Kimi、MiniMax即将在天猫开店
相关推荐
天猫上线Token充值中心，首批接入阿里云、智谱、Kimi、MiniMax
火星财经消息，9月3日，天猫正式上线AI 空间站（ Token充值中心）。页面显示，该充值中心集合了阿里云、智谱、Kimi、MiniMax等国内大模型厂商的订阅服务，在售商品包括按周期订阅的Token Plan、Coding Plan以及按用量付费的充值方案，支持卡密或直充两种交付方式。
B.AI 国产模型 Token 周榜出炉，小米紧追 DeepSeek、MiniMax 成增长黑马
ChainCatcher 消息，10 月 23 日，B.AI 公布 10 月 16 日至 22 日国产模型品牌 Token 周榜：DeepSeek 继续领跑，小米 MiMo 紧随其后，两者仅相差 16.54 B Token，小米已连续 4 周增长，平台 Token 用量占比再提升 8.13 个百分点。腰部竞争同步升温，MiniMax 环比增幅超 5,200%，成为本周增长黑马，Qwen 环比增长 80.86%，与第 3 名 Zai 的份额差距缩小至 0.18%。热门模型优惠同步进行中：DeepSeek-V4.1-Flash-1017 享 6 折、Qwen3.8-Flash 享 8 折、GLM-5.3-Flash 享 7 折。B.AI 持续汇聚优质模型，助力开发者低成本解锁多元 AI 能力，欢迎登录 b.ai 探索。
Kimi估值500亿美元贵不贵？ARR超12亿追平智谱，超25亿逼近MiniMax
动察 Beating AI 快讯，月之暗面冲刺港股，最新 Pre-IPO 轮目标估值约 500 亿美元。这个价格看着很高，但如果按已经上市的 MiniMax 和智谱倒推，Kimi 需要做到的收入其实有一个很明确的门槛。 按 9 月 3 日市值粗略计算，MiniMax 总市值约 160 亿美元，8 月 ARR 超过 8 亿美元，对应不到 20 倍 ARR；智谱总市值约 660 亿美元，8 月 ARR 16 亿美元，对应约 41.25 倍。 如果 Kimi 按 500 亿美元估值，ARR 只要超过约 12.12 亿美元，估值倍数就低于智谱；达到 25 亿美元时对应 20 倍 ARR，已经接近 MiniMax。 Kimi 上一次明确披露 ARR 还是 6 月中旬的 3 亿美元。K3 7 月发布后，总裁张予彤称企业 ARR 出现「数倍增长」，并创下历史最大单日增幅；彭博还报道称，K3 发布后日销售额至少增长 6 倍，但公司至今没有公布最新 ARR 绝对值。 所以现在判断 500 亿美元到底贵不贵，关键只差一个数字：K3 之后的最新 ARR。
李佳琦今晚直播卖Token，千问办公负责人陈宇森助阵，豪送20万亿Token
动察 Beating AI 快讯，11 月 2 日晚 7 点 30 分，李佳琦将在天猫双 11 直播间开卖 Token（词元）。阿里巴巴副总裁、千问办公负责人陈宇森将到场，直播间还预告发放 20 万亿 Token。同期亮相的还有预装千问办公的 AI 电脑、AI 听记卡和桌面机器人。 实际上，Token 早已进入电商平台。9 月 3 日，天猫上线 Token 充值中心，接入阿里云、智谱、Kimi、MiniMax 等厂商，销售按月订阅的 AI 套餐和按使用量付费的充值服务，支持卡密兑换或直接充值。
智谱天猫首店：搜索暴涨50倍，带动token产品成交大涨160%
PANews 9月4日消息，据36氪报道，近日， 智谱率先入驻天猫开设官方旗舰店 引发外界热议。数据显示，智谱开店48小时，品牌搜索环比暴涨50倍，带动淘宝天猫AI token等订阅类产品成交环比涨超160%。 此前，天猫已上线AI空间站（Token充值中心），首批接入阿里云、智谱、Kimi、MiniMax、DeepSeek等大模型厂商，用户可以像“充话费”一样直接购买相关订阅服务。
Kimi训练AI老板，General Reasoning训练整家AI公司
动察 Beating AI 快讯，今年 1 月，Kimi K2.5 推出 Agent Swarm，让一个主 Agent 招募、指挥多个子 Agent，随后的 K2.6 将规模扩大到最多 300 个子 Agent。 但 Kimi 的强化学习方法 PARL 只训练负责指挥的「老板」，冻结子 Agent。原因是多人完成一项任务，很难分清谁立了功；如果所有人同时调整策略，训练也容易变得不稳定。 General Reasoning 偏要试试另一条路。团队推出 120B 参数模型 Avalon-M1-Mini，并提出 RLCR（集体奖励强化学习）。它让一个 Agent 担任 CEO，最多招募 8 名员工，通过留言板和共享工作区协作。所有成员使用同一套模型，任务完成后不再逐个计算贡献，而是根据团队总成绩一起接受强化学习。 这套方法在 147 个训练环境、超过 200 万项不同任务中取得了持续改进。软件任务中，主管工程师在招募岗位中的占比从 0.4% 升至约 13%，至少开展一次互审的团队占比从 42% 提高到 64%。分工也发生变化：从每人各写一部分代码，逐渐转向一人主写、其他人负责测试和挑错。原本需要人工设计的管理层和质检流程，在训练中自行形成。 但组队成绩更好，有一部分只是因为用了更多 Token。研究人员给单个 Agent 同样多的输出 Token，就能追回团队约六成的得分优势。团队的主要好处是可以同时干活：在 12 项评测中，达到相近成绩的估算耗时平均只有单 Agent 的约四分之一。 研究人员还模拟了今年 OpenAI 智能体攻击 Hugging Face 的事件。210 次测试中，没有 Agent 调用模拟攻击工具。但随着训练推进，向人类评测人员报告异常的比例从 76.7% 降到 0，尽管 96.7% 至 100% 的执行记录都曾考虑过上报。有的 Agent 选择只在团队内部提出异议，有的计划报告，却没有真正行动。 目前 Avalon-M1-Mini 仍在训练，团队计划在训练完成后发布最终论文，并开源训练环境、Agent 框架和模型权重。