楊植麟在GTC2026 攤牌：月之暗面把Adam、全注意力和殘差連接全換了，而且全部開源

在 GTC2026 的演講舞台上，月之暗面（Moonshot AI）創辦人暨執行長楊植麟沒有把焦點全放在自家最新的 Kimi K2.5 模型上，而是選擇攤開一家開源模型公司過去一年多來最關鍵的技術抉擇。他明確指出，當開源模型試圖追趕閉源前沿時，除了無止境地堆疊參數與算力，還存在另一條路：將 Transformer 時代沿用近十年的三個基礎組件——優化器 Adam、注意力機制與殘差連接——逐一替換，而且這些替代方案已全數開源。楊植麟將這條技術路線拆解為三個核心方向：讓每一個 token 的訓練效益變得更昂貴、讓更長的上下文脈絡真正發揮作用，以及讓多個 AI Agent 能夠協同工作。

此外，他也公開了兩項重要進展：視覺訓練如何反向強化文本推理能力，以及月之暗面最新發表的下一代基礎架構「Attention Residue」。首先面臨的現實瓶頸，是高品質訓練數據即將見頂。網際網路上的有價值文本有限，當模型規模持續膨脹，資料需求只會越來越大，總有一天會撞上數據牆。既然數據難以翻倍，月之暗面的解方是讓模型從同樣的資料中學到更多。他們提出的答案是 MuonClip，用來取代已沿用超過十年的 Adam 優化器。MuonClip 奠基於 Muon 優化器，在更新參數時設法讓不同方向的資訊保持獨立，減少重複與浪費，進而拉高訓練資料的使用效率。

實驗顯示，在使用相同資料量的條件下，MuonClip 的訓練效果接近於把資料量翻倍，既壓低了訓練成本，也推升了模型的能力上限。楊植麟比喻，假如手上擁有 50 萬億個高品質 Token，效率提升一倍就相當於多出 50 萬億 Token，在優質資料日益稀缺的時代，這種效率提升遠比單純加算力更具戰略價值。不過 Muon 本身有個棘手問題：當模型擴展到萬億參數後，注意力層的數值容易失控，最大 logit 可能突然飆升到 1000 以上，遠超出正常範圍的 50 到 100，一旦繼續膨脹，訓練曲線就會發散甚至直接崩潰。

為了解決這個問題，月之暗面設計了 QK-Clip，在前向計算時即時監控每個注意力頭的最大 logit，一旦超出安全範圍就同步縮放 Query 與 Key 的投影數值，把數值壓回穩定區間。這個機制不改變收斂效果，只負責維持數值穩定。靠著 QK-Clip，Muon 成功擴展到萬億參數規模，並訓練了超過 15 萬億 Token，過程中完全沒有出現任何一次 loss spike。第二個方向是讓長上下文真正發揮效果。

楊植麟引用 Scaling Law 論文作者 Jared Kaplan 等人的實驗指出，LSTM 讀到一定長度後表現就難以提升，但 Transformer 的上下文越長，預測通常越準確，且未見明顯的飽和點。這個特性在 Agent 時代尤其關鍵，因為複雜任務可能持續數天甚至數週，模型必須記住先前的行動、結果與已失敗的方向，長上下文若不能持續提供有效資訊，任務鏈條很容易中斷。然而標準全注意力的計算量隨上下文長度呈平方增長，上下文擴增十倍，計算量可能增加百倍，到了百萬 Token 等級，訓練與推論成本都極為驚人。

月之暗面的解法是 Kimi Linear，核心是名為 KDA（Kimi Delta Attention）的線性注意力機制。傳統線性注意力只有一個全域衰減係數，等同所有內容共用同一個遺忘按鈕；KDA 則將一個衰減係數拆成多個，不同資訊通道可以使用不同的遺忘速度。衰減慢的通道保留長距離資訊，衰減快的通道則能迅速騰出空間吸收新內容。實際使用時，Kimi Linear 以三比一的比例混合線性注意力層與全注意力層，楊植麟稱這是第一個在短上下文、長輸入與長輸出任務上都能全面超越全注意力的架構，且當上下文擴展到百萬 Token 甚至更長時，效率優勢更為明顯。

第三個方向是從單一 Agent 發展為一支 Agent 團隊，月之暗面稱之為 Agent Swarm。它的運作方式類似一家公司：一個主 Agent 擔任 CEO 角色，負責理解目標、拆解任務並分配給多個子 Agent，這些子 Agent 可以分別扮演研究員、程式設計師、數據分析師與事實查核員，完成後再由主 Agent 彙總結果。最大價值在於將串行任務改為並行，過去一個 Agent 必須依序搜索、閱讀、分析、編寫程式與查核，現在幾十甚至幾百個 Agent 可以同時作業。

要訓練這種協作並不容易，月之暗面設計了三種獎勵機制：實例化獎勵鼓勵主 Agent 創建更多可並行的子任務，避免退化回串行模式；完成獎勵要求子任務確實完成，防止為了刷獎勵而批量開設空任務；最終結果獎勵則判斷任務是否真正解決。三種獎勵的權重會隨著訓練動態調整，前期側重任務拆解與並行化，後期轉向最終結果。從現場演示來看，Agent Swarm 能夠同時下載閱讀數百個資訊來源完成研究、並行撰寫上百頁文獻綜述的不同章節，以及同時分析十個數據集。Kimi K2.5 發表時已支援最多 100 個 Agent 並行，任務最多可執行 1500 個步驟；而今年 4 月推出的 K2.

6 更將並行上限提高到了 300 個。一個意外收穫來自視覺與文本的融合。K2.5 與前代 K2 的關鍵差異在於採用早期融合訓練：過去許多開源多模態模型走後期融合路線，先用約 20 萬億文本 Token 訓練出語言模型，再用約 2 萬億多模態 Token 將視覺能力貼上去；K2.5 則從訓練一開始就把視覺與文本數據混在一起，在 K2 文本基座上又訓練了約 15 萬億混合 Token。這帶來兩個讓楊植麟感到振奮的結果。其一，只訓練視覺任務也能提升文本推理：研究團隊讓模型數數、識圖、做視覺問答，完全沒有加入數學或程式訓練，但文本推理能力卻同步增強。

換句話說，模型在練習「看」的同時，「思考」能力也進步了。其二，反向來看，如果文本基座夠強，模型甚至不一定需要專門的視覺監督微調數據——K2.5 採用零視覺 SFT 方案，所有監督微調數據都是純文本，再透過文本與視覺聯合的強化學習獲得視覺能力，最終在視覺任務上仍接近最先進水準。楊植麟認為，這種雙向遷移來自早期融合：當文本與視覺進入同一個表徵空間，一個模態學到的能力才有機會遷移到另一個模態，這也是 K2.5 能夠看圖寫程式碼的根基。演講尾聲，楊植麟介紹了月之暗面在演講前兩天（3 月 15 日）剛發表的新研究 Attention Residue（注意力殘差）。

殘差連接是 2015 年由何愷明等人提出的深度網路基礎技術，如今已是 Transformer 的標準組件，它讓每一層既能處理上層結果，又能保留一條直接傳遞資訊的通道，使深層模型得以穩定訓練。楊植麟援引 Ilya Sutskever 的說法，將殘差連接理解為旋轉了 90 度的 LSTM——LSTM 在時間維度上傳遞資訊，殘差連接則在深度維度上傳遞資訊。既然 Transformer 已經用注意力取代了 LSTM 在時間維度上的循環，那麼深度維度是否也能用同樣的方式替換？

Attention Residue 正是這個思路的產物：標準殘差主要依賴上一層的輸出，而 Attention Residue 允許當前層查看所有前序層的輸出，再透過注意力決定哪些歷史資訊保留、哪些忽略，讓模型從被動接收上層結果，變成主動從整個計算歷史中挑選資訊。為了控制成本，實際使用時採用分塊版本 Block Attention Residual，每 16 層組成一個塊，塊內仍使用標準殘差，塊間才採用注意力殘差；實驗顯示大約 8 個塊就能取得大部分收益。

這項技術帶來了約 24% 的 Token 效率提升，按照楊植麟的算法，50 萬億 Token 的效率提高 24%，相當於額外增加 12 萬億 Token，在 GPQA、MATH、HumanEval 等推理、數學與程式測試上的提升尤為明顯。將這三項技術並列來看，月之暗面的替代清單清晰得近乎直接：Adam 換成 MuonClip、全注意力換成 Kimi Linear、殘差連接換成 Attention Residue，分別對應如何從有限數據中學到更多、如何更有效率地運用超長上下文，以及如何讓深層網路更靈活地傳遞資訊。三者都能相對獨立地替換現有組件，且都已開源。

這些技術能否直接疊加、增益能否簡單相乘，目前尚未經過完整驗證，但它們至少說明了一個事實：許多被認為已經足夠好的基礎組件，可能遠未達到終點。在優質數據越來越少、訓練成本越來越高的當下，重新設計優化器、注意力機制與殘差連接，同樣能帶來可觀的進步。而這也正是楊植麟整場演講想傳達的核心訊息——開源模型不能只是開放，還必須具備足夠的競爭力。