大家好，我是木易，一个持续关注AI领域的互联网技术产品经理，国内Top2本科，美国Top10 CS研究生，MBA。我坚信AI是普通人变强的“外挂”，所以创建了“AI信息Gap”这个公众号，专注于分享AI全维度知识，包括但不限于AI科普，AI工具测评，AI效率提升，AI行业洞察。关注我，AI之路不迷路，2025我们继续出发。
推理模型在国内AI领域已不是什么新鲜事。
很多AI厂商都推出了自家的推理模型，注意，这里的“推理模型”指的是通过强化学习训练出的、在回答问题前会“思考”的模型。深度求索的DeepSeek-R1，Kimi的K1.5，阿里通义的QwQ-32B-preview和QVQ-72B-Preview，智谱的GLM-Zero-Preview，阶跃星辰的Step R-mini，讯飞星火的X1，百川智能的Baichuan-M1-preview，甚至连中国电信都官宣了自研的推理模型TeleAI-t1-preview。
然而，目前这么多国产推理模型中，只有2个敢于声称性能媲美OpenAI满血版o1，其中一个自然是目前红的发紫的DeepSeek-R1，另一个则是Kimi的K1.5，也是今天文章的主角。
关于DeepSeek-R1和Kimi K1.5，我在《DeepSeek-R1与Kimi k1.5深度分析：大模型进化的4大趋势！》一文中也写了一些思考。
Kimi K1.5有这么几个关键词：强化学习、长上下文扩展、多模态。和大多数推理模型一样，Kimi K1.5基于奖励机制的强化学习进行训练，让模型在不断试错和反馈中提升推理能力。“长上下文”指的是K1.5的推理上下文窗口扩展至了128K。好处是显而易见的，能够记住更多的推理轨迹，能够进行更长的思考，也能更好地规划与反思。多模态则是Kimi官方一直强调的功能，这也无可厚非，毕竟DeepSeek-R1也只是个纯文本模型。
对于AI模型来说，基准测试只是一个起步。在复杂多变的使用场景中的表现，某种程度上更为重要。关于国内推理模型的测试，之前也测过几次，详情可以看这里。
-
元旦献礼：谁才是o1的最佳平替？！ -
国产推理模型卷起来了！阶跃星辰Step R-mini推理模型首发实测！ -
测试了一天，我帮你们找到了OpenAI o1的平替！
昨天收到了Kimi K1.5的灰度推送，今天来实测一波，供小伙伴们参考。
1. 帽子颜色问题
有 10 个人站成一列纵队，从 10 顶黄帽子和 9 顶蓝帽子中，取出 10 顶分别给每个人戴上。每个人都看不见自己头上的帽子颜色，却只能看见站在前面那些人的帽子颜色。站在最后的第十个人说：“我虽然看见了你们每个人头上的帽子，但仍然不知道自己头上帽子的颜色。”依次类推，直到第二个人也说不知道自己头上帽子的颜色。出乎意料的是，第一个人却说：“我知道自己头上帽子的颜色了。”请问：第一个人头上戴的是什么颜色的帽子？他为什么知道呢？
这是一个开胃小菜，Kimi K1.5表现不错，最终答案和推理过程都准确无误。
2. 蜗牛爬杆问题
一只蜗牛白天爬上 10 英尺高的杆子，然后晚上从 6 英尺高的杆子上滑下来。蜗牛需要多少天才能到达顶端？
题目理解和解答完全正确，同时给出了计算公式。同样的问题我之前也测试过，Kimi K1.5和其前代模型相比，表现出了很大的进步。
3. 真假话推断问题
有三个匣子，分别是金匣子、银匣子和铅匣子，其中一个匣子里有宝物。每个匣子上都有一条题词：
金匣子：宝物不在此匣中。银匣子：宝物在金匣中。铅匣子：宝物不在此匣中。
已知这三句话中只有一句是真话。请问宝物在哪个匣子里？
Kimi K1.5回答正确，推理思路也很清晰明了。和DeepSeek-R1一样，偶尔出现Latex公式未渲染的问题，就像下面这个截图里展示的。
4. 逻辑推理问题
有 5 个人（A、B、C、D、E）参加比赛，他们分别来自不同的国家（美国、英国、法国、德国、意大利），每个人从事不同的职业（教师、医生、律师、工程师、作家）。已知：
A 是美国人，且不是教师。 B 是英国人，且不是医生或律师。 C 不是法国人，也不是工程师。 D 是德国人，且不是作家。 意大利人是律师。 教师来自法国。
很遗憾，这道题目Kimi K1.5用完了所有的思考上下文长度，也没能得出答案，导致思考被迫中断。本身回答过长，仅截取结果部分。
通过检查Kimi K1.5的思考过程，我发现它其实很快就推理出了可能的情况。然而，后续它陷入了“深深地”自我怀疑，过度思考，导致耗完了所有的思考上下文长度。
接下来进入到困难版24点问题的测试。
5. 24点：2、3、5、12
用数字 2、3、5、12 和四则运算得出结果 24。
Kimi K1.5回答错误，未使用数字2。
结合思考过程，可以看到Kimi K1.5出现了幻觉。思考时的输出语气倒是挺可爱的，“让我深呼吸，再试一次”。
6. 24点：2, 7, 8, 9
用数字 2, 7, 8, 9 和四则运算得出结果 24。
回答错误，多用了一次数字2。
7. 24点：1, 2, 7, 7
用数字 1, 2, 7, 7 和四则运算得出结果 24。
本题Kimi K1.5的表现和上面的“4 逻辑推理问题”一样，由于耗尽了思考上下文长度，未能给出答案。
8. 24点：2, 2, 2, 9
用数字 2, 2, 2, 9 和四则运算得出结果 24。
Kimi K1.5再次思考中断，未给出答案。
9. 24点：4, 4, 10, 10
用数字 4, 4, 10, 10 和四则运算得出结果 24。
Kimi K1.5给出了一个结果，但是错的，多用了一次数字4。
10. 24点：1, 5, 5, 5
用数字 1, 5, 5, 5 和四则运算得出结果 24。
回答正确。测试到这里我以为Kimi K1.5在24点问题里要全军覆没了，没想到还有惊喜。
11. 24点：2, 5, 5, 10
用数字 2, 5, 5, 10 和四则运算得出结果 24。
很遗憾，Kimi K1.5再次没答出来。
12. 24点：1, 4, 5, 6
用数字 1, 4, 5, 6 和四则运算得出结果 24。
Kimi K1.5回答错误，多用了一次数字6。另外，后面的推荐问题自动变成了英文，整个推理过程倒是全中文的。
13. 24点：6, 9, 9, 10
用数字 6, 9, 9, 10 和四则运算得出结果 24。
Kimi K1.5继续回答错误，多用了一次数字6。
14. 24点：3, 3, 7, 7
用数字 3, 3, 7, 7 和四则运算得出结果 24。
回答错误，看起来是强行凑了一个答案。
15. 24点：3, 3, 8, 8
用数字 3, 3, 8, 8 和四则运算得出结果 24。
Kimi K1.5再次回答错误。
总结
总结一波Kimi K1.5的测试表现。
-
所有测试只记录 首次测试（one-shot） 的结果。
-
和前一代
K1.0相比，确实有进步，主要体现在整体推理能力上。一般性的推理问题，比如我测试的前几题，无压力通过，推理思路很清晰，也较少出现“自我怀疑”、“自我否定”的情况。推理过程均为中文。 -
一共15个测试问题，包括11道很有难度的24点问题，
Kimi K1.5仅答对4题，其中24点问题仅答对1题。客观来说，这个结果相当不理想，要知道，DeepSeek-R1的战绩是答对9题，仅错了2题，全程记录在这里：测试了一天，我帮你们找到了OpenAI o1的平替！ -
出现了多次耗尽思考上下文长度，导致思考被迫中断的情形。检查后可以明显看到“过度思考”的痕迹。
-
Kimi官方确实提到了：由于测试时算力限制，当前预览版本在基准测试中的表现可能略逊于k1.5正式版。完整的k1.5 模型将很快进行效率优化并上线。 也许正式版发布后性能会好一点？
结语
不管怎样，期待国产模型越来越好。
（文：AI信息Gap）