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”。

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。

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。

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，杨植麟受邀参加总理主持的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。

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。