月之暗面Kimi出海硬刚海外“御三家”：不拼低价，All in one模型力拼智能上限

月之暗面旗下Kimi正在C端爆款产品之外，加速B端模型服务和全球化市场的布局。 面对海外头部AI模型的强势竞争，Kimi选择了一条差异化路径——不靠低价抢客户，而是以高性能模型和全栈能力切入全球企业的核心业务流程。 Kimi B端负责人黄震昕近日在接受InfoQ采访时明确表示：“Kimi的定位并不是做最便宜的模型，而是希望做最高性能的模型。 ”在他看来，无论To C还是To B，本质上都是探索智能上限的不同方式。 随着AI对生产力结构的改变越来越明显，Kimi正围绕Coding、Agent、长链路推理、多模态理解和企业级应用场景，寻找模型能力进入真实业务流程的路径。 差异化优势：All in one模型 Kimi的一个重要特色是All in one——将视觉理解、Coding和Agent能力融合在一个模型中，而非像其他厂商那样将视觉能力作为外接模块单独处理。 黄震昕解释：“我们在预训练阶段就已经把视觉数据和文本数据放在一起训练，带来的好处是能做一些全球其他厂商不太能做到的能力，比如Visual-to-Code，把视觉动效直接用代码实现出来。 ” 近期，Kimi与字节跳动的Trae上线了Visual Debug功能。 开发者遇到Bug时，可以直接录屏或截图标识问题，模型便能理解视觉信息与代码上下文并给出修复方案。 这一功能的背后，是Kimi团队观察到大量程序员已经习惯直接丢一张图或录屏给模型做Debug，Kimi在“视觉+Coding”的混合场景上具有明显优势。 短期内，Kimi仍会更多专注模型本身。 黄震昕表示：“模型本身还有大量事情要做，把模型做好已经很不容易。 ”这体现在人才选择上：月之暗面当前依然优先招聘“最聪明、最天才的人”，让他们去做创新。 公司会在研发上提供行业内较高的人均算力和卡数支持，技术和BD团队中也有大量毕业于哈佛、斯坦福、康奈尔等高校的成员，人才密度较高。 公司整体非常年轻，尤其在算法和模型底层研发领域，年轻研发人员往往能爆发出更强创新力。 团队成员保持个性，又围绕共同目标紧密协作。 公司希望每个人都具备审美，做出来的产品不仅要有能力，也要“漂亮”。 不过，黄震昕也承认，企业级Agent的渗透并不是“只提供模型就行”。 Coding场景相对容易在企业内部扩散，但更复杂的Agent要进入企业业务流程，需要最后一公里服务。 因此，Kimi会更多选择与亚马逊云科技以及其他合作伙伴合作，由伙伴补齐行业理解、流程改造、系统集成和端到端交付能力。 但Kimi并不打算变成一家重交付公司，仍会保持对模型的专注。 进入全球企业核心业务 全球化是Kimi的重要方向。

目前，Kimi已拥有大量海外用户，场景包括Coding、Agent等。 黄震昕表示，无论技术推广、开源还是服务，Kimi都是全球统一推进，“Day 1就是这么做的”。 在海外拓展中，亚马逊云科技是Kimi的关键合作伙伴。 双方的合作是“飞轮式”的：一方面，Kimi采购亚马逊云科技全球云基础设施、算力等服务； 另一方面，也希望通过亚马逊云科技的渠道销售Kimi服务。 目前，Kimi已通过两种路径与亚马逊云科技展开合作。 首先，上线亚马逊云科技Marketplace。 用户通过该平台购买Kimi API服务，采用标准化采购与按量计费机制触达更广泛的用户群体，主要解决全球分发与企业采购效率问题。 更深层的合作则指向Amazon Bedrock。 目前，Amazon Bedrock已接入Kimi K2. 5等开源模型，未来Kimi正积极推进接入更多最新模型，让用户无需自行管理基础设施或单独部署服务器就能使用Kimi模型。 这意味着双方合作将从“渠道接入”进一步升级为“基础设施级托管”。 同时，Kimi也在与亚马逊云科技探讨将自身底层推理优化能力（如缓存与推理加速能力）开放，使不同接入渠道下的推理性能体验保持一致。 当前，Kimi的企业客户已不局限于互联网行业，金融、制造、教育、医疗等行业也都有不少客户与Kimi深度合作。 合作模式通常由Kimi提供基础模型能力，亚马逊云科技提供行业经验与客户资源，并联合解决方案架构师共同设计从模型接入、数据接入到业务流程落地的完整路径。 此外，针对不同区域与行业的合规与数据要求，亚马逊云科技在安全、隐私与合规体系上的成熟经验也成为合作的重要支撑。 由于大模型推理资源整体仍处于紧张状态，Kimi在不同渠道存在TPM（每分钟token配额）管理机制。 针对亚马逊云科技等重点合作渠道，Kimi会提供更稳定的算力与配额保障，以支撑企业级使用需求。 不做娱乐化，坚持生产力方向 Kimi明确强调生产力导向。 在所有大模型公司里，月之暗面算是非常有个性，不做娱乐场景，而是专注生产力。 在C端，Kimi已形成一系列生产力产品能力，包括用户熟悉的长文本能力、PPT能力、深度研究，以及近期发布的Kimi Work。 Kimi也在发力Agent集群等能力，让用户可以同时创建多个智能体协同完成任务。

在B端，Kimi主要通过API方式服务客户，当前重点场景包括Coding和Agent。 Kimi的B端业务不是单一模型接口，而是一个分层服务体系：最底层提供基础模型能力； 往上提供多类API，包括模型API、搜索API，以及未来可能开放的PPT API、深度研究API等； 再往上提供Agent SDK，帮助企业更快基于Kimi的模型和Harness能力构建内部Agent； 最上层则是面向企业的产品层，包括企业版Kimi，以及Kimi Agent、Kimi Code、Kimi Work等能力。 在技术路线上，Kimi强调的不只是模型效率优化，而是模型底层创新。 黄震昕表示，Kimi非常坚定地相信Scaling Law仍将持续向前，也会持续解决Scaling Law推进过程中遇到的各种卡点，包括模型架构层面的关键问题。 他进一步解释，行业中不少公司更关注产品层协同设计、上下文长度、推理速度、数据清洗等多维度scaling，Kimi并不是不做这些，相反，这些方向内部都在推进，公司也有专门的Harness team在各种场景中做尝试。 Kimi不同的点在于，有自己的“登月目标”，不会因为底层架构创新极难就绕开。 “只有在底层架构上实现突破，才能做更大的模型，才能让Scaling Law持续向前。 ” 围绕智能体，Kimi持续在三个方向进行优化：Token效率、长上下文能力与多智能体协作。 底层的技术创新包括通过Muon二阶优化器提升数据利用效率（Muon已被GLM、DeepSeek V4等模型采用）； 通过“注意力残差”提升模型网络架构的效率； 通过Kimi Linear降低长序列计算成本增长曲线。 今年以来，Harness对大模型实际应用表现的影响受到关注。 不过，随着基础模型能力增强，行业中也出现了Harness重要性是否会弱化的讨论。 黄震昕认为，随着基础模型变强，它确实能更好兼容不同环境，从而降低对复杂外部Harness的依赖。 因此，基座模型厂商不能只盯着现有Harness，而应持续推动模型本身的底层创新。 从行业视角看，Kimi的出海路径与产品策略为国内AI厂商提供了另一种思路：不盲目卷入价格战，而是通过模型能力差异化和生态合作进入全球市场。 AI大狗（AIdadog. com）观察到，随着AI基础设施日趋成熟，模型厂商的竞争正从单点能力转向“模型+生态+服务”的全栈比拼，Kimi与亚马逊云科技的合作模式或将成为行业参考样本。