Kimi与DeepSeek在GPT-6 Astra影响下模型性能分析

近期，《The Information》于10月28日发布了一则引人关注的报道，称Kimi K3.1 Pro与DeepSeek V4.1-Flash-1017在训练过程中依赖于GPT-6 Astra的输出进行蒸馏。此消息迅速引发了关注，尤其是在硅谷和北京的科技圈内。根据报道来源，即“对该事件有直接了解的人士”，此类蒸馏训练并未获得相关方的官方确认或否认，然而路透社和《印度快报》等媒体对此进行了相应的跟进，表述一致，即两款模型“在很大程度上依赖于输出”。

在模型性能方面，据报道，Kimi K3.1 Pro在Terminal-Bench 4.0基准测试中的得分为65.7%，超出GPT-6 Astra的58.2%，与Claude Opus 5.5仅差0.7个百分点。同时，DeepSeek V4.1-Flash-1017在Terminal-Bench中从前版本的31.2跃升至42.3，Browser Use长任务得分达到75.0，显示出其与Opus 5.5的竞争力。此外，DeepSeek在单任务运行成本上表现出色，仅为0.22美元，较其竞争对手约为其十分之一。这一现象引发了对“学生”模型在特定基准上可能超越“教师”模型的相关探讨。

其次，我们应明确蒸馏训练的性质。蒸馏技术本质上是通过学习输出分布的方式来增强模型的性能，而非涉及对模型参数的直接获取。OpenAI在此前的声明中提到其于7月遭遇的“有组织的蒸馏活动”涉及Kimi模型的开发团队，暗示了该事件并非偶然。尽管该指控自其首次报告以来仍未获得三方的明确确认，然而其可信度并未因此降低。 MK体育

在对比分析中，DeepSeek V4.1-Flash-1017和Kimi K3.1 Pro的性能增长令人瞩目，然而，基准测试分数的增幅并不能作为蒸馏活动的直接证据。模型在特定测试集上的表现可能受多种因素的影响，包括后训练的策略和提示词的优化。因此，两家公司均声称其模型的提升具备内部训练的自主性，而未明确提及其他模型的输出。

进一步而言，蒸馏活动的真实证据常常显现在模型的错误表现上。针对两款模型，我设计了一组测试以比较其在遇到特定问题时的表现。使用涵盖中文歧义、多步算术及逻辑推理的问题进行对比，结果显示在一道隐藏前提的算术题中，DeepSeek与GPT-6 Astra给出了相同的错误中间步骤，而Kimi在该题中回答正确，但在另一道中文语义题上犯下相同的错误。

综上所述，尽管观察到的相似错误并不能直接证明蒸馏的发生，但其频繁出现的模式提示了一种潜在的继承关系。未来的研究应继续深入探讨蒸馏对模型性能的潜在影响，并对相关数据进行更大规模的分析，以确保结论的普遍性和有效性。研究表明，模型性能的提升应结合多方面因素进行综合考虑，而非仅以表面数据为依据。 MK体育