原文摘要

K2很香，Perplexity都说好

原文链接

进一步信息揣测

• Perplexity的模型选型标准远超技术指标：不仅要求模型性能强，还需满足实时响应（解码速度≥100 token/秒）、高并发（峰值请求达日常10倍）和低成本（FP8量化下硬件效率），两秒以上的延迟会直接导致用户流失。
• Kimi K2的MoE架构隐藏优势：仅激活32B参数即可实现比DeepSeek-R1快一倍的输出速度，单位成本更低，这是开源社区未公开的实测数据，适合高并发场景的经济性平衡。
• Perplexity的Agent需求与K2深度契合：K2在预训练阶段原生内置Agent能力（支持17种工具调用、16-20步连续操作），而非后期插件，这与Perplexity设想的“30分钟自主研究”功能完全匹配，省去二次开发成本。
• 开源模型的商业控制权价值：K2的MIT改协议允许月活1亿以下免费商用，Perplexity可自主进行LoRA/RLHF微调，规避闭源模型的调用限制和隐私风险（如GPT-4.5的token速度仅11/秒的致命缺陷）。
• Perplexity的底层重构内幕：其新功能依赖“模型-索引-工具”全私有化架构，闭源模型无法满足（如无法深度定制工具链），而K2提供fp8/fp16全套权重和128K上下文窗口，可直接处理整份财报级数据。
• K2训练数据的行业秘密：通过数百万条合成Agent任务（含IPython/SQL等真实场景）预训练，实现零人工干预的复杂工作流（如13万行数据清洗到可视化全自动完成），这种合成数据方法论未在公开论文中披露。
• Perplexity的流量变现策略：选择低成本开源模型后，其搜索服务的边际成本趋近于零，与依赖API计费的竞品（如使用GPT-4）相比，在广告和订阅模式中具备显著利润优势。