9月10日消息，今日上午，阿布扎比穆罕默德·本·扎耶德人工智能大學（MBZUAI）聯合AI創企G42推出的新低成本推理模型K2 Think，相關論文已arXiv預印本平臺發表，昨天下午模型在Hugging Face、GitHub上開源。

K2 Think有320億個參數，基于阿里巴巴的開源模型Qwen 2.5構建，性能超過參數規模是其20倍的OpenAI和DeepSeek旗艦推理模型。

在復雜數學任務基準測試中，研究人員計算了K2 Think在AIME24、AIME25、HMMT25和OMNI-Math-HARD中的平均得分，超過GPT-OSS、DeepSeek V3.1、Qwen3 235B-A22B等一眾開源模型。

技術報告中，研究人員提到K2 Think背后有六大技術創新協同，研究人員通過監督微調擴展基礎模型的思維鏈能力，然后通過可驗證獎勵強化學習（RLVR）增強推理性能、利用推理時間技術增強模型，最后在部署K2-Think時進行兩項速度優化，包括推測解碼和Cerebras的晶圓級芯片，同時使用公開可用的開源數據集訓練。

值得一提的是，研究人員將K2-Think部署在Cerebras晶圓級芯片WSE系統，WSE每秒可交付約2000個token，相比在NVIDIA H100/H200 GPU等常規部署環境中觀測到的標稱每秒200個token，性能提升了10倍。

K2-Think背后有兩大強力推手：一方是穆罕默德?本?扎耶德人工智能大學（MBZUAI），這是阿拉伯聯合酋長國專門設立、聚焦AI研究的機構；另一方是阿布扎比支持的科技集團G42，不僅在2024年拿到微軟15億美元投資，還在阿聯酋建造OpenAI、軟銀等企業聯合投資的AI基建 “星際之門”。

該模型的權重、訓練數據、部署代碼和測試時優化代碼已經在Hugging Face、GitHub上開源。

Hugging Face地址：

GitHub地址：

K2 Think主頁：

技術報告：

https://arxiv.org/abs/2509.07604

一、數學性能領先OpenAI、DeepSeek旗下開源模型，要為數學、科學提供特定用途服務

MBZUAI校長兼首席AI研究員Eric Xing在接受外媒WIRED采訪時透露，K2 Think是使用數千個GPU開發的，最終的訓練過程涉及200到300塊芯片。

K2 Think并非一個完整的大語言模型，是專門用于推理的模型，能夠通過模擬推理方式來回答復雜問題，而不是快速綜合信息來提供信息輸出，Xing提到，他們在未來幾個月將K2 Think整合到一個完整的大模型中。

在復雜數學領域，K2 Think在AIME 2024、AIME 2025、HMMT 2025 和 Omni-MATH-HARD四個基準測試中的平均得分為67.99分，超過規模更大的DeepSeek V3.1 671B、GPT-OSS 120B模型。

編程能力上，K2-Think在開源代碼能力基準LiveCodeBench上獲得63.97分，超越了規模相近的同類模型GPT-OSS 20B、Qwen3-30B-A3B。

在用于評估大模型將復雜科學問題轉化為可執行代碼能力的SciCode基準測試中，K2-Think獲得39.2分排名第二，與第一名的Qwen3 235BA22B僅有0.1分之差。

在科學推理方面，模型在GPQA-Diamond基準測試中的表現為71.08，表現優于除OpenReasoning-Nemotron-32B、GPT-OSS 120B之外的大多數開源模型。

MBZUAI基礎模型研究所所長Hector Liu提到，K2-Think的特別之處在于，他們將其視為一個系統，他們的目標不是構建類似ChatGPT的聊天機器人，而是為數學和科學等領域的特定用途提供服務。

二、六項系統級創新，全訓練過程均采用開源數據集

K2-Think的技術報告顯示，其背后有六大技術創新，包括思維鏈監督微調、可驗證獎勵強化學習（RLVR）、推理前的Agent規劃、測試時擴展、推測解碼和推理優化硬件、僅使用公開可用的開源數據集訓練。

基于這種系統化的技術創新，K2-Think通過長鏈式思維監督微調增強了邏輯深度、可驗證獎勵的強化學習提高了解決難題的準確率、Agent式規劃使模型能夠在推理前分解復雜挑戰、測試時擴展技術進一步提升了模型的適應性，最終實現性能對標更大參數規模模型。這使得模型能夠提供強大的思維鏈推理能力和近乎即時的響應時間。

在監督微調階段，K2-Think使用思維鏈對基礎模型進行監督微調。研究人員采用了現有的AM-Thinking-v1-Distilled數據集，該數據集由CoT推理痕跡和指令/響應對組成，提示來自數學推理、代碼生成、科學推理、指令遵循和一般聊天等任務。他們評估發現，SFT模型在各個采樣預算下均優于基礎模型。

在可驗證獎勵強化學習階段，可驗證獎勵強化學習通過直接優化模型生成的正確性，降低了基于人類反饋強化學習（RLHF）基于偏好對齊的復雜性和成本。因此研究人員使用了Guru數據集，該數據集包含數學、編程、科學、邏輯、模擬和表格六個領域任務、近92000個可驗證問題。

在測試時間改進階段，為了進一步提升模型性能，研究人員開發了測試時框架，為訓練后的推理模型提供結構化輸入，包括推理前的Agent規劃，即“先計劃后思考”，以及使用Best-of-N采樣的測試時擴展。

▲模型從輸入到最終響應的信息流

從輸入到最終響應時，模型會重構提示以概述總體規劃、突出相關概念。然后這一增強的提示將通過K2-Think模型生成多個響應，最后對候選響應進行兩兩比較，最終選出最佳生成結果作為推理系統的最終輸出。

第四階段是部署，在具有挑戰性的數學證明或多步驟編碼問題中，一個典型復雜推理任務一般會生成32000個token的響應。在NVIDIA H100上，這可以在不到3分鐘的時間內完成，在WSE上，同樣32000個token的生成任務只需16秒。

這是因為GPU必須在每個token生成時不斷將權重從高帶寬內存傳輸到GPU核心，而WSE將所有模型權重存儲在海量片上內存中，充分利用每秒25PB的片上內存帶寬，比最新NVIDIA B200 GPU提供的0.008PB/s高出3000多倍。

結語：小參數模型經后期訓練，可媲美更大參數模型

K2-Think模型的性能證明，320億參數規模的模型經過后期訓練，能夠生成較長的推理思路鏈，并結合相對較少的測試時間計算，可以實現小模型與參數數量級更大的模型相媲美的能力。

MBZUAI基礎模型研究所的總經理Richard Morton認為，人腦的基本推理是所有思維過程的基礎，K2-Think的應用，可以縮短研究人員思考特定任務、進行臨床試驗的時間，從而將先進的AI技術擴大到AI基礎設施稀缺的地區。