估值20亿的kimi-Chat是什么，它的出现又会带来什么影响呢？大家一起接着往下看，下边笔者整理分享的关于kimi-Chat的相关内容，或许会收获更多内容哦！

我每天都写文章，并不稀奇。

然而，当涉及商业分析、数据处理相关问题时，不能马虎处理；这些情况下，必须深入调查。 搜集公开网络上的分析和财务报告，是一项艰巨的挑战。

为什么？

准确性至关重要。 如果信源不准，会直接导致分析结论偏差。想必前段时间某大V翻车的事件，给大家诸多启发。

避免信息过时。 今天的新闻，明天可能就过时了。所以，不停地搜索最新信息、数据，能确保分析、决策不会基于过时的情况发生。

真正了解市场。 光看数据还不够，市场比较复杂，得深入挖掘才能看到有哪些潜在风险，这也能找到隐藏的不同角度。

所以，我最头疼的一件事是 看报告、看财报、看数据。

怎么办？我打算让AI帮我处理，也遇到一些挑战。在国内，很难找到有效阅读PDF和其他文档格式的高效AI大模型。

于是，我转向ChatGPT-4。

用近四个月，最大问题是经常遇到长度限制，较大文档你得切两半才能上传，要么，上传文档后解析结果不尽人意，这些问题非常困扰，比直接阅读报告还头疼。

直到前段时间遇到Kimi-chat，极大减轻了我的分析负担，仿佛找到一个能理解复杂报告的助手。

一、Kimi-chat是什么呢？

如此卡哇伊的名字，这个答案隐藏在它的口号中： 别焦虑，Kimi帮你整理资料，文件，拖进来；网址，发出来。 一看就是一个有效整理、处理资料的工具；网址是： https://kimi.moonshot.cn。

打开网址，非常简洁，对话框呈现在眼前，人工智能小人告诉你，可以把网址、文件发给它，可以帮你看看，既然是这样，我们就一个一个测。

1. 读文件

根据Kimi-chat官方宣传，它最多支持20W字上下文输入，也就是说，我把一篇PDF小说、书籍塞进去都没问题。

我就试了一下，把自己2021年写的《复利思维》.PDF塞给它，完全没问题，这本书共计12万字。

然而，当我尝试输入《信息论40讲》时，系统提示我超过了对话长度的175%；而《被讨厌的勇气》这本书，则超出20%。

我轮番测试，把我第二本即将要出的书14万字world塞给它，它显示超出36%。 14万字的百分之36%大约是5万字； 换句话说，它支持一口气10万字以内的内容处理。

为绕过字符限制，我换了方法。

将一份10万字的文档分成两半，分别输入到Kimi-chat中，结果显示系统能够无障碍处理。但是，我注意到处理PDF文档有个要求：扫描件不行。

我还发了两篇大约3万字的文档给它，也没问题。

比较惊讶的是，它能够根据之前我发给它的信息来回答我的问题；也就是说， 不管我问什么，只要在这个对话框里说过，它都能记住，回答得更准确、更有条理。

这个功能对我来说特别有用，尤其是处理长篇大论的时候。

我还测试了表格总结能力，给它多个表格，让它把重点罗列出来。 它能清楚地按逻辑顺序归纳，还能基于提炼的内容，再做成表格，复制到Word、Markdown里都能用。

为了方便，我还让它帮我基于PDF、Word资料提出50个问题，并把问题做成表格。这也都没难倒它，真是挺强大的。

话说回来，即使是付费版的GPT-4，它处理上下文时的token数量上限也只是32K。

虽然根据我自己的测试，似乎只能处理大约10万字。不过，实际上10万字的处理能力，对于大多数情况来说，也已经足够了。

2. 读网页

我先试了Kimi Chat给的一个示例，就是总结一篇大概3.6万字的文章，并让它像个AI专家似得提出三个问题。 Kimi Chat给我找了一篇关于人工智能的文献，10几秒分析完，速度挺快。

我分别将虎嗅、36氪、百度、豆瓣等多个网站的链接发送给Kimi Chat。它不仅能够读取这些链接中的内容，还能够概括出各篇文章主旨，当我需要更深入的细节时，它也能提供。

比如：

我问它，某个文章第一段主要讲啥？核心观点是什么？

它能快速给我总结出来。这样我就不用自己费劲去翻找了，直接知道文章的要点。特别是我有一堆东西要看的时候，这个功能真的挺省事。

我对Kimi Chat进行了连贯性测试。

先把三篇讲差不多东西的文章的链接，扔到同一个聊天窗口里，一块儿发过去，然后问它一些问题。它回答得挺好的，一点儿都不乱。

后来我又换了个招，发三篇完全不同主题的文章，还来自不同网站，结果它照样能处理得挺顺利。

总之，在处理文件和网页内容方面， Kimi Chat的一个大优点是能上传多种类型、来自不同网站的内容。 它甚至可以将您的问题和答案整理成表格，方便查看和理解，分析能力很强。

但也有些局限。

比如，它不支持在一个对话框里同时上传网页和文件。 而且，尽管官方宣称它能一次性处理20万字，实际上我发现它并没有达到这个标准，也可能是我人工测试的不精准。

说实在，就读网页、读文档方面，这些功能足够使用了。

3. 文本搜索

文本搜索，对一个内容创作者，最重要的能力是什么？ 答案是准确性、相关性。

举个例子：

最近各家都在频繁出Q3财报，财经类作者需要迅速获取这些财报的详细信息，来进行分析； 这种情况下，他们可能会用关键词，如“网易2023Q3财报”进行搜索。

搜索出来后，基于财报简要、主要财务指标、市场分析的评论、以及其他媒体的报道，然后结合自己的观点提出不同角度。

那么，大家常规怎么操作的呢？

基于某度、某乎、某氪、或者微信搜索进行搜索，这非常麻烦。我把这个问题，交给了Kimi Chat。

它直接给我事实搜索出，2023年11月16日网易发布的第三季财报内容，并且指出该季度增长如何、业绩如何；毛利多少、实现毛利润多少。

…..

为了更深入了解网易。我让它给出（资产负债表状况）公司的资产、负债和股东权益的状态如何？是否显示出财务健康和稳定性？

它迅速给我找出5篇资料。

但由于分析过程比较复杂，它没办法直接给出结论，最后，它建议我关注流动比率、负债占资产比率、净资产收益率。

我问它你能帮我找到吗？

它无法直接找到三个问题同样的内容，但为我提供了关于负债占资产比率的5篇文章。后来，我把5篇链接复制下来给它，让它分析，它也无法给出占资产比率。

也就是说，

第一，这个工具能提供实时搜索，但它的功能有限。

比如，如果您需要了解占资产比率，但这个信息没有直接提及在内容中，工具就不能自动计算、提供数据。它不能基于财报进行额外的计算。

第二，联网搜索和文档（链接）分析是分开的。

如果你已经向它发送任何链接、文档，那么，它就无法再帮您搜索网络上的内容，不过，要是开启一个新的对话，它就可以再次联网搜索；

其三，未联网下，它的知识库训练截止到2021年11月，和ChatGPT-4时间相似。

4. 找资料

文本搜索，就像在网上快速找东西，输入你想知道的关键词，然后它会给你一堆信息； 但找资料不一样，它更像你已经知道什么，然后去挖掘背后的故事。

这个观点谁提出的，什么时候提出。不是简单搜搜看，更像深入地去研究背后的信息。

举个例子：

我平时写认知心理学的内容比较多，所以经常得翻翻谁最先提出某个概念，或者找找相关的学术研究之类的。

于是，我针对“焦虑”一词，提出了几个问题，让它帮我找出来。结果挺让我吃惊的。

它给我抓取了百度知道、头条百科、以及学术方面的内容，并且对这些内容进行了详细的解释。

继续我的实验。

我对它引用的资料：[(1917)焦虑(《精神分析引论》第25讲)提出新的问题。我想知道里面提到焦虑分为几个部分，但它告诉我，对这个知识领域不够了解，无法给我想要的答案。

于是，我尝试了另一种方法。

我把它提供的链接复制下来，开启了一个新的对话框，并再次提问焦虑分为哪几个部分。这次它给了我答案，告诉我焦虑可以分为：

• 现实焦虑（Realangst）
• 神经性焦虑（Neurotischer Angst）
• 道德焦虑（与超我相关）

也就是说， 这个工具自己不能从它给你的链接里，再挖东西出来。 如果你想知道更多，得自己复制它给的那个链接，再发回去给它，这样它才能根据这个链接找出你要的详细信息，ChatGPT-4至今也无法做到。

最后，我又测试了一下它的自语言处理能力（NLP）。

什么是自语言？

简单来说，个人在不太正式的情况下，用最自然、最习惯的方式表达的语言，这包括用方言、非常口语化的方式表达出来的想法。

它实际反应一个人的思考模式和内心状态。

比如：

一个人面对困难时，可能会对自己说，加油，你能行；这种语言往往非常直接、真实，并且表达用词非常个人化，有口头禅、自创词汇。

这种在没有旁听者的情况下，用来鼓励自己的言行，就是一种自语言。

日常我和客户访谈居多。最近，尝试了一个新方法：

将我和一位高管的访谈对话转录成文字，然后交给了Kimi-chat，看看它能否理解这些内容，并生成一个剔除那些非正式或口语化表达（俗称“口水话”）的文本。

结果，它的能力还是令我挺吃惊地。 我能完全理解采访的实质内容，还能生成更加有逻辑、清晰的形式，这对于整理采访记录、提炼重点信息来说，非常有帮助。

综合来看，我总结了它的4个优点：

• 快速享应
• 高可用性
• 不漏信息
• 学习长文本

它用来起挺方便的，不需要代理。而且给它一大堆文字也不用怕丢失，回答快，准确性高，就算你丢给它一个超大文件，也能把里面所有信息炒出来，一个不漏。

讲真，国产大模型我也测试了很多，目前能做到这个地步，还算不容易；当然，评价一款软件，首先看它好不好用，长期坚持使用一款软件，我更关心它会不会跑路。

二、该公司背景

该公司创始人叫，杨植麟。他是一位90后的AI天才，曾是清华大学的学生，师从IEEE Fellow唐杰。

本科毕业后，他就去了自语言处理（NLP）研究全球排名第一的卡耐基基梅隆大学攻读博士学位。攻读期间发表关于Transformer-XL和XLNet的两篇论文，主要给AI大模型技术提供了突破性基础。

后来自己创立名叫“月之暗面”（MoonShot AI）公司，发布一款千亿参数的大模型moonshot，用来承载Kimi Chat，至今估值20亿美金。

这个公司有两位联合创始人，分别为周昕宇、吴育昕，他们在大模型的工程、算法开发方面都有丰富的经验。目前公司的团队规模超过50人，成员多来自于谷歌、Meta、亚马逊等全球科技巨头，是一个国际化的团队。

我比较好奇，为什么叫月之暗面？

于是，我就去找了找原因。这个名字来源于创始人个人喜欢的一张专辑Pink Floyd的《Dark Side of the Moon》。

意思是，月球的暗面始终背对地球，处在地球人的视线外，象征神秘与未知。

公司想在人工智能领域探索这种未知，就像月球暗面一样，充满神秘和挑战；因此，他将公司民命为月之暗面。

这个软件为什么内容比较精准、且处理长文本呢？杨植麟认为市场的大模型有三种：

• 金鱼型
• 蜜蜂型
• 蝌蚪型

金鱼比较健忘，就像滑动手机窗口一样，模型会基于窗口，自动把之前的内容扔掉，只关注最新输入的东西，所以它没法完全懂整篇文章的意思，处理不了跨好几篇文档的对比。

好比，我有10万字访谈记录，它就不一定能从里面找出来最重要的10个观点、问题是什么。

蜜蜂型处理方式，像蜜蜂采花那样，只关注一小块，不管整体。它会在给的文本里搜寻、增强信息，但只专注于其中一部分。

就好比，假设你给它10份简历，它能帮你找出每份简历的重点，但就做不到更深入地挖掘每个细节。

蝌蚪型，就像是个还没长大的小蝌蚪，能力还没完全长成。为了让它处理更长的文字，就得减少一些参数，比如只用百亿个。

这就像是，想让一个人走更远的路，就让他的背包轻一些，因为书少了，做的事情也就少了。

因此，杨植麟认为，对于‘月之暗面’这个项目来说，成功的第一步是解决‘长文本’处理的挑战。

例如，要通过分析多篇财务报告、处理多份法律合同、或者汇总多篇文章，才能有效地找到关键信息。这种能力对于深入理解、处理大量复杂数据至关重要。

话说回来，长文本能力的提升，不仅让AI工具在日常工作流中更好用，还能更好地辅助人类进行跨领域、跨学科主题发散思考。这难道不是好事吗？

嗯，至少从我的角度来说，挺好的，你可以试试。

三、总结

AI的记忆力，越来越好了。

估值20亿的kimi-Chat真香，这家年轻的公司已经展现出巨大潜在价值， 它能否像open-AI一样，成为国内的巨头，就看如何把握机遇，应对挑战了。