Tóm tắt do AI tạo: Vào tháng 7 năm 2026, Moonshot AI đã mở nguồn mô hình Kimi K3 và lần đầu tiên công bố danh sách 401 nhà đóng góp. Định giá mới nhất của công ty đạt 31,5 tỷ USD, đội ngũ gồm hơn 300 người, độ tuổi trung bình dưới 30, mỗi người chịu trách nhiệm cho 700 triệu USD định giá. Nhóm cốt lõi bao gồm ba đồng sáng lập: Zhou Xinyu (trách nhiệm thuật toán), Wu Yuxin (kiến trúc sư), và Zhang Yutao (CTO), cùng các thành viên chủ chốt khác đến từ các trường hàng đầu như Tsinghua và CMU. Đội ngũ đã có nhiều đột phá trong các công nghệ nền tảng như cơ chế chú ý hỗn hợp MoBA, kiến trúc suy luận tách rời Mooncake và bộ tối ưu Muon, với các thành tựu liên quan được vinh danh tại hội nghị lưu trữ hàng đầu FAST 2025. Đội ngũ trẻ tuổi này nổi bật với quản lý phẳng, đạt đến mức cực hạn về hiệu suất kỹ thuật “dài, nhanh, tiết kiệm”, trở thành lực lượng quan trọng trong lĩnh vực mô hình lớn của Trung Quốc.

Tác giả bài viết, nguồn: Leiphone

Ngày 27 tháng 7, Moonshot đã thể hiện toàn bộ sự chân thành bằng cách mở nguồn hoàn toàn mô hình Kimi K3 phiên bản đầy đủ 2.8T. Trong phần kết của báo cáo kỹ thuật, họ lần đầu tiên công bố danh sách những người đóng góp thực sự đằng sau Kimi K3; chúng tôi đếm được có 401 thành viên, có thể nói đây là lần ra mắt toàn diện của đội ngũ nhân tài Moonshot.

Từ một đội ngũ khởi nghiệp với định giá chỉ vài trăm triệu đô la, đến nay đã trở thành “ánh sáng của các mô hình lớn trong nước”, Moonshot đã trở thành một trong số ít các nhóm kỹ sư trên bàn cờ toàn cầu có thể so sức với các mô hình hàng đầu như Claude Fable 5 và GPT-5.6 Sol.

K3 ra mắt, định giá mới nhất của Yue Zhi An Mian tăng vọt lên 31,5 tỷ USD, tương đương khoảng 2.100 tỷ nhân dân tệ, và con số định giá 2.100 tỷ này được tạo nên bởi một đội ngũ cực kỳ trẻ tuổi.

Theo thông tin công khai, Moonshot có khoảng hơn 300 người, độ tuổi trung bình dưới 30, trong đó 80% là người thuộc loại I. Nếu tính toán, trung bình mỗi người đảm nhận định giá 700 triệu nhân dân tệ.

Cấu trúc tổ chức của Moonshot rất phẳng. Moonshot có năm nhà sáng lập, trung bình mỗi người trực tiếp kết nối với 40-50 người. Nội bộ nổi tiếng với “không cấp bậc, không KPI, không bức tường phòng ban”, nhân viên có thể thách thức sếp bất cứ lúc nào. Có một chi tiết nhỏ: tại buổi họp phản hồi đầu năm 2025, một nhân viên đưa ra đề xuất táo bạo, sau khi nghe xong, Dương Trí Lân đã hành động còn táo bạo hơn đề xuất, trực tiếp từ bỏ K1 để chuyển sang K2.

Sự linh hoạt này cũng được thể hiện trong “linh hồn” của công ty. Là một người yêu thích nhạc rock, Dương Trí Lâm đã đặt tên cho các phòng họp theo tên những ban nhạc huyền thoại như Rolling Stones, Nirvana, Radiohead, thậm chí cả các gói thành viên của Kimi cũng được đặt tên theo các thuật ngữ âm nhạc như Adagio (柔板), Allegro (快板).

Moonshot tin rằng, trong bối cảnh năng lực tính toán và dữ liệu ngày càng trở nên đồng nhất, "thẩm mỹ" mới là động lực cốt lõi tạo nên rào cản khác biệt. Sự thẩm mỹ này không chỉ thể hiện qua việc tinh chỉnh mô hình, mà còn phản ánh sâu sắc qua sự khắt khe và khao khát nhân tài của họ.

Moonshot thích tuyển dụng các CEO, đặc biệt ưa chuộng những người có "vầng hào quang doanh nhân" hoặc "gen cờ bạc". Theo các tài liệu công khai, ít nhất 50 người trong công ty đã sáng lập hoặc gia nhập các công ty khởi nghiệp. Trong năm qua, hơn 100 nhân sự mới được Moonshot tuyển dụng đến thông qua giới thiệu nội bộ.

Hôm nay, chúng tôi theo danh sách, đào sâu toàn diện và tổng hợp tất cả thông tin đáng tin cậy liên quan đến các đóng góp viên K3 tại đây. Nền tảng cốt lõi và năng lực thực sự của đội ngũ kỹ sư hàng đầu này đều được phơi bày.

01 Kimi - Nền tảng cốt lõi của hệ thống công nghệ

Zhou Xinyu là một trong những đồng sáng lập cốt lõi của Moonshot, đồng thời là người phụ trách đội ngũ thuật toán.

Châu Hân Vũ và Dương Trí Lâm đã quen biết từ lâu, một chi tiết thú vị là Châu Hân Vũ từng là nghệ sĩ guitar của ban nhạc Splay thuộc Đại học Thanh Hoa, trong khi tay trống chính là Dương Trí Lâm.

Trước khi gia nhập Yueju Anmian, Chu Hsin-yu từng làm việc tại Megvii về nghiên cứu thuật toán sản xuất hàng loạt và mô hình trên thiết bị di động. Anh đã hợp tác chặt chẽ với Trương Tường Vũ, người phụ trách nghiên cứu cơ bản tại Megvii lúc bấy giờ và hiện là Nhà khoa học trưởng của Jieyue Xingchen, đồng thời là tác giả chính trực tiếp viết nên tác phẩm mạng nhẹ hóa ShuffleNet.

Châu Hân Vũ chuyên sâu vào việc sản xuất hàng loạt thuật toán mô hình lớn, có khả năng chuyển đổi hiệu quả và chi phí thấp các thuật toán phòng thí nghiệm tiên tiến nhất thành hệ thống dây chuyền sản xuất quy mô lớn. Ông còn nổi bật trong tối ưu hóa kiến trúc hỗn hợp, là người đầu tiên phân tích lợi thế so sánh của kiến trúc hỗn hợp Kimi K3 KDA kết hợp NoPE MLA trong buổi AMA trên cộng đồng Reddit, chứng minh rằng kiến trúc này tiết kiệm tài nguyên tính toán và nhanh hơn trong cả giai đoạn tiền huấn luyện và học tăng cường.

Ngô Dục Hân là một trong những đồng sáng lập của Moonshot AI. Đồng thời, anh cũng là chuyên gia hàng đầu và kiến trúc sư nổi bật trong lĩnh vực trí tuệ nhân tạo, với trình độ sâu sắc trong các kiến trúc kỹ thuật nền tảng và hạ tầng của học sâu, thị giác máy tính (CV) và các mô hình ngôn ngữ lớn (LLM).

Wu Yuxin và Yang Zhilin có cùng nền tảng giáo dục, tốt nghiệp cử nhân khoa học máy tính tại Đại học Thanh Hoa, sau đó tiếp tục học nâng cao tại Đại học Carnegie Mellon (CMU) của Mỹ. Anh từng làm kỹ sư nghiên cứu tại phòng thí nghiệm nghiên cứu Meta AI (FAIR), trong thời gian này đã chủ trì và đóng góp vào nhiều công nghệ bước ngoặt trong lĩnh vực thị giác máy tính.

Trước khi đồng sáng lập Moonshot với Dương Trí Lâm, Ngô Dục Hâm đã để lại hai thành tựu mang tính tiêu chuẩn ngành trong lĩnh vực học sâu và thị giác máy tính:

Một là với tư cách là một trong những người sáng tạo và phát triển chính của Detectron2, dự án này đã trực tiếp định hình lại hệ sinh thái nghiên cứu thị giác máy tính toàn cầu, trở thành “nền tảng phổ quát” cho hàng ngàn mô hình thị giác và dự án phát hiện đối tượng trên toàn thế giới.

Đặc biệt nổi bật, anh ấy đã cùng học giả hàng đầu He Kaiming công bố công trình lớn về Group Normalization vào năm 2018, được đề cử Giải thưởng Bài báo Tốt nhất tại ECCV 2018 (Best Paper Honorable Mention).

Bài viết kinh điển này đã phá vỡ hoàn toàn điểm nghẽn chết người của Batch Normalization trong đào tạo với mẫu nhỏ. Khả năng “viết lại quy tắc đào tạo AI toàn cầu” chỉ với một vài dòng đổi mới nền tảng đã giúp Ngô Dục Hâm sở hữu sức hút kỹ thuật cực lớn trong cộng đồng mã nguồn mở.

Trong bóng tối của Mặt Trăng, anh là người đặt nền móng. Anh tham sâu vào công việc tối ưu kiến trúc mô hình lớn và hiệu suất huấn luyện, thậm chí còn trực tiếp tham dự Hội nghị Nhà phát triển PyTorch toàn cầu, công khai phân tích chi tiết những đóng góp nền tảng của Kimi đối với hạ tầng mã nguồn mở toàn cầu.

Hướng chuyên sâu của Ngô Dục Hân đã hoàn thiện mảnh ghép cuối cùng để Kimi tiến công đến giới hạn của mô hình đa mô thức văn bản dài thế hệ tiếp theo. Anh chuyên về tối ưu hệ thống học sâu hiệu năng cao, giải quyết vấn đề làm sao để các mô hình lớn chạy ổn định hơn, tính toán nhanh hơn và tiêu thụ ít bộ nhớ hơn khi có hàng nghìn tỷ tham số — chính là bức tường công nghệ bảo vệ trải nghiệm mượt mà của Kimi khi xử lý văn bản dài và tải cao.

Là một trong những tác giả cốt lõi của MoCo v1 – tác phẩm mang tính bước ngoặt trong học sâu, anh ấy không chỉ giúp Kimi sở hữu bộ não mạnh nhất ngành (hiểu ngôn ngữ tự nhiên), mà còn đang trang bị cho nó đôi mắt có khả năng hiểu sâu sắc thế giới vật lý thực tế (đa mô hình thị giác).

Zhang Yutao là một trong những đồng sáng lập của Moonshot AI, đồng thời cũng là CTO của Moonshot AI. Anh ấy và Yang Zhilin là đồng môn tại Đại học Thanh Hoa, và giáo sư Tang Jie, người sáng lập Zhipu, là thầy của anh ấy.

Năm 2016, Trương Vũ Đào cùng Dương Trí Lâm đồng sáng lập "Xuân Hoàn Trí Năng", sau đó, ông cùng Dương Trí Lâm đồng sáng lập "Mặt Tối Của Mặt Trăng". Nếu như Dương Trí Lâm là "người điều hướng" của Mặt Tối Của Mặt Trăng, thì Trương Vũ Đào chính là kỹ sư trưởng phụ trách tối ưu hóa hệ thống động lực của con tàu "trí tuệ" này. Kimi có thể đạt được bước tiến nhảy vọt trong xử lý văn bản dài, suy luận phức tạp và thực thi nhiệm vụ Agent, công lao đó không thể không nhắc đến Trương Vũ Đào.

Trước khi gia nhập Yue Zhi An Mian, anh ấy đã để lại nhiều thành tựu quan trọng ở cấp độ ngành trong lĩnh vực đồ thị tri thức và tích hợp dữ liệu dị cấu.

Một trong những dấu ấn kỹ thuật nổi bật nhất của anh ấy là đảm nhiệm vai trò trưởng nhóm kỹ thuật, dẫn dắt việc phát triển nền tảng phân tích dữ liệu lớn AMiner. Nền tảng hiện đang phục vụ hàng chục triệu học giả toàn cầu này, với công nghệ cốt lõi về tích hợp dữ liệu dị cấu, bao gồm những năng lực nền tảng mà Trương Vũ Đào đã tham gia xây dựng trong quá trình học tiến sĩ tại Đại học Thanh Hoa. Sự thấu hiểu sâu sắc về “cách thức lượng tri thức khổng lồ được máy móc tiếp nhận, hiểu và truy vấn” đã trực tiếp tạo nên nền tảng kỹ thuật cho khả năng xử lý văn bản siêu dài của Kimi.

Về đóng góp học thuật, anh ấy đã công bố nhiều bài báo được trích dẫn cao tại các hội nghị máy tính hàng đầu như KDD và CIKM. Không chỉ thành thạo việc giúp AI có “suy luận logic” thông qua tri thức đồ thị, anh còn dẫn dắt phát triển “Nền tảng AI không mẫu cho chu kỳ tuần hoàn” ngay từ giai đoạn chu kỳ thông minh, thực hiện quy mô hóa ứng dụng các mô hình lớn ngành vào các bối cảnh dịch vụ doanh nghiệp.

Hướng chuyên sâu của Trương Vũ Đào đã dự đoán chính xác từng mốc chuyển đổi của AI từ “có thể trò chuyện” sang “có thể làm việc”. Anh tập trung vào việc thúc đẩy công nghệ cửa sổ ngữ cảnh dài và kiến trúc mạng mở rộng động, giải quyết vấn đề làm thế nào để AI duy trì “sự tỉnh táo” trong khối lượng thông tin khổng lồ.

Tại hội nghị công nghệ mới nhất vào tháng 7 năm 2026, anh ấy đã làm rõ ba tuyến công nghệ chính trong quá trình công nghiệp hóa ngành: năm 2023 là thời đại Prompt, tập trung vào “cách đặt câu hỏi”; năm 2024 tiến hóa sang thời đại Context, nhấn mạnh “cung cấp đủ thông tin”; và đến năm 2026, các mô hình lớn chính thức bước vào giai đoạn mới của kỹ thuật Harness. Hiện tại, anh ấy đang dẫn dắt đội ngũ giải quyết cuộc chiến cuối cùng về “cách xây dựng môi trường chạy và để AI tự khép kín sửa lỗi khi gặp sự cố”.

Hư Hân Nhi là Phó Tổng Giám Đốc Kỹ Thuật và Trưởng Bộ Phận Cơ Sở Hạ Tầng AI của Moonshot AI.

Anh ấy có kinh nghiệm phát triển toàn bộ nền tảng, trước đây từng phụ trách phát triển khung học sâu MegEngine (Thiên Nguyên) và hệ thống tìm kiếm véc-tơ tỷ cấp tại Megvii. Hiện tại, anh chủ yếu phụ trách thiết kế kiến trúc tổng thể cho việc huấn luyện, suy luận và hạ tầng của mô hình lớn của Moonshot.

Trên nền tảng suy luận mô hình lớn, nhằm đáp ứng các kịch bản văn bản dài của Kimi, anh ấy cùng đội ngũ đã cùng thiết kế kiến trúc suy luận tách biệt lấy KV Cache làm trung tâm mang tên Mooncake. Thành tựu này đã giành Giải thưởng Bài báo xuất sắc nhất tại hội nghị lưu trữ hàng đầu FAST 2025 nhờ việc tách biệt hoàn toàn giai đoạn tiền điền (Prefill) và giải mã (Decode), đồng thời giảm đáng kể áp lực bộ nhớ GPU và I/O đối với ngữ cảnh siêu dài lên đến hàng triệu token.

Đồng thời, với tư cách là một trong những tác giả chính của cơ chế MoBA (Hỗn hợp Block Attention), anh đã giúp Kimi đạt được hiệu quả giảm chi phí và tăng hiệu suất đáng kể trên cả hai khía cạnh huấn luyện và suy luận thông qua việc chia attention theo cấp độ block.

Ở phía đào tạo mô hình, anh ấy đã tham gia phát triển dự án mã nguồn mở Moonlight và bộ tối ưu hóa nền tảng Muon, thay thế AdamW truyền thống bằng xử lý trực giao ma trận, giúp giảm chi phí tính toán cho các mô hình có hàng nghìn tỷ tham số trong đào tạo phân tán.

Dựa trên loạt thực tiễn về lưu trữ phân tán và suy luận trong lưu lượng văn bản dài quy mô lớn, anh đã được mời phát biểu tại hội nghị mở nguồn toàn cầu GOSIM China. Hướng chuyên sâu của anh luôn tập trung vào kiến trúc mô hình lớn toàn diện, nhằm hỗ trợ suy luận văn bản dài thông minh cao với ít tổn thất FLOPs và ít chiếm dụng KV Cache hơn.

Là người phụ trách hệ thống suy luận của Moonshot, anh là tác giả cốt lõi lưu trữ bài báo xuất sắc nhất tại hội nghị FAST 2025 và là nhân tố kỹ thuật then chốt trong việc triển khai thực tế kiến trúc suy luận văn bản dài của Kimi. Từ Kimi k1.5, Kimi-VL, K2 đến Kimi Linear, Kimi-Audio, rồi đến các bài báo kiến trúc cốt lõi như MoBA, Muon, AttnRes, tên anh xuất hiện xuyên suốt sáu thế hệ thành tựu công nghệ, tất cả công việc của anh đều xoay quanh một mục tiêu cốt lõi: đổi lấy hiệu suất thông qua thiết kế hệ thống, giúp các mô hình lớn trở nên thực sự khả thi về chi phí.

Trước khi gia nhập Moonshot, He Weiran đã có nhiều năm kinh nghiệm sâu rộng trong lĩnh vực tính toán hiệu suất cao. Anh tốt nghiệp khoa Máy tính của Đại học Thanh Hoa, sớm chuyên sâu vào bố trí mạch芯片 và tối ưu hiệu năng cấp nền tảng; trong thời gian làm việc tại Megvii, anh tập trung phát triển chip AI tự nghiên cứu và mạng thần kinh độ rộng thấp, cùng thời điểm làm việc với Zhou Xinyu, đồng sáng lập sau này của Moonshot—người chính là tác giả đầu tiên của giải pháp phát hiện văn bản OCR kinh điển EAST.

Sau khi gia nhập Yueju Anmian năm 2023, anh ấy đã áp dụng toàn bộ kinh nghiệm kỹ thuật hệ thống nhiều năm của mình vào dịch vụ suy luận của mô hình lớn với hàng nghìn tỷ tham số.

Thành tựu tiêu biểu nhất của anh ấy là kiến trúc suy luận tách biệt KVCache mang tên Mooncake. Hệ thống này đã phá vỡ mô hình truyền thống của dịch vụ suy luận, tách riêng bộ nhớ đệm tốn nhiều bộ nhớ GPU nhất của mô hình lớn để điều phối tập trung, thông qua tái sử dụng bộ nhớ đệm toàn cục và định tuyến tinh vi, đã tăng khả năng xử lý yêu cầu của Kimi lên hơn 75% mà không tăng quy mô tính toán. Anh ấy đã tiết lộ tại hội nghị QCon quý 4 năm 2024 rằng, nhờ vào kiến trúc này cùng các tối ưu hóa kỹ thuật liên tục, chi phí đơn vị của cụm suy luận Kimi đã giảm hơn 20 lần trong một năm.

Tháng 2 năm 2025, bài báo về Mooncake đã giành giải Best Paper của hội nghị FAST — một trong những giải thưởng danh giá nhất trong lĩnh vực hệ thống lưu trữ. Điều càng thể hiện giá trị kỹ thuật của nó là ngay trước khi bài báo chính thức được trao giải, kiến trúc này đã đang vận hành ổn định trên hàng nghìn nút trong môi trường sản xuất của Kimi, xử lý hàng trăm tỷ token yêu cầu của người dùng mỗi ngày.

Mặc dù báo cáo kỹ thuật K3 không tiết lộ phân công cụ thể cho từng cá nhân, nhưng nhiều đột phá cốt lõi đều tiếp nối mạch kỹ thuật của đội ngũ anh ấy: Để giải quyết vấn đề lỗi bộ nhớ đệm tiền tố truyền thống trong kiến trúc lai KDA+MLA, đội ngũ đã đóng góp bản triển khai chính thức cho cộng đồng vLLM; đối với các yêu cầu dài lên đến hàng triệu token, cụm máy sử dụng chiến lược định tuyến nhận biết bộ nhớ đệm để tối đa hóa hiệu quả tái sử dụng bộ nhớ đệm. Kết quả cuối cùng mà K3 đạt được là chi phí suy luận chỉ bằng 38% so với Claude Fable 5, và tối ưu hóa KVCache, bộ nhớ đệm tiền tố, kiểm soát chi phí chính là những chủ đề cốt lõi của hệ thống Mooncake.

Từ việc bố trí mạch chip đến suy luận mô hình quy mô hàng nghìn tỷ, con đường công nghệ của Hà Vệ Nhiên luôn rõ ràng: kiên trì tối ưu hiệu suất hệ thống, đổi lấy chi phí tính toán thấp hơn thông qua thiết kế kỹ thuật. Nếu các nhà nghiên cứu thuật toán hàng đầu đã nâng cao giới hạn năng lực của Kimi, thì anh và đội ngũ của mình chính là người hiện thực hóa khả năng cao cấp này, giúp nhiều người dùng phổ thông có thể sử dụng được một cách ổn định và dễ tiếp cận.

02 Trung kiên công kiên - Cốt cán cấp thực thi

Du Yulun phụ trách các hướng tiền huấn luyện (Pretraining) và quy mô hóa (Scaling) tại Moonshot.

Anh ấy tốt nghiệp chuyên ngành trí tuệ nhân tạo tại Đại học Illinois Urbana-Champaign và Đại học Carnegie Mellon. Sau đó, anh gia nhập Xunhuan Intelligence, từng giữ các vị trí nghiên cứu viên và trưởng phòng AI Lab, là một trong những cốt cán công nghệ cốt lõi của Moonshot.

Là người phụ trách chính về hướng tiền huấn luyện mô hình nền tảng và quy mô hóa, đóng góp kỹ thuật của anh ấy đã xuyên suốt toàn bộ các nền tảng cốt lõi và các phiên bản chủ lực của Kimi, cũng như thiết kế kiến trúc cho toàn bộ loạt mô hình đa phương thức như VL, Audio.

Trong các đột phá công nghệ nền tảng, anh là đồng tác giả của các bài báo《Attention Residuals》,《MoBA (Hỗn hợp Block Attention)》và bài báo về bộ tối ưu hóa tiền huấn luyện《Muon is Scalable for LLM Training》. Công việc cốt lõi của anh tập trung vào việc giảm thiểu vấn đề suy giảm tín hiệu trong các mạng siêu sâu thông qua việc chia cắt sự chú ý ở cấp độ block và tái cấu trúc luồng huấn luyện, từ đó nâng đáng kể hiệu suất huấn luyện phân tán cho các mô hình lớn hàng nghìn tỷ tham số.

Ở cấp độ mã nguồn mở kỹ thuật, anh là đóng góp cốt lõi tích cực cho các dự án mã nguồn mở chính thức của MoonshotAI. Theo lịch sử hợp tác mã nguồn, Đỗ Vũ Luân có sự phối hợp chặt chẽ trong phát triển và kiểm tra mã với chuyên gia thuật toán Tô Kiến Lâm và người phụ trách hệ thống suy luận Hà Vệ Nhiên, ba người cùng tạo thành vòng lặp công nghệ nền tảng hỗ trợ Kimi xử lý văn bản dài hàng triệu ký tự và luân chuyển hiệu quả toàn bộ mô-đun.

Zhang Yu là kiến trúc sư cốt lõi của Moonshot AI, chuyên về thiết kế kiến trúc hiệu quả, có khả năng mở rộng và thân thiện với phần cứng cho các mô hình ngôn ngữ lớn. Là người tiên phong trong các hướng tiếp cận phi Transformer và sự chú ý tuyến tính, anh ấy nỗ lực vượt qua mê hoặc kỹ thuật của văn bản dài: “càng dài càng chậm, tiêu tốn cực kỳ nhiều chi phí”.

Về mặt học thuật và thực tiễn kỹ thuật, Trương Vũ đã đạt được nhiều thành tựu đáng kể. Không chỉ là đồng tác giả đầu tiên của bài báo “Attention Residuals” về kết nối dư thừa, ông còn là tác giả chính trong việc phát triển kiến trúc mô hình hiệu quả của Moonshot.

Mô hình Kimi Linear do anh ấy dẫn dắt phát triển mã nguồn mở, lần đầu tiên ứng dụng thành công cơ chế chú ý tuyến tính vào các nhiệm vụ ngữ cảnh siêu dài, đạt được bước nhảy vọt về hiệu suất đột phá. Không chỉ vậy, bài chia sẻ “Hành trình phát triển Kimi Linear” trên các cộng đồng công nghệ như Zhihu đến nay vẫn được hàng ngàn kỹ sư dữ liệu mô hình lớn coi là hướng dẫn bắt buộc phải đọc.

Từ việc đột phá nền tảng của mô hình 7B, đến việc hỗ trợ mô hình quy mô hàng nghìn tỷ tham số bước vào nhóm hàng đầu toàn cầu, Trương Vũ đã linh hoạt di chuyển giữa giới học thuật và công nghiệp, để lại nhiều mã nguồn chất lượng cao tại các hội nghị học thuật hàng đầu và cộng đồng mã nguồn mở.

Những đột phá này xuất phát từ sự đầu tư sâu vào công nghệ cốt lõi của anh ấy: trong thiết kế kiến trúc mô hình hiệu quả, anh ấy tập trung vào việc tối ưu hóa các nút cổ chai truyền thông và bộ nhớ trong quá trình mở rộng độ sâu của mô hình; trong việc nâng cao động lực và hiệu suất huấn luyện, anh ấy đã giải quyết căn bản vấn đề làm loãng gradient và bùng nổ trạng thái ẩn do PreNorm gây ra trong các mô hình lớn thông qua việc tái cấu trúc luồng residual底层.

Lai Guokun là cựu sinh viên kép của Tsinghua và Carnegie Mellon University của Yang Zhilin.

Anh ấy là một trong những nhà nghiên cứu có số lượng bài báo học thuật nhiều nhất trong đội ngũ Kimi, với hơn mười bài báo, không chỉ là đại diện tiêu biểu của "Câu lạc bộ thiên tài" của Moonshot, là người đóng góp cốt lõi cho Kimi K3, mà còn là một thần tượng với những thành tựu mang tính định nghĩa trong giới học thuật.

Trước khi gia nhập Yue Zhi An Mian, Lai Guokun đã để lại hai thành tựu mang tính tiêu chuẩn ngành trong lĩnh vực NLP (xử lý ngôn ngữ tự nhiên).

Một trong số đó là tạo ra một trong những bộ dữ liệu hiểu văn bản do máy tính đọc lớn nhất toàn cầu, "bộ dữ liệu RACE", bộ dữ liệu RACE được huấn luyện AI bằng các câu hỏi thi tiếng Anh của học sinh Trung Quốc, trở thành tiêu chuẩn toàn cầu về hiểu văn bản của máy tính.

Điều đáng kinh ngạc hơn là bài luận văn của anh ấy về thuật toán đề xuất, mang tên "Explicit factor models for explainable recommendation", được viết khi còn học đại học, đã nhận giải SIGIR Test of Time Award vào năm 2024, tức là sau mười năm — đây là một trong những giải thưởng cao nhất trong lĩnh vực truy vấn thông tin, được trao riêng cho các bài báo được công bố cách đây 10 năm, đã vượt qua thử thách của thời gian và tạo ra ảnh hưởng bền vững cho ngành công nghiệp.

Những người có khả năng “định nghĩa lộ trình công nghệ trong thập kỷ tới” ngay từ giai đoạn đại học không phải là trường hợp hiếm gặp tại Yuezhao.

Hứa Quốc Côn chuyên sâu vào các hướng phù hợp hoàn toàn với năng lực cốt lõi của Kimi, chẳng hạn như khả năng nổi bật về “hiểu đọc máy tính”, giải quyết vấn đề làm thế nào để AI hiểu được các tài liệu dài và trả lời câu hỏi — đây chính là nền tảng công nghệ cốt lõi của khả năng văn bản dài của Kimi.

Mô hình lớn được huấn luyện trước là một trong những trọng tâm nghiên cứu của anh ấy trong thời gian tại CMU, đồng thời anh ấy còn chuyên sâu vào tìm kiếm kiến trúc thần kinh, nghiên cứu cách để AI tự động thiết kế các cấu trúc mạng tốt hơn, cũng như hệ thống đề xuất có thể giải thích được, giúp AI không chỉ đề xuất nội dung mà còn giải thích cho người dùng lý do tại sao lại đề xuất điều đó.

Quách Hải Thanh (Haiqing Guo) là một trong những thành viên cốt lõi đầu tiên của đội ngũ Kimi của Moonshot, thuộc nhóm thành viên kỳ cựu, tham gia toàn bộ quá trình phát triển và cải tiến các dự án cốt lõi nhiều thế hệ của Kimi.

Các dự án tham gia có thể xác minh công khai bao gồm báo cáo kỹ thuật Kimi k1.5, báo cáo kỹ thuật Kimi K2, bài báo về kiến trúc cốt lõi Attention Residual (AttnRes), và báo cáo kỹ thuật Kimi K3. Trong đó, AttnRes là một trong hai sáng kiến kiến trúc cốt lõi của Kimi K3.

Từ dấu vết ký tên, anh ấy đã tham gia đầy đủ chu kỳ cải tiến từ phiên bản flagship Kimi k1.5 đến K3, với phạm vi tham gia bao trùm các giai đoạn phát triển cốt lõi của nhiều thế hệ sản phẩm, là người tham gia cốt lõi liên tục trong đội ngũ kỹ thuật Kimi. Hiện tại, các kênh công khai chưa tiết lộ vị trí cụ thể và phân công phát triển chi tiết của anh ấy.

Trần Quảng Vũ có lẽ là nhà nghiên cứu trẻ tuổi nhất của Mặt Tối của Mặt Trăng, sinh năm 2009, 17 tuổi, một thiếu niên từng khiến Elon Musk phải kinh ngạc công khai trên X: “Impressive”.

Khi Yue's Dark Side ra mắt siêu phẩm Kimi K3 với 2,8 nghìn tỷ tham số gây chấn động thế giới, anh đã cùng các chuyên gia công nghệ như Su Jianlin và những người khác trở thành đồng tác giả đầu tiên của tác phẩm nền tảng kiến trúc Kimi K3, "Attention Residuals".

Anh ấy đã cải tiến cơ chế Attention Residuals, trực tiếp thay đổi kết nối residual tiêu chuẩn đã được sử dụng trong lĩnh vực học sâu suốt mười năm, bằng cách sử dụng “sự chú ý sâu có thể học được” để cho phép mô hình “nhìn lại” một cách thông minh. Việc tái cấu trúc nền tảng này đã tăng hiệu quả mở rộng mô hình lên 1,25 lần, giúp các công ty Trung Quốc chạy nhanh hơn với chi phí thấp hơn trong cuộc cạnh tranh năng lực tính toán quy mô hàng nghìn tỷ. Câu chuyện về việc anh gia nhập Moonshot AI thật kỳ diệu. Một năm trước, anh thậm chí còn không biết Transformer là gì, nhưng vì đã đưa ra ý tưởng “tay cơ học hỗ trợ thứ ba của con người” trong một cuộc hackathon, anh đã được một công ty khởi nghiệp tại Thung lũng Silicon phát hiện. Chỉ sau 7 tuần, anh đã được đội ngũ Kimi chú ý và đặc cách đưa vào nhóm nghiên cứu cốt lõi của công ty. Trong tuần đầu tiên gia nhập, anh đã phá vỡ mọi quy tắc thông thường, trực tiếp tái cấu trúc và giành chức vô địch trong cuộc thi hackathon giới hạn 48 giờ nội bộ của Kimi.

Trong báo cáo kỹ thuật của Kimi, tên Đỗ Ánh Ánh luôn được liệt kê ở vị trí đầu tiên. Anh là một trong những cốt lõi chính của hệ thống đa mô态 của Yue Zhi An Miên, và là một trong số ít các nhà nghiên cứu tham gia đầy đủ cả năm thế hệ trong báo cáo kỹ thuật của Kimi. Anh từng hai lần giữ vị trí đầu tiên trong danh sách tác giả, cho thấy đóng góp cốt lõi của anh trong Kimi K3 có thể nằm trong lĩnh vực thị giác.

Trước khi gia nhập Yue Zhi An Mian, Du Angang đã xây dựng hai nền tảng vững chắc trong lĩnh vực thị giác máy tính.

Một hướng chuyên sâu vào thị giác vi mô dưới nước. Trong bảy năm học cử nhân và thạc sĩ tại Phòng thí nghiệm Thị giác Dưới nước, Đại học Biển Trung Quốc, tôi tập trung vào việc phân loại hình ảnh vi mô của sinh vật phù du—một nhiệm vụ cực kỳ khó khăn, yêu cầu AI nhận diện chính xác những sinh vật nhỏ nhất trong đại dương từ những hình ảnh vi mô mờ, mẫu vật khan hiếm và sự khác biệt giữa các loài cực kỳ tinh vi.

Năm 2020, anh ấy là tác giả đầu tiên công bố nghiên cứu liên quan trên Global OCEANS, sử dụng mô hình đặc trưng bậc hai để giải quyết vấn đề phân loại tinh vi, đây là thành quả duy nhất trong mười năm nghiên cứu của phòng thí nghiệm theo hướng này do sinh viên thạc sĩ đảm nhận vị trí tác giả đầu tiên.

Đóng góp đáng chú ý nhất của anh ấy trong giai đoạn làm việc tại Megvii là các nghiên cứu về ước lượng tư thế đa người, được hội nghị chuyên ngành về thị giác máy tính ECCV 2020 chấp nhận, với hơn 300 lần trích dẫn, trở thành tài liệu tham khảo quan trọng trong lĩnh vực ước lượng tư thế cơ thể. Danh sách đồng tác giả của công trình này bao gồm cả những nhân vật hàng đầu trong lĩnh vực thị giác như Sun Jian và Zhang Xiangyu, cũng như Zhou Xinyu, đồng sáng lập sau này của Moonshot AI.

Sau khi đến Kimi, anh ấy tập trung sâu vào thiết kế bộ mã hóa hình ảnh, căn chỉnh đa phương thức và công nghệ tác nhân thị giác, đặc biệt giỏi trong việc hiểu hình ảnh độ phân giải cao, phân tích video chuỗi thời gian dài và học tăng cường đa phương thức—đây chính là nền tảng công nghệ cốt lõi tạo nên khả năng đa phương thức nguyên sinh của Kimi. Ngoài ra, năng lực của anh còn mở rộng xuống cơ sở hạ tầng huấn luyện mô hình lớn—từ độ ổn định của bộ tối ưu hóa đến tổng hợp dữ liệu tác nhân, tạo nên năng lực toàn diện từ thuật toán thị giác底层, huấn luyện mô hình đến triển khai tác nhân cấp cao.

Năm 2025, anh ấy là tác giả đầu tiên công bố mô hình đa phương thức mở nguồn Kimi-VL, với bộ mã hóa hình ảnh MoonViT tự phát triển hỗ trợ native đầu vào độ phân giải cực cao, kết hợp khả năng ngữ cảnh dài 128K, giúp Kimi lần đầu tiên sở hữu khả năng hiểu văn bản đa phương thức dài, có thể đọc toàn bộ video dài và tài liệu dài, tạo nền tảng kỹ thuật cho toàn bộ khả năng đa phương thức của Kimi.

Ở giai đoạn K2, anh ấy tham gia sâu vào phát triển bộ tối ưu MuonClip, kết hợp với cơ chế QK-Clip để giải quyết điểm nghẽn ngành trong đào tạo mô hình lớn—đạt được “đỉnh tổn thất bằng không” trong đào tạo quy mô siêu lớn 15,5 nghìn tỷ Token, giảm đáng kể chi phí và rủi ro tính toán; đến giai đoạn K3, dòng chảy tổng hợp dữ liệu tác nhân do anh ấy dẫn dắt cho phép mô hình tự sinh dữ liệu đào tạo chất lượng cao, cung cấp nền tảng dữ liệu then chốt giúp K3 lọt vào nhóm hàng đầu toàn cầu trong các nhiệm vụ cứng như lập trình và tác nhân.

Đối với Kimi, đóng góp của anh ấy xuyên suốt toàn bộ hành trình phát triển khả năng đa mô态.

Qu Bo Wen (Bowen Qu / Brian Qu) thuộc đội ngũ sau đào tạo mô hình, tốt nghiệp cử nhân tại Trường Cao đẳng Điện tử, Thông tin và Viễn thông, Đại học Khoa học và Công nghệ Hoa Trung, và tốt nghiệp thạc sĩ tại Trường Điện tử, Đại học Bắc Kinh. Nghiên cứu của anh tập trung vào các hướng liên quan đến mô hình đa phương thức, cụ thể bao gồm học tăng cường đa phương thức, mô hình thị giác - ngôn ngữ, tác nhân AI và đánh giá chất lượng nội dung AIGC.

Sau khi gia nhập Moonshot, công việc cốt lõi của Qu Bo Wen tập trung vào việc xây dựng khả năng đa phương tiện cho chuỗi mô hình Kimi, tham gia sâu vào dự án Kimi-K2.5 và tham gia phát triển hướng học tăng cường đa phương tiện bản địa. Kimi-K2.5 là mô hình tác nhân đa phương tiện bản địa do Moonshot ra mắt, với tổng quy mô tham số 1T và tham số kích hoạt 32B.

Quán Bówén phụ trách hệ thống học tăng cường đa mô thái bản địa, vượt ra khỏi con đường truyền thống là hoàn thành tinh chỉnh giám sát thị giác trước, sau đó mới bắt đầu học tăng cường; ông đề xuất phương án huấn luyện bắt đầu từ mô hình suy luận thuần văn bản không cần tinh chỉnh giám sát thị giác, trực tiếp thu nhận khả năng suy luận thị giác thông qua học tăng cường thị giác, tránh sự can thiệp của dữ liệu thị giác chất lượng thấp đối với khả năng suy luận ngôn ngữ bản địa của mô hình.

Qu Bówén bắt đầu nghiên cứu của mình trong lĩnh vực đánh giá chất lượng nội dung AIGC, với các thành quả liên quan đã được công bố trên các hội nghị quốc tế như ICME 2024 và CVPRW 2024. Trong đó, bài báo được công bố tại ICME 2024 đã đề xuất một giải pháp tích hợp từ khóa văn bản vào hệ thống đánh giá chất lượng hình ảnh do AI tạo ra, nhằm giải quyết vấn đề hệ thống đánh giá lúc bấy giờ chỉ tập trung vào độ thẩm mỹ và độ rõ của hình ảnh, mà bỏ qua mức độ phù hợp giữa nội dung được tạo ra và chỉ lệnh của người dùng. Phương pháp này xây dựng tiêu chuẩn đánh giá bao gồm cả chất lượng thị giác và mức độ tuân thủ chỉ lệnh, từ đó nâng cao tính toàn diện và mức độ đồng bộ với nhận thức con người trong đánh giá nội dung do AI tạo ra.

Qu Bo Wen cũng xuất hiện trong danh sách đóng góp của các phiên bản đa mô hình của Kimi. Là một nhà nghiên cứu trẻ, con đường nghiên cứu của Qu Bo Wen bắt đầu từ việc xây dựng hệ thống đánh giá, mở rộng sang phát triển năng lực mô hình, và sau đó ứng dụng vào nghiên cứu phát triển năng lực tác nhân cao cấp, với các thành quả chặt chẽ đáp ứng nhu cầu thực tế của ngành, trực tiếp phục vụ cho việc lặp lại và nâng cấp các mô hình sản xuất.

Trong danh sách hơn 400 người đóng góp của Kimi K3, Lu Enzhe không phải là người có vị trí tên được liệt kê đầu tiên, nhưng những đóng góp của anh lại cực kỳ chính xác. Mỗi thành quả đều nhắm trúng vào những điểm đau cốt lõi trong việc triển khai mô hình lớn, là người xây dựng then chốt cho hệ thống tính toán hiệu quả của Kimi.

Nghiên cứu của Lộc Ân Triết có thể tóm gọn chính xác bằng ba chữ: dài, nhanh, tiết kiệm, mục tiêu cốt lõi là giúp các mô hình lớn xử lý văn bản dài hơn với chi phí thấp hơn và tốc độ nhanh hơn. Đối với Kimi, anh ấy phụ trách nâng cấp hiệu suất toàn bộ quy trình từ đào tạo đến suy luận.

Tháng 2 năm 2025, anh ấy là tác giả đầu tiên công bố cơ chế chú ý hỗn hợp MoBA, chuyển ý tưởng chọn chuyên gia của MoE vào lớp chú ý, giúp mô hình chỉ truy xuất các khối ngữ cảnh liên quan nhất để tính toán khi xử lý yêu cầu. Với độ thưa 95%, hiệu suất tương đương với chú ý đầy đủ, đạt tốc độ suy luận 6,5 lần nhanh hơn với một triệu token và 16 lần nhanh hơn với mười triệu token, trực tiếp củng cố kiến trúc nền tảng cho khả năng ngữ cảnh siêu dài của Kimi.

Vào ngày công bố, bài báo này cùng với bài báo NSA của DeepSeek đã cùng xuất hiện, trở thành sự kiện va chạm công nghệ được quan tâm nhất trong cộng đồng mô hình lớn trong nước năm đó; giá trị kỹ thuật của nó càng được thể hiện rõ khi trước khi được NeurIPS 2025 chấp nhận là bài báo Spotlight, giải pháp này đã ổn định xử lý các yêu cầu ngữ cảnh dài của người dùng trong môi trường sản xuất của Kimi trong gần một năm.

Ngoài ra, từ sự chú ý KDA của MoBA đến Kimi Linear, anh ấy đã kiên trì tối ưu hóa hiệu suất suy luận phần cứng trong toàn bộ thiết kế kiến trúc; về phía huấn luyện, việc triển khai phân tán bộ tối ưu Muon do anh tham gia đã đạt được mức sử dụng bộ nhớ tối ưu và chi phí truyền thông hiệu quả, thực sự giảm chi phí tính toán cho việc huấn luyện mô hình lớn. Tính cả các báo cáo kỹ thuật AttnRes và các thế hệ K1.5, K2, Kimi-VL, bài báo của anh đã bao phủ toàn bộ chuỗi kỹ thuật của mô hình lớn hiệu quả.

Trong đội ngũ, anh ấy là cặp đôi cố định với Qiu Jiezhong, một trong những tác giả liên lạc của bài báo MoBA, một người xung phong hạ cánh, một người định hướng, phối hợp ăn ý.

Wang Yuzhi là một nhà nghiên cứu của Moonshot AI và là một trong những người ký tên xuất hiện nhiều nhất trong các báo cáo kỹ thuật của dòng Kimi.

Từ K1.5 vào tháng 1 năm 2025 đến Kimi K3 vào tháng 7 năm 2026, tên của anh ấy xuất hiện trong gần như mọi tài liệu kỹ thuật của công ty, bao gồm thị giác, âm thanh, kiến trúc chú ý, bộ tối ưu hóa huấn luyện, mô hình hàng đầu cho đến khung quản lý rủi ro AI tiên tiến.

Anh tốt nghiệp đại học tại Đại học Khoa học và Công nghệ Tây An, tiến sĩ chuyên ngành Kỹ thuật Điện tử tại Đại học Thanh Hoa, sau khi gia nhập Viện Nghiên cứu Megvii giữ vị trí Kỹ sư Nghiên cứu; từ năm 2024 đến nay làm Nghiên cứu viên tại Moonshot AI.

Trước khi gia nhập Moonshot, nghiên cứu của anh tập trung vào nhiếp ảnh tính toán và thị giác nền tảng. Các thành tựu tiêu biểu bao gồm: là tác giả chính công bố bài báo về giảm nhiễu ảnh RAW trên điện thoại tại ECCV 2020, hướng nghiên cứu này đến nay vẫn là một trong những công trình tiêu biểu trong lĩnh vực hình ảnh di động; là thành viên đội ngũ Megvii giành chức vô địch toàn cầu tại cuộc thi NTIRE 2019 về khử nhiễu ảnh thực tế ở đường đua raw-RGB; và là đồng tác giả tham gia vào công trình kinh điển trong lĩnh vực OCR là EAST (CVPR 2017, được trích dẫn hơn 2.500 lần).

Trong giai đoạn Mặt Trăng Tối, anh tham gia ký tên vào mười tài liệu kỹ thuật, bao gồm: k1.5, K2, K3, Kimi-VL, Kimi-Audio, MoBA, Muon, Kimi Linear, bốn bài báo về kiến trúc và hiệu suất Attention Residuals, cùng khung quản lý rủi ro AI tiên tiến.

Đáng chú ý, anh ấy đều là tác giả trong cả bốn bài luận về kiến trúc và hiệu suất của công ty, mức độ bao phủ rộng rãi này không phổ biến trong danh sách khoảng 400 người đóng góp. Vai trò cụ thể của anh ấy tại K3 hiện chưa có thông tin công khai.

Mao Shaoguang là cốt lõi then chốt trong tuyến kỹ thuật của Kimi Agent, tham gia toàn bộ quá trình phát triển bốn thế hệ sản phẩm chủ lực: K2, K2-Thinking, K2.5 và K3, đồng thời cũng là một trong số ít chuyên gia trong ngành từng trải qua đầy đủ hai lần chuyển đổi mô hình trong lĩnh vực Agent.

Trước khi gia nhập Yue Zhi An Mian, anh ấy đã là một trong những người tiên phong tại trong nước triển khai Agent.

Tốt nghiệp thạc sĩ máy tính tại Đại học Thanh Hoa, xếp hạng trong top 0,2% khi còn học và nhận học bổng quốc gia, từng làm trợ lý nghiên cứu tại Đại học Trung Văn Hồng Kông và thực tập tại nhóm âm thanh của Viện Nghiên cứu Microsoft Á Châu. Sau khi tốt nghiệp, anh làm việc tại Microsoft gần sáu năm, từ kỹ sư viện nghiên cứu phát triển thành kỹ sư nghiên cứu và phát triển cấp cao.

Đầu năm 2023, tham gia phát triển TaskMatrix.AI, kết nối ChatGPT với hàng triệu API; sau đó cùng đề xuất phương pháp Solo Performance Prompting, cho phép một mô hình duy nhất đảm nhận nhiều vai trò để mô phỏng sự hợp tác của nhiều tác nhân thông minh, các công nghệ liên quan đã được triển khai vào Microsoft 365 Word.

Đó là thời kỳ “khung” của Agent—tất cả các khả năng đều dựa vào các công cụ bên ngoài kết nối và được hướng dẫn bởi Prompt, và anh ấy chính là người chứng kiến và xây dựng con đường công nghệ này.

Nhưng Mao Shao Guang, người đã tự mình đi qua con đường này, là người đầu tiên nhận ra những hạn chế của mô hình cũ. Tháng 6 năm 2025, anh ấy viết trên Zhihu: “Hướng đi này ngày càng trở nên nhàm chán, có cảm giác đang加速衰亡.”

Sau khi gia nhập Moonshot vào tháng 2 năm 2025, anh ấy hoàn toàn chuyển sang con đường end-to-end "Mô hình là Agent". Chỉ sau bốn tháng, anh đã tham gia triển khai sản phẩm Agent đầu tiên của Kimi: Kimi Researcher:

Được huấn luyện hoàn toàn thông qua học tăng cường end-to-end, không dựa vào bất kỳ quy trình mặc định nào, trung bình thực hiện 23 bước suy luận cho mỗi nhiệm vụ, tự động quét 206 trang web, có thể tạo ra báo cáo điều tra dài 10.000 từ với trích dẫn chuẩn mực, đạt 26,9% trên bộ chuẩn HLE, phá vỡ mức cao nhất toàn cầu tại thời điểm đó. Anh ấy cũng là một trong hai tác giả được ghi tên trong bản tự thuật kỹ thuật chính thức của sản phẩm này.

Sau đó, anh ấy tham gia sâu vào quá trình phát triển bốn thế hệ sản phẩm chủ lực từ K2 đến K3. Chỉ số HLE đã tăng dần từ 8,6% lên 26,9%, đường cong hiệu suất gần như hoàn toàn do học tăng cường điều khiển chính là bảng thành tích của con đường công nghệ mới của anh ấy.

Từ việc nối API bên ngoài để mở rộng khả năng cho các mô hình lớn, đến việc giúp mô hình tự học cách sử dụng công cụ và tự hoàn thành các nhiệm vụ phức tạp, hành trình nghề nghiệp gần mười năm của Mao Shaoguang đã chính xác vẽ nên toàn bộ quang phổ phát triển của ngành Agent, từ giai đoạn “lắp ráp kết hợp” sang giai đoạn “phát triển bản sinh”. Với việc trực tiếp tham gia vào mô hình cũ và tự mình mở ra con đường mới, những nhận định của anh ấy được hỗ trợ bởi những thành quả thực tế vững chắc nhất.

Tần Nhược Nhu là nghiên cứu sinh tiến sĩ tại Phòng thí nghiệm MADSys, Khoa Máy tính, Đại học Thanh Hoa, dưới sự hướng dẫn của Phó Giáo sư Chương Minh Tinh. Nghiên cứu của anh tập trung vào hệ thống học máy hiệu quả, cụ thể bao gồm hai hướng: dịch vụ suy luận mô hình ngôn ngữ lớn quy mô lớn và hệ thống rollout học tăng cường.

Mooncake, do Qin Ruoyu và đội ngũ Moon Dark Side hợp tác phát triển, là một kiến trúc suy luận tách rời tập trung vào KVCache. Kiến trúc này tách riêng các giai đoạn Prefill và Decode để chạy trên các cụm độc lập, đồng thời tích hợp các tài nguyên CPU, bộ nhớ và SSD chưa được sử dụng trong cụm GPU thành một hồ đệm phân tán. Thành tựu này đã nhận giải Best Paper Erik Riedel tại hội nghị FAST 2025 về lĩnh vực lưu trữ.

Mooncake là nền tảng dịch vụ cấp sản xuất đã được triển khai thực tế, phần tóm tắt bài báo ngay từ đầu đã ghi rõ “Mooncake là nền tảng phục vụ cho Kimi”. Dưới tải trọng thực tế, Mooncake giúp tăng 75% lượng yêu cầu được xử lý bởi Kimi; trong các kịch bản ngữ cảnh dài, khả năng xử lý yêu cầu hiệu quả tăng từ 59% đến 498%. Hiện tại, hệ thống này đã được triển khai trên hàng ngàn nút và xử lý hơn 100 tỷ token mỗi ngày.

Năm 2024, Moonshot cùng Phòng thí nghiệm MADSys của Đại học Thanh Hoa đã cùng mở nguồn dự án Mooncake (kho lưu trữ mã nguồn mở là kvcache-ai/Mooncake), đến nay số sao trên GitHub của dự án đã vượt quá 6.000. Các dữ liệu và thông tin liên quan có thể tham khảo tại bài báo arXiv (số hiệu 2407.00079), thông báo trên trang web chính thức của Khoa Máy tính Đại học Thanh Hoa và kho lưu trữ mã nguồn mở của dự án.

Sau Mooncake, nghiên cứu của Qin Ruoyu tiếp tục đi sâu vào hướng hệ thống suy luận. Bài báo Seer do anh là tác giả chính đã được chọn vào OSDI 2026, công trình này giải quyết các điểm nghẽn hiệu suất rollout trong học tăng cường thông qua các kỹ thuật chia rollout, lập lịch nhận thức ngữ cảnh và giải mã đầu cơ theo nhóm, giúp tăng tối đa 2,04 lần thông lượng rollout đầu đến cuối và giảm độ trễ đuôi dài từ 72% đến 94%. Một bài báo khác do anh là tác giả chính, Prefill-as-a-Service, tiếp tục đề xuất hướng thiết kế kiến trúc suy luận thế hệ tiếp theo với việc chia sẻ KVCache giữa các trung tâm dữ liệu.

Qin Ruoyu cũng xuất hiện trong danh sách các đóng góp viên của dự án K3. Hiệu suất sản phẩm mô hình lớn được hỗ trợ bởi hai khả năng: phát triển mô hình xác định giới hạn khả năng của mô hình, trong khi kỹ thuật hệ thống xác định tính khả dụng và chi phí vận hành trong các kịch bản có lưu lượng cao.

Cuộc cạnh tranh trong ngành mô hình lớn hiện nay đang dần mở rộng từ việc so sánh năng lực huấn luyện sang cuộc đua về năng lực kỹ thuật dịch vụ. Là sinh viên tiến sĩ, Tần Nhược Nghi có thể tạo ra những thành quả đạt tiêu chuẩn bài báo hay nhất tại các hội nghị hàng đầu trong lĩnh vực này, chủ yếu nhờ vào việc nghiên cứu của cô trực tiếp hướng đến các bối cảnh sản xuất và được triển khai vào các hệ thống kinh doanh thực tế.

Các thành viên cốt lõi trong đội ngũ nghiên cứu và phát triển của Moonshot AI, với hành trình nghiên cứu bao gồm ba lĩnh vực: sinh học tính toán, hệ thống đề xuất và mô hình lớn, đã tham gia toàn bộ quá trình cải tiến kỹ thuật của các thế hệ mô hình cốt lõi của Kimi.

Trước đây, anh ấy từng nghiên cứu về hướng AI trong phát triển thuốc tại nhóm nghiên cứu của Giáo sư Jianyang Zeng tại Viện Nghiên cứu Liên ngành, Đại học Thanh Hoa. Trong giai đoạn 2020 đến 2021, nghiên cứu về khung tái định vị thuốc chống cúm mà anh tham gia đã được công bố trên preprint bioRxiv và tạp chí《Signal Transduction and Targeted Therapy》, đồng thời các kết quả liên quan đến phân ly protein vỏ nhân cũng đã được công bố trên《Protein & Cell》.

Từ năm 2022 đến 2023, Yuan Enming làm việc tại Phòng thí nghiệm Noah's Ark của Huawei, tập trung nghiên cứu về hệ thống đề xuất, với các thành quả được công bố tại nhiều hội nghị học thuật quốc tế hàng đầu. Trong đó, bài báo do ông là tác giả chính về đề xuất chuỗi hành vi đa dạng đã được chọn vào SIGIR 2022, đồng thời các thành quả hợp tác khác lần lượt được chọn vào CIKM 2022 và WWW 2023.

Sau khi gia nhập Yue's Dark Side, Yuan Enming đã tham gia sâu vào việc nghiên cứu và phát triển các mô hình và dự án công nghệ cốt lõi nhiều thế hệ của Kimi. Các dự án có tên công khai có thể xác minh bao gồm: Báo cáo công nghệ học tăng cường Kimi k1.5, Nghiên cứu công nghệ MoBA, Báo cáo công nghệ Kimi-VL, Báo cáo công nghệ mô hình lớn Kimi K2, Báo cáo công nghệ Kimi Linear, Báo cáo công nghệ mô hình đa phương tiện Kimi K2.5 và Báo cáo công nghệ mô hình lớn đỉnh cao Kimi K3.

Anh ấy tham gia vào nhiều hướng công nghệ cốt lõi, bao gồm đào tạo học tăng cường, khả năng đa mô态, kiến trúc mô hình nền tảng và hệ thống ngữ cảnh dài, toàn diện xuyên suốt chu kỳ nâng cấp ba thế hệ mô hình chủ lực của Kimi từ k1.5 đến K3, là nhân viên nghiên cứu và phát triển cốt lõi với phạm vi công nghệ rộng nhất trong đội ngũ.

Hiện tại, các kênh công khai chưa tiết lộ vị trí cụ thể và phân công nghiên cứu chi tiết của Yuan Enming tại Moonshot. Dựa trên các dấu vết công bố công khai, nền tảng nghiên cứu đa lĩnh vực của ông hỗ trợ khả năng tham gia vào nhiều hướng công nghệ của mô hình lớn, là người tham gia liên tục quan trọng trong quá trình lặp lại hệ thống công nghệ Kimi.

Hứa Vĩ Tân hiện là nghiên cứu viên tại Moonshot AI, với hướng nghiên cứu bao gồm kiến trúc cơ sở của mô hình lớn, cơ chế huấn luyện hiệu quả và tối ưu hóa cơ chế Attention.

Hứa Vĩ Tân tham gia sâu vào việc nghiên cứu và phát triển các mô hình cốt lõi và công nghệ nền tảng của Kimi qua nhiều thế hệ, với các dự án có tên công khai bao phủ toàn bộ chu kỳ cải tiến sản phẩm từ k1.5 đến K3. Sau khi ra mắt K3, công ty chính thức của Mặt Tối của Mặt Trăng đã công bố ba công nghệ tự nghiên cứu cốt lõi — bộ tối ưu Muon, Attention tuyến tính Kimi và Attention Residuals. Hứa Vĩ Tân là người đóng góp duy nhất có thể xác minh, có tên trong cả ba bài báo khoa học tương ứng với các công nghệ cốt lõi này và đều xếp trong top 15, là một trong những nhân sự cốt lõi hỗ trợ nâng cấp hiệu năng kiến trúc K3.

Về các thành quả cụ thể, trong bài báo về bộ tối ưu Muon được công bố vào tháng 2 năm 2025, anh ấy đứng ở vị trí thứ 8 trong danh sách tác giả; bộ tối ưu này có hiệu suất tính toán khoảng gấp đôi AdamW, và anh ấy cũng tham gia vào việc triển khai đào tạo Moonlight đi kèm được mở nguồn sau đó;

Trong bài báo khoa học về kỹ thuật Kimi Linear được công bố tháng 10 năm 2025, anh ấy đứng thứ 15; cơ chế KDA do kiến trúc này đề xuất có thể giảm thể tích KV Cache lên đến 75% và tăng thông lượng giải mã lên đến 6 lần trong các kịch bản triệu token;

Trong bài báo Attention Residuals được công bố vào tháng 3 năm 2026 (một trong hai đổi mới kiến trúc cốt lõi của K3), anh xếp vị trí thứ 4, là người đóng góp cốt lõi đầu tiên sau ba đồng tác giả chính, các công nghệ liên quan đã được tích hợp sâu vào kiến trúc mô hình nền tảng Kimi K3.

Ngoài ra, tên của anh ấy còn xuất hiện trong danh sách đóng góp của các báo cáo kỹ thuật về Kimi k1.5 Reinforcement Learning, Kimi-VL, Kimi K2 và K2.5, cũng như báo cáo kỹ thuật mới nhất về mô hình flagship Kimi K3, với phạm vi tham gia bao gồm nhiều hướng nghiên cứu cốt lõi như mô hình nền tảng, đa phương tiện và học tăng cường. Cần làm rõ rằng, tên của anh ấy không có trong danh sách tác giả của bài báo MoBA, và không có mối liên hệ nghiên cứu nào có thể xác minh công khai giữa hai bên.

Ngoài ra, anh ấy còn tham gia vào nhiều nghiên cứu về hướng thị giác ba chiều, bao gồm OccDepth để hoàn thiện cảnh ngữ nghĩa 3D, PVD-AL để tinh luyện học chủ động và tái tạo SDF ẩn tại ACCV 2024, với các thành tựu học thuật bao phủ nhiều lĩnh vực chuyên sâu như nén mô hình, tái tạo 3D và hiểu cảnh ngữ nghĩa.

Từ các dấu vết công khai, con đường nghiên cứu của Hứa Vĩ Tân đã dần mở rộng từ việc triển khai mô hình ở đầu cuối và cảm nhận thị giác ba chiều sang đổi mới kiến trúc nền tảng của các mô hình lớn, với sự đầu tư lâu dài vào hướng tính toán hiệu quả, phạm vi công nghệ bao quát rộng và là người tham gia liên tục cốt lõi trong quá trình lặp lại hạ tầng kỹ thuật của Moonshot.

Du Chenzhuang là nhà nghiên cứu cốt lõi của Moonshot, là lực lượng nòng cốt của đội ngũ chịu trách nhiệm về học tăng cường và mở rộng khả năng suy luận.

Anh tốt nghiệp đại học chuyên ngành Quản lý và Hệ thống Thông tin tại Đại học Hàng không và Vũ trụ Bắc Kinh, sau đó tiếp tục học tiến sĩ tại Viện Nghiên cứu Thông tin Liên ngành của Đại học Thanh Hoa – nơi được xem là “Huangpu Quân học” của nhân tài mô hình lớn.

Trong thời gian tại Thanh Hoa, anh ấy học dưới sự hướng dẫn của học giả nổi tiếng trong lĩnh vực trí tuệ nhân tạo, Triệu Hành, và gia nhập MARS Lab (Phòng thí nghiệm Đa mô态 và Lý luận Tự chủ) nổi tiếng, bắt đầu tập trung vào học máy đa mô态, học tăng cường và cơ chế tăng cường mô hình ngôn ngữ lớn.

Trong thời gian học tiến sĩ, anh ấy là tác giả chính phát triển kiến trúc “ChatDB” gây chấn động, tiên phong đề xuất “sử dụng cơ sở dữ liệu như mô-đun ký ức biểu tượng để tăng cường mô hình lớn”, ngay lập tức lan truyền rộng rãi trong cộng đồng học thuật và công nghiệp AI lúc bấy giờ.

Để tích lũy kinh nghiệm thực chiến với các hệ thống công nghiệp quy mô lớn sớm hơn, anh còn trong quá trình học tiến sĩ đã gia nhập Viện Nghiên cứu Trí tuệ Nhân tạo Hải Hoa Bắc Kinh với vai trò thực tập sinh, tham gia sâu vào dự án nghiên cứu cốt lõi xây dựng hệ thống nền tảng từ con số không. Điều này giúp anh tích lũy được nhiều kinh nghiệm trong lĩnh vực đa mô态 và học tăng cường, đồng thời sở hữu tầm nhìn nền tảng kết hợp hệ thống và thuật toán.

Sau khi tốt nghiệp, anh gia nhập Yue Zhi An Mian và thường xuyên xuất hiện trong các báo cáo kỹ thuật của các mô hình cốt lõi. Anh trực tiếp tham gia vào bài luận quan trọng khám phá quy luật mở rộng học tăng cường, “Kimi k1.5: Scaling Reinforcement Learning with LLMs”, đồng thời cũng đóng vai trò là người đóng góp cốt lõi trong các báo cáo kỹ thuật của các mô hình dòng sản phẩm chủ lực như Kimi K2 và K2.5.

Anh ấy còn tham gia sâu vào việc phát triển mô hình ngôn ngữ thị giác đa phương tiện Kimi trong báo cáo kỹ thuật《Kimi-VL Technical Report》với vai trò đồng tác giả cốt lõi, tập trung vào việc nâng cao khả năng nhận thức và suy luận đa phương thức sâu của mô hình lớn đối với hình ảnh phức tạp, biểu đồ và thông tin thị giác thế giới thực.

Chen Zhuang’s primary focus is on large-scale large language model (LLM) training engineering, specializing in resource scheduling, stable training, and extreme system optimization for trillion-parameter models (MoE architecture) on superclusters; as well as reinforcement learning and multimodal fusion, researching how models can achieve breakthroughs in intelligent capabilities through self-supervision and reinforcement learning on complex long-reasoning tasks, and realizing efficient underlying fusion of visual information with language models.

Yanru Chen là nhà nghiên cứu cốt lõi của Moonshot, tập trung vào phát triển và ứng dụng kiến trúc nền tảng mô hình lớn, công nghệ văn bản dài, tối ưu hóa năng lực tính toán và kỹ thuật đa phương thức.

Là đồng tác giả của bài báo "Attention Residuals", anh ấy đã tham gia tái cấu trúc cách dòng thông tin di chuyển theo chiều sâu của các mô hình lớn, thành công vượt qua các điểm nghẽn ngành trong việc đào tạo mạng siêu sâu và gián đoạn dòng thông tin.

Về công nghệ lõi văn bản dài, anh là đồng tác giả của MoBA (Hỗn hợp Chú ý Khối), dẫn dắt và tham gia phát triển các cơ chế nền tảng quan trọng nhất của Kimi, thông qua việc chia chú ý theo cấp độ khối, trực tiếp giải quyết vấn đề tiêu tốn quá nhiều tài nguyên tính toán ở cả giai đoạn tiền huấn luyện và suy luận khi xử lý ngữ cảnh siêu dài hàng triệu token, trở thành nền tảng cốt lõi giúp Kimi giảm chi phí và tăng hiệu suất ở mức cực đại.

Đồng thời, anh ấy cũng là đồng tác giả của bài báo "Muon is Scalable for LLM Training", tham gia sâu vào việc phát triển dự án mã nguồn mở nổi bật Moonlight và bộ tối ưu hóa Muon nền tảng, thông qua xử lý trực giao ma trận, đã thách thức AdamW truyền thống và hiệu quả giảm chi phí tính toán trong quá trình huấn luyện phân tán các mô hình quy mô hàng nghìn tỷ.

Trong quá trình lặp lại mô hình flagship, anh ấy đã tích hợp sâu vào toàn bộ vòng đời phát triển của các mô hình flagship cốt lõi trước đó của Kimi (k1.5, K2, K2.5, K3), giải quyết các vấn đề về tính ổn định và phân bổ tài nguyên khi mô hình được mở rộng quy mô lớn với học tăng cường và hàng nghìn tỷ tham số.

Ngoài ra, trong quá trình đột phá công nghệ của Kimi Multi-modal Line (Linear, VL, Audio), anh ấy tích cực khám phá các sáng kiến về sự chú ý tuyến tính ngoài cấu trúc Transformer truyền thống và dẫn dắt việc hiện thực hóa các báo cáo kỹ thuật đa modal hình ảnh và âm thanh của Kimi, giải quyết hiệu quả các điểm nghẽn về hiệu suất trong quá trình kết hợp thông tin đa modal ở cấp cơ sở.

Liu Shaowei là thành viên cốt lõi của Phòng thí nghiệm MADSys, Phòng thí nghiệm Hệ thống Máy tính Hàng đầu tại Đại học Thanh Hoa, đồng thời cũng là chuyên gia hàng đầu trong đội ngũ Cơ sở hạ tầng (Infra) của Moonshot.

Khi bạn thán phục Kimi sở hữu hàng nghìn tỷ tham số nhưng giá API lại cực kỳ thấp, đằng sau đó chính là sự nỗ lực không ngừng của anh ấy và đội ngũ trong “nghệ thuật định lượng cực hạn”. Anh ấy đã dành nhiều năm nghiên cứu sâu về suy luận chi phí cực thấp cho các mô hình quy mô hàng nghìn tỷ, thiết kế kiến trúc tính toán phân tán quy mô lớn và định lượng bản địa.

Trên Reddit LocalLLaMA, cộng đồng mã nguồn mở AI mạnh mẽ nhất thế giới, anh từng với tư cách chuyên gia chính thức của Kimi, đăng tải bài viết kỹ thuật dài gây chấn động cộng đồng cực khách quốc tế có tựa đề “Kimi infra team: Quantization is not a compromise, it's the next paradigm”. Bài viết này tiết lộ sâu sắc định dạng lượng tử gốc Native INT4 cực kỳ chuyên sâu phía sau nền tảng Kimi K2 và K2.5.

Anh ấy không chỉ là đồng tác giả cốt lõi của MoBA (Hỗn hợp Cơ chế Chú ý Khối), mà còn tham gia sâu vào việc phát triển kiến trúc phân tán của dự án mã nguồn mở nổi bật Moonlight và bộ tối ưu hóa nền tảng Muon, thông qua xử lý trực giao ma trận, đã giảm đáng kể chi phí tính toán trong quá trình huấn luyện phân tán của các mô hình lớn hàng nghìn tỷ tham số.

Anh ấy cũng là một trong những người khởi xướng và duy trì mã nguồn chính của dự án mã nguồn mở quan trọng KTransformers của Moonshot, trực tiếp phá vỡ rào cản tính toán để thực hiện suy luận hỗn hợp cho mô hình MoE hàng nghìn tỷ tham số trên cụm heterogenous.

Chen Guanduo là nhà nghiên cứu cốt lõi trong đội ngũ Infra của Moonshot AI. Anh sở hữu năng lực nghiên cứu và phát triển xuyên ngành mạnh mẽ giữa “hệ thống + thuật toán”, với lĩnh vực nghiên cứu tập trung cao độ vào hạ tầng mô hình lớn (Infra), kiến trúc cơ chế chú ý hiệu quả (Efficient Attention Architecture), tăng tốc tinh chỉnh mô hình lớn và tối ưu hóa lưu trữ và truy vấn quy mô lớn.

Anh tốt nghiệp đại học và thạc sĩ đều tại Khoa Máy tính của Đại học Phù Đán, xây dựng nền tảng chuyên môn vững chắc trong lĩnh vực hệ thống phân tán và kiến trúc hạ tầng. Sau đó, anh tiếp tục học nâng cao tại Đại học Nam Dương và Đại học Khoa học và Công nghệ Hồng Kông, lần lượt học dưới sự hướng dẫn của các học giả nổi tiếng trong lĩnh vực tính toán hiệu năng cao và hạ tầng mô hình lớn là Yuan Binhang và Luo Siqiang, tích lũy tầm nhìn học thuật và kinh nghiệm nghiên cứu phát triển tiên tiến.

Trước khi chính thức gia nhập Yue Zhi An Mian, anh ấy đã tích lũy sâu sắc trong các bộ phận cốt lõi hạ tầng tại các công ty công nghệ hàng đầu. Anh từng đảm nhiệm vị trí thực tập sinh nghiên cứu trong đội ngũ phát triển hệ thống cơ sở dữ liệu của ByteDance và đội ngũ hạ tầng của Meituan, tham gia sâu vào việc phát triển và tối ưu kiến trúc các hệ thống phân tán quy mô lớn, xử lý cao độ đồng thời ở cấp độ công nghiệp.

Trong thời gian này, với tư cách là tác giả cốt lõi, anh ấy đã trực tiếp công bố hai thành quả quan trọng. Về lưu trữ nền tảng, anh ấy đã nghiên cứu và công bố “Oasis”, đề xuất một bộ lọc phạm vi học tập phân tách tối ưu không giao nhau, trực tiếp giải quyết nút thắt chỉ mục của cơ sở dữ liệu nền tảng khi thực hiện truy vấn phạm vi quy mô lớn;

Trong ứng dụng thực tế, anh ấy đã công bố "Gar", thông qua phương pháp "sinh và sắp xếp", đã nâng đáng kể độ chính xác trong việc các mô hình lớn hiểu chính xác ý định phức tạp của con người và chuyển đổi thành câu truy vấn cơ sở dữ liệu SQL (Text-to-SQL).

Chen Guanduo chính thức gia nhập Yue Zhi An Mian vào tháng 3 năm 2025. Là lực lượng cốt lõi của đội ngũ Infra, anh không chỉ là đồng tác giả chính của các mô hình lớn trụ cột của Yue Zhi An Mian là Kimi K2 và Kimi K2.5, mà còn liên tục đạt được những đột phá kỹ thuật trong các hướng như tăng tốc vi điều chỉnh mô hình lớn, kiến trúc chú ý hiệu quả, thậm chí là tái cấu trúc kiến trúc mạng cuối cùng.

Để giải quyết vấn đề tinh chỉnh mô hình lớn tiêu tốn quá nhiều bộ nhớ GPU, Chen Guanduo đã chủ trì công bố bài báo “Ce-lora”, đề xuất một phương pháp tinh chỉnh LoRA hiệu quả về mặt tính toán. Công nghệ này giảm đáng kể mức tiêu thụ bộ nhớ GPU và chi phí tính toán trong quá trình tinh chỉnh tham số mô hình lớn, trực tiếp tăng cường thông lượng đào tạo ở tầng Infra, được xem như “phương pháp giảm cân cho bộ nhớ GPU” trong tinh chỉnh mô hình lớn.

Đối mặt với vấn đề độ phức tạp tính toán tăng theo cấp số bình phương khi xử lý văn bản dài, anh đã tham gia phát triển và công bố kiến trúc “Kimi Linear” gây chấn động cộng đồng mã nguồn mở. Đây là một kiến trúc chú ý tuyến tính giàu tính biểu đạt và hiệu quả, giúp giảm đáng kể độ phức tạp tính toán cho văn bản dài, đồng thời duy trì khả năng biểu diễn mạnh mẽ của mô hình. Kiến trúc này đã giảm tối đa 75% dung lượng KV Cache (bộ nhớ đệm khóa-giá trị) và đạt tốc độ giải mã tăng 6 lần ở độ dài văn bản lên đến một triệu ký tự, trở thành nền tảng cốt lõi giúp Kimi không ngừng vươn sâu vào rào cản công nghệ văn bản dài.

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

Từ bộ lọc lưu trữ cấp cơ bản đến các thuật toán tinh chỉnh hiệu quả về tính toán, cho đến kiến trúc mạng Transformer thế hệ tiếp theo mang tính cách mạng, hành trình sự nghiệp của Chen Guanduo hoàn toàn phù hợp với mô hình ngành hiện nay, khi các mô hình lớn đang chuyển từ “chỉ tập trung vào tham số” sang “theo đuổi hiệu suất tính toán cực đại và ứng dụng thực tế”.

Lời kết

Đội ngũ phát triển K3 từ trước đến nay luôn giữ sự khiêm tốn và bí ẩn; trong quá trình sàng lọc tài liệu, chúng tôi cũng rất khó để làm rõ từng chi tiết về phân công công việc và lý lịch đầy đủ của tất cả thành viên. Nhưng thông qua danh sách nặng ký này, câu trả lời đã dần hiện ra: tại sao lại là Mặt Tối của Mặt Trăng? Tại sao họ có thể gánh vác định giá siêu cấp 700 triệu mỗi người?

Nhóm thanh niên này, với độ tuổi trung bình dưới 30, là những kiến trúc sư hệ thống thực sự hiểu về kinh tế tính toán. Từ việc giành giải bài báo xuất sắc nhất tại các hội nghị hàng đầu về lập lịch lưu trữ, đến những sáng tạo nền tảng tái cấu trúc cơ chế chú ý, họ đã đạt đến cực hạn về hiệu quả kỹ thuật “dài, nhanh, tiết kiệm”.

Chính sự tích hợp toàn bộ từ thuật toán cấp cao đến phần cứng cấp cơ bản này đã tạo nên rào cản cốt lõi giúp Mặt Trăng Tối phá vỡ lời nguyền "tính đồng nhất về năng lực tính toán".

Một chi tiết thú vị khác là, ở cuối danh sách toàn bộ thành viên, Kimi K3 cũng đã trở thành một thành viên quan trọng của toàn bộ đội ngũ phát triển. Người sáng tạo và người được sáng tạo bắt đầu đứng cạnh nhau trên cùng một danh sách, thời đại “vàng” của các mô hình lớn Trung Quốc đã chính thức gầm vang đến.