多知12月16日消息，今天，Kimi 發布視覺思考模型 k1，可以拍照解題，并不僅僅給出答案，還會給出思索答案的全過程。該模型將于近期正式上線，包括Android版、iOS版以及網頁版。

根據Kimi介紹，k1 模型基于強化學習技術，支持端到端圖像理解和思維鏈技術，并將能力擴展到數學之外的更多基礎科學領域。在數學、物理、化學等基礎科學學科的基準能力測試中，初代 k1 模型的表現超過了全球標桿模型 OpenAI o1、GPT-4o以及 Claude 3.5 Sonnet。

Kimi介紹，k1 視覺思考模型，真正意義上實現了端到端的圖像理解和思考能力。模型可以直接處理用戶輸入的圖像信息并進行思考得出答案，不需要借助外部的OCR或額外視覺模型進行信息處理。

從模型訓練的角度看，k1 視覺思考模型的訓練分為兩個階段，先通過預訓練得到基礎模型，再在基礎模型上進行強化學習后訓練。k1 的基礎模型重點優化了字符識別能力，在 OCRBench 上得到 903 分的當前最好（state-of-the-art）結果，在 MathVista-testmini、MMMU-val 和 DocVQA 基準測試集上分數分別為 69.1、66.7 和 96.9，處于全球第一梯隊水平。

Kimi 解釋，這是因為k1 的強化學習后訓練在數據質量和學習效率方面做了進一步優化，在強化學習的規模化（scaling）上取得了新的突破。

為此，Kimi 模型研發團隊自主構建了一個標準化的測試集Science Vista，涵蓋不同難度的數理化圖片題目，且從分布上與實際用戶需求較為匹配。該測試集將開放給全行業。

Kimi 還坦言，k1 視覺思考模型存在的局限性，例如在分布外（out-of-distribution）的泛化、在更復雜問題上的成功率、在更多噪聲場景的準確率、多輪問答效果等方面，有很大提升空間。在一些場景和泛化能力上，k1 模型與 OpenAI 的 o1 系列模型相比仍有差距。

該模型有較強的數學能力，但由于主要支持LaTeX等格式的文本輸入，依賴圖形理解能力的部分幾何圖形題則難以應對。

新的 k1 視覺思考模型，借助端到端的圖像理解能力，解鎖了包括幾何圖形題在內更加全面的數學能力。在不同階段的幾何和圖形題專項基準能力測試中，k1-preview 成績追平或超過了 OpenAI 的 o1 模型。

比如k1 視覺思考模型解決這道幾何題：

??除了數學能力，k1視覺思考模型將能力擴展到了物理、化學等領域。Kimi表示，在基礎科學學科教育階段的物理和化學能力測試中，k1 模型的表現同樣不輸全球領先的玩家 OpenAI 和 Anthropic。

k1 視覺思考模型解答經典物理電路題的例子：

接下來，我們來看一個 k1 視覺思考模型化學領域技術原理的例子。我們將一張曾獲得諾貝爾化學獎的技術原理圖去掉大部分文字說明，只留下“QD”兩個字母，看 k1 是如何一步一步分析出原理圖是在講什么。

在真實場景下，用戶輸入給模型的圖像信息往往存在各種各樣的噪聲，包括照片灰暗、圖像模糊、多題一起拍、手寫字跡干擾、純手寫的題目、傾斜的拍攝角度等。

Kimi測試顯示，在“噪聲”場景下，多個基礎科學學科的基準測試數據顯示，k1 模型相比OpenAI 和 Anthropic 的視覺語言模型，有更顯著的領先優勢。其他大部分模型在視覺噪聲場景下，能力水平下降了一半多，k1 則依靠超強的視覺識別能力，保持了最低的能力損失幅度。

Kimi的工作人員在平板電腦上手動推演的公式：

k1 模型是可以一步一步分析出作者的意圖：

在學習了代數、幾何、物理、化學、生物等更多基礎科學的難題之后， k1 視覺思考模型同樣涌現出更多通用能力。

未來，用戶不僅遇到不懂的題目，可以隨手拍給 Kimi，而且在社交軟件上看到不認識的城市或建筑照片、不熟悉的熱帶水果、看不明白的草書毛筆字、看不懂的梗圖、看不懂的科學家手稿……都可以嘗試發給 Kimi 視覺思考版，Kimi可以給出自己的答案。

越來越多的通用大模型正在針對細分場景不斷微調，比如，更多功能適用于教育場景，如豆包有“拍題答疑”功能，而今，kimi也有了該功能，“不懂就拍”，這為學習者帶來了更多的選擇。

《教育科技這一年·2022》+《培訓行業這一年·2021》+《教育科技行業圖譜2022-2023》，重磅發售！套裝優惠價169元，閉眼入！迅速點擊文末“閱讀原文”購買，手慢無！