大模型 Scaling 如何发力？杨植麟 GTC 首秀：聚焦 Token 效率与 Agent 集群

大模型的下半场，门票不再是单纯堆算力，而是要把底层逻辑重新梳理与搭建。

在3月18日举办的英伟达 GTC2026大会上，月之暗面 （Moonshot AI） 创始人 杨植麟 做了一场备受关注的公开演讲。这是他首次系统介绍Kimi K2.5背后的关键技术路线，为“后 Scaling 时代”大模型的演进给出了新方向。

杨植麟 在演讲中强调，想要突破智能天花板，必须对优化器、注意力机制和残差连接等核心模块进行“从零再做”的重构。他把 Kimi 的演进路径总结为三个相互配合的方向：

Token 效率: 杜绝资源闲置，追求更极致的计算能效。

长上下文: 持续强化 Kimi 的长程记忆能力，处理超大规模的信息。

智能体（Agent）集群: 智能形态正从单兵作战，走向可动态生成的“数字集群”。

在 杨植麟 看来，今天的 Scaling 已转向在效率、记忆与自动化协作上挖掘规模效应。若能把这三条维度的增益相乘，模型就可能释放出远超当下的智能水平。

结合此前信息，今年1月底发布的 Kimi K2.5 已经展现出这种“全能”气质。作为月之暗面迄今最强的开源模型，它采用原生多模态架构，不仅在代码与视觉理解上达到 state-of-the-art（SOTA）表现，还支持在“思考”和“非思考”模式之间自由切换，更好地适配 Agent 任务。

随着 月之暗面 技术底牌的亮出，大模型赛道的焦点正从“参数量”转向“智能密度”。当 Agent 集群被视作未来智能的终极形态，Kimi能否在杨植麟提出的“三维相乘”逻辑下实现跨越式升级，正成为行业关注的重点。