Kimi视觉思考模型k1发布：数理化超越OpenAI o1、GPT
12月16日消息，视觉思考今日，模型月之暗面国产大模型Kimi发布视觉思考模型k1，布数k1基于强化学习技术打造，理化原生支持端到端图像理解和思维链技术，视觉思考并将能力扩展到数学之外的模型更多基础科学领域。
k1已陆续上线最新版Kimi智能助手的布数Android和iPhone APP以及网页版kimi.com。
在最新版手机APP或网页版Kimi+页面找到Kimi视觉思考版，理化即可拍照或传图体验。视觉思考
据了解，模型在数学、布数物理、理化化学等基础科学学科的视觉思考基准能力测试中，初代k1模型的模型表现超过了全球标杆模型OpenAI o1、GPT-4o以及Claude 3.5 Sonnet。布数
官方表示，K1模型真正意义上实现了端到端的图像理解和思考能力，模型可以直接处理用户输入的图像信息并进行思考得出答案，不需要借助外部的OCR或额外视觉模型进行信息处理。
从模型训练的角度看，k1的训练分为两个阶段，先通过预训练得到基础模型，再在基础模型上进行强化学习后训练。
k1的基础模型重点优化了字符识别能力，在OCRBench上得到903分的当前最好（state-of-the-art）结果，在MathVista-testmini、MMMU-val 和DocVQA基准测试集上分数分别为69.1、66.7和96.9，处于全球第一梯队水平。
据介绍，k1的强化学习后训练在数据质量和学习效率方面做了进一步优化，在强化学习的规模化（scaling）上取得了新的突破，这是k1视觉推理模型在基准测试中取得行业领先成绩的最关键原因。
月之暗面坦言，在内部测试中也发现了一些k1视觉思考模型存在的局限性，例如在分布外（out-of-distribution）的泛化、在更复杂问题上的成功率、在更多噪声场景的准确率、多轮问答效果等方面，有很大提升空间。
在一些场景和泛化能力上，k1模型与OpenAI的o1系列模型相比仍有差距。
相关文章：