AI-generated summary: Noong Hulyo 2026, Moon Shadow ay nagbukas ng source ng Kimi K3 model at unang ipinakilala ang listahan ng 401 na contributor. Ang pinakabagong valuation ng kumpanya ay umabot sa $31.5 bilyon, na may timbang na higit sa 300 na miyembro, na may average na edad na mas mababa sa 30, na may bawat isa ay nagtataguyod ng $700 milyon na valuation. Ang core team ay binubuo ng tatlong co-founders: Zhou Xinyu bilang head ng algorithm, Wu Yuxin bilang architect, at CTO Zhang Yutao, kasama ang iba pang mga pangunahing miyembro mula sa Tsinghua, CMU, at iba pang mga top university. Ang team ay may mga inobasyon sa ilalim na teknolohiya tulad ng MoBA hybrid block attention mechanism, Mooncake decoupled inference architecture, at Muon optimizer, na nakakuha ng mga parangal tulad ng Best Paper sa FAST 2025, ang premier conference sa storage. Ang kabataang geek team na ito ay kilala sa kanilang flat management style, na nagpapakita ng extreme engineering efficiency sa “Long, Fast, Save” prinsipyo, at naging isang mahalagang puwersa sa larangan ng malalaking model sa China.

May-akda ng artikulo, pinagkukunan: Leiphone

Hulyo 27, inilabas ng Moonshot ang buong kanilang kusang-loob, at direktang in-open source ang buong bersyon ng 2.8T model na Kimi K3. Sa huli ng teknikal na ulat, unang ipinakilala nila ang listahan ng mga aktwal na tagapag-ambag sa Kimi K3; isinuri namin ito at may 401 miyembro, kaya ito ay isang buong pagpapakita ng team ng talento ng Moonshot.

Mula sa isang startup team na may halagang ilang milyong dolyar lamang, hanggang sa pagiging totoong “liwanag ng lokal na malaking modelo,” ang Moonlight Dark Side ay naging isa sa mga kaunting tech team sa buong mundo na kayang humarap sa mga pinakamataas na modelo tulad ng Claude Fable 5 at GPT-5.6 Sol.

kasabay ng paglalabas ng K3, tumaas ang pinakabagong valuation ng Moon Shadow sa $31.5 bilyon, o halos ₱210 bilyon, at ang nagpapakayang sa $210 bilyong valuation ay isang napakabataong koponan.

Ayon sa publikong impormasyon, mayroong higit sa 300 tao ang Moonshot, may average na edad na mas mababa sa 30, kung saan 80% ay I-types. Kung isasalin ito, bawat isa ay nagdudulot ng halos 700 milyong RMB na valuation.

Ang organisasyon ng Moonshot ay napakapalapad. May limang tagapagtatag ang Moonshot, at ang bawat isa ay direktang nakakonekta sa 40-50 tao. Kilala sa loob na “walang ranggo, walang KPI, walang pader ng departamento,” at maaaring agad na hamtin ng mga empleyado ang kanilang mga boss. Isang detalye: sa isang pagsusuri noong simula ng 2025, isang empleyado ang nagbigay ng isang makapangyarihang mungkahi, at pagkatapos marinig nito si Yang Zhilin, ginawa niya ito nang mas makapangyarihan—agad niyang itinigil ang K1 at lumipat sa K2.

Ang walang hanggang pagkakaiba-iba ay ipinapakita rin sa “kaluluwa” ng kumpanya. Bilang isang tagahanga ng rock, si Yang Zhilin ay nagbigay ng mga pangalan ng mga legendang banda tulad ng Rolling Stones, Nirvana, at Radiohead sa mga silid ng pagpupulong, at kahit ang mga subscription plan ni Kimi ay pinangalanang mga terminong musikal tulad ng Adagio at Allegro.

Naniniwala ang Moonshot na sa panahon ng pagkakatulad ng computing power at data, ang "taste" ang pangunahing driverr para sa pagbuo ng differentiated moat. Ang ganitong taste ay hindi lamang nakikita sa pagpapabuti ng model, kundi mas malalim na ipinapakita sa kanilang pagiging maingat at pangangailangan sa mga talento.

Mahilig ang Moonshot sa pagpapanaig ng mga CEO, lalo na sa mga may “entrepreneurial halo” o “gambler’s gene.” Ayon sa mga pampublikong datos, mayroong kahit anong 50 tao sa loob ng kumpanya na itinatag o sumama sa isang startup. Sa nakaraang taon, higit sa 100 sa mga bago na hinirang ng Moonshot ay pumasok sa pamamagitan ng internal referral.

Ngayon, ayon sa listahan, isinasagawa namin ang komprehensibong pag-aaral at isinasama dito ang lahat ng kredible at pampublikong impormasyon tungkol sa mga contributor ng K3. Ang pangunahing background at makapangyarihang kakayahan ng koponan na ito ng mga eksperto ay ipinapakita nang buo.

01 Kimi - Pandaan na pundasyon ng teknikal na sistema

Si Zhou Xinyu ay isa sa mga pangunahing co-founder ng Moonshot, at siya rin ang puno ng algorithm team.

Kilala na kilala ni Zhou Xinyu si Yang Zhilin, at isang interesanteng detalye ay si Zhou Xinyu ay dating gitara ng Splay Band ng Tsinghua University, habang ang drummer ay si Yang Zhilin.

Bago sumali sa Moonshot, ay nagsagawa si Zhou Xinyu ng pananaliksik sa pagpaprodukto ng algorithm at mga modelo sa mobile sa Megvii. Nagtrabaho siya nang malapit sa Zhang Xiangyu, ang tagapag-ugnay sa pangunahang pananaliksik ng Megvii noong panahong iyon at kasalukuyang pangunahing siyentipiko ng Jieyue Xingchen, at bilang pangunahing may-akda, siya ang direktang sumulat ng kilalang lightweight network na ShuffleNet.

Ang pangunahang direksyon ni Zhou Xinyu ay ang pag-imbento ng algorithm ng malalaking modelo para sa mass production, at siya ay nakakapagpapalit ng pinakamoderno mga algorithm mula sa laboratorio nang mabilis at mura para sa malalaking produksyon. Siya rin ay nakakapag-optimize ng hybrid architecture; sa teknikal na pag-uusap (AMA) sa Reddit, siya ang unang nag-decompose ng hybrid architecture ng Kimi K3 KDA na nagkakasama sa NoPE MLA, at pinatotohanan na mas maliit ang paggamit ng computing power at mas mabilis ang bilis ng architecture na ito sa pre-training at reinforcement learning.

Si Wu Yuxin ay isa sa mga co-founder ng Moonshot. Kasama rin siya sa mga lider na eksperto at star architect sa larangan ng artificial intelligence, na may malalim na kaalaman sa mga pangunahing engineering architecture at infrastructure ng deep learning, computer vision (CV), at large language models (LLM).

Si Wu Yuxin at Yang Zhilin ay may magkakaparehong edukasyon: nagtapos sila ng bachelor’s degree sa Department of Computer Science ng Tsinghua University, at pagkatapos ay nagpatuloy sa Carnegie Mellon University (CMU) sa Estados Unidos. Siya ay naging research engineer sa Meta AI Research Laboratory (FAIR), kung saan siya ang pangunahing tagapagtatag at nagkontribusyon sa maraming makabuluhang teknolohiya sa computer vision.

Bago ang pagkakita ni Wu Yuxin kay Yang Zhilin upang magtatag ng Moonshot, naiwan na niya ang dalawang malalaking resulta na istandard sa industriya sa larangan ng deep learning at computer vision:

Isa bilang isa sa mga pangunahang tagapaglikha at developer ng Detectron2, direktang binago ng proyektong ito ang graduate ecosystem ng computer vision sa buong mundo, naging “general foundation” para sa libu-libong visual large models at object detection projects sa buong mundo.

Mas nakakaimpluwensya pa, noong 2018, nag-publish siya ng malaking akda tungkol sa Group Normalization kasama ang mga lider sa akademya na Kaiming He, at natanggap ang pagkilala bilang Best Paper Honorable Mention sa ECCV 2018.

Ang klasikong ito ay direktang nagbawi sa patayong bottleneck ng traditional Batch Normalization sa pagtatrain na may maliit na sample. Ang kakayahan na gamitin ang isang o dalawang linya ng foundational innovation upang “muling isulat ang mga patakaran sa global AI training” ay nagbibigay kay Wu Yuxin ng malaking teknikal na impluwensya sa open-source community.

Sa dilim ng buwan, siya ang nagtatayo ng pundasyon. Malalim niyang nasasakop ang pag-optimize ng arkitektura at efisyensiya ng pag-train ng malalaking modelo, at kahit na siya ay personal na umabot sa Global PyTorch Developer Conference upang buksan nang detalyado sa buong mundo ang mga pangunahing kontribusyon ni Kimi sa pandaigdigang open-source infrastructure.

Ang espesyalisasyon ni Wu Yuxin ay perpektong nagpuno sa huling piraso ng puzzle sa pag-atake ni Kimi sa mga limitasyon ng susunod na henerasyon ng maramihang mode at mahabang teksto. Siya ay nakapag-eksperto sa pag-optimize ng mga sistema ng malalim na pagkatuto na may mataas na performance, at naglutas ng kung paano gawing mas matatag, mas mabilis, at mas mababa ang paggamit ng memorya ang malalaking modelo sa ilalim ng trilyon na parameter—tama ito ang teknikal na pader na nagpapanatili sa smooth na karanasan ni Kimi sa mahabang teksto at mataas na pagkakasabay.

Bilang isa sa mga pangunahang may-akda ng MoCo v1, isang makabuluhang pagsulong sa deep learning, nagbigay siya sa Kimi ng hindi lamang pinakamalakas na utak sa industriya (pag-unawa sa natural na wika), kundi pati na rin ang pagbuo ng mga mata na makakaintindi nang malalim sa pisikal na mundo (multimodal vision).

Si Zhang Yutao ay isa sa mga co-founder ng Moonshot AI at kasaligan ding CTO nito. Kasama niya si Yang Zhilin bilang mga kaibigan sa paaralan sa Tsinghua, at si Tang Jie, ang founder ng Zhipu, ay kanyang guro.

Noong 2016, nagtatag si Zhang Yutao at Yang Zhilin ng “Xunhuan Intelligence,” at pagkatapos, kasama ni Yang Zhilin, nagtatag siya ng “Dark Side of the Moon.” Kung ang Yang Zhilin ay ang “navigador” ng Dark Side of the Moon, si Zhang Yutao ay ang chief engineer na responsable sa pagtutuwid ng sistema ng lakas ng “inteligensya” na malaking barko. Ang pag-unlad na lalong lalo na sa mahabang teksto, komplikadong pag-iisip, at pagpapatupad ng Agent tasks ng Kimi, ay may malaking ambag ni Zhang Yutao.

Bago sumali sa Moonshot, nag-iwan na siya ng ilang "industry-grade" na malalaking tagumpay sa larangan ng knowledge graph at heterogenous data fusion.

Isa sa kanyang pinakakilala mga teknikal na kontribusyon ay ang pagpapangulo bilang teknikal na lider sa pagbuo ng platform para sa malalaking data na pagsusuri sa siyensya, ang AMiner. Ang pangunahing teknolohiya sa pagpagsasama ng heterogenous data sa platform na ito, na ngayon ay naglilingkod sa milyon-milyon mga mananaliksik sa buong mundo, ay binubuo ng mga pundasyonal na kakayahan na kanyang nakaambil habang nag-aaral ng doktora sa Tsinghua. Ang malalim na pag-unawa sa "paano kinokonsumo, nauunawaan, at hinahanap ng mga makina ang malaking dami ng kaalaman" ay direktang bumuo sa teknikal na pundasyon ng kakayahan ng Kimi sa pagproseso ng napakahabang teksto.

Sa kanyang akademikong kontribusyon, nag-publish siya ng maraming mataas na citasyon na papel sa mga lider na kompyuter konperensya tulad ng KDD at CIKM. Hindi lang siya mahusay sa paggamit ng knowledge graph upang bigyan ang AI ng “logical sense,” kundi ito rin ay nangunguna sa pagbuo ng “Thousand-Cycle Zero-Shot AI Platform” noong panahon ng circular intelligence, na nagresulta sa malawakang pagpapatupad ng enterprise-grade large models sa mga escenario ng corporate services.

Ang espesyalisasyon ni Zhang Yutao ay tumpak na naunawaan ang bawat punto ng pagbabago ng AI mula sa “makapag-uusap” patungo sa “makakagawa ng trabaho.” Nakatuon siya sa pagpapalakas ng teknolohiya ng mahabang window ng konteksto at dinamikong pagpapalawak ng arkitektura ng network, upang lutasin kung paano panatilihin ang “pagiging malinaw” ng AI sa gitna ng malaking dami ng impormasyon.

Sa pinakabagong teknikal na summit noong Hulyo 2026, kanyang malinaw na ilarawan ang tatlong teknikal na daloy ng industriya: ang taong 2023 ay ang panahon ng Prompt kung paano magtanong, ang 2024 ay unti-unting umunlad patungo sa Context kung paano bigyan ng sapat na impormasyon, at noong 2026, ang malalaking modelo ay pumasok na sa bagong yugto ng Harness Engineering. Ngayon, siya ay naglalayong lutasin ang huling hamon ng Agent: "paano bumuo ng isang runtime environment kung saan ang AI ay makakapag-ayos nang sarili nito ang mga problema."

Xu Xiran ay ang Deputy Chief Engineering Officer at Head of AI Infrastructure ng Moonshot AI.

May karanasan sa full-stack底层 development, at dati ay nangunguna sa pag-unlad ng MegEngine (Tianyuan) deep learning framework at bilang-bilyon na vector retrieval system sa Megvii. Kasalukuyan, nangunguna siya sa pangkabuuang disenyo ng arkitektura ng pag-train, inference, at infrastructure ng malaking model ng Moonshot.

Sa server ng pag-iisip ng malalaking modelo, para sa mga skenaryo ng mahabang teksto ni Kimi, kasama ang kanyang tim, nilikha nila ang hiwalay na arkitektura ng pag-iisip na Mooncake na nakatuon sa KV Cache. Dahil sa ganitong paghihiwalay ng prefill at decode phases, at sa pagpapababa ng presyur sa memorya at I/O para sa mga sobrang mahabang konteksto na milyon-milyon na sukat, natanggap nito ang Pinakamahusay na Papel sa FAST 2025, ang pinakamataas na konperensya sa imbakan.

Sambil siya ay isa sa mga pangunahing may-akda ng MoBA (Mixed Block Attention) mechanism, nagbigay siya ng malaking pagbawas sa gastos at pagpapabilis sa pagtratrabaho at pagpapatakbo ng Kimi sa pamamagitan ng block-level attention splitting.

Sa panig ng pagtrato ng modelo, kanyang napanood ang pag-unlad ng open-source project na Moonlight at ang kanyang paaalalang optimizer na Muon, na gumagamit ng matrix orthogonalization upang palitan ang tradisyonal na AdamW, na nagbawas sa gastos sa computing power ng mga modelo na may trilyon na parameter sa distributed training.

Sa pamamagitan ng isang serye ng mga praktikal na pagpapatupad sa distributed storage at inference sa malaking volumen ng teksto, tinawag siya na magsalita sa GOSIM China Global Open Source Conference. Ang kanyang pangunahing pagsisikap ay patuloy na nakatuon sa full-stack large model architecture, na naglalayong suportahan ang mataas na inteligensya sa pag-iisip ng mahabang teksto gamit ang mas kaunting FLOPs overhead at KV Cache usage.

Bilang puno ng system ng pag-iisip ng Moon Shadow, siya ay pangunahing may-akda ng pinakamahusay na papel sa FAST 2025, at pangunahing teknikal na suporta sa pagpapatupad ng arkitektura ng mahabang teksto sa Kimi. Mula sa Kimi k1.5, Kimi-VL, K2 hanggang sa Kimi Linear, Kimi-Audio, at pati na rin ang mga pangunahing arkitekturang papel tulad ng MoBA, Muon, at AttnRes, ang kanyang pangalan ay kasama sa lahat ng anim na henerasyon ng teknolohiya, at ang lahat ng kanyang gawain ay nakatuon sa isang pangunahing layunin: palitan ang sistemang disenyo para sa epekto, upang gawing accessible ang malalaking modelo.

Bago sumali sa Moonshot, ang He Weiran ay may malalim na karanasan sa larangan ng mataas na efisiyensiya ng pagkalkula. Nakatapos siya sa Department of Computer Science ng Tsinghua University, kung saan siya ay nagsikap sa paglalagay ng mga chip at pag-optimize ng mga pangunahing performance; habang nasa Megvii, siya ay nangunguna sa pag-unlad ng sariling AI chip at low-bit neural networks, at kasama niya sa panahong iyon si Zhou Xinyu, na kalaunan ay naging co-founder ng Moonshot—si Zhou Xinyu ay ang unang tagapagtatag ng klasikong OCR text detection solution na EAST.

Pagkatapos sumali sa Moonshot noong 2023, isinabuhay niya ang kanyang maraming taong karanasan sa system engineering sa pagpapatakbo ng malaking modelo na may trilyon na parameter.

Ang kanyang pinakamakabuluhang ambag ay ang Mooncake, isang separadong arkiwtekture para sa inference na KVCache. Ang sistema na ito ay nagbago sa tradisyonal na anyo ng inference service sa pamamagitan ng paghihiwalay at sentralisadong pagpaplano ng pinakamalaking memorya sa GPU na cache ng malalaking modelo, at sa pamamagitan ng global cache reuse at detalyadong routing, itinataas nito ang kapasidad ng pagtanggap ng mga kahilingan ni Kimi ng higit sa 75% nang hindi nagbabago ang dami ng computing power. Ipinakilala niya ito sa QCon Conference noong Q4 2024, kung saan ipinahayag niya na batay sa arkiwtekture na ito at patuloy na engineering optimization, bumaba ang unit cost ng Kimi inference cluster ng higit sa 20 beses sa isang taon.

Noong Pebrero 2025, ang papel tungkol sa Mooncake ay nakuha ang Eric R. Riedel Best Paper Award sa FAST Conference—isa sa pinakamataas na parangal sa larangan ng mga sistema ng pag-iimbak. Mas nagpapakita nito ng kanyang teknikal na halaga, dahil bago pa man ito opisyal na bigyan ng parangal, ang arkitekturang ito ay nasa matatag na pagpapatakbo na sa libu-libong node sa production environment ng Kimi, at nagproseso ng higit sa isang trilyon na token sa bawat araw.

Bagaman ang K3 technical report ay hindi naglalathala ng mga tiyak na tungkulin ng mga indibidwal, ang maraming pangunahing pagbuo ay nagpapatuloy sa teknikal na landas ng kanyang tim: Para sa problema ng tradisyonal na pagkawala ng cache prefix sa ilalim ng KDA+MLA hybrid architecture, ang tim ay nagbigay ng opisyal na adaptation implementation sa vLLM community; Para sa mga mahabang hiling na may milyon-milyon na token, ang cluster ay gumamit ng cache-aware routing scheduling strategy upang maksimisahin ang efficiency ng cache reuse. Ang resulta ng K3 ay ang pagkakaroon ng pag-iisip na gastos na lamang 38% ng Claude Fable 5, at ang KVCache optimization, prefix cache, at cost control—lahat ito ay mga pangunahing paksa ng Mooncake system.

Mula sa pagpapalabas ng chip hanggang sa pag-iisip ng mga malaking modelo na may halaga ng trilyon, patuloy na malinaw ang teknikal na landas ni He Weiran: pagpupursige sa efisiyensiya ng sistema, pagpapalit ng disenyo ng inhenyeriya para sa mas mababang gastos sa komputasyon. Kung ang mga lider sa pag-aaral ng algorithm ay nagtaas ng hangganan ng kakayahan ng Kimi, ang ginagawa niya at ng kanyang tim ay ang pagpapatupad ng mga kakayahan na ito sa katotohanan, upang mas maraming karaniwang gumagamit ang makapaggamit nito nang mura at maaasahan.

02 Matatag na Pagsalakay · Mga Pangunahing Tagapagpaganap

Si Du Yulun ay responsable sa direksyon ng pretraining at scaling sa Moonshot.

Nakatapos siya sa University of Illinois at Urbana-Champaign at Carnegie Mellon University sa larangan ng Artificial Intelligence. Pagkatapos ay sumali siya sa Cycle Intelligence, kung saan siya ay naging researcher at head ng AI Lab, at isa sa mga pangunahing teknikal na founder ng Moonshot.

Bilang pangunahing tagapag-ugnay para sa pag-pretrain at pag-scale ng model base, ang kanyang teknikal na kontribusyon ay sumasaklaw sa lahat ng pangunahing model base ng Kimi, pati na rin sa disenyo ng arkitektura ng lahat ng multi-modal na serye tulad ng VL at Audio.

Sa mga pagbubukas sa teknolohiya ng ilalim, siya ay isang ko-akda ng mga papel na “Attention Residuals,” “MoBA (Mixture of Block Attention),” at ang pre-training optimizer na “Muon is Scalable for LLM Training.” Ang pangunahing layunin ng kanyang trabaho ay: sa pamamagitan ng paghahati ng block-level attention at pagbabago ng training flow, upang mapabawasan ang signal degradation sa sobrang malalim na network, na nagpapalakas nang malaki ang efficiency ng distributed training para sa mga malalaking model na may trilyon na parameter.

Sa engineering open-source level, siya ay aktibong core contributor sa opisyal na open-source project ng MoonshotAI. Batay sa mga record ng code collaboration, si Du Yulun ay may mataas na antas ng pagkakasundo at code review sa pagitan ng algorithm expert Su Jianlin at head of reasoning system He Weiran, na nagtataglay ng isang pagsasama-samang teknikal na loop na nagpapatakbo sa Kimi para sa mga milyon-milyong habang teksto at epektibong pagpapalipat ng lahat ng modalidad.

Si Zhang Yu ay ang pangunahing arkitekto ng Moonshot, na nakatuon sa pagdidisenyo ng epektibo, scalable, at hardware-friendly na arkitektura para sa malalaking modelo sa wika. Bilang isang tagapag-una sa mga alternatibong ruta sa labas ng Transformer at linear attention, siya ay nakatuon sa paglutas ng teknikal na hamon ng "mas mahaba, mas mabagal, at sobrang mahal" sa mga mahabang teksto.

Sa akademya at inhenyerong pagpapatupad, malaki ang mga natamo ni Zhang Yu. Siya ay hindi lamang co-first author ng papel na “Attention Residuals” tungkol sa residual connections, kundi ang pangunahing researcher sa epektibong arkitektura ng modelo ng Moon Shadow.

Ang Kimi Linear model na kanyang pinangunahan bilang open-source, ang unang pagkakataon na matagumpay na nailapat ang linear attention mechanism sa mga task na may sobrang habang konteksto, na nagresulta sa isang paglilipat na pag-unlad sa efficiency. Higit pa rito, ang kanyang “Pagsisimula ng Pagbuo ng Kimi Linear” na ibinahagi sa mga teknikal na komunidad tulad ng Zhihu, ay patuloy na itinuturing bilang kailangang basahing gabay ng maraming data engineers ng malalaking modelo.

Mula sa pagbuo ng pahinga sa ilalim ng 7B model, hanggang sa pagtulong sa isang laban upang ipasok ang trilyon-parameter na malaking model sa unang grupo sa buong mundo, nagsisilbi nang maayos si Zhang Yu sa pagitan ng akademya at industriya, at nanatili ang maraming malalim na code sa mga pinakamataas na akademikong konperensya at open-source community.

Ang serye ng mga pagbubukas na ito ay nagmula sa kanyang malalim na pag-aaral sa pangunahing teknolohiya: sa pagdidisenyo ng epektibong arkitektura ng modelo, nakatuon siya sa pag-optimize ng komunikasyon at mga bottleneck sa memorya habang inii-expand ang depth ng modelo; sa pagpapabuti ng dinamika at efisiyensiya ng pagtatrabaho, nilutas niya sa pamamagitan ng pagre-restructure ng mga foundational residual flow ang mga problema ng pagkawala ng gradient at pagpapalaki ng hidden state na dulot ng PreNorm sa malalaking modelo.

Lai Guokun ay isang dual alumnus ng Tsinghua at Carnegie Mellon University ni Yang Zhilin.

Isa siya sa mga researcher na may pinakamaraming papeles sa team ng Kimi, may higit sa sampung papele; siya ay hindi lamang isa sa mga representante ng “Club ng mga Genio” ng Moonshot, kundi isa rin sa pangunahing tagapag-ambag sa Kimi K3, at isang “defining” na eksperto sa akademikong mundo.

Bago sumali sa Moonshot, ang Lai Guokun ay nag-iwan ng dalawang malalaking resulta na istandard sa industriya sa larangan ng NLP (Natural Language Processing).

Isang isa ay nagbuo ng isa sa pinakamalaking dataset ng machine reading comprehension sa buong mundo, ang "RACE Dataset", na ginamit ang mga tanong sa pagsusulit sa Ingles ng mga estudyante sa Tsina upang turuan ang AI, at naging pamantayan sa buong mundo para sa machine reading comprehension.

Mas nakakatutok pa, ang kaniyang papel noong kaniyang undergraduate na pamagat na “Explicit factor models for explainable recommendation” ay nakatanggap ng SIGIR Test of Time Award noong 2024, labing taon pagkatapos nito—isa sa pinakamataas na parangal sa larangan ng information retrieval, na inilalabas para sa mga papel na isinulat nang labing taon ang nakalipas, na nakaranas ng pagsubok ng panahon at nag-iiwan ng matatag na epekto sa industriya.

Ang mga taong may kakayahang “tukuyin ang teknikal na landas para sa susunod na sampung taon” sa antas ng bakalaware ay hindi isang kakaibang kaso sa Moonshot.

Ang espesyalisasyon ni Lai Guokun ay lubos na tumutugma sa pangunahing kakayahan ng Kimi, tulad ng kanyang pagiging eksperto sa "machine reading comprehension," na naglalutas ng kung paano gawing maunawaan ng AI ang mga mahabang dokumento at sagutin ang mga tanong—ito ang pangunahing teknikal na batayan ng kapasidad ng Kimi sa mahabang teksto.

Ang pre-trained large models ay isa sa kanyang pangunahing pagsisiyentipikong pagsisikap habang nasa CMU, kasama ang pag-aaral ng neural architecture search upang matutunan kung paano hayaan ang AI na awtomatikong disenyo ang mas mahusay na mga network structure, at ang mga explainable recommendation systems na nagpapahintulot sa AI na hindi lamang mag-rekomenda ng mga nilalaman kundi pati na rin ang pagsasabi sa mga user kung bakit inirerekomenda ang isang bagay.

Si Haiqing Guo ay isang maagang pangunahing miyembro ng ekipa ng Kimi ng Moonshot, isang veteran ng ekipa na sumali sa lahat ng pag-unlad at pag-update ng mga pangunahing proyekto ng Kimi.

Ang mga proyektong pampubliko at masusuri ay kasama ang Kimi k1.5 Technical Report, Kimi K2 Technical Report, ang papel tungkol sa AttnRes core architecture, at ang Kimi K3 Technical Report. Ang AttnRes ay isa sa dalawang pangunahing inobasyon sa arkitektura ng Kimi K3.

Batay sa mga track ng kanyang pagkakasign, kinabibilangan niya ang buong iterasyon cycle ng Kimi mula sa k1.5 hanggang K3, kasali ang lahat ng pangunahing yugto ng pagpapalawak ng mga produkto, at siya ay patuloy na pangunahing miyembro ng teknikal na tim ng Kimi. Sa kasalukuyan, hindi pa ipinahayag sa mga pampublikong channel ang kanyang tiyak na posisyon o detalyadong mga gawain sa pagpapalawak.

Si Chen Guangyu ay posibleng ang pinakabataing siyentipiko ng Moonshot, ipinanganak noong 2009, 17 taong gulang, isang batang nagbigay ng pagkakataon kay Elon Musk na mag-exclaim sa X, "Impressive."

Nang ilunsad ng Moonshot ang nakakagulat na 2.8-trilyon parameter na flagship na Kimi K3, naging kasama na siya sa mga teknikal na eksperto tulad ni Su Jianlin bilang magkakasamang unang may-akda ng pangunahing akda sa pangunahing arkitektura ng Kimi K3 na “Attention Residuals”.

Ang kanyang pagkakaugnay sa mekanismo ng Attention Residuals ay direktang nagbago sa standard residual connection na ginamit na ng labing taon sa larangan ng deep learning, gamit ang “learnable deep attention” upang bigyan ng kakayahang “tingnan muli” nang matalino ang model, at ang pambansang rekonstruksyon na ito ay direktang tumaas ng 1.25 beses ang efficiency ng paglalawak ng model, na nagpapahintulot sa mga Chinese company na makapag-ikot nang mas mabilis sa isang laban sa top-tier computing power na may sukat na trilyon, gamit ang mas mababang gastos. Ang kanyang kuwento sa pagkakaroon ng pagkakataon sa Moonshot ay napakaganda. Isang taon ang nakalipas, hindi niya alam kung ano ang Transformer, ngunit tinanggap siya ng isang startup sa Silicon Valley dahil sa kanyang ideya sa isang hackathon na “third mechanical assistive hand para sa tao.” Pitong linggo pagkatapos, siya ay ganap na napansin ng tim ng Kimi at direktang inilagay sa kanilang pangunahing research team. Sa unang linggo ng kanyang pagkakaroon ng trabaho, siya ay sumira sa lahat ng karaniwang patakaran at direktang nagwagi bilang pangkalahatang champion sa 48-hour internal Kimi hackathon.

Sa teknikal na ulat ni Kimi, ang pangalan ni Du Angang laging nasa unahan. Siya ay isa sa mga pangunahing bahagi ng multimodal na sistema ng Moonshot, at isa sa mga kaunting researcher na sumali sa lahat ng limang henerasyon sa teknikal na ulat ni Kimi. Dalawang beses siyang nakuha ang unang posisyon sa listahan ng mga may-akda, at ipinapalagay na ang kanyang pangunahing kontribusyon sa Kimi K3 ay nasa larangan ng biswal.

Bago sumali sa Moonlight, ang Du Angang ay may dalawang malalaking pundasyon sa larangan ng computer vision.

Isang pagpupunyagi sa larangan ng ilalim ng tubig na mikroskopikong pagkakita. Pitong taon ang nag-aral sa Laboratoryo ng Ilalim ng Tubig na Pagkakita ng China Ocean University, nakatuon sa napakahirap na klasipikasyon ng mikroskopikong imahe ng plankton—upang gawing makatotohanan ang AI sa pagkilala sa pinakamaliit na buhay sa dagat sa mga imahe ng mikroskopyo na malabo, may limitadong sample, at may napakaliit na pagkakaiba sa mga species.

Noong 2020, siya ang pangunahang may-akda ng isang pag-aaral na nailathala sa Global OCEANS, kung saan ginamit niya ang second-order feature modeling upang lutasin ang problema ng fine-grained classification—ang tanging resulta sa loob ng sampung taon ng laboratorio sa direksyong ito na may mag-aaral sa antas ng master bilang pangunahing may-akda.

Mas malaki ang impluwensya sa industriya mula sa kanyang mga output habang nasa Megvii. Ang kanyang pagkaka-aliw sa pag-aaral ng multi-person pose estimation ay kinabibilangan ng ECCV 2020, isang premier na konperensya sa computer vision, at ang papel ay nakakalap ng higit sa 300 na pag-irap, naging mahalagang sanggunian sa larangan ng human pose estimation. Sa listahan ng mga kasamang nagtrabaho dito, kasama ang mga lider sa larangan ng visual tulad ni Sun Jian at Zhang Xiangyu, pati na rin si Zhou Xinyu, na naging co-founder ng Moonshot AI.

Pagkatapos dumating sa Kimi, siya ay nagsikap sa pagdisenyo ng visual encoder, multi-modal alignment, at visual agent technology, lalo na sa pag-unawa sa mataas na resolusyon na imahe, pagpapaliwanag ng mahabang panahon na video, at multi-modal reinforcement learning—na mga pangunahing teknikal na batayan ng orihinal na multi-modal na kakayahan ng Kimi. Bukod dito, ang kanyang kakayahan ay umabot pa sa pagsasagawa ng infrastructure para sa pagtatrain ng malalaking modelo—mula sa pagpapahusay ng pagkakatatag ng optimizer hanggang sa pagbuo ng data para sa agent, at nabuo ang buong stack na kakayahan mula sa pangunahing visual algorithm, pagtatrain ng modelo, hanggang sa pagpapatupad ng mga agent sa itaas.

Noong 2025, siya ang pangunahang may-akda ng open-source multimodal na modelo na Kimi-VL, na may sariling MoonViT visual encoder na native na sumusuporta sa napakataas na resolusyon ng input, kasama ang 128K long context capability, na nagbigay sa Kimi ng unang kakayahang basahin ang mga mahabang video at mahabang dokumento—ang multimodal na pag-unawa sa mahabang teksto—at nagtatag ng teknikal na pundasyon para sa buong serye ng multimodal na kakayahan ng Kimi.

Sa K2 stage, malalim niyang naisasakop ang pag-unlad ng MuonClip optimizer, kasama ang QK-Clip mechanism upang lutasin ang industry-wide problem ng volatility sa pag-train ng malalaking model, at suportahan ang pag-train ng higit sa 15.5 trilyong Token na nagresulta sa “zero loss spikes,” na malaki nang bawas ang compute cost at risk sa pag-train; sa K3 stage, ang smart agent data synthesis pipeline na kanyang pinangunahan ay nagbigay-daan sa model na mag-generate ng sarili nitong high-quality training data, na nagbigay ng kritikal na data support para sa K3 upang makapasok sa unang tier sa buong mundo sa mga hard-core tasks tulad ng programming at agent.

Para kay Kimi, ang kanyang kontribusyon ay sumasaklaw sa buong pag-unlad ng mga multimodal na kakayahan.

Si Bowen Qu (Brian Qu) ay kasapi ng team para sa post-training ng model. Nakatapos ng bachelor's degree sa School of Electronic Information and Communications ng Huazhong University of Science and Technology, at nakatapos ng master's degree sa School of Electronics ng Peking University. Ang kanyang pag-aaral ay nakatuon sa mga direksyon kaugnay ng multimodal large models, kabilang ang multimodal reinforcement learning, visual-language models, AI agents, at pag-e-evaluate ng kalidad ng AIGC content.

Pagkatapos sumali sa Moonshot, ang pangunahing gawain ni Qu Bowen ay nakatuon sa pagbuo ng mga multi-modal na kakayahan ng Kimi series ng models, malalim na pagkakaaliw sa proyekto ng Kimi-K2.5, at pagkakaaliw sa pag-unlad ng direksyon ng native multi-modal reinforcement learning. Ang Kimi-K2.5 ay isang native multi-modal intelligent agent model na inilabas ng Moonshot, may kabuuang bilang ng parametrong 1T at 32B na aktibong parametron.

Ang sistemang native multimodal reinforcement learning na pinamumunuan ni Qu Bowen ay lumalabas sa tradisyonal na landas ng mga multimodal na modelo na una ay nagtatapos ng visual supervised fine-tuning bago magsimula ng reinforcement learning, at nagmungkahi ng isang training scheme na nagsisimula sa isang pure text-based reasoning model na walang visual supervised fine-tuning, at direktang nakakakuha ng visual reasoning capability sa pamamagitan ng visual reinforcement learning, upang maiwasan ang pagkakaapekto ng mababang kalidad na visual data sa orihinal na language reasoning capability ng modelo.

Nagsimula ang pag-aaral ni Qu Bo-Wen sa direksyon ng pag-e-evaluate ng kalidad ng AIGC, at ang mga kaugnay na resulta ay nailathala sa mga internasyonal na konperensya tulad ng ICME 2024 at CVPRW 2024. Ang papel na nailathala sa ICME 2024 ay nagtataguyod ng isang solusyon na kabilang ang mga text prompt sa sistema ng pag-e-evaluate ng kalidad ng AI-generated na imahe, na nagsasagawa ng isang pamantayan na sumasaklaw sa visual quality at pagtutupad sa mga utos, upang mapabuti ang kahalagahan at pagkakasundo ng pag-e-evaluate ng AI-generated na nilalaman sa tao.

Si Qu Bowen ay nakalista rin bilang tagapag-ambag sa mga bersyon ng Kimi na multi-modal. Bilang isang batang siyentipiko, ang kanyang pag-aaral ay nagsimula sa pagbuo ng sistema ng pagtataya, tumungo sa pagbuo ng kakayahan ng modelo, at nagtapos sa pag-unlad ng mga advanced agent capability—ang kanyang mga resulta ay malapit na nakakatugon sa mga praktikal na pangangailangan ng industriya at direktang naglilingkod sa pagpapabuti ng mga modelo para sa produksyon.

Sa listahan ng higit sa 400 na tagapag-ambag sa Kimi K3, hindi si Lu Enzhe ang nasa pinakamataas na posisyon sa pagpapangalan, ngunit ang kanyang mga aksyon ay napakatumpak. Bawat resulta ay tumutok sa pangunahing hamon sa pagpapatupad ng malalaking modelo, at siya ang pangunahing tagapagtayo ng epektibong sistema ng computing power ng Kimi.

Ang mga direksyon ng pananaliksik ni Lu Enzhe ay maaaring maipaliwanag nang tumpak sa tatlong salita: haba, bilis, at pagkakatipid. Ang pangunahing layunin ay pagpapababa ng gastos, pagpapabilis ng bilis, at pagpapalawak ng haba ng teksto na maiproseso ng malalaking modelo. Para sa Kimi, ang kanyang responsibilidad ay ang pagpapabuti ng kabuuang chain efficiency mula sa pagtatrayo hanggang sa pagpapatakbo.

Noong Pebrero 2025, siya ang pangunahang may-akda ng MoBA hybrid block attention mechanism, na naglalatag ng ideya ng expert selection sa MoE sa attention layer, upang ang modelo ay magamit lamang ang pinakakasaligang bloke ng konteksto sa pagtrato ng mga hiling. Sa 95% na sparsity, ang epekto nito ay katumbas ng full attention, na nagdudulot ng 6.5 beses na pagpapabilis sa pag-iisip ng milyong token at 16 beses na pagpapabilis sa milyong token, na direktang nagtatayo ng pundasyon ng kakayahan ni Kimi sa napakahabang konteksto.

Sa araw ng pagpapalabas, ang papel na ito ay lumabas kasama ang NSA paper ni DeepSeek, naging isang pinakamalaking teknikal na pagkakatulad sa loob ng lokal na malaking modelo ng komunidad noong taong iyon; mas nagpapakita nito ng kanyang inhenyerong halaga, dahil bago ito ay matanggap bilang Spotlight paper sa NeurIPS 2025, ang solusyong ito ay naka-stable nang higit sa isang taon sa production environment ng Kimi sa paghahandle ng mga user request na may mahabang konteksto.

Bukod pa rito, mula sa MoBA hanggang sa KDA attention sa Kimi Linear, sinikap niya nang buong pagpupursige ang pagpapabuti ng efficiency ng hardware inference; sa panig ng pagtuturo, ang distributed implementation ng optimization na kanyang nasali ay nakamit ang pinakamababang memory usage at epektibong communication overhead, na direktang nagpapababa ng computational cost sa pagtatrain ng malalaking modelo. Kasama ang AttnRes at ang mga teknikal na ulat ng K1.5, K2, at Kimi-VL, ang kanyang mga papel ay kumakapal ng buong chain ng teknolohiya para sa epektibong malalaking modelo.

Sa loob ng team, siya ay regular na kasama ni Chiu Jiezhong, isa sa mga korеспондент na may-akda ng papel na MoBA; isa ay nagpapadala at naglalapat, habang ang isa ay nagpapaliwanag ng direksyon, at sila ay magkakasundo.

Si Wang Yu-Zhi ay isang researcher ng Moonshot AI at isa sa mga pinakamadalas na nakikita sa mga teknikal na ulat ng Kimi series.

Mula sa K1.5 noong Enero 2025 hanggang sa Kimi K3 noong Hulyo 2026, ang kanyang pangalan ay nakikita sa halos bawat teknikal na dokumento ng kumpanya, kasama ang mga aspeto ng biswal, audio, arkitektura ng atensyon, optimizer sa pagtuturo, mga flagship na modelo, at pati na ang mga modernong framework para sa paggawa ng patakaran sa panganib ng AI.

Diplomado sa undergraduate sa Xi'an University of Electronic Science and Technology, at doktor sa Department of Electronic Engineering ng Tsinghua University; naging research engineer sa Megvii Research Institute; noong 2024 ay sumali sa Moonshot AI bilang researcher hanggang sa kasalukuyan.

Bago sumali sa Moonshot, ang kanyang pananaliksik ay nakatuon sa computational photography at底层视觉. Ang kanyang mga makabuluhang resulta ay kasama ang pagpapakita bilang pangunahing may-akda ng papel tungkol sa RAW image denoising sa mobile devices sa ECCV 2020, na hanggang ngayon ay isa sa mga patnubay na gawa sa mobile imaging; bilang miyembro ng team ng Megvii, nanalo sa unang lugar sa global sa NTIRE 2019 Real Image Denoising Challenge sa raw-RGB track; at bilang co-author sa klasiyikong gawa sa OCR na EAST (CVPR 2017, may higit sa 2,500 na pag-angkop).

Sa panahon ng Moon Dark Side, kabilang sa sampung teknikal na dokumento na siya ang nag-sign: k1.5, K2, K3, Kimi-VL, Kimi-Audio, MoBA, Muon, Kimi Linear, at apat na papel tungkol sa arkitektura at efficiency, pati na rin ang advanced na AI risk management framework.

Mahalagang tandaan na kasama siya sa lahat ng apat na papel ng kumpanya tungkol sa arkitektura at efisyensiya, at ang ganitong saklaw ay hindi karaniwan sa listahan ng mga nagtataglay na higit sa apat na raan. Ang kanyang partikular na tungkulin sa K3 ay walang pampublikong impormasyon.

Si Mao Shaoguang ay ang pangunahing tagapagtaguyod sa teknikal na linya ng Kimi Agent, at kabilang sa lahat ng yugto ng pag-unlad ng apat na pangunahing bersyon—K2, K2-Thinking, K2.5, at K3—at isa sa kaunting mga mananaliksik sa industriya na nakakaranas ng dalawang pagbabago sa paradigma sa industriya ng Agent.

Bago sumali sa Moon Shadow, siya ay isa sa mga unang practitioner sa bansa na nag-deploy ng Agent.

Graduate ng Master sa Computer Science ng Tsinghua University, nasa unang 0.2% sa ranking habang nasa paaralan, at nagwagi ng National Scholarship. Nagtrabaho bilang Research Assistant sa Chinese University of Hong Kong at nagsagawa ng internship sa Speech Group ng Microsoft Asia Research Institute. Pagkatapos mag-graduate, nagtrabaho siya sa Microsoft sa loob ng halos anim na taon, mula sa isang engineer sa research institute hanggang maging Senior Development Engineer.

Kasali sa pagbuo ng TaskMatrix.AI noong unang bahagi ng 2023, nagbigay ng higit sa isang milyong API capability sa ChatGPT; pagkatapos ay kasama sa pagpapakilala ng paraan na Solo Performance Prompting, na nagpapahintulot sa isang modelo na maglalaro ng maraming papel upang masimulang ang kooperasyon ng maraming mga intelligent agent, at ang mga teknolohiyang ito ay nailapat sa Microsoft 365 Word.

Iyon ang “panahon ng framework” ng Agent—lahat ng kakayahan ay batay sa panlabas na kasangkapan at nagiging gabay sa pamamagitan ng Prompt, at siya ay direktang naging saksi at tagapagtaguyod ng teknikal na landas na ito.

Ngunit si Mao Shaoguang, na mismo ang nagsagawa sa daan na ito, ang unang nakita ang mga hadlang ng lumang modelo. Noong Hunyo 2025, isinulat niya sa Zhihu ang isang pagsasalaysay ng industriya: "Lalong nagiging walang kahulugan ang direksyong ito, may pakiramdam na umuunlad ang pagkabagsak."

Noong February 2025, pagkatapos sumali sa Moonshot, nagbalik siya nang buo sa end-to-end na landas na “Model as Agent.” Tapos lang apat na buwan, nakilahok siya sa pagpapalabas ng unang Agent product ni Kimi, ang Kimi Researcher:

Hindi nakabatay sa anumang pre-set na proseso, nauunlad lamang sa pamamagitan ng end-to-end reinforcement learning, nagkakaroon ng average na 23 hakbang ng pag-iisip sa isang single task, sariling nagsascan ng 206 na webpage, at kayang maglikha ng 10,000-salitang pagsusuri na may mga tama at nakasulat na mga sanggunian, nakamit ang 26.9% sa HLE benchmark, na nagpapalit sa pinakamataas na antas sa buong mundo noong panahong iyon. Siya rin ay isa sa dalawang nagsulat na may pangalan sa opisyal na teknikal na pagsasalaysay ng produkto.

Pagkatapos, kasali siya nang buong pagpapalawak ng apat na henerasyon ng flagship mula sa K2 hanggang K3. Ang HLE indicator ay umakyat mula sa 8.6% patungo sa 26.9%, at ang kurba ng performance na halos buo na nagmula sa reinforcement learning ay ang kanyang mga resulta mula sa kanyang bagong teknikal na landas.

Mula sa pagpapalawak ng kakayahan ng malalaking modelo sa pamamagitan ng panlabas na API hanggang sa pagtuturo sa mga modelo na gamitin ang mga kasangkapan mula sa loob at makumpleto ang mga kumplikadong gawain nang sarili, ang karera ni Mao Shaoguang sa loob ng sampung taon ay eksaktong naglalarawan ng buong pag-unlad ng industriya ng Agent mula sa “pagkakabit at pagpagsasama” patungo sa “natural na paglago.” Kasama niya sa pagbuo ng lumang modelo at kasama rin niya sa paglikha ng bagong landas, ang kanyang pagtataya sa industriya ay may pinakamalalim na suporta mula sa mga praktikal na resulta.

Si Qin Ruoyu ay isang kasalukuyang doktoral na mag-aaral sa Department of Computer Science ng Tsinghua University, sa MADSys Laboratory, na pinag-aralan ni Associate Professor Zhang Mingxing. Ang kanyang pananaliksik ay nakatuon sa mga epektibong sistema ng machine learning, na partikular na sumasakop sa dalawang direksyon: malaking distributed inference service para sa malalaking language models at sistema ng reinforcement learning rollout.

Ang Mooncake, na inilikha ng Qin Ruoyu kasama ang team ng Moon Shadow, ay isang decoupled inference architecture na nakabatay sa KVCache. Ang arkitekturang ito ay hinati ang mga phase ng Prefill at Decode sa magkahiwalay na cluster, habang pinagsasama ang mga nakalayong CPU, memorya, at SSD resources sa GPU cluster upang mabuo ang isang distributed cache pool. Ang resultang ito ay natanggap ang Erik Riedel Best Paper Award sa FAST 2025, ang pinakamataas na konperensya sa larangan ng storage.

Ang Mooncake ay isang production-grade service platform na nasa praktikal na paggamit, at ang unang pangungusap ng abstract ng papel ay direktang nagtatakda na "Ang Mooncake ay ang serving platform para sa Kimi". Sa tunay na business load, nakakapagpataas ang Mooncake ng 75% sa pagtratap ng mga kahilingan ni Kimi; sa mga skena ng mahabang konteksto, tumataas ang epektibong kapasidad sa pagtratap ng mga kahilingan ng 59% hanggang 498%. Kasalukuyang ipinapalabas na ang sistema sa libu-libong nodes, at higit sa 100 bilyon ang total na token na tinatratap araw-araw.

Sa taong 2024, ang Moon Lake at ang MADSys Laboratory ng Tsinghua ay nag-open source ng proyektong Mooncake (ang open source repository ay kvcache-ai/Mooncake), at hanggang sa kasalukuyan, ang bilang ng GitHub Stars ng proyekto ay hihigit sa 6,000. Maaaring tingnan ang mga kaugnay na datos at impormasyon sa arXiv paper (number 2407.00079), pahayag sa opisyal na website ng Department of Computer Science ng Tsinghua, at ang open source repository ng proyekto.

Pagkatapos ng Mooncake, patuloy ni Qin Ruoyu ang kanyang pag-aaral sa direksyon ng reasoning system. Ang kanyang papel bilang pangunahing may-akda na Seer ay napili para sa OSDI 2026, na tumutukoy sa mga bottleneck sa performance ng rollout sa reinforcement learning, at nagtataguyod ng end-to-end rollout throughput na tumataas ng hanggang 2.04 beses, at bumababa ang long-tail latency ng 72% hanggang 94% sa pamamagitan ng rollout segmentation, context-aware scheduling, at grouped speculative decoding. Ang isa pang papel bilang pangunahing may-akda na Prefill-as-a-Service ay nagtataguyod naman ng isang bagong disenyo para sa hinaharap na architecture ng inference na naglalayong i-share ang KVCache sa pagitan ng mga data center.

Ku Yifan ay nakikita rin sa listahan ng mga kontribyutor ng proyektong K3. Ang produkto ng malalaking modelo ay suportado ng dalawang aspeto ng kakayahan: ang pag-unlad ng modelo ang tumutukoy sa limitasyon ng kakayahan ng modelo, habang ang sistemang inhinyero ang tumutukoy sa availability at gastos sa pagpapatakbo sa mga escenario ng mataas na pagkakasunod-sunod.

Ang kasalukuyang kompetisyon sa industriya ng malalaking modelo ay patuloy na lumalawak mula sa paghahambing ng kakayahan sa pagtatrain patungo sa paghahambing ng kakayahan sa paggawa ng serbisyo. Bilang isang doktorando, nakakamit ni Qin Ruoyu ang mga resultang katumbas ng pinakamahusay na papel sa mga pangunahing konperensya sa larangan ito, dahil direktang nakatuon ang kanyang pananaliksik sa mga produksyon na escenario at natutupad ang mga resulta sa mga totoong sistemang pangnegosyo.

Mga pangunahing miyembro ng team ng Kimi mula sa Dark Side of the Moon, na may mga pagsisiyasat na sumasaklaw sa kompyutasyonal na biyolohiya, mga sistema ng rekomendasyon, at malalaking modelo, at aktibong nakikilahok sa teknikal na pagpapabuti ng mga pangunahing modelo ng Kimi sa iba’t ibang henerasyon.

Noong kalaunan, siya ay nagtrabaho sa pagsisiyentipikong pananaliksik sa direksyon ng AI para sa paggawa ng gamot sa ilalim ng pangkat ni Jianyang Zeng sa Institute for Interdisciplinary Information Sciences ng Tsinghua University. Noong 2020 hanggang 2021, ang kanyang pag-aaral tungkol sa isang framework para sa pag-reposition ng gamot para sa lamig ay inilathala sa bioRxiv preprint at sa journal na Signal Transduction and Targeted Therapy, habang ang kanyang mga natuklasan tungkol sa paghihiwalay ng nucleocapsid protein ay inilathala sa Protein & Cell.

Noong 2022 hanggang 2023, si Yuan Enming ay nagsilbing miyembro ng Huawei Noah’s Ark Lab, kung saan siya ay nakatuon sa pag-aaral ng recommendation systems, na nagresulta sa mga natuklasan na nakapaloob sa maraming internasyonal na pinakamataas na akademikong konperensya. Ang kanyang papel bilang pangunahing may-akda tungkol sa multi-behavior sequence recommendation ay napili para sa SIGIR 2022, habang ang kanyang mga kolaboratibong resulta ay napili naman para sa CIKM 2022 at WWW 2023.

Pagkatapos sumali sa Moonshot, si Yuan Enming ay malalim na nakikilahok sa pag-unlad ng maraming henerasyon ng core model at teknikal na proyekto ng Kimi, kabilang ang mga publiko at veripikableng proyektong may pangalan: Kimi k1.5 Reinforcement Learning Technical Report, MoBA Technical Research, Kimi-VL Technical Report, Kimi K2 Large Model Technical Report, Kimi Linear Technical Report, Kimi K2.5 Multimodal Model Technical Report, at Kimi K3 Flagship Large Model Technical Report.

Kasali sa kanyang sakop ang pagtrabaho sa reinforcement learning training, multimodal capabilities, foundational model architecture, at long-context systems, na buong sinasakop ang three-generation flagship model iteration cycle mula sa Kimi k1.5 hanggang K3, at isang pangunahing researcher na may malawak na teknikal na sakop sa tim.

Hindi pa naglalabas ang mga pampublikong channel ang tiyak na posisyon at espesipikong pagkakahati ng pananaliksik ni Yuan Enming sa Moonshot. Batay sa mga nakikita sa mga pampublikong pagkakasulat, ang kanyang multidisiplinaryong background ay sumusuporta sa kanyang kakayahang makilahok sa iba’t ibang teknikal na direksyon ng malalaking modelo, at siya ay isang mahalagang patuloy na tagapag-ambag sa proseso ng pagpapabuti ng teknikal na sistema ng Kimi.

Si Xu Weixin ay kasalukuyang researcher ng Moonshot AI, na nakatuon sa pag-aaral ng pangunahing istruktura ng malalaking modelo, epektibong mekanismo ng pagtuturo, at pagpapabuti ng mekanismo ng Attention.

Si Xu Weixin ay malalim na nakikilahok sa pag-unlad ng mga pangunahing modelo at pana-panahong teknolohiya ng Kimi sa maraming henerasyon, at ang kanyang pangalan ay nakalista sa mga pampublikong proyekto na kumakatawan sa buong siklo ng pagpapalawak ng produkto mula sa k1.5 hanggang K3. Pagkatapos ng paglunsad ng K3, opisyal na inilabas ng Yue Zhi An Mian ang tatlong pangunahing in-house na teknolohiya—ang Muon optimizer, Kimi Linear linear attention, at Attention Residuals—at si Xu Weixin ay ang tanging napatunayang nag-ambag sa lahat ng tatlong pahina ng teknikal na papel na ito, na may kanyang pangalan sa loob ng unang 15 na posisyon sa bawat isa, gawaing siya ay isa sa mga pangunahing developer na sumusuporta sa pagpapabuti ng performance ng K3 architecture.

Sa mga partikular na resulta, sa papel ng Muon Optimizer na ipinakilala noong Pebrero 2025, siya ay nasa ika-8 posisyon sa listahan ng mga may-akda; ang optimizer na ito ay may kalakasan sa pagkalkula na halos dalawang beses ang AdamW, at siya ay nakilahok din sa pagbuo ng open-source na Moonlight training implementation na kasunod nito;

Sa pananaliksik ng Kimi Linear na inilabas noong Oktubre 2025, nasa ika-15 siya; ang KDA mechanism na ipinakilala ng arkitekturang ito ay maaaring bawasan ang sukat ng KV Cache hanggang 75%, at pataasin ang decoding throughput hanggang 6 beses sa mga skenaryo ng isang milyong token;

Sa papel na “Attention Residuals” na ipinakilala noong Marso 2026 (isa sa dalawang pangunahing inobasyon sa arkitektura ng K3), siya ay nasa ika-4 na posisyon, bilang unang pangunahing kontribyutor pagkatapos ng tatlong co-first authors, at ang kaugnay na teknolohiya ay malalim nang isinama sa pangunahing arkitektura ng Kimi K3.

Bukod dito, ang kanyang pangalan ay nakalista rin bilang tagapag-ambag sa mga teknikal na ulat ng Kimi k1.5 Reinforcement Learning, Kimi-VL Technical Report, Kimi K2 at K2.5 Technical Reports, at ang pinakabagong Kimi K3 Flagship Model Technical Report, na kumakalat sa mga pangunahing direksyon ng pag-aaral tulad ng base model, multimodal, at reinforcement learning. Dapat malinaw na ang pangalan niya ay hindi nakalista sa author list ng MoBA paper, at walang publiko at ma-access na ugnayan sa pag-unlad sa pagitan ng dalawa.

Dagdag pa niya ang kanyang pagkakaaliw sa mga pag-aaral sa 3D vision tulad ng OccDepth 3D semantic scene completion, PVD-AL active learning distillation, at ACCV 2024 implicit SDF reconstruction, na kumakalat sa mga espesipikong larangan tulad ng model compression, 3D reconstruction, at semantic scene understanding.

Batay sa mga pampublikong nakasulat na track, ang pag-aaral ni Xu Weixin ay nagsimula sa deployment ng endpoint model at 3D visual perception, at tumungo sa pag-imbento ng pangunahing arkitektura ng malalaking modelo, na patuloy na nakikibahagi sa direksyon ng epektibong komputasyon, na may malawak na sakop ng teknolohiya, at isa sa mga pangunahing tagapag-ugnay sa pagpapalawak ng pangunahing teknikal na stack ng Moonshot.

Du Chenzhuang ay ang pangunahing researcher ng Moonlight Dark Side at ang pangunahing puwersa ng team na responsable sa pagpapalakas ng reinforcement learning at pagpapalawak ng kakayahan sa pag-iisip.

Nagtapos siya ng bachelor’s degree sa propesyon na Information Management and Information Systems ng Beijing University of Aeronautics and Astronautics, at sumunod ay pumasok sa PhD program sa Tsinghua University Interdisciplinary Information Institute, kilala bilang “Huangpu Military Academy” ng mga eksperto sa malalaking modelo.

Sa panahon ng kanyang pag-aaral sa Tsinghua, siya ay nagsilbing mag-aaral ni Dr. Zhao Xing, isang kilalang eksperto sa larangan ng artificial intelligence, at sumali sa kilalang MARS Lab (Multimodal and Autonomous Reasoning Laboratory), kung saan siya ay nagsimulang tumutok sa multimodal machine learning, reinforcement learning, at reinforcement mechanisms ng large language models.

Sa panahon ng kanyang pag-aaral sa doktorado, siya ay naging pangunahing may-akda ng nakakagulat na arkitekturang “ChatDB”, na nagmungkahi nang paunlarin ang malalaking modelo gamit ang database bilang simbolikong memory module, na nagdulot ng malaking pagkilos sa akademiko at industriyal na mundo ng AI noong panahong iyon.

Upang makalikha ng mas maagang praktikal na karanasan sa mga industriyal na malalaking sistema, nag-apply siya bilang intern sa Beijing Haihua Artificial Intelligence Research Institute habang nag-aaral sa doktorado, at aktibong naging bahagi ng matigas na pananaliksik na nagbuo ng mga paaalat na sistema mula sa zero. Ito ay nagbigay sa kanya ng maraming karanasan sa mga larangan ng multimodal at reinforcement learning, at nagbigay sa kanya ng mas malalim na pananaw sa sistema at algoritmo.

Matapos mag-graduwa, sumali siya sa Moonshot AI at madalas makikita sa teknikal na ulat ng core model. Direktang naging bahagi siya ng makabuluhang papel na “Kimi k1.5: Scaling Reinforcement Learning with LLMs” na nag-aaral ng scaling laws ng reinforcement learning, at nagsilbing pangunahing tagapag-ambag sa teknikal na ulat ng mga flagship model tulad ng Kimi K2 at K2.5.

Kilala rin siya bilang pangunahing co-author sa pag-unlad ng Kimi multimodal vision large model na “Kimi-VL Technical Report”, na nakatuon sa pagpapabuti ng kakayahan ng malalaking modelo sa pagpapahalaga at multimodal deep reasoning sa mga kumplikadong imahe, mga grapiko, at mga real-world visual information.

Ang pangunahang direksyon ni Du Chenzhuang ay ang pagtratrabaho sa pag-train ng malalaking language model (LLM), na nakatuon sa resource scheduling, stable training, at extreme system optimization ng trillion-level large models (MoE architecture) sa superclusters; pati na rin ang reinforcement learning at multimodal fusion, na nag-aaral kung paano makakamit ng mga model ang paglilipas sa limitasyon ng inteligensya sa pamamagitan ng self-supervision at reinforcement learning sa mga kumplikadong mahabang reasoning tasks, at makakamit ang epektibong底层融合 ng visual information at language models.

Si Yanru Chen ay pangunahing siyentipiko ng Moonshot AI, nakatuon sa pag-unlad at pagpapatupad ng mga pangunahang arkitektura ng malalaking modelo, teknolohiya ng mahabang teksto, pag-optimize ng computing power, at multi-modal engineering.

Bilang isang co-author ng papel na “Attention Residuals,” kanyang napanood ang pagbabago sa paraan ng paggalaw ng impormasyon sa direksyon ng depth ng malalaking modelo, at matagumpay na nalutas ang mga pangunahing problema sa industriya tulad ng mababang epekto sa pagtratran ng sobrang malalim na network at pagkabawas ng paggalaw ng impormasyon.

Sa pangunahang teknolohiya ng mahabang teksto, bilang ko-author ng MoBA (Hybrid Block Attention), pinamunuan at sumali siya sa pagbuo ng pinakamahalagang pang-ilalim na mekanismo ng Kimi, na naglutas nang direkta sa sobrang paggamit ng computing power sa pre-training at inference para sa sobrang mahabang konteksto sa mga milyon na antas, sa pamamagitan ng paghahati ng attention sa antas ng block, at naging pangunahing batayan ng Kimi para sa extreme na pagbawas sa gastos at pagpapabuti sa epekto.

Samantay, siya ay isang co-author ng papel na “Muon is Scalable for LLM Training” at aktibong nakikilahok sa pag-unlad ng malaking open-source project na Moonlight at ang ilalim na Muon optimizer, kung saan ginamit ang matrix orthogonalization upang pagtutulan ang tradisyonal na AdamW at epektibong bawasan ang computational cost sa distributed training ng mga malalaking modelo na may trilyon na parameter.

Sa pag-itera ng flagship model, deepening ang pag-embed niya sa buong buhay cycle ng pag-unlad ng mga dating flagship ng Kimi (k1.5, K2, K2.5, K3), at nalutas ang mga problema sa stability at resource scheduling sa malaking scale ng reinforcement learning at pagpapalawak ng trilyon na parameter.

Dagdag pa, sa paglutas ng teknikal na hamon ng Kimi Multimodal Line (Linear, VL, Audio), aktibong isinisiyasat niya ang mga inobasyon sa linear attention na hindi tradisyonal na Transformer structure, at pinangunahan ang pagsasagawa ng engineering ng teknikal na ulat ng Kimi sa visual at audio multimodal, na epektibong nalutas ang mga bottleneck sa efficiency sa pagkakaisa ng mga stream ng multimodal na impormasyon sa ilalim.

Si Liu Shaowei ay isang pangunahing miyembro ng顶级计算机系统实验室 MADSys sa Tsinghua University, at isang pangunahing eksperto sa Infra team ng Moonshot.

Nang iyong nagmumuni-muni sa pagkakaroon ni Kimi ng trilyon-trilyon na parameter habang ang presyo ng API ay napakababa, iyon ay dahil sa kanyang at ang kanyang tim na pagpupursige sa “extreme quantitative art.” Patuloy niyang pinagsisikapan ang extreme low-cost inference ng trillion-scale large models, native quantization, at malawakang distributed computing topology design.

Sa pinakamalalim na AI open-source community sa mundo, ang Reddit LocalLLaMA, siya ay nag-post ng isang detalyadong teknikal na pagsusuri na nagdulot ng malaking ingay sa海外 geek community, na may pamagat na “Kimi infra team: Quantization is not a compromise, it's the next paradigm,” na kanyang isinulat bilang opisyal na eksperto ng Kimi. Ang malawak na artikulong ito ay naglalahad nang malalim ang napakapalakas na native INT4 native quantization format sa ilalim ng Kimi K2 at K2.5.

Siya ay hindi lamang core co-author ng MoBA (Mixed Block Attention Mechanism), kundi aktibong nakikilahok sa pag-unlad ng distributed architecture ng malaking open-source project na Moonlight at ang ilalim nito, ang Muon optimizer, na nagpapaliit nang malaki sa computational cost ng distributed training ng trillion-parameter models sa pamamagitan ng matrix orthogonalization.

Siya ay isa rin sa pangunahang tagapagsimula at tagapagpanatili ng code ng malaking open-source proyekto ng Moon Shadow, ang KTransformers, at personally nagbukas ng hadlang sa computing para sa hybrid inference ng trillion-parameter MoE models sa heterogenous clusters.

Si Chen Guanduo ay isang pangunahing researcher sa Infra team ng Moonlight. Mayroon siya ng malakas na kakayahang mag-research at mag-develop sa pagitan ng "sistema + algoritmo", at ang kanyang mga pagsisiyasat ay nakatuon sa mga sumusunod: infrastraktura ng malalaking modelo, epektibong arkitektura ng mekanismo ng atensyon, pagpapabilis ng fine-tuning ng malalaking modelo, at pag-optimize ng malalaking storage at retrieval.

Nakatapos siya ng kaniyang bachelor at master degree sa Department of Computer Science ng Fudan University, kung saan siya ay nagtatag ng matibay na propesyonal na pundasyon sa larangan ng distributed systems at underlying architecture. Pagkatapos, lumipat siya sa Nanyang Technological University at Hong Kong University of Science and Technology para sa mas mataas na pag-aaral, kung saan siya ay naging isang mag-aaral ni mga kilalang akademiko sa larangan ng high-performance computing at infrastructure ng large models, si Yuan Binhang at Luo Siqiang, at nagkaron ng maagap na akademikong pananaw at karanasan sa pag-aaral.

Bago sumali sa Moonlight, nagkaroon siya ng malalim na pagpapalalim sa core na departamento ng mga namumunong internet company. Nagtrabaho siya bilang research intern sa team ng database system ng ByteDance at sa infrastructure team ng Meituan, kung saan siya ay aktibong nakikilahok sa pag-unlad at pag-optimize ng industriyal na mataas na concurrency at malalaking distributed systems.

Sa panahong iyon, bilang pangunahing may-akda, direktang ipinakilala niya ang dalawang malalaking resulta. Sa ilalim na imbakan, nilikha at ipinakilala niya ang “Oasis,” na nagtataguyod ng isang optimal disjoint range filtering scheme, na diretso na naglutas sa bottleneck ng indexing sa malalaking range query ng database;

Sa pagpapatupad sa application layer, ipinakilala niya ang "Gar" gamit ang isang paraan na "generate and rank" upang malaki ang pagpapabuti sa akurasye ng malalaking modelo sa pag-unawa sa mga kumplikadong intensyon ng tao at pagpapalit nito sa mga SQL database query (Text-to-SQL).

Si Chen Guanduo ay opisyal na sumali sa Moonshot noong Marso 2025. Bilang pangunahing miyembro ng Infra team, siya ay hindi lamang core co-author ng pangunahing malaking modelo ng Moonshot, ang Kimi K2 at Kimi K2.5, kundi nagbigay din ng maraming teknikal na pagbubukas sa mga direksyon tulad ng pagpapabilis ng fine-tuning ng malaking modelo, epektibong arkitektura ng atensyon, at kahit sa pagrereporma ng huling network arkitektura.

Upang lutasin ang problema ng sobrang paggamit ng VRAM sa fine-tuning ng malalaking modelo, pinangunahan ni Chen Guanduo ang paglalabas ng papel na “Ce-lora”, na nagtataguyod ng isang computationally efficient na paraan ng LoRA fine-tuning. Ang teknolohiyang ito ay nagbabawas sa paggamit ng VRAM at computational overhead sa pagfine-tune ng mga parameter ng malalaking modelo, na direktang nagpapataas sa training throughput sa infra layer—tawagin ito bilang “weight loss therapy” para sa fine-tuning ng malalaking modelo.

Upang harapin ang problema ng pagtaas ng computational complexity sa parihabang pagsusuri ng mahabang teksto, kanyang naging bahagi sa pagbuo at pagpapahayag ng kilalang arkitekturang “Kimi Linear” sa komunidad ng open source. Ito ay isang malikhaing at epektibong linear attention architecture na nagsasabwag ng malakas na representasyon habang napapababa nang malaki ang computational complexity sa pagtratrabaho ng mahabang teksto, na nagresulta sa pagbawas ng hanggang 75% sa paggamit ng KV Cache, at nagtataglay ng 6 beses na mas mataas na decoding throughput sa haba ng teksto na milyon-milyong karakter—naging matibay na pundasyon para sa patuloy na pagpapalalim ni Kimi sa teknolohiya ng mahabang teksto.

He is also one of the co-authors of Attention Residuals.

Mula sa pinakamababang storage filter, sa mga computationally efficient fine-tuning algorithm, hanggang sa revolutionary next-generation Transformer network architecture, ang career path ni Chen Guanduo ay perpektong sumasalamin sa kasalukuyang industry paradigm ng malalaking modelo na naglalakbay mula sa “pure parameter scaling” patungo sa “pagsasakop ng ekstrimong computational efficiency at engineering implementation”.

Closing Statement

Ang koponan ng pag-unlad ng K3 ay karaniwang maliwanag at misteriyoso, at sa proseso ng pagsusuri ng mga datos, mahirap namin tukuyin ang bawat detalye ng kanilang mga tungkulin at buong karanasan. Ngunit sa pamamagitan ng mabigat na listahang ito, ang sagot ay nagsisimula nang lumabas: Bakit ang Moonlight? Bakit kayang bigyan ng super valuation na 700 milyon bawat tao?

Ang grupo ng mga kabataan na may average na edad na mas mababa sa 30, ay mga system architect na talagang nauunawaan ang ekonomiks ng computing power. Mula sa optimal storage scheduling na nagwagi ng pinakamahusay na papel sa mga top conference, hanggang sa pag-reconstruct ng mga pangunahing inobasyon sa attention mechanism, pinaglalagyan nila ng ekstremo ang engineering efficiency na “haba, bilis, at pag-iipon”.

Tama ang ganitong buong pagpapalawig mula sa pinakamataas na algoritmo hanggang sa pinakapundasyonal na hardware na nagbibigay sa Moonshot ng pangunahing hadlang upang malampasan ang "pagkakapareho ng computing power".

Isang interesanteng detalye ay na ang Kimi K3 ay naging mahalagang miyembro ng buong team ng pag-unlad sa dulo ng listahan. Ang tagapaglikha at ang nilikha ay nagsimulang manatili sa parehong listahan, at ang “Golden Age” ng mga malalaking modelo ng Tsina ay nagsimula nang may malakas na ingay.