【月之暗面黄震昕：Kimi不做重交付，FDE难点不在于模型厂商｜附全文】
今年以来，当头部的大模型厂商在围绕模型迭代、产品力、融资、上市等集体抢占时间窗口时，商业化这个命题也被悄然塞进了他们的时间表里。

结合近期Kimi对外的披露，以及与月之暗面Kimi B端负责人黄震昕的交流，可以梳理出这家公司在商业化路径上的一系列战略选择与自我定位。

在过去两年间，Kimi首次大规模应用二阶优化器Muon取代了已成为行业标准10年之久的Adam优化器，推出基于KDA注意力机制的Kimi Linear架构，以及推出注意力残差方案，对计算效率得以大幅提升。

关于Harness，Kimi的判断是：随着基础模型变强，对外部复杂Harness的要求会降低，类似去年Prompt工程热度的下降。因此Kimi内部已开始实践Loop Engineering（循环工程）。

黄震昕认为，随着Token市场价格走高，用户对于高性能的Token需求仍有支付意愿，同时，虽然由于芯片荒和算力成本上升导致成本在涨，但模型厂商也在通过技术优化，将Token的实际成本往下降低。

在定价策略上，Kimi的定位是做高性能模型，而非最便宜的模型。尤其是伴随今年模型价格的集体上涨，背后核心原因仍然是全球算力供应跟不上Token需求增长。为此，Kimi对冲成本压力的方式是通过技术优化，其KV-Cache命中率达到90%以上。

“评估模型价格不能只看输入输出定价，还要看KV-Cache命中率。只要命中，成本就会降很多，能给用户节省成本。” 黄震昕告诉笔者。

作为Kimi B端负责人，黄震昕还着重提及了Kimi在To B业务的布局，包括三层服务体系：模型层提供K2.7 Code、K2.6等基础模型；架构层提供API及Agent SDK；产品层推出企业版，包含Kimi Agent集群、Kimi Code、Kimi Work等工具。黄震昕指出，Kimi不会做太重的交付工作，“模型本身还有大量技术难题待攻克，Kimi能把模型做好已经非常不易。”

对于企业级应用所需的“最后一公里”服务，Kimi选择通过FDE合作伙伴来完成端到端交付，而非自建重服务团队。在行业解决方案层面，Kimi也在尝试与亚马逊云科技等合作构建金融、医疗、制造等垂直场景的方案，前者提供模型能力，而后者主要提供行业经验与客户资源。

以下是黄震昕在亚马逊云科技中国峰会上的演讲全文： http://t.cn/AXoPe3Gq