今天Kimi发布了一系列的新功能，包括新的模型、更强的代码、以及Agent集群能力，号称跑到了gemini-3-pro级别去了，尤其是Agent Swarm集群功能，可以并发操作多个Agent实现复杂任务。
一时间，脑子里很多想跑的。
但好巧不巧，就在刚刚，Deepseek也发布了最新的模型，让外界对v4有了更清晰的预期。
这个很强啊，预期后面会接入更多的应用，直接用国产模型就能干到Manus、Flowith用海外顶级模型的效果哈哈哈。
OK，接着来看下Agent Swarm出来的文章效果，我直接导入了。
DeepSeek-OCR2发布：AI学会用眼睛思考了
过去的AI看图，根本就是在瞎扫描
传统大模型看图的方式极度僵硬——从左到右，从上到下，逐行扫描像素。一篇学术论文和一张购物小票，执行完全相同的路径。
这种固定路径的恶果是：AI明明能看到图，却总要先把图转成文字再推理。绕一大圈，效率低且经常出错。
OCR2干的不是优化，是直接换了底层逻辑
1月27日，DeepSeek-OCR2发布，论文名《DeepSeek-OCR 2: Visual Causal Flow》。
OCR1主攻视觉压缩——文字转像素图再压缩成token。效果还行，但本质仍是像素层面处理。
OCR2彻底换了思路：让AI基于图片的内容逻辑去理解，而非执行机械扫描。看复杂报表时，你不会逐字阅读，而是先扫整体结构，再定位关键数字。大脑瞬间在构建逻辑链条。DeepSeek-OCR2做的就是这个，官方称之为视觉因果流。
图：OCR2核心架构——抛弃CLIP，改用LLM作为视觉编码器
CLIP被扔了，这才是真正的破局点
传统视觉语言模型用CLIP把图像转token序列，按固定光栅顺序喂给大模型，直接无视图像语义。分栏报纸左右两栏文字，按扫描顺序读上下文全乱。
OCR2把CLIP彻底扔掉，改用LLM架构——基于Qwen2-0.5B——作为视觉编码器。编码器不再简单转token序列，而是根据语义内容动态重排token顺序。同样视觉信息，不同内容结构，输出完全不同。
论文称之为两级级联结构：第一级编码器语义重排序；第二级LLM解码器基于有序序列推理。图片里的因果关系被编码进token顺序本身。
图：从光学压缩到视觉因果流的思路转变
Karpathy点破了一个更深的问题
OmniDocBench基准测试，OCR2得分91.09%，比OCR1提升3.73%。阅读顺序准确度编辑距离从0.085降到0.057。这领域基准已很成熟，几个百分点提升都是重大突破。
Andrej Karpathy——前OpenAI研究员——评论指出：最有趣的问题是，像素是否比文本token更适合作为LLM输入。把图片先转文字再喂模型，是必要的吗？还是可以直接让模型从像素开始理解世界？DeepSeek-OCR2的回答很明确：可以直接从像素开始。Tokenization这个被无数人吐槽的环节，可能真的该退休了。
图：视觉压缩技术演进路线
V4传闻：春节前后会憋出更大的招？
开发者社区关于DeepSeek V4的传闻已扩散。据说发布时间可能在2月春节前后，核心方向是AI编程和长上下文代码理解。
更有意思的传闻：V4可能不再区分通用模型和推理模型，直接把R系列推理能力整合进去。若真如此，配置AI应用的复杂度将大幅下降——这意味着全能模型时代或许真的要来了。
——— END ———
怎么样？其实我之前这篇文章其实也是这样用Kimi Office的能力跑的：一文看懂GEO｜普林斯顿大学最新论文解析
图文排版都不用做了，超级省事。
而且加上，Kimi的多模态能力，听说是可以看2个小时的视频？
那是不是可以开发一个产品，直接从youtube、b站等平台视频转成图文章，对标notebookLM，替代youmind等产品，成本下降一半
有没有搞头？？急！！
Kimi Agent Swarm还有什么有趣玩法吗，球球🥺