在GTC2026大会《How We Scaled Kimi K2.5》主题演讲中，月之暗面CEO杨植麟正式宣布，团队对Transformer架构沿用近十年的Adam优化器、全注意力机制、残差连接三大核心组件完成重构，所有替代方案全部对外开源，为开源模型缩小与闭源前沿模型差距提供了堆参数、堆算力之外的全新路径。
这场被不少参会开发者称为“GTC2026最具突破性的AI底层技术发布”的演讲，没有把重点放在Kimi K2.5的参数、跑分等产品参数上，而是直接抛出了月之暗面团队过去一年多的核心研发结论：开源模型要追上闭源前沿水平，没必要继续在堆参数、堆算力的赛道上内卷，重构底层架构才是性价比更高的路径。
过去两年，开源大模型阵营始终在寻找缩小与GPT-4o、Claude 3等闭源前沿模型差距的路径，但绝大多数厂商的优化方向都集中在扩大参数规模、提升训练算力投入两个维度，随之而来的是训练成本指数级上涨，但性能提升幅度却持续收窄，业内普遍认为开源模型已经摸到了现有技术架构下的增长天花板。
对于中小开发者和厂商而言，堆参数、堆算力的赛道几乎已经被头部玩家锁死，没有足够的算力储备和数据资源，根本不可能参与到前沿性能的竞争中，开源生态的创新活力也因此受到限制。
登录后解锁全文，体验收藏、点赞、评论等完整功能
立即登录
滇公网安备 53252802528133号