Kimi探索版发布,10倍搜索量自主解决复杂问题
大家好,我们又见面了啊~本文《Kimi探索版发布,10倍搜索量自主解决复杂问题》的内容中将会涉及到等等。如果你正在学习科技周边相关知识,欢迎关注我,以后会给大家带来更多科技周边相关文章,希望我们能一起进步!下面就开始本文的正式内容~
2024年10月11日,通用人工智能创业公司——月之暗面正式发布可自主海量搜索解决复杂问题的 Kimi 探索版。Kimi 探索版具备AI自主搜索能力,可以模拟人类的推理思考过程,多级分解复杂问题,执行深度搜索,并即时反思改进结果,提供更全面和准确的答案,帮助用户更高效地完成分析调研等复杂任务。
Kimi 探索版的搜索量是普通版的 10 倍,一次搜索即可精读超过 500 个页面。在内部性能评估测试中,Kimi 的性能评估团队结合 1000 多个来自用户的真实长难问题,对比了国内所有的主流 AI 助手和搜索类产品,包括付费和专业版本,Kimi 探索版的回答准确性和完整性具备全面优势,综合性能超过同类产品至少 30%。
“如果 Kimi 搜不到的信息,那大概率用户也很难自己通过传统搜索引擎找到。未来搜索引擎会成为AI更擅长调用的工具,人只需要专注于提出好的问题,AI就可以结合模型本身的能力在庞大的互联网中自主海量搜索,不断反思迭代,更精准地定位所需答案。” Kimi 探索版产品负责人表示。
据了解,搜索和调研是 Kimi 核心用户群体,即知识工作者和大学生对 AI 工具的核心需求之一。他们需要更高信息密度、更高时效性、更高权威性的搜索和调研信息,但市面上还没有好的工具可以满足他们的需求。大部分 AI 产品提供的高级搜索或研究模式,倾向于拼凑冗长的答案。看似丰富,信息量大,但实际有用的信息不多。AI 偷懒拼凑冗长答案,反而让人浪费了更多时间。
Kimi 探索版希望帮助用户节省花在搜索调研任务上的时间,让大家可以有更多时间专注于提出好问题、专注于思考和创造。如何做到这一点?Kimi 探索版有三个秘诀:
一、自主规划策略,步步为营。在答题之前,Kimi 探索版会像分析师一样,预先规划解决问题的整体策略,将复杂问题分解为层次化的子问题,建立清晰的任务结构,然后分步来执行。在执行具体任务,调用搜索能力获取信息和知识的时候,Kimi 探索版会借助模型能力,识别用户的真实提问意图,把复杂提问转换为多个匹配的搜索关键词,基于前一步的搜索结果来实时生成下一步的搜索关键词,同时也会在必要时转化为不同语言的关键词来搜索。
二、自动化大规模信息检索,穷尽海量权威信源。借助超大的脑容量优势,Kimi 探索版遇到用户的长难提问和复杂问题,可以穷尽海量的权威信息源,迅速掌握回答问题需要的背景信息,成为最适合回答这个问题的助手。我们使用传统搜索引擎查询难搜的之列,会不断变化关键词,但这个过程终究是串行,只能搜完一个关键词,再搜下一个。Kimi 探索版则可以一次并行搜索几十个不同的关键词,筛选和阅读几百个权威的信息源。Kimi 搜不到的,我们人工搜索通常也很难搜到了。
三,即时反思搜索结果,补充信息。就像人一样,Kimi 探索版可以借助反思能力,来提升和改进回答的质量。面对开放探索型问题,Kimi 探索版发现第一次回答的信息存在缺失,会主动补充回答更多。面对数字相关的搜索问题,Kimi 了解更多信息后如果发现了数据冲突,则会及时补充提供多方视角的信息供参考决策。
我们来看一些实例:
如果想了解 50 强公司里有多少总部在北京,过去你需要一个一个查询。现在,Kimi 探索版可以一次搜索几十个关键词,阅读几百个网页,全力帮你找到参考答案。在这个例子中,Kimi 通过反思,发现自己第一次找到的不够完整,又补充了 2 家公司,找出了全部 10 家。

当你想对比买比亚迪股票和黄金这两种投资方案的收益,不需要再分别手动搜索每种方案在不是时间的开盘价、收盘价信息,然后放在电子表格软件里列公式做计算和对比。Kimi 探索版会自己做好规划,一步一步查找所需数据,直接算出答案供你参考:

做行业研究的时候,如果你需要做一个预估的商业分析,比如估算一个小众职业的市场规模。注意,在这个案例中,Kimi 在反思答案之后,给出了更多角度的参考信息。

当你想规划一个排队最少的上海迪士尼游玩路线,Kimi 很乐意主动去找到所有项目列表和排队时长,然后帮忙设计一条参考路线:

如果你正在做全球的人才调研,想要了解海外高校的信息,比如 UCLA 的人形机器人课题组有哪些博士人才毕业,Kimi 会自动切换为英文搜索,为你找到准确的信息。

经常话到嘴边,却想不起来具体的人名、地名、公司名、产品名?Kimi 能帮你做模糊搜索,勾起你藏在记忆深处的印象。经过反思,Kimi 又发现原来 Android 创始人也曾经在这家公司工作过。

开始使用 Kimi 探索版
Kimi 探索版已逐步分批上线 Web 端(kimi.ai),预计下周一前至全量用户。收到更新的用户,只需打开对话框左下角的「探索版」开关,或者直接在对话框中输入斜杠“ / ”,就可以唤醒 Kimi 探索版,让 Kimi 与你一起探索更复杂问题的答案。

为了确保更多人可以用起来,Kimi 探索版目前每人每天可以使用 5 次。据了解,除了网页版之外,Kimi智能助手的手机APP后续也将上线该功能。
以上就是本文的全部内容了,是否有顺利帮助你解决问题?若是能给你带来学习上的帮助,请大家多多支持golang学习网!更多关于科技周边的相关知识,也可关注golang学习网公众号。
构建 JavaScript 代码:可读性和可维护性的最佳实践
- 上一篇
- 构建 JavaScript 代码:可读性和可维护性的最佳实践
- 下一篇
- 碧蓝幻想Relink修改器全面指南:轻松掌握游戏辅助技巧
-
- 科技周边 · 人工智能 | 8小时前 |
- Hugging Face Datasets map batched 返回长度不一致时怎么定位
- 213浏览 收藏
-
- 科技周边 · 人工智能 | 8小时前 |
- Hugging Face Datasets flatten 怎么展开嵌套字段并保留特征类型
- 455浏览 收藏
-
- 科技周边 · 人工智能 | 8小时前 |
- Hugging Face Datasets with_format 和 set_format 混用后为什么列类型变了
- 228浏览 收藏
-
- 科技周边 · 人工智能 | 8小时前 | 兼容性 · LiteRT Select TF Ops TFLITE_BUILTINS TensorFlow模型转换 不支持算子
- LiteRT 转换遇到不支持算子时怎么判断是否启用 Select TF Ops
- 226浏览 收藏
-
- 科技周边 · 人工智能 | 8小时前 | 人工智能 · LiteRT SignatureDef 多输入模型 端侧推理
- LiteRT SignatureDef 多输入模型怎么按签名准备推理张量
- 191浏览 收藏
-
- 科技周边 · 人工智能 | 8小时前 |
- Keras 自定义 train_step 怎么让正则损失继续参与梯度
- 343浏览 收藏
-
- 科技周边 · 人工智能 | 8小时前 | 人工智能 · 深度学习 · Keras RaggedTensor keras.Input ragged=True TensorFlow backend 模型保存 load_model 变长序列
- Keras RaggedTensor 输入模型保存后怎么保持变长序列结构
- 250浏览 收藏
-
- 科技周边 · 人工智能 | 8小时前 | 人工智能 · Keras NaN mixed_float16 mixed precision loss scale 输入范围 dtype policy
- Keras mixed_float16 训练出现 NaN 怎么区分 loss scale 和输入范围
- 337浏览 收藏
-
- 科技周边 · 人工智能 | 8小时前 | 人工智能 · 深度学习 · PyTorch strict state_dict load_state_dict module. 前缀 检查点迁移
- PyTorch state_dict 参数名前缀变化后怎么兼容旧检查点
- 436浏览 收藏
-
- 科技周边 · 人工智能 | 8小时前 | 人工智能 · 深度学习 · 内存优化 · 内存 PyTorch 按需加载 mmap checkpoint torch.load map_location state_dict
- PyTorch torch.load 开启 mmap 后为什么读取参数时才占用内存
- 475浏览 收藏
-
- 前端进阶之JavaScript设计模式
- 设计模式是开发人员在软件开发过程中面临一般问题时的解决方案,代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景,打造一站式知识长龙服务,适合有JS基础的同学学习。
- 543次学习
-
- GO语言核心编程课程
- 本课程采用真实案例,全面具体可落地,从理论到实践,一步一步将GO核心编程技术、编程思想、底层实现融会贯通,使学习者贴近时代脉搏,做IT互联网时代的弄潮儿。
- 516次学习
-
- 简单聊聊mysql8与网络通信
- 如有问题加微信:Le-studyg;在课程中,我们将首先介绍MySQL8的新特性,包括性能优化、安全增强、新数据类型等,帮助学生快速熟悉MySQL8的最新功能。接着,我们将深入解析MySQL的网络通信机制,包括协议、连接管理、数据传输等,让
- 500次学习
-
- JavaScript正则表达式基础与实战
- 在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
- 487次学习
-
- 从零制作响应式网站—Grid布局
- 本系列教程将展示从零制作一个假想的网络科技公司官网,分为导航,轮播,关于我们,成功案例,服务流程,团队介绍,数据部分,公司动态,底部信息等内容区块。网站整体采用CSSGrid布局,支持响应式,有流畅过渡和展现动画。
- 485次学习
-
- PubMedQA
- 深入了解PubMedQA生物医学问答数据集,涵盖其核心功能、使用方法及在临床决策、药物研发等场景的应用,助力提升NLP模型性能。
- 460次使用
-
- H2O EvalGPT
- H2O EvalGPT是H2O.ai推出的开源LLM评估平台,提供详细的大模型性能排行榜、行业特定基准测试及A/B测试功能,助您快速选择最适合项目的高性能大语言模型。
- 521次使用
-
- LMArena
- LMArena是加州大学伯克利分校推出的AI模型匿名评测平台。通过盲测投票机制,用户可对比不同大模型回答并生成实时排行榜,助力开发者优化模型及用户选择最佳AI工具。
- 539次使用
-
- HELM
- 深入了解斯坦福推出的HELM(Holistic Evaluation of Language Models)大模型评测体系。本文解析其核心功能、安装配置步骤及应用场景,涵盖准确性、公平性、鲁棒性等多维度指标,助力开发者全面优化语言模型性能。
- 487次使用
-
- MMBench
- MMBench是由上海人工智能实验室等机构联合推出的多模态基准测试平台,提供细粒度能力评估、大规模数据集及VLMEvalKit工具。本文详细介绍其核心功能、安装使用方法及应用场景,助力开发者全面评估多模态模型性能。
- 307次使用
-
- 本地大模型反复输出同一句话怎么调整生成参数
- 2026-09-06 501浏览
-
- Python 调用大模型时如何用结构化输出校验 JSON:从解析失败到可重试
- 2026-08-29 501浏览
-
- AI写作工具免费版安装教程(含豆包Clawdbot)
- 2026-05-30 501浏览
-
- WPS AI能自动生成PPT吗?输入主题一键制作演示文稿
- 2026-05-27 501浏览
-
- Canva手机闪退解决方法及适配指南
- 2026-05-25 501浏览


