谁在训练 Kimi K3 ? 深挖贡献者名单，这有一份最全档案

📌 一句话摘要

文章梳理了月之暗面 Kimi K3 模型背后 400 余名核心贡献者的背景与贡献，展示其年轻团队、技术创新与独特企业文化。

📝 详细摘要

文章通过详细列出月之暗面（Moonshot AI）在 Kimi K3 模型中的 400 余人贡献者名单，展示了该团队的年轻化特征（平均年龄不到 30 岁，80% 为 I 人格，人均估值约 7 亿元人民币）、扁平化无职级无 KPI 的企业文化以及对“品味”的重视。文中重点介绍了核心创始人周昕宇、吴育昕、张宇韬等人的技术背景与代表性成果（如 ShuffleNet、Group Normalization、AMiner），并梳理了团队在模型架构与系统工程方面的关键创新：MoBA 混合块注意力、Muon 优化器、Kimi Linear 线性注意力、Attention Residuals 以及 Mooncake KVCache 分离式推理架构，这些技术显著降低了训练与推理成本，使 Kimi K3 在推理成本上仅为 Claude Fable 5 的 38%。此外，文章指出团队成员普遍具备创业经历或开源贡献，内部推荐占比超 100 人，形成了良好的人才循环与技术闭环。整体内容信息密度高、细节详实，适合关注 AI 人才结构、技术生态及企业文化的读者。

💡 主要观点

- 团队年轻且高度集中，平均年龄不到 30 岁，80%为 I 人格，人均估值约 7 亿元人民币。 文章指出月之暗面员工约 300 多人，平均年龄低，内部 I 人比例高，估值摊薄至人均约 7 亿，反映出团队的高效与潜力。

公司文化扁平化、无职级无 KPI，鼓励员工挑战领导，强调‘品味’作为竞争壁垒。 文中描述月之暗面内部无职级、无 KPI、无部门墙，员工可直接挑战老板，并认为在算法和数据同质化的时代，品味是核心竞争力。

核心创始人周昕宇、吴育昕、张宇韬分别在算法量产、架构优化和基础设施方面拥有深厚背景，分别贡献了 ShuffleNet、Group Normalization、AMiner 等行业级成果。 周昕宇曾参与 ShuffleNet，吴育昕是 Group Normalization 作者并参与 Detectron2，张宇韬主导 AMiner 知识图谱平台，为 Kimi 提供算法、架构和数据基础。

核心技术贡献覆盖 MoBA 混合块注意力、Muon 优化器、Kimi Linear 线性注意力、Attention Residuals 及 Mooncake KVCache 分离架构，显著提升训练与推理效率。 这些创新分别降低算力成本、提升长文本处理速度、优化内存使用，使 Kimi K3 在推理成本上仅为 Claude Fable 5 的 38%。

团队成员普遍具备创业经历或开源贡献，内部推荐占比超 100 人，形成良好的人才循环与技术闭环。 文章提到至少 50 人有创业经历，过去一年超 100 名新人通过内部推荐入职，说明公司依赖内部网络和创业基因吸引人才。

💬 文章金句

- 人均扛起 7 亿人民币的估值

• 月之暗面坚信，在算力和数据日益同质化的今天，‘品味’ 才是建立差异化壁垒的核心驱动力。
• 月之暗面喜欢雇佣 CEO 们，非常青睐有‘创业者光环’或‘赌徒基因’的人。
• 他以第一作者身份发布 MoBA 混合块注意力机制，把 MoE 的专家选择思路迁移到注意力层。
• Mooncake 可使 Kimi 的请求处理量提升 75%；长上下文场景中，有效请求处理能力提升 59% 至 498%。

📊 文章信息

AI 初评：76

来源：AI科技评论

作者：AI科技评论

分类：人工智能

语言：中文

阅读时间：57 分钟

字数：14248

标签： 人工智能, 大语言模型, 模型架构, 开源贡献, 技术人物

阅读完整文章