16 个月后，DeepSeek 已不是孤身走暗巷

原本预计在 2026 年春节上演的中国 AI 大戏，延迟到了五一假期前。

这周五，DeepSeek V4 千呼万唤始出来。

同样在这周，Qwen、Kimi、小米、腾讯都不约而同拿出了自己最新的代表作。

从 Artificial Analysis 最新放榜的开源模型智能指数看，开源模型的前几名已经都是中国模型。

其中，TOP2 都是这周发布的。他们也是这几天 OpenRouter 真实调用量上挤入全球 TOP5 的两家公司。

这已经不是 DeepSeek 和 Kimi 这么默契了。往回看看前面几次。

2025 年 1 月，DeepSeek R1 和 Kimi K1.5 前后两个小时内发布，都把目标指向 OpenAI o1。

一个月后，DeepSeek NSA 和 Kimi MoBA 几乎同时出现，都在改造 Transformer 最核心的注意力机制。

2025 年 4 月，Kimi 的 Kimina Prover Preview 和 DeepSeek-Prover-V2 先后发布，都在向形式化数学推理和定理证明方向推进。

时隔一年，现在，又一次，Kimi K2.6 和 DeepSeek V4 在同一周先后发布，两个万亿参数的开源模型，前后脚摆到了桌面上。

发力相同的技术方向，几乎同时到达同一个路口。这已经不像巧合了。

这次又撞了什么

先看这一轮各自拿出了什么。

DeepSeek V4 是一个 1.6 万亿参数的 MoE 模型，49B 激活参数，原生支持 100 万 token 上下文。它的核心叙事是效率革命，相比上一代 V3.2，单 token 推理算力需求下降了 73%，KV cache 压缩到原来的十分之一。

简单说，同样的硬件能处理多得多的请求，同样长度的文本花的钱少得多。

与此同时，V4 完成了对华为昇腾芯片的深度适配，从英伟达 CUDA 生态向华为 CANN 架构做了底层代码迁移，也让这一轮发布多了一层国产算力迁移的意味。

Kimi K2.6 是一个万亿参数的 MoE 多模态模型，32B 激活参数，256K 上下文。它的核心叙事不是更大或更便宜，而是更持久。

在测试中，K2.6 可以不间断编码 13 小时，处理超过 4000 次工具调用，修改 4000 多行代码，完成一个接近性能极限的开源金融撮合引擎的深度重构。

这不是普通的 " 代码能力提升 "，而是在测试模型能不能从一次性回答，进入长时间、多工具、多 Agent 协作的工作状态。

K2.6 还引入了 Agent 集群架构，支持 300 个子 Agent 并行协作。月之暗面的 RL 基础设施团队已经用 K2.6 驱动的 Agent 连续自主运行了 5 天，负责监控、故障响应和系统运维。

它们总在同一个路口相遇，但开出去的方向并不一样。至少在这一轮，一个更像是在重写模型基础设施的成本结构，另一个更像是在验证模型能否进入更长周期的真实任务。方向不同，但在同一周发布这件事本身，已经足够让人截图发群了。

但两家也有高度一致的选择，万亿参数的 MoE 架构、开源、继续相信 Scaling Law。截至目前，它们也是中国仅有的两个已开源的万亿参数模型。

比撞车更有意思的事

多次撞车是一个好段子，但它背后有一个更值得注意的现象，两家的技术路线正在相互启发。

上一次，是 Kimi K2 借鉴了 DeepSeek V3 带火的 MLA 注意力机制。MLA 是一种压缩注意力计算和 KV 缓存以提升效率的方案，DeepSeek V3 让它成为中国开源模型技术栈里的显性选项。

这一次，是 DeepSeek V4 把 Muon 优化器作为模型架构层的三大更新之一。Muon 是一种二阶优化器，解决的是训练阶段参数更新的效率和稳定性问题，用来取代已经用了 10 年的 Adam。Kimi 是最早把 Muon 系优化器推到万亿参数级训练并系统公开经验的团队之一，杨植麟在 GTC 2026 演讲中称其可以带来 2 倍的 token 效率提升。而 V4 也跟进使用 Muon 优化器，用来提升收敛效率和训练稳定性。

换句话说，MLA 省的是推理时的钱，Muon 省的是训练时的路。而这两条路，已经在两家之间来回走了一遍。

这就让 " 撞车 " 不再只是发布时间上的巧合，而变成了技术栈层面的回声。更像是两家公司一边竞争，一边把对方探索过的技术思路变成自己下一轮实验的参考坐标。

这种相互启发还在继续延伸。在注意力机制上，DeepSeek 探索的是稀疏注意力，Kimi 下一代模型探索的是线性注意力，路径不同但要回答的问题一致，都是长上下文怎么不被全注意力的计算复杂度拖垮。

在残差连接上，DeepSeek 做 mHC，Kimi 做注意力残差，同样是不同方案指向同一个目标，让模型变深之后训练依然稳定。

这件事之所以值得说，是因为放在更大的行业背景里看，它其实是反常的。硅谷头部公司正在变得越来越封闭，OpenAI 早已不再公开训练细节，Anthropic 和 Google 的核心方法同样讳莫如深，社区只能靠猜测和拼凑来推断它们的技术路线。连在舞台上握手都不太可能了

而在 Kimi 和 DeepSeek 之间，技术报告和开源代码的可见度让技术扩散的链条明显缩短了。多次撞车之所以能被看到、被讨论、被放在一起比较，前提恰恰是两家都选择了把东西摊在桌面上。

中国开源模型的技术扩散速度，正在变得比过去快得多。这可能才是频繁撞车真正说明的事情。

全球技术圈都在看它们撞车

这种 " 撞车 " 的叙事，最早当然是中文科技圈的发明。但海外开发者社区也在用自己的方式确认这件事。

K2.6 发布后，AI 领域最有影响力的 newsletter 之一 Latent Space 直接把 Kimi 放进了 "DeepSeek 沉默期后中国开源模型实验室领跑者 " 的位置。几天后 V4 发布，海外开发者社区又立刻把 V4、K2.6、GLM 5.1 放到同一张表格里比较参数、价格、上下文长度和 Agent 能力。

英伟达 GTC 2026 上用来展示下一代芯片推理性能的中国模型，是这两家。

在海外开发者社区里，当人们讨论中国开源模型时，Kimi 和 DeepSeek 的确越来越频繁地被放进同一张表里。

它们撞上的不是彼此

这也让 DeepSeek 和 Kimi 的关系变得有点微妙。它们当然是竞争对手，但在更大的模型生态里，又共同把中国开源模型推到了一个更难被忽视的位置。

它们对闭源模型的压力，不只来自某一次 benchmark，而来自成本、可部署性、开源权重和技术扩散速度这些更慢、更底层的变量。

所以，Kimi 到底有没有在故意撞车 DeepSeek？

大概率没有。万亿参数的 MoE 要做，长上下文的注意力机制要改，训练效率的优化器要换，国产芯片的适配要啃，开源要开得真诚而不是做防御性姿态。这些不是 " 选项 "，而是 " 必经之路 "。

两家公司都在认真地做底层技术，也都选择把关键进展放到公开语境里，于是就一次又一次地在同一个十字路口碰面。

不是它们太默契，是路太窄了。

至于下一次 " 撞车 "，大概已经在路上了。

如果没猜错的话，Kimi 让大模型的文本和视觉能力齐头并进的技术方案，将启发更多中国开源纯文本模型长出 " 眼睛 "，一起看到更远、更大的世界。