杨植麟时隔一年半的独家对话：“站在无限的开端”——Kimi K2、Agentic LLM 与那座无限的山

来源 B站 BV1hFe1zSEXp张小珺商业访谈录嘉宾杨植麟发布 2025-08-27时长 01:39:39逐字稿 3.0 万字

一句话概括这期访谈：「喂一样多的数据，让脑子长得更多」——这是杨植麟给 Kimi K2 定的技术命题。在他看来，长思考模型再强也仍是一个不与外界交互的「缸中之脑」；真正的分水岭是 Agentic 能力，而 Agentic 最大的瓶颈不是算力、不是数据，是泛化，泛化的瓶颈又是评估。而支撑一家公司走过舆论风暴的，是两句可以刻在石头上的话：问题不可避免；问题可以被解决。

PART 01缸中之脑：为什么「想得更久」不等于「走得更远」

这场访谈里最有画面感的概念，是杨植麟给长思考模型起的名字——缸中之脑。

「想象一个鱼缸，你把一个脑子放在里面，跟外界没有联系。它只是在自己大脑里面想，一直想，不需要跟外界产生任何交互，就能解一道题。」

—— 杨植麟

他把过去一年最重要的两个范式并列放在一起，然后指出它们其实指向同一个东西：

多轮 + 工具工具服从长尾分布 → 最缺的是泛化 test-time scaling 轮数更多 / 每轮思考 token 更多

图 1：轮数变多与每轮思考变长，本质是同一件事

他给 Agent 下的定义非常克制，只有两条：一是多轮，二是工具。多轮意味着你可以行动多次——这本身就是 test-time scaling 的一种形式；工具则是这个「大脑」连接外部世界的方式。有了搜索引擎，模型接入整个互联网；通过写代码，模型接入数字世界，因为数字世界里几乎所有的自动化都能用代码描述。

而真正让他警惕的是工具的分布形态：工具服从长尾分布。如果模型泛化得好，它就不只会用常见工具，还能用高度个性化的工具——公司内部数据库、个人文档、自定义 API，能完成「退一张票、下一个订单」这样的业务操作。

「我一直觉得 agent 最缺的就是泛化能力。如果泛化能力强，人们讨论的各种垂类 agent 就没那么必要了——给它一个自定义数据库、自定义 API 或自定义文档接口，它就是一个很垂类的 agent。」

PART 02喂一样多的数据，让「脑子」长得更多：token efficiency

K2 最重要的一条设计哲学，被杨植麟浓缩成一句很朴素的话。而要理解它为什么重要，得先看清他给出的那个坏消息。

高质量数据的增长非常缓慢，而多模态数据又无法很好地提升文本本身的「智商」——你可以认为高质量数据接近一个常数。在数据总量见顶的前提下，唯一的出路是最大化地使用每一份数据，也就是 token efficiency。

整体考虑相互依赖 → 学习效率更高在 compute optimal 下约两倍提升：学一份数据，约等于用 Adam 学两份但会「炸」：max logit 爆炸在小规模实验中发现不了，必须靠 clipping 等方法兜住关键抓手二：数据 Rephrase —— 同一份数据学多次会过拟合，改写赋予泛化；关键是有没有新的熵输入

图 2：K2 的技术重心为什么从「训得快」转向「学得透」

这段里有三个细节值得单独拎出来，因为它们都具备「可验证但容易被误读」的性质：

—Muon 不是他们原创。他明确说这是 Keller Jordan 提出的东西，团队做的是在其基础上做优化，让它能适配并训练非常大规模的语言模型。

—「两倍」是有前提的。原文限定为「在 compute optimal 的情况下」的早期实验结果——这是一个条件下的量级，不是一个通用常数。

—改写不一定有用。面对「改写没新知识、等于没用」的质疑，他没有否认，而是把它翻译成一个可判定的标准：看改写过程中有没有新的熵输入。他还坦承「我们现在也不一定用了最好的改写方式」。

从「缸中之脑」到与世界交互：K2 的两条腿

第一条腿：做一个好的 Base Model

提升 token efficiency（含 Muon、数据改写、更大稀疏度加更多参数）。判断依据很直接：参数多了之后，学一样多的数据会吸收得更好，这一条「通过实验可以验证」。

第二条腿：拥有好的 Agentic 能力

通过各种强化学习，或对工具和环境的模拟，让它有比较好的泛化性。而这里最大的挑战恰恰是泛化——这也是他接下来反复回到的话题。

「现在 RL 技术的局限性在于，不管是训练任务还是评价指标，很多时候都是单点。比如你就训 SWE-bench 同分布的数据，它就提升 SWE-bench，是很确定的东西。但你的指标提升上去之后，并不意味着模型的泛化会变得更好。」

—— 杨植麟

PART 03泛化的瓶颈是评估：为什么「Benchmark 分数涨了」可能是假信号

这是全篇我最想建议读者慢下来读的一段，因为它同时解释了三件事：为什么 Agent 模型看起来都在涨分、为什么实际用起来还是不行、以及下一阶段真正的台阶在哪。

「今天整体的评估，是阻碍 Agent 模型变得更泛化的重要瓶颈。你在那些 Benchmark 上观察到一个分数，很多时候它并不是对这个能力的反映，比较片面。」

环节	现状	后果
训练任务	多是单点，且与评测同分布	训 SWE-bench 就涨 SWE-bench，迁移不到别处
评价指标	Agent 可用的 Benchmark 数量不多，且偏片面	分数与真实能力脱钩，过拟合被当成进步
可用数据	工具集、环境、具体任务都可能被过拟合	换个工具定义就失效，泛化比对话模型更差
潜在出路	更 AI native 的方式：让模型参与训练过程（如 alignment research）	不只优化单点任务，理论上泛化更好

他还给了一条判断，可以直接拿来检验任何一家公司的 Agent 进展：Agent 的泛化比对话模型的泛化更难。原因是 Agent 需要很多步才能完成任务，而每多一步，对通用性的要求就更高一层。

PART 04L1 到 L5 不一定是串行关系

被问到 OpenAI 的 L1–L5 分级「背后的内在逻辑」时，杨植麟给了一个和直觉不太一样的答案——它们并不是严格的串行依赖。

不是必须先有 L2——Claude 的路线就是在推理上做得不多、在 Agent 上做得很好 ◆ 但要做到最好的 Agent，就必须把 Reasoning 也做到最好——只是时间问题 L4 的真正标志：模型参与模型本身的开发「我们希望 K2 能参与到 K3 的开发」——提出新想法、做实验、分析结果、迭代下一版，甚至优化 Infra 性能这些都依赖很强的 Agentic 能力；没有它，Innovator 阶段解锁不了 L5 的雏形已经可见：一个 Agent fork 出多个 Agents，有串行有并行，再合并、再拆分（有的写测试、有的写文档、有的设计框架）

图 3：L2/L3 是 L4/L5 的前提，但 L4 与 L5 可能同时发生

PART 05「一方产品」vs「三方产品」：逆向工程与正向整合

这一段是整场访谈里对创业者最有用的一部分——它把「做 Agent 产品」这件事拆成了两种完全不同的方法论。

维度	三方产品（模型公司之外的玩家）	一方产品（模型公司自己下场）
本质动作	逆向工程模型的训练过程：猜什么工具好用、什么 System Prompt 好用、什么 Context Engineering 好用	正向整合：先把工具与上下文工程方法设计好，就在这个环境里训练模型
与模型的关系	拟合模型的分布，去逼近它在自家环境里的表现	模型天然在你的环境里表现更好
迭代方式	改脚手架、改 prompt、改工具	模型解决不好的地方，可以调整工具设计，同时端到端训练
上限	受限于对黑盒的理解速度	他认为第二种思路「上限也许更高」

张小珺帮观众做了一次翻译：「第一种脚手架，就是像 Manus 这种开发方式；第二种是你们这样的端到端训练模型的方式。」杨植麟的回应是——对，但我们现在在「一方产品」投入还不算特别多，是以模型为主线。

但一方产品不会吃掉一切

—Agent 领域太广阔，一方产品不一定做得过来。

—需要大量领域 know-how 的工具，或者一方产品考虑不过来的 evaluation，都还有机会。

—开源降低了门槛：基于 K2 微调，更容易产生 Specialized / 垂类 Agent。

—专有入口是护城河：如果你掌握线下服务入口，「下订单或成交的工具别人做不出来」，就能产生独特价值。

—但这是有窗口期的——当通用 Agent 的流量与商业模式足够成熟，很多原本垄断的工具也会愿意接入，因为整体商业化效率更高。只是这需要时间。

关于 Manus 这类公司是客户还是对手，他的回答很克制：「短期，更多是合作大于竞争」，因为 Cursor、Perplexity、Genspark 里都已经能看到 K2 的身影；但未来会演进，就像 Claude 与 Cursor 的关系那样。

PART 06开源：从「落后者才做的事」到「动态观察」

张小珺翻出了他一年前的旧话——「领先者不会开源，只有落后者才会这么做」——然后问：但今天你们开源了。

「因为我们现在，在全球范围内还没有完全领先（笑）。」

—— 杨植麟

他并没有推翻自己一年前的判断，而是给它补上了边界条件：

原判断仍然成立的部分

要贡献到模型本身、让基础模型变得更强，目前只有原厂能做。社区能贡献的主要在推理侧与「让更多人免费用上」。

新增的机会

基于开源模型做大量后训练（尤其是 Agentic 后训练）可能催生新机会：创业公司可以在自己的特定工具集合下，训练出一个在法律等场景表现很好的专用 Agent。

它的定位

更多是赋能下游应用，而不是反哺基础模型的提升——但这个问题要动态观察。

终局判断

开源与闭源最终不会剩很多家，「几个，或许是最终稳定数量，现在看是大概率的事」。

而关于「模型即产品」这个他过去爱讲的说法，他的答案是没有变化，但理由更硬了：你做一个 Agent 产品，需要把模型与工具、Context 结合起来；而训练模型时，基本得把这一整套系统搭好才能训练。模型训练完成，产品也基本完成了——产品是在训练过程中完成的。

PART 07在自己的故事里面：用 RL 的方式去管理，而不是用 SFT

访谈最后一章从技术回到了人。这一段最值得记的，是他把管理问题直接翻译成了技术问题。

「建立更多观测指标，尽可能不要过拟合，是一定程度有效的。这样你才有更好的泛化，不会被 hack（利用漏洞）。」

关于情绪

「不以物喜，不以己悲。虽然很难做到，但要避免情绪化决策。」他承认自己「多少肯定会」情绪化——「你是一个人嘛」——但落到决策和执行上要更理性。

关于恐惧

「肯定有恐惧。」但更重要的是关注当前这一步能做什么——「想这个问题更重要」。

关于成长

「认识到这一点：问题不可避免，它会一直存在，持续解决新问题是最重要的，可能也是最有意思的——这是心态上的变化，它会改变很多做事的方式。」

关于成功概率

「我觉得增大了。你只要每往上爬，成功概率会变大，因为会有一些人不继续爬了。」

他把 David Deutsch《无穷的开始》里的两句话反复读了几遍，并说这是支撑自己的东西：「问题是不可避免的」「问题是可以被解决的」。在他看来，这两句话合起来构成了一种登山观——解决一个问题，技术就往上攀登几百米，然后生出更多新问题；也许有一天会发现这座雪山没有尽头，「我不知道——我希望它一直没有尽头」。

「The Beginning of Infinity 的意思，就是这样：它是一座无限的山。」

—— 杨植麟

PART 08哪些判断要先打折：一份诚实的边界清单

⚠️ 五条需要先打折再看的结论

Muon 的「两倍」是有条件的。原文限定在 compute optimal 场景下的早期实验；它是一个量级参照，不是可迁移的通用常数。
「高质量数据接近一个常数」是一个工作假设。它成立与否取决于你怎么定义高质量、以及合成数据与改写能注入多少新熵——他本人也说「我们现在也不一定用了最好的改写方式」。
「一方产品上限更高」是判断，不是结论。他自己紧接着就说「我们在一方产品投入还不算特别多，是以模型为主线」，并承认短期 Manus 这类是合作大于竞争。
「K2 参与 K3 开发」是目标而非既成事实。这是他对 L4 的定义与期望，访谈中没有给出已实现的证据。
开源那句「因为还没完全领先」带有自嘲成分。把它当成策略自白会失真——他同时强调开源是「技术体系的信仰 + 市场博弈」两者都有。

如果只带一句话走

1先分清你在优化哪种效率。训得更快省的是钱，学得更透涨的是智能上限——这两件事常被混为一谈。

2看到 Agent 涨分时先问一句：涨的是能力还是过拟合。训练任务与评价指标单点是当前最大的系统性偏差。

3做产品前先想清楚你是一方还是三方。一个在做逆向工程，一个在做正向整合，打法完全不同。

4别把 L1–L5 当楼梯爬。它们是依赖图：有前提，也有并行。

5把「问题不可避免」当成工作假设。这比任何单点技术判断都更能决定你能走多远。

SUMMARY一张表带走：六个核心判断及其依据

#	核心判断	他引述的依据	可信度
01	长思考模型仍是「缸中之脑」，Agent 的本质是多轮 + 工具	反思=提出猜想+验证猜想；Pass@k→Pass@1；工具服从长尾分布	高（概念清晰）
02	两条路都指向 test-time scaling	轮数更多 / 每轮思考 token 更多，都是预测时的 token 规模化	高（已成行业共识）
03	高质量数据接近常数，出路是 token efficiency	Muon 约两倍；数据 Rephrase；更大稀疏度加更多参数	中高（部分为早期实验）
04	Agent 的最大瓶颈是泛化，泛化的瓶颈是评估	RL 任务与指标单点；Agent Benchmark 少且片面	高（可观察验证）
05	L1–L5 不一定是串行关系	Claude 路线反证；L4 标志是模型参与模型开发；L4/L5 可并行	高（论证自洽）
06	一方产品是正向整合，上限可能更高	模型与工具可端到端协同训练；但领域 know-how 与专有入口仍有空间	中（含自陈投入有限）

Key Points 总结

缸中之脑：不跟外界交互、只在脑内转圈，再久也只是想得更久。
agent 只有两个特征：多轮 + 工具；工具服从长尾分布，所以泛化才是命门。
token efficiency：喂一样多的数据，让脑子长得更多——这是 K2 的技术命题。
训得快 ≠ 更聪明：compute efficiency 省时间，token efficiency 涨上限。
泛化的瓶颈是评估：Benchmark 涨分不等于能力涨，这点对 Agent 尤其成立。
L4 的标志：模型参与模型本身的开发——「希望 K2 参与 K3」。
一方 vs 三方：逆向工程 vs 正向整合，是两条完全不同的产品方法论。
心态底座：问题不可避免，问题可以被解决；这座山可能没有尽头。

参考资料： ① B站视频《对话 Kimi 创始人杨植麟：K2、Agentic LLM、缸中之脑、艰难的泛化……》BV1hFe1zSEXp，张小珺商业访谈录，2025-08-27 发布；
② 访谈官方文字版《和杨植麟时隔一年的独家对话：“站在无限的开端”》，公众号「语言即世界」；
③ 多个第三方全文转载版本用于交叉核对（含 04–06、07–11 各小节）；
④ B站开放接口 x/web-interface/view 提供的时长、封面与发布信息。