지난 금요일 밤 는 그들의 심층 연구 능력을 업데이트했으며, 테스트 자격을 받은 후 어제 하루 동안 심층적으로 사용했습니다. 의 심층 연구가 내용의 풍부함, 정확성 및 논리적 엄밀성 면에서 매우 뛰어나다는 것을 발견했습니다. 다음은 자세한 소개입니다👇

다른 최근 유사 제품과 달리, 월의 암면(Moon's Dark Side)은 그들이 직접 훈련한 엔드투엔드 자율 강화 학습 기술 기반의 에이전트 모델을 통해 심층 연구를 수행했습니다. 게다가 그들은 기본 사전 훈련 모델과 이후 강화 학습을 거친 모델을 오픈 소스로 공개할 예정이며, 이는 정말 기대되는 부분입니다. 와 레드우드의 에이전트 테스트에서 키미(Kimi) 심층 연구 모델은 상당히 좋은 성과를 거두었습니다.

최근 심층 연구 보고서를 생성하는 이런 종류의 제품이나 모델에 대해 생각해 봤습니다. 핵심 평가 지표는 무엇일까요? 사람들이 주로 관심 있는 부분은 출처의 질, 정보의 범위, 그리고 논리의 엄밀성입니다. 키미의 심층 연구는 두 가지 측면에서 이러한 지표를 최적화하는 데 기여합니다. 그는 정보를 독립적으로 식별하는 능력을 갖추고 있습니다. 수십 개의 검색 키워드를 계획하고 수백 개의 웹 페이지를 직접 읽은 후, 가장 신뢰할 수 있는 내용을 찾아 인용합니다. 기본적으로 생성된 각 연구 보고서는 10,000단어를 넘습니다. 저는 22,000단어 분량의 시험을 치릅니다. 물론 LLM도 착각을 완전히 피할 수는 없습니다. 또한 임베디드 텍스트, 강조된 텍스트, 그리고 원문 추적을 통해 사용자가 스스로 판단할 수 있도록 합니다.

위의 콘텐츠 결과를 보면, 키미의 심층적인 연구가 단순한 정보의 덩어리가 아니라는 것을 알 수 있습니다. 그 대신 그는 논리적 사슬을 통해 정보가 있어야 할 곳에 정보를 배치했는데, 이를 통해 그는 독립적으로 분석 프레임 형성할 수 있음을 보여줍니다.

테스트 2: 샤오미 26일 기자간담회 ​​내용 검색 및 분석 다음으로, 검색 정확도와 데이터 처리 능력을 살펴보겠습니다. 저는 Mi Boy이고 샤오미는 26일에 올해 가장 중요한 기자간담회를 열 예정이라 기본적으로 많은 정보를 접했습니다. 그래서 이 주제를 이용해 검색을 하는데, 그러면 정보를 검증해야 하는 부담을 줄일 수 있습니다. 프롬프트 단어: 2025년 6월 26일 샤오미 기자 회견 내용을 정렬하고 검색하여 다양한 제품에 라벨을 붙이고 각 소문에 신뢰성 백분율을 부여하고, 출시 예정 제품의 예상 사양을 경쟁 제품의 사양과 비교하고, 레이더 차트 또는 히트 테이블을 출력하고, 지난 몇 년 동안의 판매량, 거시 소비 지수, 채널 재고 소문을 결합하여 보수적/벤치마크/공격적의 세 가지 판매 범위를 제시하고 주요 가정을 설명하고, 가장 큰 혜택을 볼 가능성이 높은 A주 또는 홍콩 상장 공급망 기업 10개를 나열하고(업무 관련 이유와 지난 30일 동안의 주가 실적 포함), 민감도 높음-보통-낮음에 따라 등급을 매기세요. 제 질문이 벌써부터 너무 뜬금없네요. 키미의 심층적인 연구는 단순히 관련 정보를 찾는 것뿐만 아니라, 경쟁사 정보와 이전 연도의 유사 제품 정보까지 찾아내야 합니다. 또한 이러한 데이터와 정보를 바탕으로 합리적인 예측을 내리고, 마지막으로 관련 공급망 상장 기업을 검색해야 합니다.

보고서의 총 단어 수는 거의 17,000단어에 달했습니다. 동시에 카탈로그를 통해 그가 언급한 요구 사항에 맞는 콘텐츠를 기본적으로 제공했음을 확인할 수 있습니다. 업계 유사 제품에서 흔히 볼 수 있는 복잡한 문제와 긴 맥락에 대한 게으름은 전혀 없습니다. 그는 먼저 공개될 주요 제품 정보를 나열하고, 신뢰성에 따라 구분했습니다. 참고 자료를 클릭하면 인용된 데이터가 바로 강조 표시되어 사용자가 편리하게 확인할 수 있도록 배려한 점이 디자인의 장점입니다. 여기서 샤오미 YU 7의 조종석 시스템은 Snapdragon 8 Gen3를 사용합니다. 이 데이터는 매우 중요합니다. 현재 자동차에 모바일 칩을 사용하지 않는 차량이 거의 없으며, 이 정보는 며칠 전에 공개된 것이기 때문입니다. Kimi의 콘텐츠 검색 정확도와 시의성이 매우 높다는 것을 알 수 있습니다. 다음으로, 각 예측 수준에 대한 이유를 제시하는 것 외에도, 판매 예측은 독자의 판단을 돕기 위해 해당 판매에 대한 주요 가정을 제시합니다. 키미의 복잡한 데이터 검색의 포괄성, 정확성, 그리고 데이터 분석에 대한 심층적인 연구는 정말 놀랍습니다.

전문적인 보고서를 "생생하게" 만들기 위한 미적 요소 기능이 아무리 강력하더라도 쉽게 이해하고 사용할 수 없다면 그 가치는 크게 떨어집니다. Kimi의 결과물은 "사용 편의성"과 "보기 좋은 디자인"으로 통합되어 있습니다. Kimi는 문서 생성 외에도 연구 보고서의 시각적 웹페이지를 동시에 생성합니다. Kimi의 시각적 웹페이지는 다른 유사 제품처럼 정보와 보고서가 지나치게 많은 장난감이 아닙니다. 콘텐츠는 매우 상세하며, 개요에 있는 모든 웹페이지를 기본적으로 사용할 수 있습니다. 또한 왼쪽에 해당 개요가 있어 특정 콘텐츠로 쉽게 전환할 수 있습니다. 전체 웹페이지 레이아웃은 현대 사용자의 미적 습관에 맞춰 명확합니다. 마인드맵, 구조화된 목록 및 기타 양식은 복잡한 정보를 한눈에 명확하게 보여줍니다. 각 차트는 자유롭게 드래그하고 확대/축소할 수 있어 차트 구성 요소에서 생성된 차트 콘텐츠가 미리보기에 적합하지 않다는 문제를 해결합니다. Kimi는 템플릿 집합이 아닙니다. 각 웹페이지 AI는 수집한 정보에 따라 해당 브랜드에 맞는 테마 색상과 디자인 스타일을 생성합니다. 예를 들어, 샤오미의 경우 주황색이 그렇습니다. 자료를 임베드할 때 단순히 무작위로 이미지를 찾는 것이 아닙니다. 기본적으로 현재 콘텐츠와 관련이 있습니다. 제가 하드웨어 제품인 플라우드 AI를 조사했을 때, 헤더에 하드웨어 시연 영상까지 넣었습니다! 예를 들어, 샤오미 웹페이지의 하이라이트 색상과 경쟁사 비교, 그리고 오른쪽 카드의 노란색과 녹색 배경색 및 차트는 장단점을 보여주는데, 이는 매우 직관적이고 정보 수집 효율성을 크게 향상시킵니다.

제가 생성한 세 개의 웹 페이지를 여기에서 살펴보실 수 있습니다. kimi.com/preview/d1co3df37oq0o...… kimi.com/preview/d1coajrlmiues...… kimi.com/preview/d1coefmmu6sal...…

테스트와 소개는 여기에서 확인할 수 있습니다. 모두 심층적인 연구이지만, Kimi의 강화 학습 기반 모델은 프롬프트 단어와 도구 사용을 통해 일반적인 모델과는 매우 다른 결과 경향을 보여줍니다. 이를 통해 대규모 프롬프트 프로젝트에 의존하지 않는 복잡한 검색 작업의 힘을 확인할 수 있습니다. Kimi의 곧 출시될 오픈 소스 사전 학습 및 강화 학습 가중치를 기대하고 있으며, 이는 유사한 기능을 가진 많은 제품에 도움이 될 것입니다.