Ringkasan yang dihasilkan AI: Pada Juli 2026, Moon Shadow merilis model Kimi K3 secara open-source dan mengumumkan daftar 401 kontributor untuk pertama kalinya. Valuasi terbaru perusahaan mencapai 31,5 miliar dolar AS, dengan tim berjumlah lebih dari 300 orang, rata-rata usia di bawah 30 tahun, dan setiap anggota mendukung valuasi rata-rata 700 juta dolar AS. Tim inti mencakup tiga pendiri bersama: Zhou Xinyu (penanggung jawab algoritma), Wu Yuxin (arsitek), dan CTO Zhang Yutao, serta anggota inti lainnya dari universitas-universitas top seperti Tsinghua dan CMU. Tim ini memiliki berbagai inovasi di teknologi dasar seperti mekanisme perhatian campuran MoBA, arsitektur inferensi terpisah Mooncake, dan optimizer Muon, dengan hasil terkait memperoleh penghargaan Best Paper di konferensi penyimpanan terkemuka FAST 2025. Tim para geek muda ini dikenal dengan manajemen datar yang mengeksekusi efisiensi teknik "panjang, cepat, hemat" hingga maksimal, menjadi kekuatan penting dalam bidang model besar Tiongkok.

Penulis artikel, sumber: Leiphone

Pada 27 Juli, Moonshot membuka seluruh niat baiknya dengan melepaskan model Kimi K3 versi penuh 2.8T secara open source. Di akhir laporan teknis, mereka pertama kali mengungkapkan daftar kontributor sebenarnya di balik Kimi K3; kami menghitungnya, terdapat 401 anggota, yang dapat dikatakan sebagai perkenalan menyeluruh terhadap tim talenta Moonshot.

Dari tim startup yang awalnya bernilai hanya beberapa miliar dolar AS, kini Moonshot telah menjadi tim geek langka di meja permainan global yang mampu bersaing dengan model puncak seperti Claude Fable 5 dan GPT-5.6 Sol, layak disebut sebagai "cahaya model lokal".

Seiring peluncuran K3, valuasi terbaru Moonshot meningkat menjadi 31,5 miliar dolar AS, sekitar 210 miliar yuan Tiongkok, dan valuasi 210 miliar ini didukung oleh tim yang sangat muda.

Menurut informasi publik, Moonshot memiliki sekitar 300 orang lebih, dengan rata-rata usia di bawah 30 tahun, di mana 80% adalah tipe I. Jika dihitung, rata-rata setiap orang menanggung valuasi sebesar 700 juta yuan.

Bentuk organisasi Moonshot sangat datar. Moonshot memiliki lima pendiri, masing-masing secara langsung berhubungan dengan 40-50 orang. Di dalamnya dikenal dengan prinsip "tanpa tingkatan jabatan, tanpa KPI, tanpa dinding departemen", di mana karyawan dapat menantang atasan kapan saja. Satu detailnya: pada pertemuan refleksi awal 2025, seorang karyawan mengusulkan saran yang sangat radikal; setelah mendengarkannya, Yang ZhiLin justru melakukan sesuatu yang lebih radikal daripada saran tersebut—secara langsung meninggalkan K1 untuk beralih ke K2.

Keragaman ini juga tercermin dalam "jiwa" perusahaan. Sebagai penggemar rock, Yang Zhilin memberi nama ruang rapat dengan nama-nama band legendaris seperti Rolling Stones, Nirvana, dan Radiohead, bahkan paket keanggotaan Kimi pun dinamai dengan istilah-istilah musik seperti Adagio dan Allegro.

Moonshot percaya bahwa di era saat ini di mana daya komputasi dan data semakin homogen, "selera" adalah pendorong utama dalam membangun hambatan diferensiasi. Selera ini tidak hanya tercermin dalam penyempurnaan model, tetapi juga secara mendalam terlihat pada sikap selektif dan hasrat mereka terhadap bakat.

Lunar Dark Side menyukai merekrut CEO, sangat menyukai orang-orang dengan "aura pengusaha" atau "gen penjudi". Menurut data publik, setidaknya ada 50 orang di perusahaan yang pernah mendirikan atau bergabung dengan perusahaan rintisan. Dalam setahun terakhir, lebih dari 100 karyawan baru yang direkrut oleh Lunar Dark Side masuk melalui rekomendasi internal.

Hari ini, sesuai daftar, kami melakukan penggalian mendalam secara menyeluruh dan mengumpulkan semua informasi terpercaya terkait kontributor K3 di sini. Latar belakang inti dan kekuatan teknis tim para ahli teknis teratas ini semuanya ditampilkan.

01 Kimi - Landasan Utama Sistem Teknis

Zhou Xinyu adalah salah satu pendiri inti Moonshot, sekaligus pemimpin tim algoritma.

Zhou Xinyu dan Yang Zhilin sudah saling mengenal sejak lama; detail menariknya adalah, Zhou Xinyu pernah menjadi gitaris band Splay Universitas Tsinghua, sementara drummer-nya adalah Yang Zhilin.

Sebelum bergabung dengan Moonshot, Zhou Xinyu sebelumnya bekerja di Megvii dalam penelitian produksi algoritma dan model seluler. Ia bekerja erat dengan Zhang Xiangyu, kepala penelitian dasar di Megvii pada waktu itu dan kini ilmuwan utama di Jieyue Xingchen, sebagai penulis utama yang secara langsung menulis karya jaringan ringan ShuffleNet.

Fokus utama Zhou Xinyu adalah produksi massal algoritma model besar, ahli dalam mengubah algoritma laboratorium paling mutakhir menjadi sistem lini produksi skala besar secara efisien dan berbiaya rendah. Ia juga ahli dalam optimasi arsitektur hibrida; dalam sesi teknis AMA di komunitas Reddit, ia menjadi yang pertama membongkar keunggulan komparatif arsitektur hibrida Kimi K3 KDA yang menggabungkan NoPE MLA, membuktikan bahwa arsitektur ini lebih hemat daya komputasi dan lebih cepat dalam pelatihan awal dan pembelajaran penguatan.

Wu Yuxin adalah salah satu co-founder Moonshot AI. Ia juga merupakan pakar terkemuka dan arsitek terkenal di bidang kecerdasan buatan, dengan keahlian mendalam dalam arsitektur teknis dan infrastruktur dasar pembelajaran mendalam, penglihatan komputer (CV), dan model bahasa besar (LLM).

Wu Yuxin dan Yang Zhilin memiliki latar belakang pendidikan yang sama, lulus sarjana dari Departemen Komputer Universitas Tsinghua, kemudian melanjutkan studi ke Carnegie Mellon University (CMU) di Amerika Serikat. Ia pernah menjadi insinyur peneliti di laboratorium penelitian Meta AI (FAIR), di mana ia memimpin dan memberikan kontribusi terhadap sejumlah teknologi penting di bidang penglihatan komputer.

Sebelum mendirikan Moonshot bersama Yang Zhilin, Wu Yuxin telah menciptakan dua pencapaian penting berstandar industri di bidang pembelajaran mendalam dan penglihatan komputer:

Salah satunya adalah sebagai salah satu pencipta dan pengembang utama Detectron2, proyek ini secara langsung membentuk ulang ekosistem pasca-sarjana komputer vision global, menjadi "dasar umum" bagi ribuan model visual dan proyek deteksi objek di seluruh dunia.

Lebih inovatif lagi, ia pada tahun 2018 bersama akademisi terkemuka He Kaiming menerbitkan karya besar tentang Group Normalization yang mendapatkan nominasi Best Paper Honorable Mention di ECCV 2018.

Karya klasik ini secara langsung mengatasi hambatan mematikan dari Batch Normalization dalam pelatihan sampel kecil. Kemampuan untuk "menulis ulang aturan pelatihan AI global" hanya dengan beberapa baris inovasi dasar membuat Wu Yuxin memiliki daya tarik teknis yang sangat tinggi di dunia open source.

Di sisi gelap bulan, ia adalah orang yang meletakkan dasar. Ia secara mendalam terlibat dalam optimasi arsitektur model besar dan efisiensi pelatihan, bahkan pernah hadir langsung di PyTorch Developer Conference global untuk secara mendalam menguraikan kontribusi dasar Kimi terhadap infrastruktur open source global.

Bidang keahlian Wu Yuxin secara sempurna melengkapi potongan terakhir teka-teki yang diperlukan Kimi untuk mengejar batas maksimal multimodal teks panjang generasi berikutnya. Ia ahli dalam optimasi sistem pembelajaran mendalam berperforma tinggi, menyelesaikan tantangan bagaimana membuat model besar berjalan lebih stabil, lebih cepat, dan menggunakan lebih sedikit memori meskipun memiliki parameter triliunan—ini adalah tembok teknis yang menjaga pengalaman mulus Kimi dalam teks panjang dan konsistensi tinggi.

Sebagai salah satu penulis utama MoCo v1, karya penting dalam pembelajaran mendalam, ia membuat Kimi tidak hanya memiliki otak terkuat di industri (pemahaman bahasa alami), tetapi juga sedang berkembang mata yang mampu memahami secara mendalam dunia fisik nyata (visual multimodal).

Zhang Yutao adalah salah satu co-founder Moonshot AI sekaligus CTO Moonshot AI. Ia dan Yang Zhilin adalah sesama alumni Tsinghua, dan Tang Jie, pendiri Zhipu, adalah guru nya.

Pada tahun 2016, Zhang Yutao bersama Yang Zhilin mendirikan "Xunhuan Intelligence", kemudian bersama Yang Zhilin mendirikan "Lunar Dark Side". Jika Yang Zhilin adalah "navigator" Lunar Dark Side, maka Zhang Yutao adalah chief engineer yang bertanggung jawab menyetel sistem tenaga kapal raksasa "kecerdasan" hingga mencapai puncaknya. Kimi mampu mencapai lompatan besar dalam pemrosesan teks panjang, penalaran kompleks, dan eksekusi tugas Agent, berkat kontribusi tak tergantikan Zhang Yutao.

Sebelum bergabung dengan Moonshot, ia telah menciptakan sejumlah pencapaian penting "tingkat industri" di bidang pengetahuan grafik dan integrasi data heterogen.

Salah satu tag teknis yang paling dikenalnya adalah sebagai pemimpin teknis dalam pengembangan platform analisis大数据 ilmu pengetahuan AMiner. Platform yang kini melayani jutaan akademisi global ini memiliki teknologi integrasi data heterogen inti di belakangnya, yang mencakup kemampuan dasar yang ikut dibangun oleh Zhang Yutao selama menempuh program doktoral di Tsinghua. Wawasan mendalam terhadap "bagaimana pengetahuan dalam jumlah besar dapat diserap, dipahami, dan diambil kembali oleh mesin" secara langsung membentuk fondasi teknis kemampuan Kimi dalam menangani teks sangat panjang.

Dalam kontribusi akademik, ia telah menerbitkan banyak makalah berpengaruh di konferensi komputer terkemuka seperti KDD dan CIKM. Ia tidak hanya ahli dalam membuat AI memiliki "rasa logis" melalui pengetahuan grafik, tetapi juga memimpin pengembangan "Platform AI Nol-Sample Seribu Siklus" selama era siklus cerdas, yang berhasil mewujudkan penerapan skala besar model industri dalam skenario layanan perusahaan.

Arah fokus Zhang Yutao secara akurat memprediksi setiap titik transisi AI dari "mampu berbicara" menjadi "mampu bekerja". Ia berfokus pada pengembangan teknik jendela konteks panjang dan arsitektur jaringan ekspansi dinamis, untuk menyelesaikan bagaimana membuat AI tetap "waspadai" di tengah informasi dalam jumlah besar.

Pada puncak teknologi terbaru Juli 2026, ia secara tajam menguraikan tiga garis besar teknologi industri: tahun 2023 adalah era Prompt, yang meneliti "bagaimana bertanya"; tahun 2024 berkembang menjadi era Context, yang memberikan "informasi yang cukup"; dan pada tahun 2026, model besar secara resmi memasuki tahap baru teknik Harness. Kini, ia sedang memimpin timnya untuk mengatasi pertempuran akhir Agent: "bagaimana membangun lingkungan operasional sehingga AI dapat memperbaiki dirinya sendiri secara tertutup ketika mengalami masalah."

Xu Xiran adalah Wakil Presiden Rekayasa dan Penanggung Jawab Infrastruktur AI di Moonshot AI.

Ia memiliki pengalaman pengembangan lapisan dasar penuh, sebelumnya bertanggung jawab atas pengembangan kerangka kerja pembelajaran mendalam MegEngine (Tianyuan) dan sistem pencarian vektor miliaran di Megvii. Saat ini, ia terutama bertanggung jawab atas desain arsitektur keseluruhan untuk pelatihan, inferensi, dan infrastruktur model besar Moonshot.

Di sisi inferensi model besar, untuk skenario bisnis teks panjang Kimi, ia dan timnya secara kolaboratif merancang arsitektur inferensi terpisah berbasis KV Cache bernama Mooncake. Hasil ini memenangkan Penghargaan Makalah Terbaik di konferensi penyimpanan kelas atas FAST 2025 karena secara mendasar memisahkan tahap prefills dan decoding, sekaligus mengurangi tekanan memori GPU dan I/O akibat konteks super panjang hingga jutaan token.

Secara bersamaan, sebagai salah satu penulis inti dari mekanisme MoBA (Mixed Block Attention), ia mencapai pengurangan biaya dan peningkatan efisiensi signifikan untuk Kimi di kedua sisi pelatihan dan inferensi melalui pemotongan perhatian tingkat blok.

Di sisi pelatihan model, ia berkontribusi pada pengembangan proyek open-source Moonlight dan optimizer dasarnya, Muon, dengan mengganti AdamW tradisional menggunakan teknik ortogonalisasi matriks, sehingga mengurangi biaya komputasi untuk model dengan triliunan parameter dalam pelatihan terdistribusi.

Berdasarkan serangkaian praktik penyimpanan terdistribusi dan inferensi pada volume teks panjang skala besar, ia pernah diundang untuk berbicara di konferensi sumber terbuka global GOSIM China. Fokus keahliannya selalu pada arsitektur model besar penuh, berkomitmen untuk mendukung inferensi teks panjang berkecerdasan tinggi dengan konsumsi FLOPs dan penggunaan KV Cache yang lebih sedikit.

Sebagai kepala sistem penalaran Moonshot, ia adalah salah satu penulis utama makalah terbaik FAST 2025, serta tulang punggung teknis utama dalam penerapan arsitektur penalaran teks panjang Kimi. Dari Kimi k1.5, Kimi-VL, K2 hingga Kimi Linear, Kimi-Audio, hingga makalah arsitektur inti seperti MoBA, Muon, dan AttnRes, namanya tercantum di seluruh enam generasi pencapaian teknologi, dengan semua pekerjaannya selalu berpusat pada satu inti: menukar desain sistem dengan efisiensi, agar model besar benar-benar terjangkau.

Sebelum bergabung dengan Moonshot AI, He Weiran telah lama mendalami bidang komputasi efisien. Ia lulus dari Departemen Komputer Universitas Tsinghua, awal karier fokus pada routing chip dan optimasi performa lapisan bawah; selama periode Megvii, ia memimpin pengembangan chip AI buatan sendiri dan jaringan saraf beresolusi rendah, serta bekerja bersama Zhou Xinyu, rekan pendiri Moonshot AI—Zhou Xinyu adalah penemu pertama solusi deteksi teks OCR klasik EAST.

Setelah bergabung dengan Moonshot pada tahun 2023, ia menerapkan seluruh pengalaman rekayasa sistemnya selama bertahun-tahun ke layanan inferensi model besar dengan parameter triliunan.

Hasil paling representatifnya adalah arsitektur inferensi terpisah KVCache bernama Mooncake. Sistem ini menghancurkan pola arsitektur layanan inferensi tradisional dengan memisahkan cache memori yang paling memakan VRAM dari model besar dan mengelolanya secara terpusat, serta meningkatkan kapasitas permintaan Kimi lebih dari 75% tanpa meningkatkan skala daya komputasi, melalui pemanfaatan ulang cache global dan routing yang presisi. Ia mengungkapkan di konferensi QCon Q4 2024 bahwa berkat arsitektur ini dan optimasi teknis berkelanjutan, biaya per unit cluster inferensi Kimi turun lebih dari 20 kali lipat dalam satu tahun.

Pada Februari 2025, makalah terkait Mooncake memenangkan Penghargaan Makalah Terbaik Eric Riedl di konferensi FAST—salah satu penghargaan tertinggi di bidang sistem penyimpanan. Lebih menunjukkan nilai teknisnya, arsitektur ini sudah berjalan stabil di ribuan node lingkungan produksi Kimi sebelum makalahnya secara resmi memenangkan penghargaan, memproses ratusan miliar token permintaan pengguna setiap hari.

Meskipun laporan teknis K3 tidak mengungkapkan pembagian tugas individu secara spesifik, sejumlah terobosan inti terus melanjutkan jalur teknis timnya: untuk mengatasi masalah kegagalan cache awalan tradisional dalam arsitektur hibrida KDA+MLA, tim memberikan kontribusi implementasi resmi kepada komunitas vLLM; untuk permintaan panjang hingga jutaan token, klaster menerapkan strategi routing dan penjadwalan yang sadar cache, memaksimalkan efisiensi pemanfaatan ulang cache. Hasil akhir yang dicapai K3 adalah biaya inferensi hanya 38% dari Claude Fable 5, dan optimasi KVCache, cache awalan, serta pengendalian biaya justru merupakan inti utama dari sistem Mooncake.

Dari perancangan sirkuit chip hingga inferensi model triliunan parameter, jalur teknis He Weiran selalu jelas: memperjuangkan efisiensi sistem secara tekun, menukar desain teknik dengan biaya komputasi yang lebih rendah. Jika para peneliti algoritma puncak memperluas batas kemampuan Kimi, maka ia dan timnya berfokus pada mewujudkan kemampuan unggulan tersebut secara nyata, sehingga lebih banyak pengguna biasa dapat menggunakannya dengan terjangkau dan stabil.

02 Tangguh Bertahan · Tulang Punggung Tingkat Implementasi

Du Yulun bertanggung jawab atas arah pretraining dan scaling di Moonshot.

Ia lulus dari Universitas Illinois, Urbana-Champaign, Amerika Serikat, dan Universitas Carnegie Mellon dengan spesialisasi kecerdasan buatan. Kemudian bergabung dengan Xunhuan Intelligence, menjabat sebagai peneliti dan kepala AI Lab, serta merupakan salah satu tokoh teknis utama Moonshot AI.

Sebagai pemimpin utama dalam arah pelatihan dasar model dan skalabilitas, kontribusi teknisnya secara menyeluruh mencakup seluruh arsitektur dasar unggulan utama Kimi dari generasi ke generasi, serta desain serangkaian multimodal lengkap seperti VL dan Audio.

Dalam terobosan teknis dasar, ia adalah salah satu penulis bersama dari makalah "Attention Residuals", "MoBA (Mixed Block Attention)", dan optimizer pra-pelatihan "Muon is Scalable for LLM Training". Pekerjaannya berfokus pada: mengurangi masalah redaman sinyal dalam jaringan super-dalam melalui pemotongan perhatian tingkat blok dan rekonstruksi alur pelatihan, secara signifikan meningkatkan efisiensi pelatihan terdistribusi untuk model besar triliunan parameter.

Di tingkat sumber terbuka teknik, ia merupakan kontributor inti aktif dari proyek sumber terbuka resmi MoonshotAI. Dari catatan kolaborasi kode, Du Yulun bekerja sama secara intensif dalam pengembangan dan tinjauan kode dengan pakar algoritma Su Jianlin dan penanggung jawab sistem inferensi He Weiran; ketiganya bersama-sama membentuk lingkaran teknis dasar yang mendukung Kimi dalam menangani teks panjang hingga jutaan token dan aliran multimodal yang efisien.

Zhang Yu adalah arsitek inti Moonshot, fokus pada desain arsitektur efisien, skalabel, dan ramah perangkat keras untuk model bahasa besar. Sebagai pelopor jalur non-Transformer dan perhatian linier, ia berkomitmen untuk mengatasi kutukan teknis panjang teks: "semakin panjang, semakin lambat, sangat boros biaya."

Dalam akademik dan praktik teknik, Zhang Yu mencapai banyak prestasi. Ia tidak hanya merupakan salah satu penulis utama bersama makalah "Attention Residuals" tentang residual connections, tetapi juga penulis utama inti dalam pengembangan arsitektur model efisien Moonshot.

Model Kimi Linear yang dia pimpin sebagai open-source, pertama kali berhasil menerapkan mekanisme perhatian linear pada tugas konteks sangat panjang, mencapai peningkatan efisiensi yang revolusioner. Selain itu, "Perjalanan Pengembangan Kimi Linear" yang dia bagikan di komunitas teknis seperti Zhihu, hingga kini tetap dianggap sebagai panduan wajib oleh ratusan insinyur data model besar.

Dari membongkar dasar model 7B, hingga membantu model besar dengan triliunan parameter mencapai jajaran teratas global dalam satu pertempuran, Zhang Yu bergerak dengan lancar di antara dunia akademik dan industri, meninggalkan banyak kode keras di konferensi akademik top dan komunitas open-source.

Serangkaian terobosan ini berasal dari fokusnya pada pengembangan teknologi inti: dalam desain arsitektur model efisien, ia berfokus pada optimasi bottleneck komunikasi dan memori selama ekspansi kedalaman model; dalam peningkatan dinamika dan efisiensi pelatihan, ia menyelesaikan masalah pengenceran gradien dan ledakan status tersembunyi yang disebabkan oleh PreNorm pada model besar melalui重构 aliran residual dasar.

Lai Guokun adalah alumni ganda Tsinghua dan Carnegie Mellon milik Yang Zhilin.

Dia adalah salah satu peneliti dengan jumlah makalah terbanyak di tim Kimi, memiliki lebih dari sepuluh makalah; dia bukan hanya salah satu tokoh representatif dari "Klub Jenius" Moonshot, tetapi juga kontributor utama Kimi K3, serta seorang ahli dengan pencapaian "definisional" di dunia akademik.

Sebelum bergabung dengan Moonshot, Lai Guokun telah menciptakan dua hasil penting berstandar industri di bidang NLP (Natural Language Processing).

Salah satunya adalah menciptakan salah satu kumpulan data pemahaman mesin terbesar di dunia, yaitu "dataset RACE", yang langsung melatih AI menggunakan soal ujian bahasa Inggris siswa Tiongkok, sehingga menjadi tolok ukur global untuk pemahaman mesin.

Yang lebih mengejutkan, makalahnya tentang algoritma rekomendasi yang ditulis saat sarjana, berjudul "Explicit factor models for explainable recommendation", pada tahun 2024, sepuluh tahun kemudian, memenangkan SIGIR Test of Time Award, salah satu penghargaan tertinggi di bidang informasi retrieval, yang secara khusus diberikan kepada makalah yang diterbitkan sepuluh tahun lalu, telah melewati ujian waktu, dan memiliki dampak berkelanjutan pada industri.

Orang-orang yang memiliki kemampuan untuk 'menentukan jalur teknologi selama sepuluh tahun ke depan' sejak tahap sarjana bukanlah satu-satunya di Yue Zhi An Mian.

Arah fokus Lai Guokun sangat selaras dengan kemampuan inti Kimi, misalnya keahliannya dalam "machine reading comprehension", yang menyelesaikan bagaimana membuat AI memahami dokumen panjang dan menjawab pertanyaan—ini merupakan dasar teknis inti dari kemampuan teks panjang Kimi.

Model besar pra-dilatih adalah salah satu fokus penelitiannya selama di CMU, selain itu ia juga mengkhususkan diri dalam pencarian arsitektur saraf, meneliti bagaimana membuat AI secara otomatis merancang struktur jaringan yang lebih baik. Selain itu, ia juga meneliti sistem rekomendasi yang dapat dijelaskan, sehingga AI tidak hanya merekomendasikan konten, tetapi juga dapat menjelaskan kepada pengguna mengapa konten tersebut direkomendasikan.

Guo Haiqing adalah anggota inti awal tim Kimi dari Moonshot, termasuk salah satu anggota senior tim yang terlibat penuh dalam pengembangan dan iterasi proyek inti multi-generasi Kimi.

Proyek yang dapat diverifikasi secara publik meliputi laporan teknis Kimi k1.5, laporan teknis Kimi K2, makalah arsitektur inti AttnRes, dan laporan teknis Kimi K3. AttnRes merupakan salah satu dari dua inovasi arsitektur inti Kimi K3.

Dari jejak tanda tangan, ia mencakup siklus iterasi penuh dari Kimi dari k1.5 hingga K3, terlibat dalam seluruh tahap pengembangan inti produk generasi-generasi tersebut, dan merupakan peserta inti berkelanjutan dari tim teknologi Kimi. Saat ini, saluran publik belum mengungkapkan posisi spesifik maupun pembagian tugas pengembangan rinciannya.

Chen Guangyu mungkin adalah peneliti termuda di Moon Shadow, lahir pada 2009, berusia 17 tahun, seorang remaja yang pernah membuat Elon Musk terkesan secara publik di X dengan mengatakan "Impressive".

Saat Moonshot meluncurkan flagship Kimi K3 dengan 2,8 triliun parameter yang mengejutkan dunia, ia sudah sejajar dengan para ahli teknis seperti Su Jianlin dan lainnya, menjadi co-first author dari karya dasar arsitektur inti Kimi K3, "Attention Residuals".

Mekanisme Attention Residuals yang ia ikuti langsung merevisi koneksi residual standar yang telah digunakan selama sepuluh tahun dalam bidang pembelajaran mendalam, dengan menggunakan "perhatian mendalam yang dapat dipelajari" agar model dapat secara cerdas "melihat ke belakang". Rekonstruksi dasar ini secara langsung meningkatkan efisiensi ekspansi model sebesar 1,25 kali, memungkinkan perusahaan China untuk bergerak lebih cepat dengan biaya lebih rendah dalam pertarungan kekuatan komputasi triliunan. Kisahnya bergabung dengan Moonshot sangat ajaib. Setahun yang lalu, ia bahkan tidak tahu apa itu Transformer, tetapi ia ditemukan oleh perusahaan rintisan silikon karena ide yang ia ajukan di sebuah hackathon: "tangan mekanis tambahan ketiga manusia". Tujuh minggu kemudian, tim Kimi benar-benar tertarik dan secara istimewa memasukkannya ke dalam kelompok penelitian inti perusahaan. Pada minggu pertama bergabung, ia langsung melanggar semua konvensi, membongkar secara manual, dan memenangkan juara umum dalam marathon hacker ekstrem 48 jam internal Kimi.

Dalam laporan teknis Kimi, nama Du Angang selalu muncul di posisi pertama. Ia merupakan salah satu tulang punggung utama dalam arsitektur multimodal Moonshot, dan salah satu dari sedikit peneliti yang hadir secara penuh di semua lima generasi dalam laporan teknis Kimi. Ia pernah dua kali mendapatkan peringkat pertama dalam daftar penulis tim, yang mengindikasikan kontribusi utamanya di bidang visual dalam Kimi K3.

Sebelum bergabung dengan Moonshot, Du Angang telah membangun dua fondasi kuat di bidang penglihatan komputer.

Salah satunya adalah fokus mendalam pada visi mikroskopis bawah air. Selama tujuh tahun sarjana dan magister, saya belajar di Laboratorium Visi Bawah Air, Universitas Kelautan Tiongkok, khusus mempelajari klasifikasi gambar mikroskopis plankton yang sangat sulit—menggunakan AI untuk mengenali kehidupan terkecil di laut dalam gambar mikroskopis yang buram, sampel langka, dan perbedaan spesies sangat halus.

Pada tahun 2020, ia menjadi penulis pertama dalam publikasi penelitian terkait di Global OCEANS, menggunakan pemodelan fitur orde kedua untuk memecahkan masalah klasifikasi halus, menjadi satu-satunya hasil penelitian dalam sepuluh tahun di bidang ini di laboratorium yang dihasilkan oleh mahasiswa magister sebagai penulis pertama.

Yang lebih berdampak dalam industri adalah kontribusinya selama di Megvii. Penelitiannya tentang estimasi pose multi-orang dimuat di ECCV 2020, konferensi top bidang komputer vision, dengan total sitasi lebih dari 300 kali, menjadi referensi penting di bidang estimasi pose tubuh. Daftar kolaborator dalam pekerjaan ini mencakup tokoh-tokoh utama di bidang visual seperti Sun Jian dan Zhang Xiangyu, serta Zhou Xinyu, co-founder Moonshot AI.

Setelah bergabung dengan Kimi, ia fokus pada desain visual encoder, alignasi multimodal, dan teknologi agen visual, khususnya ahli dalam pemahaman gambar resolusi tinggi, analisis video berurutan panjang, dan pembelajaran penguatan multimodal—yang merupakan fondasi teknis utama dari kemampuan multimodal asli Kimi. Selain itu, keahliannya juga meluas ke infrastruktur pelatihan model besar—mulai dari stabilitas optimizer hingga sintesis data agen—membentuk kemampuan penuh mulai dari algoritma visual dasar, pelatihan model, hingga penerapan agen di tingkat atas.

Pada tahun 2025, ia menerbitkan model multimodal open-source Kimi-VL sebagai penulis pertama, dengan encoder visual MoonViT buatan sendiri yang secara native mendukung input resolusi sangat tinggi, dikombinasikan dengan kemampuan konteks panjang 128K, sehingga Kimi pertama kali memiliki kemampuan pemahaman teks multimodal panjang untuk membaca video panjang dan dokumen panjang, menjadi dasar teknis untuk seluruh kemampuan multimodal Kimi.

Pada tahap K2, ia secara mendalam terlibat dalam pengembangan optimizer MuonClip, bekerja sama dengan mekanisme QK-Clip untuk mengatasi tantangan industri berupa fluktuasi pelatihan model besar, mendukung pelatihan skala super besar 15,5 triliun Token dengan mencapai "puncak kehilangan nol", secara signifikan menurunkan biaya dan risiko komputasi pelatihan; pada tahap K3, pipeline sintesis data agen yang dipimpinnya memungkinkan model untuk secara mandiri menghasilkan data pelatihan berkualitas tinggi, memberikan dukungan data kunci yang memungkinkan K3 berada di kelas atas global dalam tugas-tugas inti seperti pemrograman dan agen.

Bagi Kimi, kontribusinya membentang sepanjang seluruh jalur evolusi kemampuan multimodal.

Qu Bowen (Bowen Qu / Brian Qu) bergabung dengan tim post-training model, menyelesaikan pendidikan sarjananya di Sekolah Elektronik, Informasi, dan Telekomunikasi, Universitas Sains dan Teknologi Huazhong, serta menyelesaikan pendidikan magisternya di Sekolah Elektronik, Universitas Peking. Penelitiannya berfokus pada arah terkait model multimodal, mencakup pembelajaran penguatan multimodal, model visual-language, agen AI, serta evaluasi kualitas konten AIGC.

Setelah bergabung dengan Moonshot, Qu Bo Wen fokus pada pengembangan kemampuan multimodal untuk seri model Kimi, secara mendalam terlibat dalam proyek Kimi-K2.5, serta berkontribusi pada penelitian arah reinforcement learning multimodal asli. Kimi-K2.5 adalah model agen multimodal asli yang diluncurkan oleh Moonshot, dengan total parameter 1T dan parameter aktif 32B.

Sistem pembelajaran penguatan multimodal asli yang ditangani Qu Bowen melewati jalur tradisional model multimodal yang terlebih dahulu melakukan fine-tuning supervisi visual sebelum memulai pembelajaran penguatan, dan mengusulkan pendekatan pelatihan yang memulai dari model inferensi teks murni tanpa fine-tuning supervisi visual, langsung memperoleh kemampuan inferensi visual melalui pembelajaran penguatan visual, sehingga menghindari gangguan dari data visual berkualitas rendah terhadap kemampuan inferensi bahasa asli model.

Penelitian Qu Bowen dimulai dari arah evaluasi kualitas konten AIGC, dengan hasil terkait yang telah diterbitkan di konferensi internasional seperti ICME 2024 dan CVPRW 2024. Salah satu makalah yang diterbitkan di ICME 2024 mengatasi masalah bahwa sistem evaluasi gambar yang dihasilkan AI saat itu hanya memperhatikan keindahan visual dan kejelasan, sambil mengabaikan kesesuaian konten yang dihasilkan dengan instruksi pengguna, dengan mengusulkan solusi untuk memasukkan prompt teks ke dalam sistem evaluasi kualitas gambar yang dihasilkan, serta membangun standar evaluasi yang mencakup baik kualitas visual maupun tingkat kepatuhan terhadap instruksi, sehingga meningkatkan kelengkapan evaluasi konten yang dihasilkan AI dan keselarasan dengan persepsi manusia.

Qu Bo Wen juga muncul dalam daftar kontributor versi multimodal seri Kimi. Sebagai peneliti muda, jalur penelitian Qu Bo Wen berkembang dari pembangunan sistem evaluasi, menuju pembangunan kemampuan model, dan selanjutnya diterapkan pada pengembangan kemampuan agen tingkat tinggi, dengan hasil yang secara erat selaras dengan kebutuhan nyata industri, langsung melayani iterasi dan peningkatan model produksi.

Dalam daftar lebih dari 400 kontributor Kimi K3, Lu Enzhe bukanlah nama yang muncul paling awal, tetapi tindakannya sangat tepat sasaran. Setiap pencapaianya menyentuh titik nyeri utama dalam penerapan model besar, menjadikannya sosok kunci dalam membangun sistem komputasi efisien Kimi.

Arah penelitian Lu Enzhe dapat diringkas secara akurat dengan tiga kata: panjang, cepat, hemat. Tujuan utamanya adalah memungkinkan model besar memproses teks yang lebih panjang dengan biaya lebih rendah dan kecepatan lebih tinggi. Bagi Kimi, ia bertanggung jawab atas peningkatan efisiensi seluruh rantai dari pelatihan hingga inferensi.

Pada Februari 2025, ia menerbitkan mekanisme MoBA Hybrid Block Attention sebagai penulis pertama, menerapkan ide pemilihan pakar MoE ke lapisan perhatian, sehingga model hanya memanggil blok konteks paling relevan untuk perhitungan saat memproses permintaan. Dengan kepadatan 95%, kinerjanya setara dengan perhatian penuh, mencapai percepatan 6,5 kali untuk inferensi jutaan token dan 16 kali untuk inferensi puluhan juta token, secara langsung memperkuat arsitektur dasar kemampuan konteks sangat panjang Kimi.

Pada hari rilis, makalah ini muncul bersamaan dengan makalah NSA DeepSeek, menjadi insiden tabrakan teknologi paling diperhatikan di lingkaran model besar domestik tahun itu; nilai teknisnya lebih terlihat ketika solusi ini telah secara stabil menangani permintaan pengguna konteks panjang di lingkungan produksi Kimi selama hampir satu tahun sebelum diterima sebagai makalah Spotlight oleh NeurIPS 2025.

Selain itu, dari perhatian KDA MoBA hingga Kimi Linear, ia secara intensif mengejar efisiensi inferensi perangkat keras dalam desain arsitektur; di sisi pelatihan, implementasi distribusi optimizer Muon yang ia ikuti mencapai penggunaan memori optimal dan overhead komunikasi yang efisien, secara nyata mengurangi biaya daya komputasi untuk pelatihan model besar. Dengan mempertimbangkan laporan teknis AttnRes serta K1.5, K2, dan Kimi-VL, publikasinya secara komprehensif mencakup seluruh rantai teknologi model efisien.

Di dalam tim, ia berpasangan tetap dengan Qiu Jiezhong, salah satu penulis komunikasi dari makalah MoBA, satu orang melakukan serangan mendadak, yang lain mengendalikan arah, bekerja sama dengan sangat sinkron.

Wang Yuzhi adalah seorang peneliti di Moonshot AI dan salah satu penulis yang paling sering muncul dalam laporan teknis seri Kimi.

Dari K1.5 pada Januari 2025 hingga Kimi K3 pada Juli 2026, namanya muncul di hampir setiap dokumen teknis perusahaan ini, mencakup visual, audio, arsitektur perhatian, optimizer pelatihan, model unggulan, hingga kerangka tata kelola risiko AI terkini.

Ia lulusan sarjana dari Universitas Ilmu dan Teknologi Xi'an, dan meraih gelar doktor di Departemen Teknik Elektronik dari Universitas Tsinghua; setelah bergabung dengan Institut Megvii, ia menjabat sebagai Insinyur Riset; pada tahun 2024 ia bergabung dengan Moonshot AI sebagai Peneliti hingga kini.

Sebelum bergabung dengan Moonshot, penelitiannya berfokus pada fotografi komputasional dan visual dasar. Hasil representatifnya meliputi: sebagai penulis utama, mempublikasikan paper tentang denoising gambar RAW di perangkat seluler di ECCV 2020, yang hingga kini menjadi salah satu karya patokan dalam citra mobile; sebagai anggota tim Megvii, memenangkan juara global di lintasan raw-RGB pada NTIRE 2019 Real Image Denoising Challenge; serta sebagai penulis bersama berkontribusi pada karya klasik di bidang OCR, EAST (CVPR 2017, dikutip lebih dari 2.500 kali).

Selama periode Moon Dark Side, ia berpartisipasi dalam penandatanganan sepuluh dokumen teknis, termasuk: k1.5, K2, K3, Kimi-VL, Kimi-Audio, MoBA, Muon, Kimi Linear, serta empat makalah arsitektur dan efisiensi Attention Residuals, dan kerangka kerja manajemen risiko AI terkini.

Perlu dicatat bahwa ia termasuk dalam daftar penulis keempat makalah tentang arsitektur dan efisiensi perusahaan, cakupan yang luas seperti ini jarang ditemukan di antara daftar kontributor sekitar empat ratus orang. Tanggung jawab spesifiknya di K3 belum tersedia secara publik.

Mao Shaoguang adalah tulang punggung inti dari garis teknologi Kimi Agent, berpartisipasi penuh dalam pengembangan empat generasi unggulan: K2, K2-Thinking, K2.5, dan K3, serta merupakan salah satu dari sedikit peneliti di industri ini yang secara lengkap mengalami dua pergeseran paradigma dalam bidang Agent.

Sebelum bergabung dengan Moonshot, ia sudah merupakan salah satu pelaku awal di dalam negeri yang menerapkan Agent.

Lulusan magister komputer dari Tsinghua, peringkat di antara 0,2% teratas saat kuliah dan menerima beasiswa nasional, pernah bekerja sebagai asisten peneliti di Chinese University of Hong Kong dan magang di kelompok suara Microsoft Asia Research Institute. Setelah lulus, ia bekerja di Microsoft selama hampir enam tahun, berkembang dari insinyur penelitian menjadi insinyur pengembangan senior.

Pada awal 2023, berpartisipasi dalam pengembangan TaskMatrix.AI, mengintegrasikan ratusan ribu kemampuan API ke dalam ChatGPT; kemudian bersama-sama mengusulkan metode Solo Performance Prompting, yang memungkinkan satu model memainkan banyak peran untuk mensimulasikan kolaborasi agen ganda, teknologi terkait telah diterapkan ke Microsoft 365 Word.

It was the "framework era" of the Agent—where all capabilities relied on external tools stitched together and guided by prompts, and he was both an eyewitness and builder of this technological approach.

Namun Mao Shaoguang, yang secara langsung melewati jalan ini, adalah yang pertama melihat batasan dari paradigma lama. Pada Juni 2025, ia menulis sebuah pengakuan industri di Zhihu: "Arah ini semakin tidak menarik, terasa seperti semakin cepat menuju kematiannya."

Setelah bergabung dengan Moonshot pada Februari 2025, ia sepenuhnya beralih ke jalur end-to-end "Model sebagai Agent". Hanya dalam empat bulan, ia berpartisipasi dalam peluncuran produk Agent pertama Kimi, Kimi Researcher:

Dilatih sepenuhnya melalui pembelajaran penguatan end-to-end tanpa prasetelan proses apa pun, menyelesaikan rata-rata 23 langkah penalaran tugas tunggal, secara mandiri memindai 206 halaman web, dan mampu menghasilkan laporan riset 10.000 kata dengan kutipan terstandarisasi, mencapai 26,9% pada benchmark HLE, memecahkan rekor tertinggi global saat itu. Ia juga salah satu dari dua penulis resmi yang tercantum dalam laporan teknis resmi produk tersebut.

Setelah itu, ia secara mendalam terlibat dalam pengembangan empat generasi flagship dari K2 hingga K3. Indikator HLE naik dari 8,6% menjadi 26,9%, kurva kinerja yang hampir sepenuhnya didorong oleh reinforcement learning ini adalah laporan pencapaian dari jalur teknologi barunya.

Dari menghubungkan API eksternal untuk memperluas kemampuan model besar, hingga membuat model secara intrinsik belajar memanggil alat dan menyelesaikan tugas kompleks secara mandiri, jejak karier Mao Shaoguang selama sepuluh tahun terakhir secara tepat menggambarkan lengkapnya perkembangan industri Agent dari fase “perakitan kombinasi” menuju “pertumbuhan alami”. Dengan secara langsung terlibat dalam paradigma lama dan sekaligus menciptakan jalur baru, penilaianya terhadap industri ini didukung oleh hasil nyata yang paling solid.

Qin Ruoyu adalah mahasiswa doktoral di laboratorium MADSys, Departemen Ilmu Komputer, Universitas Tsinghua, di bawah bimbingan Asisten Profesor Zhang Mingxing. Penelitiannya berfokus pada sistem pembelajaran mesin yang efisien, khususnya mencakup dua arah utama: layanan inferensi model bahasa besar berskala besar dan sistem rollout pembelajaran penguatan.

Mooncake, yang dikembangkan oleh Qin Ruoyu bersama tim Moon Shadow, adalah arsitektur inferensi terdekopling yang berpusat pada KVCache. Arsitektur ini memisahkan tahap Prefill dan Decode untuk dijalankan pada klaster terpisah, sekaligus mengintegrasikan sumber daya CPU, memori, dan SSD yang tidak terpakai di klaster GPU menjadi pool cache terdistribusi. Hasil ini memenangkan Penghargaan Makalah Terbaik Erik Riedel di konferensi penyimpanan terkemuka FAST 2025.

Mooncake adalah platform layanan produksi yang telah diterapkan, dan abstrak makalah secara jelas menyatakan di awal: “Mooncake adalah platform layanan untuk Kimi.” Dalam beban bisnis nyata, Mooncake dapat meningkatkan volume permintaan Kimi sebesar 75%; dalam skenario konteks panjang, kapasitas pemrosesan permintaan efektif meningkat sebesar 59% hingga 498%. Saat ini, sistem ini telah dideploy pada ribuan node dan memproses lebih dari 100 miliar token setiap hari.

Pada tahun 2024, Moon Shadow bekerja sama dengan laboratorium MADSys dari Tsinghua dalam melepaskan proyek Mooncake (repo open-source: kvcache-ai/Mooncake), hingga kini jumlah bintang GitHub proyek ini telah melebihi 6.000. Data dan informasi terkait dapat dirujuk pada paper arXiv (nomor 2407.00079), pengumuman resmi di situs web Departemen Ilmu Komputer Tsinghua, serta repo open-source proyek.

Setelah Mooncake, penelitian Qin Ruoyu terus mendalam ke arah sistem inferensi. Makalah Seer yang dia tulis sebagai penulis pertama terpilih untuk OSDI 2026, karya ini mengatasi hambatan kinerja rollout dalam pembelajaran penguatan melalui teknik pemotongan rollout, penjadwalan berbasis konteks, dan decoding spekulatif berkelompok, mencapai peningkatan throughput rollout end-to-end hingga 2,04 kali dan pengurangan latency ekor panjang sebesar 72% hingga 94%. Makalah lain sebagai penulis pertama, Prefill-as-a-Service, selanjutnya mengusulkan desain arsitektur inferensi generasi berikutnya yang melibatkan berbagi KVCache antar pusat data.

Qin Ruoyu juga muncul dalam daftar kontributor proyek K3. Kinerja produk model besar didukung oleh dua aspek kemampuan: pengembangan model menentukan batas atas kemampuan model, sedangkan rekayasa sistem menentukan ketersediaan dan biaya operasional layanan dalam skenario dengan beban tinggi.

Persaingan di industri model besar saat ini sedang berkembang dari persaingan kemampuan pelatihan menuju perbandingan kemampuan rekayasa layanan. Sebagai mahasiswa doktoral, Qin Ruoyu mampu menghasilkan temuan setara dengan makalah terbaik konferensi top di bidang ini, karena penelitiannya secara langsung berfokus pada skenario produksi dan diterapkan pada sistem bisnis nyata.

Anggota inti tim Kimi dari Bulan Sisi Gelap, dengan lintasan penelitian mencakup tiga bidang: biologi komputasi, sistem rekomendasi, dan model besar, serta terlibat penuh dalam iterasi teknologi model inti Kimi dari berbagai generasi.

Awalnya, ia melakukan penelitian arah AI untuk pengembangan obat di kelompok penelitian Qian Yang di Institut Interdisipliner Informasi, Universitas Tsinghua. Pada periode 2020 hingga 2021, penelitiannya mengenai kerangka kerja repositioning obat influenza diterbitkan secara berturut-turut pada preprint bioRxiv dan jurnal《Signal Transduction and Targeted Therapy》, serta hasil terkait pemisahan protein nukleokapsid diterbitkan di《Protein & Cell》.

Pada tahun 2022 hingga 2023, Yuan Enming bekerja di Huawei Noah's Ark Lab, fokus pada penelitian sistem rekomendasi, dengan hasil yang mencakup beberapa konferensi akademik internasional terkemuka. Di antaranya, makalah yang dia tulis sebagai penulis pertama tentang rekomendasi urutan perilaku ganda terpilih untuk SIGIR 2022, sementara hasil kolaborasinya masing-masing terpilih untuk CIKM 2022 dan WWW 2023.

Setelah bergabung dengan Moonshot, Yuan Enming secara mendalam terlibat dalam pengembangan proyek teknologi dan model inti berbagai generasi Kimi. Proyek-proyek yang dapat diverifikasi secara publik dengan nama penyumbangnya meliputi Laporan Teknologi Pembelajaran Penguatan Kimi k1.5, Penelitian Teknologi MoBA, Laporan Teknologi Kimi-VL, Laporan Teknologi Model Besar Kimi K2, Laporan Teknologi Kimi Linear, Laporan Teknologi Model Multimodal Kimi K2.5, dan Laporan Teknologi Model Besar Unggulan Kimi K3.

Lingkup kontribusinya mencakup berbagai arah teknis inti seperti pelatihan reinforcement learning, kemampuan multimodal, arsitektur model dasar, dan sistem konteks panjang, secara menyeluruh melintasi siklus iterasi tiga generasi model unggulan Kimi dari k1.5 hingga K3, menjadikannya salah satu anggota tim dengan cakupan teknis paling luas.

Saat ini, saluran publik belum mengungkapkan posisi spesifik Yuan Enming di Moonshot AI maupun pembagian tugas risetnya yang lebih rinci. Dari jejak publikasi yang terlihat, latar belakang penelitian lintas bidangnya mendukung kemampuannya dalam berpartisipasi di berbagai arah teknologi model besar, menjadikannya peserta penting yang terus-menerus terlibat dalam proses iterasi sistem teknologi Kimi.

Xu Weixin saat ini merupakan peneliti di Moonshot AI, dengan fokus penelitian mencakup arsitektur dasar model besar, mekanisme pelatihan efisien, dan optimasi mekanisme Attention.

Xu Weixin secara mendalam terlibat dalam pengembangan model inti dan teknologi dasar berbagai generasi Kimi, dengan proyek yang tercantum namanya mencakup seluruh siklus iterasi produk dari k1.5 hingga K3. Setelah peluncuran K3, pihak resmi Moonshot secara terbuka mengungkapkan tiga teknologi inti hasil pengembangan sendiri—optimizer Muon series, Kimi Linear linear attention, dan Attention Residuals—Xu Weixin adalah satu-satunya kontributor yang dapat diverifikasi yang namanya tercantum di ketiga paper teknologi inti terkait, dengan urutan kontribusi di posisi 15 besar di masing-masing paper, menjadikannya salah satu anggota inti pengembang yang mendukung peningkatan performa arsitektur K3.

Dalam hal pencapaian spesifik, dalam makalah Muon Optimizer yang dirilis pada Februari 2025, ia berada di posisi ke-8 dalam daftar penulis; optimier ini memiliki efisiensi komputasi sekitar dua kali lipat dari AdamW, dan ia juga terlibat dalam implementasi pelatihan Moonlight yang dirilis secara open-source sebagai pendukungnya;

Dalam paper teknis Kimi Linear yang dirilis pada Oktober 2025, ia menempati peringkat ke-15; mekanisme KDA yang diusulkan dalam arsitektur ini dapat mengurangi volume KV Cache hingga 75%, serta meningkatkan throughput decoding hingga 6 kali lipat dalam skenario jutaan token;

Dalam makalah Attention Residuals yang dirilis pada Maret 2026 (salah satu inovasi arsitektur inti K3), ia menempati posisi ke-4 sebagai kontributor utama setelah tiga penulis bersama, dan teknologi terkait telah terintegrasi secara mendalam ke dalam arsitektur model dasar Kimi K3.

Selain itu, namanya juga tercantum dalam daftar kontributor laporan teknis Kimi k1.5 reinforcement learning, laporan teknis Kimi-VL, laporan teknis Kimi K2 dan K2.5, serta laporan teknis model unggulan terbaru Kimi K3, dengan cakupan kontribusi mencakup berbagai arah pengembangan inti seperti model dasar, multimodal, dan reinforcement learning. Perlu ditekankan bahwa nama tersebut tidak tercantum dalam daftar penulis paper MoBA, dan tidak ada keterkaitan pengembangan yang dapat diverifikasi secara publik antara keduanya.

Selain itu, ia juga terlibat dalam berbagai penelitian arah visual tiga dimensi, seperti OccDepth untuk pelengkapan adegan semantik 3D, PVD-AL untuk distilasi pembelajaran aktif, dan rekonstruksi SDF implisit ACCV 2024, dengan hasil akademis yang mencakup berbagai bidang spesifik seperti kompresi model, rekonstruksi 3D, dan pemahaman adegan semantik.

Dari jejak publikasi yang terlihat, jalur penelitian Xu Weixin berkembang dari penyebaran model sisi perangkat dan persepsi visual tiga dimensi hingga inovasi arsitektur dasar model besar, dengan fokus jangka panjang pada komputasi efisien, mencakup cakupan teknis yang luas, dan merupakan peserta berkelanjutan inti dalam iterasi tumpukan teknis dasar Moonshot.

Du Chenzhuang adalah peneliti inti Moonshot, menjadi kekuatan utama tim yang bertanggung jawab atas pembelajaran penguatan dan ekspansi kemampuan penalaran.

Ia lulus sarjana dari Program Manajemen dan Sistem Informasi di Universitas Aeronautika dan Astronautika Beijing, kemudian melanjutkan studi doktoral di Institut Interdisipliner Informasi Tsinghua, yang dikenal sebagai Akademi Militer para ahli model besar.

Selama di Tsinghua, ia belajar di bawah bimbingan ahli terkenal di bidang kecerdasan buatan, Zhao Xing, dan bergabung dengan MARS Lab (Laboratorium Multimodal dan Penalaran Otonom), mulai fokus pada pembelajaran multimodal, pembelajaran penguatan, serta mekanisme penguatan model bahasa besar.

Selama masa studi doktoral, ia sebagai penulis utama mengembangkan arsitektur ChatDB yang menarik perhatian besar, secara inovatif mengusulkan "menggunakan database sebagai modul memori simbolis untuk memperkuat model besar", yang langsung menjadi viral di kalangan akademisi dan industri AI pada masa itu.

Untuk mengumpulkan pengalaman praktis lebih awal dalam sistem skala industri, ia juga bergabung sebagai intern di Beijing Haihua Artificial Intelligence Research Institute selama masa studi doktoral, berpartisipasi secara mendalam dalam proyek penelitian inti yang membangun sistem dasar dari nol. Ini memungkinkannya mengumpulkan banyak pengalaman di bidang multimodal dan reinforcement learning, serta memperluas pandangan dasar yang menggabungkan sistem dan algoritma.

Setelah lulus, ia bergabung dengan Moonshot AI dan sering muncul dalam laporan teknis model inti. Ia secara langsung terlibat dalam makalah penting yang mengeksplorasi hukum skala pembelajaran penguatan, "Kimi k1.5: Scaling Reinforcement Learning with LLMs", serta berperan sebagai kontributor utama dalam laporan teknis model unggulan seperti Kimi K2 dan K2.5.

Dia juga secara mendalam berperan sebagai ko-penulis utama dalam pengembangan model visual multimodal Kimi, Laporan Teknis Kimi-VL, dengan fokus pada peningkatan kemampuan model besar dalam memahami dan melakukan penalaran multimodal mendalam terhadap gambar kompleks, grafik, serta informasi visual dunia nyata.

Fokus utama Du Chenzhuang adalah teknik pelatihan model bahasa besar (LLM) berskala besar, dengan penekanan pada penjadwalan sumber daya, pelatihan stabil, dan optimasi sistem ekstrem untuk model triliunan parameter (arsitektur MoE) di cluster super; serta integrasi pembelajaran penguatan dan multimodal, meneliti bagaimana model dapat melampaui batas kecerdasannya melalui self-supervision dan pembelajaran penguatan dalam tugas penalaran panjang yang kompleks, serta mencapai integrasi bawah sadar yang efisien antara informasi visual dan model bahasa.

Yanru Chen adalah peneliti inti Moonshot, berfokus pada pengembangan dan penerapan arsitektur dasar model besar, teknik teks panjang, optimasi daya komputasi, dan rekayasa multimodal.

Sebagai salah satu penulis bersama makalah "Attention Residuals", ia berkontribusi dalam merekonstruksi aliran informasi dalam arah mendalam model besar, berhasil mengatasi tantangan industri terkait efisiensi pelatihan jaringan super-dalam dan hambatan aliran informasi.

Dalam teknologi inti teks panjang, ia sebagai ko-penulis MoBA (Mixed Block Attention) memimpin dan berpartisipasi dalam pengembangan mekanisme dasar paling unggul Kimi, dengan membagi perhatian pada tingkat blok, secara langsung menyelesaikan masalah konsumsi daya komputasi yang berlebihan pada konteks super panjang jutaan token di tahap pelatihan dan inferensi, menjadi fondasi utama Kimi dalam mempercepat efisiensi dan mengurangi biaya secara ekstrem.

Sementara itu, ia juga merupakan salah satu penulis makalah "Muon is Scalable for LLM Training", yang secara mendalam berkontribusi pada pengembangan proyek open-source penting Moonlight dan optimizer bawahannya, Muon, dengan mengatasi AdamW tradisional melalui ortogonalisasi matriks, secara efektif mengurangi beban komputasi dalam pelatihan distribusi model besar triliunan parameter.

Dalam iterasi model unggulan, ia secara mendalam mengintegrasikan seluruh siklus hidup pengembangan model unggulan generasi sebelumnya Kimi (k1.5, K2, K2.5, K3), menyelesaikan tantangan stabilitas dan penjadwalan sumber daya di bawah pembelajaran penguatan berskala besar dan ekspansi parameter triliunan.

Selain itu, dalam upaya teknis Kimi Multi-modal (Linear, VL, Audio), ia secara aktif mengeksplorasi inovasi perhatian linier di luar struktur Transformer tradisional dan memimpin pelaksanaan teknis laporan multi-modal visual dan audio Kimi, secara efisien menyelesaikan hambatan efisiensi dalam fusi aliran informasi multi-modal di tingkat dasar.

Liu Shaowei adalah anggota inti dari laboratorium MADSys, laboratorium sistem komputasi tingkat atas di Universitas Tsinghua, sekaligus pakar utama tim infrastruktur inti Moonshot.

Ketika Anda terkesan dengan Kimi yang memiliki triliunan parameter namun harga API-nya sangat rendah, di baliknya adalah seni kuantitatif ekstrem yang diperjuangkan mati-matian olehnya dan timnya. Ia secara konsisten mendalami inferensi biaya sangat rendah untuk model besar skala triliunan, kuantifikasi asli, dan desain topologi komputasi terdistribusi berskala besar.

Di komunitas open-source AI paling hardcore di dunia, Reddit LocalLLaMA, ia pernah menerbitkan artikel teknis panjang berjudul "Kimi infra team: Quantization is not a compromise, it's the next paradigm" dengan identitas sebagai pakar resmi Kimi, yang mengejutkan kalangan geek luar negeri. Artikel panjang ini mengungkap secara mendalam format kuantisasi native INT4 yang sangat canggih di balik Kimi K2 dan K2.5.

Dia bukan hanya salah satu penulis utama MoBA (Mixed Block Attention Mechanism), tetapi juga secara mendalam terlibat dalam pengembangan arsitektur terdistribusi proyek open source utama Moonlight dan optimizer bawahannya, Muon, dengan secara signifikan mengurangi beban komputasi dalam pelatihan terdistribusi model besar triliunan melalui ortogonalisasi matriks.

Dia juga salah satu pemrakarsa utama dan pemelihara kode proyek open-source penting Moon Shadow, KTransformers, yang secara langsung mengatasi hambatan komputasi untuk inferensi campuran model MoE triliunan di klaster heterogen.

Chen Guanduo adalah peneliti inti tim Infra dari Moonshot AI. Ia memiliki kemampuan lintas disiplin yang sangat kuat dalam "sistem + algoritma", dengan fokus penelitian pada infrastruktur model besar, arsitektur mekanisme perhatian efisien, percepatan fine-tuning model besar, serta optimasi penyimpanan dan pencarian berskala besar.

Dia menyelesaikan sarjana dan magister di Departemen Komputer Universitas Fudan, membangun dasar profesional yang kuat di bidang sistem terdistribusi dan arsitektur dasar. Selanjutnya, ia melanjutkan studi di Nanyang Technological University dan Hong Kong University of Science and Technology, masing-masing di bawah bimbingan akademisi terkemuka di bidang komputasi berkinerja tinggi dan infrastruktur model besar, Yuan Binhang dan Luo Siqiang, serta mengakumulasi wawasan akademis dan pengalaman pengembangan terkini.

Sebelum bergabung resmi dengan Moonshot, ia pernah melakukan pendalaman mendalam di departemen inti dasar perusahaan internet terkemuka. Ia sebelumnya bertindak sebagai peneliti magang di tim pengembangan sistem database ByteDance dan tim infrastruktur Meituan, serta secara mendalam terlibat dalam pengembangan dan optimasi arsitektur sistem terdistribusi berskala besar dan berkonkurensi tinggi tingkat industri.

Selama periode ini, sebagai penulis inti, ia secara langsung menghasilkan dua pencapaian penting. Dalam penyimpanan dasar, ia mengembangkan dan mempublikasikan "Oasis", yang mengusulkan filter rentang pembelajaran partisi saling lepas optimal, secara langsung menyelesaikan bottleneck indeks pada database dasar saat query rentang skala besar;

Dalam penerapan lapisan aplikasi, ia menerbitkan "Gar", yang secara signifikan meningkatkan akurasi model besar dalam memahami niat manusia yang kompleks dan mengubahnya menjadi pernyataan query database SQL (Text-to-SQL) melalui pendekatan "generasi dan pengurutan".

Chen Guanduo secara resmi bergabung dengan Moonshot pada Maret 2025. Sebagai kekuatan utama tim Infra, ia tidak hanya menjadi salah satu penulis utama model besar unggulan Moonshot, Kimi K2 dan Kimi K2.5, tetapi juga menghasilkan serangkaian terobosan teknis secara intensif di bidang percepatan fine-tuning model besar, arsitektur perhatian efisien, bahkan hingga rekonstruksi arsitektur jaringan terakhir.

Untuk mengatasi masalah penyesuaian model besar yang terlalu memakan memori GPU, Chen Guanduo memimpin publikasi makalah "Ce-lora", yang mengusulkan metode penyesuaian LoRA yang efisien secara komputasi. Teknologi ini secara langsung meningkatkan throughput pelatihan di lapisan Infra dengan mengurangi penggunaan memori GPU dan beban komputasi selama penyesuaian parameter model besar, layaknya "pelangsing memori GPU" untuk penyesuaian model besar.

Menghadapi masalah kompleksitas komputasi yang meledak secara kuadratik pada teks panjang, ia berpartisipasi dalam pengembangan dan menerbitkan arsitektur "Kimi Linear" yang menjadi sorotan komunitas open source. Ini adalah arsitektur perhatian linier yang ekspresif dan efisien, yang secara signifikan mengurangi kompleksitas komputasi teks panjang sambil tetap mempertahankan kemampuan representasi kuat model, berhasil mengurangi penggunaan KV Cache hingga maksimal 75%, serta mencapai throughput decoding 6 kali lebih tinggi pada panjang teks sejuta token, menjadi fondasi inti yang mendukung pengembangan teknologi teks panjang berkelanjutan oleh Kimi.

Dia juga salah satu penulis bersama dari "Attention Residuals".

Dari filter penyimpanan tingkat dasar hingga algoritma fine-tuning yang efisien secara komputasi, hingga arsitektur jaringan Transformer generasi berikutnya yang revolusioner, jalur karier Chen Guanduo secara sempurna selaras dengan paradigma industri saat ini yang berpindah dari “hanya meningkatkan parameter” menuju “mencapai efisiensi komputasi ekstrem dan penerapan teknis”.

Penutup

Tim R&D K3 selalu bersifat rendah hati dan misterius; selama proses pengumpulan data, kami juga kesulitan untuk mengidentifikasi secara rinci peran dan riwayat lengkap seluruh anggota. Namun, melalui daftar yang sangat berarti ini, jawabannya sudah jelas: mengapa Moonlight Dark Side? Mengapa mereka mampu mendukung valuasi super sebesar 700 juta per orang?

Kelompok pemuda dengan rata-rata usia di bawah 30 tahun ini adalah arsitek sistem yang benar-benar memahami ekonomi komputasi. Dari penjadwalan penyimpanan yang memenangkan makalah terbaik di konferensi terkemuka, hingga inovasi mendasar dalam merekonstruksi mekanisme perhatian, mereka telah membawa efisiensi teknik "panjang, cepat, hemat" hingga ke tingkat maksimal.

Ini adalah integrasi penuh dari algoritma tingkat atas hingga perangkat keras tingkat bawah yang memberikan Moonshot hambatan inti untuk memecahkan kutukan "homogenisasi daya komputasi".

Masih ada detail menarik lainnya: di akhir daftar seluruh anggota, Kimi K3 juga menjadi anggota penting dari seluruh tim pengembang. Pencipta dan yang diciptakan mulai berdiri berdampingan di daftar yang sama; "Zaman Emas" model besar Tiongkok telah tiba dengan gemuruh.