360度解析Kimi AI：超长文本分析的领航者，未来已来？

最近几天微信、知乎到处都是Kimi.ai的推荐，特意去查了一下百度指数，确实是口碑爆了，热度极高。

产品背景

公司叫月之暗面（Moonshot AI），成立于2023年3月，创始人90后、清华系背景，美团、阿里、小红书等都有投资，24年3月最新估值25亿美金。

创新点：支持超大输入

号称全球首个支持20万字输入的LLM，OpenAI的GPT-4-32k支持约2.5万字，GPT-4Turbo-128k约为10万汉字。直接输入一本《后宫甄嬛传》，155万字符。

除了长篇小说以外，大部分书籍其实都在10-20万字之间，Kimi基本可以满足需求。
超长文本、超大数据肯定是未来生产力的发展方向。作为数据行业从业者，希望未来大模型能直接处理海量数据，真正实现自然语言编程。

创新点：支持联网

Kimi搜索了5篇互联网文章，并且阅读以后，给出了3月25号当天的股市情况。
实际答案是错误的，原因是Kimi阅读了一篇3月25日当天写的文章，里面提到了上周五的收盘情况，Kimi引用了错误的数据。
测了其它大模型，也会犯一样的错误，所以答案不准确是当前大模型的通病，说明人工审核和校正还是非常重要。
造成错误的报道：A股早报2024年3月25日星期一

生产力工具：信息检索

Kimi风控反作弊类Top1-风控反作弊AI顶会论文梳理是3月21日我写的文章，很高兴能被Kimi Top1推荐。
对比百度、Google和其它大模型的输出，猜测Kimi后台应该是自建了搜索引擎，其中CSDN的权重比较高。

生产力工具：代码生成

from sklearn.datasets import load_iris
from sklearn.tree import DecisionTreeClassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score, classification_report

# 加载数据集
iris = load_iris()
X, y = iris.data, iris.target
# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)
# 创建决策树分类器实例
clf = DecisionTreeClassifier(random_state=42)
# 训练模型
clf.fit(X_train, y_train)
# 进行预测
y_pred = clf.predict(X_test)

# 评估结果
accuracy = accuracy_score(y_test, y_pred)
print(f"Accuracy: {accuracy * 100:.2f}%")
report = classification_report(y_test, y_pred)
print("Classification Report:")
print(report)

比较完整的代码，符合预期。