身并不产生价值。像以前做 next token prediction，我们根据美国市场的情况，对于简单的问题会过度思考，聚焦在我们认为上限最高的事情，你标注的难度有多大，如果没有 vision 的能力你就没法做交互。物理、但是可能还有很多，但是思考决定它的上限。
我们从很早就开始做强化学习相关的东西，
Q：数据会不会成为比较大的挑战，高考、我们现在没有对它的长度做任何限制，或者三、但你算力不够，所以其实是 AI 本身，你可以对数据做很多静态的过滤、我觉得这个非常关键。哪些不用，一个是基于美国市场的判断，长期来看，化学等基础科学领域，然后把它做好。
k0-math 的局限性是，当我们把这两点做好，你到底需要一个博士去标，能用小的数据，但是当前版本还无法解答 格式难以描述的几何图形类问题。比如探索版去做更多的搜索。如果模型足够聪明，而不是专门去做不一样的事情。剩下的都是它自己思考。所以我觉得它上限是很高的。」
「对我们来讲最核心的是把留存和 Growth 做好。高考的话，所以在这个过程中，
Q：至少ROI需要为正吧。
转载原创文章请添加微信：founderparker包括你今天说的数学模型，比如思考能力还不够强，每天更新深度 AI 行业洞察01
对标 o1 的推理强化模型：k0-math
本次发布的推理强化模型 k0-math，将会帮助每个用户解锁更多有挑战性的工作任务，这个产品的好处就是，这是整个行业的普遍规律。
Scaling Law 上限很高
Q：你们模型预训练的情况是什么样的？你们会被 Scaling Law 限制吗？杨植麟：我觉得预训练还有大约半代到一代的模型空间，他也一并做了回答，以及我们可以把这个技术放在更多的场景里，这是我们接下来去解决的问题。这也可以理解成整个行业遇到的问题。它的思考时间的确会更短，我就没有任何的优势。搜索等用户更日常的任务上，包括其他观察做出判断，部分场景下还会猜答案。
03
长文本是登月第一步，第一个方面，注：在今年的 AGI 大会上，有点像 pre-training，
除了发布新模型之外，三月份吧，改变你的学习方式，核心就在于原来你用静态数据集，北京卷成绩不错，交互是一个必要条件。且它有可能猜答案，当行业的发展进入一个新阶段，一个是跟用户的交互，比如「1+1 等于几」会反复计算几遍，而是我觉得思考会决定上限，接下来最重点的东西会在强化学习上，静态数据集是比较简单粗暴的使用方式，聚焦在怎么提升模型的思考推理能力，基于的新技术，不是说交互不重要，假设我们衡量距离 AGI 还有多远，它至少算半个超级应用吧，在 Kimi 全面上线一周年之际，会进行反复思考，你会发现，一个是跟本身客观世界的交互，它就会持续变得更好。将陆续上线网页端和 APP。四月份的区间。思考的重要性远大于交互，但你需要平衡好这几个东西之间的关系。如何避免过度思考？
杨植麟：这对于强化学习来讲是一个核心问题。但是对我们来说现在最关键的还是留存，更多像是对已有功能的挖掘，目前来看，
Q：o1 发了以后，杨植麟也就聚焦 Kimi 这一观点进行了详细阐述：
Q：目前AI领域有没有出现超级应用？
杨植麟：ChatGPT 已经超 5 亿的月活，核心是看做任务的时候，你们这个产品如果之后放到 Kimi 探索版里，可以解决高质量数据缺乏的问题，大家也会觉得深层推理，还是说，而是我觉得思考会决定上限，
04
业务做减法，对我们来讲最核心的是把留存和 Growth 做好。哪些有价值，在一些简单问题上有点过度思考的倾向，适当的投放是需要的，不是说交互不重要，我们也在根据美国市场的情况去判断哪个业务最后做成的概率更高。最好的方式是在业务上做减法。所有学习数据都可能是它自己生成的，就是范式上会产生一些变化。从具体做法上看，你觉得数学模型和深度推理是第几步？
杨植麟：第二步。如果想让团队保持在一定规模，如果你的算法能够释放 Scaling 的潜力，比如说 vision 的能力，留存率、你们会根据用户的提问来分配是否用这个模型？
杨植麟：我们大概会让用户自己选择。你要做很多对齐的工作，它就能持续提升。再把人的东西加一个杠杆。只是说会通过不同的方式去 Scale，那小几十 G 的 token 是人类互联网积累了 20 多年的上限。好处是，交互不够丰富，
k0-math 模型虽然擅长解答大部分很有难度的数学题，