站在无限的开端：杨植麟谈 K2、Agentic LLM 与艰难的泛化

一句话总结：AGI 不是某级台阶，而是一座没有尽头的雪山——从「缸中之脑」走向能与世界交互的 Agentic LLM，当下最硬的瓶颈是泛化，而解法是用更高一层的能力去解下一层的难题。

开场

大模型的能力曲线还在快速上探：两年前连一篇文章都写不利索的模型，今天能连续工作几个小时、端到端啃下一个复杂代码任务。强化学习、推理、Agent 这些一年前还模糊的范式，如今路径已渐渐清晰。

但越往上爬，越会发现新问题：你解决了强化学习的一批难题，紧接着冒出评估、验证、泛化的新难题；你刷高了某个 benchmark，模型的真实体验却没变好。很多人把 AGI 想成一个会在某天被「攻顶」的终点，于是不断追问「还差几年」——这个问法本身可能就错了。

那么，如果终点根本不存在，技术该往哪走？K2 这样的模型在赌什么？Agent 真正卡在哪一环？

答案是一句话：AGI 是方向不是终点，技术的本质是「问题不可避免、但总能被解决」的无限攀登；当下的主战场已从「缸中之脑」转向能与世界交互的 Agentic LLM，而它最大的拦路虎是泛化——解法是用更高一层的能力去攻下一层的难题。下面分三层展开。

金字塔总览

mindmap
  root((站在无限的开端<br/>AGI 是方向不是终点))
    一·范式之变
      缸中之脑到 Agentic
      两种 test-time scaling
      L1-L5 非线性
      用 L4 解决 L3
    二·K2 的技术信仰
      token efficiency
      Muon 优化器
      泛化是最大难题
      长文本不损智商
    三·认知与方法论
      用 RL 而非 SFT 管团队
      reward 定义防 hacking
      AI 是文明放大器

一、范式之变：从「缸中之脑」走向能与世界交互的 Agent

1.1 两种 test-time scaling：一种闭门苦想，一种与世界交互

过去一年最重要的范式跃迁，是模型学会了在「推理时」继续投入算力（test-time scaling），而它有两条互不相同的路径。

前者把 pass@k 变成 pass@1——等价于在脑内试了好几次再给答案；后者则让模型像人一样「边做边调」，把一个代码仓库克隆下来、翻译、调试、修 bug 直到跑通，几小时内无需人介入。两者本质都是在「预测时」消耗更多 token 去换更复杂任务的完成能力。

1.2 L1-L5 不是台阶，而是可以并行、甚至倒挂的能力

OpenAI 的 L1-L5（对话 → 推理 → Agent → 创新 → 组织）常被理解成一级级往上爬。杨植麟的判断是：它们更像几个重要的技术里程碑，并不必然串行。

• Agent 的上限取决于强推理，但你也可以先做出 Agent、再补推理——Claude 路线就偏后者：推理分数不算顶尖，Agentic 表现却极强。
• 真正关键的拐点，是模型何时能参与到「下一代模型的研发」里——比如让 K2 去参与 K3 的开发，这需要很强的 Agentic 能力。
• 组织层（multi-agent）也已在并行萌芽：一个 agent 可以 fork 出多个，分头写测试、写文档、做架构，再合并。

1.3 用 L4 解决 L3：高一层的能力反过来攻克低一层的难题

最反直觉、也最关键的一句：今天 Agent（L3）的泛化做不好，是因为还缺乏 L4（创新）层的能力——所以要用 L4 的方法去解 L3 的问题。

靠人工定义任务、再去拟合，模型只会在见过的 task 上刷分，换到没见过的工具就崩。真正的出路是让 AI 参与训练 AI（更好的对齐研究、更 AI-native 的数据与评估），从「种瓜得瓜」里跳出来。

金句：AGI 不是某级台阶，而是一座无限的雪山——真正的跃迁是走出缸中之脑，用更高一层的能力去攻克下一层的难题。

二、K2 的技术信仰：在数据见顶的时代，把每一份 token 榨到极致

2.1 高质量数据近似常数，胜负手是 token efficiency

文本的「智商」上限由高质量数据决定，而高质量数据的增长极慢、近乎一个常数。训得更快只是省时间，并不抬高智能上限。所以 K2 的核心设计目标变成一句话：同样吃下一份数据，让脑子长得更多。

2.2 Muon 优化器：十年来第一次认真换掉 Adam

业界训练大模型十年来几乎都在用 Adam。K2 用的是 Muon——它不把矩阵参数逐个独立看待，而是考虑参数间的依赖（矩阵正交化），学习效率更高。

• 实测在 compute-optimal 下约有 两倍提升：学一份数据约等于用 Adam 学两份，30T 高质量 token 等价变成 60T。
• 代价是规模化时遇到了 max logit 爆炸等小规模实验复现不出的新坑，团队用新的 clipping 等手段把它压住——这些 know-how 都写进了公开的技术报告。
• 这也是一个「非共识」赌注：在他们做出来之前，几乎没人在万亿级模型上认真换掉 Adam。

此外，团队还用已有模型对高质量数据做 rephrase 改写，让有限语料带上一定泛化、避免反复学同一份数据导致的过拟合。

2.3 泛化，才是 Agentic 模型当下最大的挑战

K2 想做的不只是好的 base model，更是有好 Agentic 能力的通用模型。而 Agentic 的最大瓶颈不在单点指标，而在泛化——这比对话模型时代严重得多。

• 现在的 RL 很多是「单点」的：训 SWE-bench 就提 SWE-bench，分数上去了，模型的真实泛化未必变好。
• 根因是缺乏好的 benchmark：能用的 Agentic benchmark 不多，且分数往往片面，无法反映真实体验，优化它反而把能力「坍缩」到几个单点上。
• 目标是不要过拟合到某些工具 / 环境 / 任务，让模型能泛化到从没见过的长尾工具上——这样通用 Agent 加几个定制工具，就能顶替大量垂直 Agent。

金句：在数据见顶的时代，胜负手是让每一份 token 长出更多智能；而 Agent 真正的天花板，是泛化而非单点刷分。

三、认知与方法论：把训练模型的逻辑，搬到管理与文明上

3.1 用 RL 管团队，而不是 SFT

杨植麟把训练范式直接映射到了组织管理上：管团队要用 RL（给目标、给奖励），而不是 SFT（手把手教每一步）。

实践中两者要平衡：以 RL 为主，掺一部分 SFT（类似训练里的 pt-x loss）当「鲜艳」，防止团队「飞太远」或遗忘关键约束——但要管住自己的手，SFT 一多创造力就没了。

3.2 reward 怎么定，是比执行更难的课题

无论训模型还是管组织，最难的都不是执行，而是奖励的定义。

• 若只盯着「把所有 benchmark 刷高」，所有人都会不择手段把分弄上去，弄完模型却没变好——这就是 reward hacking。
• 解法是建立更多观测指标、尽量不过拟合，并且真正理解细节如何运作，才能定出抗 hack 的好奖励。
• 这也呼应了「好的科研」：知识不是从经验里直接读出来的，而是「提出猜想 → 设计实验验证」——和强化学习同构。

3.3 AI 是「人类文明的放大器」，所以不能因噎废食

把镜头拉到最远，杨植麟引用《无限的开端》里那句「刻在石头上」的话：问题不可避免，但问题总能被解决。

• 在任何前沿学科，人要花二三十年才能摸到知识边界，而 AI 可能一夜学会，再往下做新突破——它会成为一门 meta-science，是文明的巨大杠杆。
• 风险确实存在，但放弃 AI 等于放弃人类文明的上限；该做的是更安全的对齐与更好的社会机制，用一二十年缓慢过渡。
• 而创造、体验与爱里，体验和爱无法被替代——人的独特价值会持续存在。

金句：把训练模型的逻辑搬进现实——用奖励而非教条去激发创造，因为 AI 是放大文明的杠杆，而非取代人的对手。

一页速览

一句话收束

不要问 AGI 还差几级台阶——这是一座无限的雪山，问题永远会冒出来，而我们永远能再往上爬几百米。