两个广东人的五次撞车，撞出最强开源双雄的底气？

千呼万唤，






4月2





4





日上午，





DeepSeek





终于扔出重磅炸弹，






全新系列模型





DeepSeek-V4预览版正式上线并同步开源，在Agent能力、世界知识和推理性能三大维度宣布达到国内及开源领域领先水平





。






从





2月8日上线测试版至今，其始终保持着





神秘






的姿态。

就在




四




天前的




周一




晚




上




，月之暗面




同样




发布并开源了




Kimi K2.6模型，主打长程编码和Agent集群能力，在多项基准测试中持平甚至优于GPT-5.4、Claude Opus 4.6等闭源模型。

凤凰网科技统计发现，这已经




是




Kimi和DeepSeek的第五次“撞车”。

不仅如此，这一次双方在架构层面有了更多吸纳与借鉴。

就连在资本市场，二者也被拿来并列。据




T




he










information报道，




D




eep




S




eek正在寻求首轮外部融资，在估值方面就参考了Kimi。

一次两次的撞车或许是巧合，但这两支中国队伍显然已在过去两年的摸高探索中形成了一种默契。开源策略叠加创新




互惠




，让双方都比既定路线走的更快。

中国最强的两个开源模型，正以一种心照不宣的方式，从两个不同的方向合力包抄海外巨头的腹地。

五次撞车，蛛丝马迹越来越多

先说




前几天的




Kimi K2.6。月之暗面




已经有段时间不在




单个模型上堆参数




了




。




但从




2




.5




到




2




.6




，模型却越来越会干活了。

据称




2




.6在单个工程任务中持续12小时、发起4000多次工具调用，在官方测试中完成从零构建SysY编译器到通过140项功能测试的复杂任务——官方估算，这相当于4名工程师两个月的工作量。

用





杨植麟





之前概




括




的




三个词




来说，就是




T




oken效率、长上下文、Agent集群。

DeepSeek V4




也有三个关注点，即百万上下文，万亿参数和下半年适配国产算力




。在架构层面，




V4采用大规模混合专家（MoE）架构，完整版总参数高达1.6万亿。创新注意力机制在Token维度进行压缩，结合DSA稀疏注意力，相比传统方法大幅降低计算与显存需求，1M上下文正式成为DeepSeek所有官方服务的标配




。

新模型的看点不展开说了，这次想回顾下几个巧妙的撞车点。

Kimi和DeepSeek的“撞车史”，最早可以追溯到Kimi 1.5与DeepSeek R1的发布时间重叠




，当时大家还替




Kimi惋惜，认为强者遇强者，是一种压力。




此后，




两边




的发布节奏重叠




次数越来越多




，凤凰网科技此前也报道过



《





Kimi和DeepSeek又又又撞车》。

就拿上下文来说，




Kimi其实是国内最早做百万上下文的，2




024




年时就提过对应




2




00




万文字，当时长文本一度是




Kimi非常亮眼的标签。不过比较遗憾的是，当时Kimi没解决成本问题，这次




D




eep




S




eek再提长文本，就已经把成本打下来了。

这次




V4 API标准费率为输入每百万Token 0.30美元，缓存命中时低至0.03美元，仅为GPT-4o价格的约1/20至1/50




。




按照人民币计价，




V4-Flash输入价格仅为1元/百万Token（缓存未命中）、输出2元/百万Token；V4-Pro输入为12元/百万Token、输出24元/百万Token




。

另外，




Kimi下一代模型的亮点其实也是长上下文，但在路线上两者有点不一样，




D




eep




S




eek探索的是稀疏注意力，Kimi探索的事线性注意力。

至此，




D




eep




S




eek和Kimi拿出了中国唯二万亿已开源模型。

开源的合力，对垒硅谷三巨头

在全球的




AI




竞赛里，有人负责做




0




-1




的创新，有人负责




1




-100




的工程复制，但难的是前者需要全球范围内那




1




%




的天才，后者更适合军团作战的大厂。过去，外界常常说




0




-1




的创新容易发生在美国，后者容易发生在中国。

但从




D




eep




Seek




和




Kimi开始，0




-1




的创新开始更多的发生在中国。这给了海外




A




I




厂商巨大压力。

凤凰网科技了解到，

梁文锋

在创立




D




eep




S




eek之后，对应用和市场都不是最感兴趣的，他更在乎底层创新，2




025




年初的




R




1




以多头潜在注意力的架构创新击穿了深度思考的成本。另有行业人士告诉凤凰网科技，尽管融资曾打乱




Kimi的节奏，但在2




025




年




D




eep




S




eek走红后，Kimi也回归技术，继续钻研底层创新。

而




Kimi




从




K2到K2.5，其底层架构与DeepSeek V3一脉相承，本质上是在后者基础上的规模化扩展。到了2026年， DeepSeek团队在1月连续发布的两篇论文mHC与Engram中，开始大量参考Kimi此前开源的优化器、注意力架构等研究成果。

这种中国开源模型在底层技术的你追我赶，让中国的底层创新形成了良性循环，最终带动了国内开源阵营的集体逆袭。

MIT与Hugging Face联合发布的报告显示，过去一年中国开源模型的全球下载量占比达到17.1%，首次反超美国的15.86%。全球头部AI模型API聚合平台OpenRouter的数据则显示，2026年2月，中国AI模型的调用量三周大涨127%，全球前五中占据四席——包括MiniMax、Kimi、智谱和DeepSeek。一年前，这个数字还不到2%。

DeepSeek




撬开硅谷视野时




，




Kimi的市场空间也被打开了；当Kimi在长文本和Agent领域持续突破时，DeepSeek在推理效率上的极致追求又给整个行业带来了新的参照系。

一位




业内




人士对凤凰网科技




表示




，




Kimi与DeepSeek的撞车




早就已经




不是内卷，而是一种




“惺惺相惜”——“两个最强的中国开源模型交替冲锋，合力围剿的是海外闭源巨头。”

4月24日凌晨，OpenAI面向付费用户上线GPT-5.5并官宣API计划，标准版API定价为每百万Token输入5美元、输出30美元，较前代GPT-5.4翻倍，Pro版更达到输入30美元、输出180美元




。

2026年初，斯坦福HAI发布的《AI指数报告》显示，截至年初，美国顶级AI公司Anthropic最先进模型的性能仅领先中国最强竞争对手2.7个百分点。美国私人AI投资高达2859亿美元，是中国的23倍。但“用23倍的资本砸出2.7%的差距”




，这可能已经不




是美国




AI的优势，




而




是中国




AI的护城河。

无论是




K




2.6




还是




D




eep




S




eek




V4




，可能都是分水岭级别的产品。

两者选择了不同的技术路径




，




Kimi深耕长程执行和Agent集群，DeepSeek聚焦推理效率和极致性价比——但在底层逻辑上又高度一致：用开源打破闭源垄断，用效率对冲算力限制。

AGI双雄格局初现

去年英伟达带火了中国




AI的御三家，其中就有Kimi和DeepSeek，




在

英伟达






G






TC






大会

上，




Kimi和




D




eepSeek也是被用来




Benchmark 芯片性能的两家中国




开源模型。

近期，凤凰网科技访谈了多位年轻前






沿科学家






，也






多






认为






DeepSeek和Kimi有着相似的组织形态与创新环境






，都是员工数不多，但人才密度极高。都是从底层技术出发探索






A






GI






，也有着相似的技术前瞻性






。

他们也都愿意吸纳年轻人，






D






eep






S






eek的核心研究员有非常多年轻人，Kimi也广纳贤才，下放到本科生，甚至是高中生。

Kimi与DeepSeek开始有越来越多相似的轨迹，另一个值得关注的维度是芯片。杨植麟在2026年3月的英伟达GTC演讲台上坦言，“目前普遍使用的很多技术标准，本质上是八九年前的产物，逐渐成为Scaling的瓶颈。”Kimi为此给开源社区贡献了二阶优化器

MuonClip

和Kimi Linear架构。DeepSeek V4则直接选择了




用华为芯片做推理，共同为国产算力生态发展做努力。

据杨植麟判断，大模型的本质是




“将能源转化为智能”，而规模化




不是




暴力堆砌算力与能源，而是以提升效率为核心。

这可能也会是




中国开源模型的集体叙事转变




，




不再执着于与




GPT-5.4、Claude Opus 4.7等对手在

benchmark

上死磕，而是定义一种全新的价值体系——低成本、高可及性、自主可控。

第五次撞车或许不会是中国开源模型最后一次在时间线上的




“巧合”。

从




K1.5借鉴DeepSeek R1的强化学习路线，到DeepSeek V4沿用Kimi的长上下文研究成果，中国的开源力量正在用自己的方式证明：最高效的竞争，是让对手成为自己生态的一部分。

AI竞赛的下半场，规则正在由中国开源模型重新书写。而Kimi和DeepSeek




们






，无疑是这段历史最核心的注脚。（转载自凤凰网科技）