智東西

作者 | ZeR0

編輯 | 漠影

智東西7月3日報道，在2026亞馬遜雲科技中國峯會期間，作為國內大模型企業代表，月之暗面Kimi B端負責人黃震昕分享了與亞馬遜雲科技的合作進展，並透露月之暗面「提供給研發人員的是行業內最高的人均算力支持」，「C端用戶和B端企業業務在今年增長都非常快」，希望在探索智能上限的征途中「能和海外那三家模型掰一掰手腕」。

他談道，月之暗面和亞馬遜雲科技之間是一個飛輪式的合作：月之暗面一方面會從給亞馬遜雲科技採購全球的雲基礎設施等服務；另一方面，也藉助亞馬遜雲科技的渠道來服務全球企業。

「亞馬遜雲科技的品牌和合規在海外全球做得非常好，我們也希望通過和亞馬遜雲科技的合作，能讓我們的收入迎來一個增長更快的、更好的上升曲線。」黃震昕說。

一、四層合作，實現全球協同效應

月之暗面與亞馬遜雲科技的合作覆蓋從基礎設施層到應用層，具體包括：

1、基礎設施層

Kimi藉助亞馬遜雲科技遍佈全球的數據中心和網絡基礎設施擴展全球業務。亞馬遜雲科技為Kimi提供了穩定可靠的算力等基礎設施支持，確保模型運行得又快又穩。

2、平台服務層

Kimi多個模型現已登陸亞馬遜雲科技的Amazon SageMaker , 讓更多開發者可以進行其模型的訓練與推理，大幅降低使用門檻。

同時，亞馬遜雲科技 Amazon Bedrock已接入Kimi K2.5等開源模型，未來Kimi正在積極推進接入更多最新模型，讓用戶無需自行管理基礎設施或單獨部署服務器就能使用Kimi模型。

在這種情況下，Kimi將直接使用亞馬遜雲科技的算力，跑在亞馬遜雲科技的Gateway網關上，為亞馬遜雲科技的客戶提供推理服務。

3、業務合作層

Kimi官方API已登陸亞馬遜AWS Marketplace，直接觸達全球數百萬活躍企業客戶。全球客戶可以通過該數字軟件市場簡化採購流程，實現一鍵使用、按量付費與零門檻接入。

黃震昕透露，當前全球大模型處於供不應求的硬件緊缺狀態，Kimi會有一定的TPM（每分鐘 Token 配額）限制，對渠道供給有所側重。目前，對於新上線的亞馬遜雲科技 Marketplace 渠道，Kimi會提供重點資源傾斜，保障其擁有充足、穩定的TPM供給。

同時，藉助APN合作伙伴網絡，Kimi正在快速拓展企業客戶。

4、垂直行業層

Kimi與亞馬遜雲科技的解決方案架構師聯合打造行業解決方案，已覆蓋金融、醫療、製造等垂直行業場景。Kimi提供核心大模型，亞馬遜雲科技發揮其豐富的行業經驗與客戶資源，共同將Kimi的能力無縫嵌入到企業的真實業務流程中。

二、B端業務比重增加，提供模型、API和產品

據黃震昕分享，月之暗面成立於2023年3月，致力於成為一家全球化的公司，希望讓全球用戶平等地獲得AI賦能，在技術推廣、開源、服務方面都是全球統一的。

他強調，月之暗面專注於生產力場景，不做娛樂場景，其願景是要尋找能源轉化成智能的最優解，探索智能上限的方式。

月之暗面的B端業務比重不斷增加。面向企業級客戶，Kimi依託亞馬遜雲科技的技術底座和全球基礎設施，構建了一套完整的生產力賦能體系，包括模型層（K2.7 Code、K2.6、K2.5等基礎模型）、服務層（豐富API供深度集成）、工具/產品層（Kimi Agent集群、Kimi Code、Kimi Claw 、Kimi Work等開箱即用的產品）。

黃震昕補充說，Kimi將視覺理解、Coding和Agent都合在一個模型上，在預訓練階段就將視覺數據和文本數據放在一起訓練，使模型具備更廣泛的是適配性。

例如，其Visual-to-Code功能可以把視覺動效直接用代碼實現出來。月之暗面近期與字節Trae合作推出的Visual Debug功能，允許程序員錄屏截圖標註bug，以便模型快速修復。

很多程序員習慣拋張圖或錄屏，讓模型去debug。黃震昕總結道，Kimi在這種「圖片+Coding」混合場景中有明顯的領先優勢。

企業內還是需要有最後一公里的服務。因此，Kimi也在積極部署FDE（Forward Deployed Engineer）的合作伙伴，能在其模型基礎上給客戶做端到端交付。

三、預測大模型服務價格趨勢，拆解智能體三大技術創新

談及近期的大模型服務價格波動，黃震昕認為，今年模型普遍漲價的核心原因是算力成本在全球範圍內都在上漲，都跟不上token需求的增長。

他對價格趨勢有兩點判斷：首先，用戶對於最高性能的token需求是有溢價支付意願的；其次，雖然由於芯片荒和算力成本上升導致成本在漲，但模型廠商也在通過Cache優化、推理優化等技術努力，將token的實際成本往下拉。所以目前在成本和技術優化兩端，是有「兩股力量在同時做功」。

「只要給客戶提供了性價比更高、更強的模型，即便價格有波動，客戶整體的體驗和性價比其實是大幅提升的。」黃震昕說，Kimi希望做最高性能的模型，而不是最便宜的模型，但也希望給終端用戶提升性價比，降低使用成本。

月之暗面的團隊很精簡，僅有300多人，不僅做模型效率優化，還專注於底層創新，致力於解決Scaling Law裏遇到的卡點。

在技術創新方面，Kimi圍繞智能體的三個核心維度進行規模化戰略佈局，並已取得如下成果：

（1）Token效率：2025年首次大規模應用Muon二階優化器，成功讓10T數據發揮出20T的效用，token效率翻倍；Muon已經被GLM、DeepSeek V4等模型採用。

（2）長程推理：發布Kimi Linear架構，將模型擴大10倍時原本Token成本膨脹100倍的指數級增長，成功壓縮為線性的10倍增長，大幅降低長鏈路成本。

（3）Agent集群：支持300個子Agent並行完成4000個協作步驟，實現更大規模的並行化，進一步推高多 Agent 系統協作的能力上限。

Kimi還通過持續的工程效率優化來降低使用成本和提升運行速度。

在降本方面，Kimi自研的KVCache中心化解耦架構Mooncake，將Cache命中率提升至92.5%，使K2.7-code模型的有效輸入價格降低74%。

在提效方面，高速版K2.7-code-highspeed輸出速度約為180tokens/s，短上下文場景可達260tokens/s，實現「十幾秒輸出200行代碼」。

黃震昕建議看模型價格時，不能只看輸入輸出，更要看Cache命中率，命中率九十多與七八十相比，成本可能差好幾倍。

他透露，Kimi與亞馬遜雲科技已經開始推進這方面的合作，探討如何將原廠在底層推理優化上的能力共享給合作伙伴，並由雙方協同優化。其目標是在最終上線時，兩邊提供給客戶的Cache命中率、推理性能等水平在同一個高度上。

此外，Kimi也找到很多技術手段來解決服務穩定性方面的問題。

結語：基模廠商應看向更底層的前沿技術

「在探索Scaling Law的路上，Kimi選擇直接向底層模型架構發起挑戰。因為我們深知，只有實現底層架構創新突破，才能真正承載更大的模型規模，讓Scaling Law持續向前，探索智能的上限。」黃震昕說。

2026年初，Kimi開源的「注意力殘差」技術，為下一代大模型架構設計提供了新的思路。OpenAI推理之父Jerry Tworek點評稱「我們應該重新思考一切，深度學習的2.0時代正在到來」。

在他看來，基模廠商不能只看着現有的Harness，必須向更底層的前沿技術看。