最近，差评君发现了个新鲜玩意儿。
喂给 AI 一张图，它就能给你推测出一个人的性格。
光靠歌单，就能把人最近的心理状态推测个七七八八。
而这些，都出自 Kimi 最新的 k1 视觉思考模型之手。
这不，距离上次推出数学模型 k0-math 打榜 o1 才一个月， k1 就火速登场了。
当然，这个 k1 可不止是像开头那样，只会看图分析性格那么简单。
上次咱测试 k0-math 的时候，已经见识过了 “ 做题家 ” 的能力，那解题的思考过程给差评君都看得一愣一愣的。只可惜，有些绕逻辑的数学题还有几何题，多少差了点意思。
但这次的 k1 就有说法了，既有推理能力又有视觉能力，意思就是可以直接拍照上传解题，还号称能在数理化上打平甚至超越 Open AI 的 o1 。
那要是这么比的话，咱可就来劲了。正好， k1 新模型现在也不需要等内测， App 和网页版都能用上，话不多说，我们直接开整。
上来，就扔了 K1 一道今年高考的几何题。
首先， k1 对题干的解读足够细致，也知道自己的目标到底是啥。
题目给定的条件中可能涉及到的余弦定理也考虑到了，就跟咱们在解题时的思维类似，看到 a² +b²− c² =2ab ，立马会联想到余弦公式 c² =a² +b² -2ab·cosC 。
再根据公式和条件继续推导，很快就能求出角 B=60 °。
第（ 2 ）题稍微难了那么一丢丢，但差评君仔细检查了一遍 k1 的解题过程，思路和解法都没毛病，最后边长 c=2√2的答案也是对的。（因为这题 k1 的思考过程实在太太太长，截图就不展示了。）
同样的题目问 o1 ，首先在推理速度上， o1 的 58s 就已经输了。
正确率的话， o1 和 k1 打了个平手，都做对了。
不同的是， o1 把答题思路隐藏起来了，没给像 k1 那样的完整思考过程。
不过有一说一，差评君对 k1 模型这种模仿人类思考的方式，倒也不是特别吃惊。因为上次 k0-math 模型就已经震惊过我一回了，能意识到自己的错误、还会进行反复验证的样子，像极了写数学题时绞尽脑汁的我。
相比之下，这次的 k1 在补短板方面更出彩一些，上次 k0-math 翻车的初中几何题我又拿 k1 试了一次，现在已经能做对了，就连上高考难度也不发怵。
而且我也发现， k1 不仅擅长做数学题，物理题也不在话下。
接着，我又拿出了一道逻辑稍微有点绕的逻辑陷阱题试了试：一个西瓜进价 50 元，卖价 70 元，老板收了 100 元假币，最后亏多少钱？
这题打眼一看简单，但网友关于这道题的答案那叫一个五花八门，有说亏 150 的，有说 180 的，还有说 100 的。。。
咱们就看看连很多人类都想不明白的题， k1 能不能瞧出来里面的陷阱。
而且，这道题我还特意手写得比较潦草，顺便也测一测 k1 的视觉能力到底是不是有宣传的那么神。
你别说，你还真别说，这模型的 “ 眼神 ” 确实不赖。
题目的正确率方面， k1 前半部分的分析先得出了一个亏 100 元的答案，但很快它就否定了自己。
继续把假币、找零还有成本利润这些复杂因素综合考虑进去，最后终于想明白老板亏了 80 元。（ 正确答案是 80 元 ）
这逻辑能力，确实有点强。
包括我拿几道行测的类比推理题给 k1 做了做，虽说逻辑分析的路径跟参考答案的不太一样，但最后的答案都是对的。
反正这一通测试下来，差评君发现 k1 会思考有逻辑，眼神好使智商也高， Kimi 这 “ 做题家 ” 的名号算是坐实了。
不过除了做题以外，我这次还摸索出了更多花里胡哨的玩法。
分析数据、看报表没啥意思， k1 模型不是会根据图片来推理吗，那想必鉴别古钱币也应该有一手吧？
差评君特地从网上找了一张民国时期银元的图片，两枚银元上假下真，发给 k1 ，浅浅来一把 “AI 版听泉鉴宝 ” 。
图源小红书用户@古玩今来（公博代理收评）
k1 不仅知道钱币是民国时期的，还对钱币的各种细节 kuku 一顿输出，最后竟然真的看出来了上面这枚是假币。
咱再随便发一张房间的图片，让 k1 看看 “ 风水 ” 。
什么 “ 气口 ” 、对称布局、能量平衡。。。说的头头是道，甚至还真给了建议，让咱把床换个位置、定期修剪植物、换一个更简洁的吊灯。
吃饭的时候给 k1 拍一张，这顿饭摄入了多少卡路里也算得明明白白。
不过最让我觉得惊艳的，还是 k1 看图猜电影的能力。
我给了它一张《 七宗罪 》的电影截图，没有台词只有画面，对于很多没看过这部电影的人来说，想猜出来都很难。
一开始看 k1 的分析我以为这把大概率要黄了，结果下一秒来一句 “ 拍摄角度和色调让我想起了大卫 · 芬奇的电影 ” ，还推断出了截图里的画面是《 七宗罪 》里的某一个场景。
真的太强了。。。
就连一些晦涩的梗图丢给 k1 ，它也能一本正经地讲解笑点到底在哪。
虽然有点过度解读的嫌疑，但大体上的意思基本都 get 到了。
就这么说吧，基于 k1 的视觉和推理能力，做题都是基操了，只要脑洞够大，还可以解锁出更多的玩法。
而 k1 的这种能力，很大程度要归功于一个叫做COT （ Chain of Thought ）思维链的技术。
大概意思就是，模型在输出答案之前，模仿人类大脑的思考方式，把复杂的任务拆解之后，再一步步地解决。这个技术，可以让模型的智商变高。
另外一边，借助强化学习技术，也让模型学会了在不断试错的过程中进化，以此来达到最优的结果，就跟训狗似的。
至于为啥 Kimi 会率先选择数学这个场景作为推理模型的切入口，我想，跟咱们人类学好数学锻炼思维，是一个道理。
在模型 “ 学好数学 ” 的基础上，再将这种逻辑推理的能力应用到物理、化学，乃至于咱们日常生活的方方面面，直到最后真正理解这个世界。
而很显然， Kimi 推理模型的泛化能力已经开始显现出来了。
在数据见顶的前提下，这种基于强化学习技术的路径，或许能够让模型实现更好的效果。
不过说到底，模型用了哪些技术、纸面分数有多高，大伙儿其实更关心模型到底好不好用、实不实用。
而向来以长文本见长的 Kimi ，如今长文本、强化学习两手抓，也是调整自己的工具属性慢慢往用户需求靠拢的表现。
毕竟，当技术不再高高在上，能帮助人们解决实际问题的时候，才算真正完成了它的使命。
