Kimi-Researcher— Kimi推出的深度研究Agent模型-人工智能-PHP中文网

Kimi-Researcher— Kimi推出的深度研究Agent模型

心靈之曲

发布： 2025-06-22 12:16:12

原创

928人浏览过

kimi-researcher 是由月之暗面推出的 kimi 所研发的全新一代 agent 模型，基于端到端自主强化学习（end-to-end agentic rl）技术训练而成，专为执行高深度的研究任务而设计。该模型具备自主规划任务流程的能力，能够通过问题澄清、深入推理、主动搜索以及调用工具等多个环节，最终输出高质量的研究成果。

其核心能力包括：主动提问以明确问题边界、平均进行 23 步推理以实现深度分析、利用 74 个关键词和 206 个网址筛选出高质量信息、调用工具处理原始数据并得出结论。此外，Kimi-Researcher 还能生成超过万字的研究报告，引用约 26 个权威信源，并支持生成可交互的动态可视化报告，便于用户快速掌握关键信息。

Kimi-Researcher的主要功能

问题澄清：通过主动提问帮助用户更清晰地定义问题。
深度推理：每个任务平均进行 23 步逻辑推理，自主梳理并解决复杂需求。
智能搜索：平均生成 74 个关键词，从海量信息中筛选出质量最高的前 3.2% 内容。
工具调用：自动调用浏览器、代码等工具处理数据并形成分析结果。
研究报告生成：输出万字以上报告，引用约 26 个高质量资料，所有来源均可追溯。
可视化报告：提供结构化排版与思维导图，便于快速理解重点内容。
异步处理机制：采用异步方式提升输出质量和信息覆盖范围。

Kimi-Researcher的技术原理

端到端强化学习：采用端到端的自主强化学习方式，模型在训练过程中自行试错，将整个任务视为整体进行优化，无需依赖预设提示或固定流程。
无结构化设计：作为零结构 Agent，没有复杂的提示词或流程设定，推理模式完全由训练过程自然演化而来。
结果导向学习机制：只有在任务真正完成并取得正确结果时，模型才会获得奖励信号，驱动其持续优化行为策略。
轻量记忆机制：不设固定记忆模块，而是由模型自主决定哪些信息值得保留及如何调用。
面向 Agent 的训练架构：配备支持异步执行和灵活接口的训练基础设施，结合“分步回滚”机制提升长序列任务的学习效率。
多模态与长链推理：通过文本与视觉数据联合训练增强多模态处理能力，并借助长思维链训练提升逻辑推理水平。

Kimi-Researcher的项目地址

技术论文：https://www.php.cn/link/6706f0da72316a555818858ae81eb84e

如何使用Kimi-Researcher

访问入口：前往 Kimi 官方网站或在微信小程序中搜索“Kimi 智能助手”。
申请内测权限：点击申请测试资格，并提交你希望 Kimi-Researcher 研究的问题。
主要功能
- 深度研究模式：Kimi-Researcher 将自主制定执行计划，涵盖问题澄清、深度推理、主动搜索及工具调用，最终输出研究报告。（每月限 20 次，同时支持 1 条任务并发）
- 动态可视化报告：生成结构化排版的可视化报告，便于快速掌握核心结论。
- 联网检索：支持实时联网获取最新信息，并整合总结相关内容。
输入问题：在对话框中输入你的具体问题或指令，Kimi-Researcher 将据此展开研究。
上传文件：支持 PDF、Word、Excel、PPT、TXT 等多种格式文件上传，最多可上传 50 份文件，每份不超过 100MB。
指定操作：明确告知所需操作类型，如提取重点、翻译、总结等。
使用技巧
- 继续执行功能：在处理长文档时，点击“继续”按钮保持模型思路连贯。
- 常用语设置：配置快捷指令快速启动特定任务。
- 角色模拟：让 Kimi-Researcher 模拟特定角色（如专家、面试官等），辅助完成专业任务。
验证建议：对于 Kimi-Researcher 提供的分析结果，建议结合自身知识进行核验，确保准确性。

Kimi-Researcher的基准测试表现

“人类最后一次考试”（Humanity’s Last Exam, HLE）
- Pass@1 准确率：26.9%
- Pass@4 准确率：40.17%
- 表现优于 Claude 4 Opus（10.7%）、Gemini 2.5 Pro（21.6%），略高于 OpenAI Deep Research（26.6%），与 Gemini-Pro 的 Deep Research Agent 并列第一（26.9%）。
红杉中国 xbench 基准测试：在 DeepSearch 任务中，Kimi-Researcher 平均通过率达到 69%，领先于榜单上其他模型。