1 月 27 日，兩家最受關注的國內大模型初創(chuàng)公司，幾乎同時放出了各自最新、也是分量最重的一次開源更新：

DeepSeek 發(fā)布并開源了 DeepSeek-OCR 2，這是其在去年震動行業(yè)的 DeepSeek-OCR 基礎上的一次關鍵升級；Kimi 同樣發(fā)布并開源了 K2.5，繼續(xù)推進其超長上下文、多模態(tài)與「智能體化」路線。

表面看，這是兩次方向不同的模型迭代。

DeepSeek-OCR 2 重新回答「模型究竟該如何『讀』信息」，通過新的視覺編碼機制，讓大模型學習人類的視覺邏輯，把原本昂貴、冗長的文本輸入壓縮為更高密度的「視覺語義」。

簡單來說，它試圖改變 AI「讀文檔」的方式，讓模型不用再把一整本文件拆成成千上萬個字「硬讀」，而是像人一樣先看版面、抓重點，再理解含義。這意味著，將來讓 AI 幫你讀長文檔、查資料、扒表格，可能會更快、更便宜，也更靠譜。

圖片來源：DeepSeek

Kimi K2.5 則走向另一個方向：不只回答問題，而是把 AI 往「能干活」的方向再推一步。更長的記憶、更強的多模態(tài)理解，再加上對復雜任務的拆解和執(zhí)行能力，指向的是一種更接近「數(shù)字助理」的體驗，而不是一個只會對話的聊天窗口。

Kimi 就宣稱其為迄今最智能、最全能的模型，同時支持視覺與文本輸入、思考與非思考模式、對話與 Agent 任務。

圖片來源：Kimi

一個聚焦語言模型輸入效率的變革，一個聚焦通用智能與復雜任務協(xié)作能力。但放在同一時間點，它們共同指向了一個更重要的問題：大模型的能力升級，正在從「參數(shù)和對話能力」，轉向更底層、更工程化的能力重構。

AI 正在升級的，已經不只是更聰明的大腦。

從輸入到干活的進化，國產 AI 的兩條升級路線

去年發(fā)布的 DeepSeek-OCR，第一次讓行業(yè)意識到，大模型基于單詞和 Token 逐個輸入的方式本身可以被重做。到了最新發(fā)布的 DeepSeek-OCR 2，更是解決了一個更具體、也更困難的問題：模型到底該怎么「讀」一份復雜文檔。

過去，AI 處理文檔的方式非常機械。無論是 PDF、合同還是財報，本質上都是先被拆成一段段文字，再按順序塞進模型里。這種方式的問題很明顯：

一方面，長文檔會迅速消耗上下文窗口，成本高、效率低；另一方面，表格、多欄排版、注釋和正文之間的關系，經常在「拆字」的過程中被破壞。

DeepSeek 在 OCR-2 中給出的答案，是進一步強化其「視覺編碼」思路，不再把文檔當作一串文字，而是當作一個需要被「閱讀」的視覺對象。

相比一代，OCR 2 的關鍵變化不只是壓縮率，而是引入了更接近人類閱讀習慣的邏輯，從上一代的 CLIP（切片）架構轉向以 Qwen2 為基礎的 LM（語言模型）視覺編碼器。模型不再是同時、平均地處理整頁內容，而是學會區(qū)分結構：

哪里是標題，哪里是表格，哪些信息彼此相關，哪些需要先讀、哪些可以后看。

運作示意圖，圖片來源：DeepSeek

換句話說，它開始理解「版面本身就是信息的一部分」。

這種變化帶來的直接價值，并不體現(xiàn)在「模型更聰明」這樣的抽象評價上，而是體現(xiàn)在一系列非常具體的體驗提升上。比如，當你讓 AI 幫你快速看完一份幾十頁的報告時，它不再需要把每一個字都讀完，才能給出結論；在處理復雜表格時，也不再頻繁出現(xiàn)列錯位、字段錯配的問題。

更重要的是，由于輸入被高度壓縮，同樣的任務可以用更低的成本、更短的時間完成。這也是為什么 DeepSeek-OCR 2 對真正的 AI 應用來說意義更大，它有潛力讓 AI 更適合被放進真實的文檔流程里，無論是檢索、比對、摘要，還是結構化信息抽取。

在這個意義上，OCR 2 解決的不是一個模型能力問題，而是一個長期存在的「用起來不順」的問題。

而相比 DeepSeek-OCR 2 把 AI 的「輸入端」重做了一遍，Kimi K2.5 關注的，則是 AI 代理完成復雜任務的能力。

事實上，今天問題問得再復雜，AI 也能回答；可一旦涉及多步驟、多材料、需要反復引用上下文的任務，模型就很容易「忘前忘后」，或者停留在建議層面。AI 的能力已經相當成熟，不過很多用戶還都是類似的體驗。

Kimi 在 K2.5 中，繼續(xù)把重心放在「長記憶 + 多模態(tài) + 智能體」這條路線上，本質上是在嘗試讓 AI 從「答題模式」，走向「執(zhí)行模式」。

一方面，超長上下文讓模型可以在更長時間內記住對話、資料和中間結論，減少反復解釋的成本；另一方面，多模態(tài)能力讓 AI 不只處理文字，還能理解圖片、界面截圖甚至更復雜的輸入形式。

更關鍵的，是對「智能體」能力的持續(xù)強化。Kimi 不再只是回答你「應該怎么做」，而是嘗試把任務拆解成多個步驟，并且實現(xiàn)了「Agent 集群」，能在不同階段調用不同能力，最終給出一個相對完整的結果。這種能力，決定了 AI 能否真正進入工作流，而不是只停留在咨詢助手的位置。

圖片來源：Kimi

這也是 Kimi K2.5 強調自己「更全能」的原因所在。它追求的，并不是某一個能力點的極限，而是能否承接更長、更復雜、更接近真實工作的任務鏈條。

大模型這一輪，開始卷「能不能真的用起來」

從 DeepSeek-OCR 2 和 Kimi K2.5 往外看，會發(fā)現(xiàn)最近半年的一批主流大模型，升級方向其實異常一致。無論是 OpenAI 的 GPT-5.2、Anthropic 的 Claude 4.5，還是 Google 的 Gemini 3，再到字節(jié)跳動的豆包 1.8、阿里巴巴的千問 Qwen3-Max-Thinking，它們不約而同地把重心從「模型有多強」，挪到了一個更現(xiàn)實的問題上：

讓 AI 更深一步進入真實的工作環(huán)境。

這也是為什么，這一輪升級很少再強調參數(shù)規(guī)模和單點能力，而是反復圍繞幾件事打磨：記得住、看得懂、接得住流程、干得完事情。

首先被集體拉高的，是「記憶」這件事。

過去，大模型更像是短期對話高手，擅長當下回答，卻很難長期協(xié)作。一旦任務變長、材料變多，就需要用戶不斷重復背景。最近這一批模型的升級，幾乎都在解決這個痛點：更長的上下文、更穩(wěn)定的狀態(tài)保持，讓模型能夠跟著任務一路往前走，而不是走兩步就「失憶」。

GPT-5.2 把長上下文和不同推理模式直接產品化，Kimi K2.5 則把超長上下文嵌進智能體流程，讓模型在多步驟執(zhí)行中記住中間結果。這些變化都在讓 AI 不再只是回答一個問題，而是有能力幫用戶做好一件事。

其次，是對「看」這件事的重新理解。

如果說過去的多模態(tài)更多是「能識圖」，那么現(xiàn)在的升級重點，是「能不能看懂」。DeepSeek-OCR 2 代表的，是一種更激進也更務實的方向：不再把視覺當成文字的前置步驟，而是直接把視覺當作信息本身，讓模型像人一樣先理解結構、版面和關系，再進入語義層。

這種變化并不只發(fā)生在文檔場景。無論是 GPT、Claude 還是 Gemini，都在強化對截圖、界面、復雜圖像的理解能力。

圖片來源：Gemini

現(xiàn)實世界的信息，本來就不是一行一行排好的文本。當模型開始真正理解「圖像里信息是怎么組織的」，AI 才可能更自然地嵌入真實環(huán)境，而不是只活在純文本的對話框里。

再往下，是這一輪升級里最容易被忽視、卻最關鍵的變化：AI 的角色轉移。

過去，大模型更像是「顧問」，給建議、給答案，但不負責結果。而現(xiàn)在，越來越多模型開始被設計成「執(zhí)行者」。Kimi K2.5 強調智能體，本質上是在讓模型學會拆任務、接工具、跑流程；GPT-5.2 把不同推理模式與工具調用結合，也是在降低「從建議到執(zhí)行」的斷層。

當 AI 開始接手的是一整段流程，而不是某一個問題，對它的價值判斷標準也隨之改變，關鍵在于「說得對不對」，而在于能不能跑完、穩(wěn)不穩(wěn)。這也是為什么，這一輪升級中，「工程化」的重要性被反復提到。

國內 AI 在這一點上動作尤為明顯。DeepSeek、Kimi、千問、豆包，都在強調模型是否好部署、是否好接入現(xiàn)有系統(tǒng)、是否能跑在真實業(yè)務里。另一方面，國內外 AI 過去一年都在強調通過更強的產品封裝，把復雜能力隱藏在界面和服務之下。實際上目標一致，都是讓 AI 不再停留在「演示」，而是「可用」「好用」。

寫在最后

沒有哪個模型做到了「通用智能（AGI）」，但把時間線再拉長一點看，更多變化發(fā)生在不那么「奪目」的地方：輸入方式被重新設計，任務開始被拆解和接管，模型被要求在更長時間、更復雜流程中保持穩(wěn)定。

當模型開始被認真地放進真實的日常生活和工作環(huán)境中，被反復驗證、反復調用，它的價值衡量標準也隨之改變。不再是誰的參數(shù)更大、回答更驚艷，而是誰更省成本、更少出錯、更值得長期依賴。

從這個角度看，DeepSeek-OCR 2 和 Kimi K2.5 的意義，并不只在于它們各自解決了什么問題，而在于它們代表了一種更現(xiàn)實的共識：AI 邁入真實世界的下一步，必須邁出問答。