k1 视觉思考模型 - kimi推出的 k1 系列强化学习模型

k1 视觉思考模型是什么

k1 视觉思考模型是kimi推出的 k1 系列强化学习 AI 模型，原生支持端到端图像理解和思维链，能力也从数学扩到了更多基础科学领域。k1 模型在图像理解、数学、物理、化学等学科的基准测试里成绩不错，超过了 OpenAI o1、GPT-4o 以及 Claude 3.5 Sonnet 等一批标杆模型。k1 视觉思考模型不用外挂 OCR 或视觉模型，直接读图像思考、给出答案，完整的推理思维链也一并给出，模型怎么想的一目了然。它基于预训练和强化学习后训练，字符识别专门做了优化，k1 视觉思考模型在 OCRBench 上拿到 903 分，是目前的最好（state-of-the-art）结果；MathVista-testmini、MMMU-val 和 DocVQA 上分别是 69.1、66.7 和 96.9，处在全球领先的位置。

Kimi 模型研发团队还推出了面向基础科学的标准化图形测试集 Science Vista，数理化图片题按难度铺开，题目分布和实际用户的需求比较贴近。这个测试集会向全行业开放。

k1 视觉思考模型的主要功能

• 端到端图像理解：k1 视觉思考模型直接处理用户传来的图像，自己思考分析，不用依赖外部 OCR 技术或额外的视觉模型。
• 推理思维链展示：k1 视觉思考模型会把思考过程摊开，也就是推理思维链（Chain of Thought, CoT）。用户不只看到答案，还能看到这个答案是怎么推出来的。
• 基础科学能力泛化
  • 数学能力：新版 k1 视觉思考模型靠端到端的图像理解，把几何图形题这类以前不好处理的题型也拿下了，数学能力更全面。
  • 跨学科能力：能力延伸到物理、化学等基础科学，这些领域里的复杂问题也能理解和解决。
• 真实场景适应性：照片发暗、图像模糊、手写字迹干扰这类带噪声的真实场景里，k1 视觉思考模型的表现比 OpenAI 和 Anthropic 的视觉语言模型更好，k1 模型的领先幅度也更明显。
• 通用问题解决能力：k1 视觉思考模型的通用能力也更多，比如解释科学家的手稿，能用的地方因此更宽。

如何使用k1 视觉思考模型

• 下载或更新应用：手机或电脑上先装好最新版的Kimi智能助手APP，或者打开Kimi的网页版。
• 访问Kimi视觉思考版：k1 视觉思考模型已陆续上线最新版「Kimi智能助手」的 Android 和 iPhone 手机APP以及网页( kimi.com）。在最新版手机 APP 或网页版的 Kimi+ 页面里，找到「Kimi 视觉思考版」。
• 上传或拍照：用 APP 或网页版的拍照功能直接拍，或者从设备里选一张已有图片上传。
• 等待分析：图像提交后，k1 视觉思考模型会开始处理，边想边分析。
• 查看结果和推理过程：Kimi视觉思考版会把推理思维链（Chain of Thought, CoT）展示出来，答案是怎么来的，用户全程看得到。
• 交互和反馈：想让它再解释几句，或者还有别的问题，接着跟 Kimi 聊就行，也可以提反馈。

k1 视觉思考模型的挑战

• 泛化能力：k1 视觉思考模型在分布外（out-of-distribution）的泛化还有提升空间，训练数据里没见过的新题型，表现会差一些。
• 复杂问题解决：问题一复杂，k1 视觉思考模型的成功率就比不上处理简单题的时候。
• 噪声场景准确率：各种噪声混在一起的真实场景里，k1 视觉思考模型虽然比其他模型强，准确率还是不够。
• 多轮问答效果：k1 视觉思考模型的多轮问答效果还有待提高，这牵扯到上下文理解，也牵扯到连续对话里的逻辑连贯性。

k1 视觉思考模型的应用场景

• 教育辅助 – 数学问题解答：拍下数学题，它给出解题步骤和答案，学生理解概念会顺一些。
• 学术研究 – 科学文献分析：研究人员可以用它读科学文献里的图表和数据，说不定能看出新的线索。
• 图像识别与分析 – 城市或建筑识别：遇到不认识的城市地标或建筑风格，拍一下就能认出来，旅行也多点意思。
• 艺术与文化 – 书法作品分析：书法作品的风格和历史背景可以分析，书法爱好者能多一份学习材料。
• 社交媒体 – 梗图解读：社交媒体上的梗图和流行文化现象，它能帮着解释，文化、语言的隔阂少一些。

k1 视觉思考模型几何题解决实例