Kimi

一个人、两周、数百美元，如何训出登顶 Hugging Face 的模型 | 对谈研究员逯雨鑫

2026年8月29日 · 47:29

某 AI Lab 研究员逯雨鑫向曲凯和陈皮复盘了他以个人开发者身份训练两个小模型并登顶 Hugging Face 热榜的过程：仅用一张 5090、QLoRA 和 200 美元的 Cloud Max 月费，花约两周、总计数百美元，基于 Gemma 与 Fable 微调出模型；第一版用了 5 天，第二版 2–3 周，其中绝大多数时间在整理和审核数据。他并非 AI PhD，强调卡点几乎都在数据而非训练——合成数据效果有限，真实数据约占 60%–70%，总量几千到一万条，需人工审核；还要应对'老师太强、学生太弱'的 Capacity Gap，因此选择 SFT 而非 RL，并推荐 Qwen 作为坑最少的开源底座；他定义的'好蒸馏'是锚定真实使用方向，而不是 Benchmark 分数。他对应用公司的成本估算是一个小模型几千到 1 万元人民币（不含 serving），并认为训练会一步步商品化，应用公司将成为 Neo Lab，AI Lab 的价值集中到前训与研究；数据是稀缺资源，AI Lab 重金买数据就像早期字节砸钱买用户。他还看好 Local AI 成为 PC 级机会，隐私与成本会推动本地部署（如 Hugging Face 曾遭攻击后改用国产模型本地解决），但主流用户仍会用豆包这类够用的模型，而非执着于 SOTA。

从蒸馏到合成数据到 RSI，模型竞争的下一个焦点是什么？｜对谈 Evolvent AI 联创孟繁青

2026年8月8日 · 59:29

本期曲凯对话 Evolvent AI 联创孟繁青，核心反共识是：国内模型的真正优势在 Pre-training，而非 Post-training。孟繁青曾在 Kimi 做 Agent 与 RL Infra，参与 K2.5 和 Kimi Linear，他比较了在模型厂与创业公司的差异，提到模型厂内部训练流程已工程化，认为训练模型门槛大降，数据质量比 Infra 更难评判，且数据行业变化极快，重人力的专家标注公司难以存活。他还解释了为什么 Post-training 的人更容易创业：Pre-training 研究太吃资源，而 Agent 和 Bench 离落地更近；今天的 Bench 已从解题变成在模拟工作环境里完成长程任务，评分靠人与 Agent 共同 check。合成数据这波已接近尾声，贵的一条能卖到几千块，下一波是 RSI 数据，长程轨迹要跑十几小时甚至一天，因此更宝贵。关于蒸馏，他强调这只是加速手段，不是国模变强的决定性因素；即便海外封掉所有蒸馏通道，国模仍可靠预训练架构创新（如在卡仅为国外 1/10 时追近前沿）维持竞争力。他也判断，模型厂最终拼的是组织架构与人才密度，而非单纯算力；并直言不存在 RSI 基础模型，创业公司的机会在桥接模型厂与应用层。

用 Agent 动力学，和 40 个 Agents 一起为「人 + AI」做产品｜对谈 Slock.ai 创始人 RC

2026年4月23日 · 1:06:10

本期嘉宾是 Slock.ai 创始人、Kimi CLI 作者 RC。他讲述了从 Kimi 离开创业的缘由，并详细解释 Slock 如何为多 Agent 与人类提供协作环境，通过「40 个 Agent + 7 个人」的团队实践探索「Agent 动力学」——包括 Agent 间相互监督、办公室政治等有趣现象。他提出 Coding 与 Building 已正交，未来产品价值在于满足人的「灵光一现」，并分享了 Agent Marketplace 和 Agent Native GitHub 等长远构想。