AI生成的摘要：2026年7月，月之暗面開源Kimi K3模型並首次公布401位貢獻者名單。公司最新估值達315億美元，團隊約300多人，平均年齡不到30歲，人均扛起7億估值。核心團隊包括三位聯合創始人：算法負責人周昕宇、架構師吳育昕、CTO張宇韜，及其餘來自清華、CMU等頂校的核心骨幹。團隊在MoBA混合塊注意力機制、Mooncake解耦推理架構、Muon優化器等底層技術上有多項創新，相關成果獲存儲頂會FAST 2025最佳論文等榮譽。這支年輕極客團隊以扁平化管理著稱，將「長、快、省」的工程效率做到極致，成為中國大模型領域的重要力量。
文章作者、來源：雷锋网
7月27日，月之暗面拿出全部誠意，直接把滿血版2.8T模型Kimi K3全部開源了。在技術報告的最後，他們首次公布了Kimi K3背後的實際貢獻者名單，我們細數了一下，有401位成員，可以說，這是月之暗面人才團隊的一次全面亮相。
從當初那個估值僅幾億美金的初創團隊，到如今名副其实的「國產大模型之光」，月之暗面已然成為全球牌桌上，少數能與Claude Fable 5和GPT-5.6 Sol這樣頂尖模型「掰手腕」的極客團隊。
伴隨K3的發布，月之暗面最新估值飆升至315億美元，約為2100億元人民幣，而撐起這2100億估值的，是一個极度年輕的團隊。
據公開信息顯示，月之暗面大概有300多人，平均年齡不到30歲，其中80%是I人。如果換算一下，基本人均扛起7億人民幣的估值。
月之暗面的組織形式十分扁平。月之暗面一共有五個創始人，平均每人直接對接40-50人。內部以「無職級、無KPI、無部門牆」著稱，員工隨時可以挑戰老板。有一個細節是，在2025年初反思會，有員工提激進建議，楊植麟聽完後做得比建議更激進，直接放棄K1轉做K2。
這種不拘一格同樣體現在公司的「靈魂」裡。作為搖滾愛好者的楊植麟，將會議室冠以Rolling Stones、Nirvana、Radiohead等傳奇樂隊之名，甚至連Kimi的會員套餐都以Adagio（柔板）、Allegro（快板）等音樂術語來命名。
月之暗面堅信，在算力和數據日益同質化的今天，「品味」才是建立差異化壁壘的核心驅動力。這種品味不僅體現在模型打磨上，更深刻地映射在他們對人才的挑剔與渴望上。
月之暗面喜歡雇傭CEO們，非常青睞有「創業者光環」或「賭徒基因」的人。據公開資料顯示，公司內部至少有50人創辦或加入過創業公司。而在過去一年，月之暗面招聘的新人中，有超過100個是通過內部推薦進來的。
今天，我們按照名單，全面深挖，將K3貢獻者有關的一切公開可信信息匯總於此。這支頂尖極客軍團的核心背景與硬核實力，盡數展現。
01 Kimi 技術體系頂層基石
周昕宇：
周昕宇是月之暗面的核心聯合創始人之一，同時他也是算法團隊負責人。
周昕宇與楊植麟早就相識，很有趣的一個細節是，周昕宇曾是清華大學Splay樂隊吉他手，而鼓手正是楊植麟。
在加入月之暗面之前，周昕宇曾在曠視從事算法量產及移動端模型研究。他與當時曠視的基礎科研負責人、現任階躍星辰的首席科學家張祥雨緊密合作，作為核心作者親手寫出了輕量化網絡大作ShuffleNet。
周昕宇的主攻方向是大模型算法量產化，擅長將最前沿的實驗室算法，高效率、低成本地轉化為大規模生產線系統。他還擅長混合架構優化，在Reddit社區的技術交流（AMA）中，率先拆解了Kimi K3 KDA混合架構結合NoPE MLA的對比優勢，證實該架構在預訓練和強化學習中更省算力、速度更快。
吳育昕：
吳育昕是月之暗面的聯合創始人之一。同時，他還是人工智能領域的頂尖專家與明星架構師，在深度學習、計算機視覺（CV）以及大語言模型（LLM）的底層工程架構與基礎設施上擁有極深造詣。
吳育昕與楊植麟擁有相同的教育背景，本科畢業於清華大學計算機系，隨後赴美國卡內基梅隆大學（CMU）深造。他曾在Meta AI研究實驗室（FAIR）擔任研究工程師，期間主導並貢獻了多項計算機視覺里程碑級技術。
在與楊植麟創立月之暗面之前，吳育昕就已經在深度學習和計算機視覺領域留下了兩個行業標準級的重磅成果：
一個是作為Detectron2的主要創建者和開發者之一，這個項目直接重塑了全球計算機視覺的研究生態，成為全球成千上萬視覺大模型和目標檢測項目的「通用底座」。
更具開創性的是，他在2018年與頂尖學者何愷明共同發表了關於Group Normalization的大作，獲得ECCV 2018最佳論文榮譽提名（Best Paper Honorable Mention）。
這篇經典直接打破了傳統Batch Normalization在小樣本訓練下的致命瓶頸。這種用一兩行底層創新就「重寫全球AI訓練規則」的能力，讓吳育昕在開源世界擁有極高的技術號召力。
在月之暗面，他是那個打地基的人。他深度參與大模型架構與訓練效率的優化工作，更曾親臨全球PyTorch開發者大會，向全世界硬核拆解Kimi對全球開源基建的底層貢獻。
吳育昕的專攻方向，完美補齊了Kimi衝擊下一代多模態長文本極限的最後一塊拼圖。他擅長高性能深度學習系統優化，解決的是如何讓大模型在萬億參數下跑得更穩、算得更快、內存吃得更少，這正是Kimi在長文本和高並發下保持絲滑體驗的技術鐵壁。
作為深度學習里程碑之作MoCo v1的核心作者之一，他讓Kimi不僅擁有行業最強的大腦（自然語言理解），更正在長出能夠深度理解現實物理世界的眼睛（多模態視覺）。
張宇韜：
張宇韜是月之暗面的聯合創始人之一，同時也是月之暗面的CTO。他與楊植麟為清華同門師兄弟，智譜創始人唐杰是他的老師。
2016年，張宇韜與楊植麟共同創立「循環智能」，隨後，他與楊植麟共同創立「月之暗面」。如果說楊植麟是月之暗面的「領航員」，那麼張宇韜就是那個負責把「智能」這艘巨輪動力系統調校到極致的首席工程師。Kimi能夠在長文本、複雜推理和Agent任務執行上實現跨越式進化，張宇韜功不可沒。
在加入月之暗面之前，他已經在知識圖譜與異構數據融合領域留下了數個「行業級」的重磅成果。
他最廣為人知的技術標籤之一，是作為技術負責人主導了科技大數據分析平台AMiner的研發。這個如今服務於全球千萬級學者的平台，其背後核心的異構數據融合技術就包含張宇韜在清華攻讀博士期間參與構建的底層能力。這種對「海量知識如何被機器吸收、理解並檢索」的深度洞察，直接構成了Kimi超長文本處理能力的技術底座。
在學術貢獻上，他在KDD、CIKM等計算機頂尖會議發表過多篇高引論文。他不僅擅長通過知識圖譜讓AI具備「邏輯感」，更是在循環智能時期就主導開發了「千循零樣本AI平台」，實現了行業大模型在企業服務場景的規模化落地。
張宇韜的專攻方向，精準預判了AI從「能對話」向「能幹活」轉變的每一個節點。他專注於推動長上下文窗口技術和動態擴展網絡架構，解決的是如何讓AI在海量信息中保持「清醒」。
在2026年7月的最新技術峰會上，他一針見血地梳理了行業工程化的三段技術脈絡：2023年是研究「怎麼問」的Prompt時代，2024年演進到「給足信息」的Context時代，而到了2026年，大模型正式步入Harness工程新階段。如今，他正帶領團隊攻克「怎麼構建運行環境、讓AI出了問題能自己閉環修改」的Agent終極戰局。
許欣然：
許欣然是月之暗面（Moonshot AI）工程副總裁兼AI基礎設施負責人。
他具備全棧底層開發經驗，此前在曠視曾負責MegEngine（天元）深度學習框架與億級向量檢索系統的研發。目前，他主要負責月之暗面大模型訓練、推理與基礎設施的整體架構設計。
在大模型推理端，針對Kimi的長文本業務場景，他與團隊聯合設計了以KV Cache為中心的分離式推理架構Mooncake。該成果因徹底分離了預填充（Prefill）與解碼（Decode）階段、緩解了百萬級超長上下文的顯存和I/O壓力，獲得了存儲頂級會議FAST 2025最佳論文獎。
同時，作為MoBA（混合塊注意力）機制的核心作者之一，他通過塊級別注意力切分，在訓練和推理兩端為Kimi實現了大幅的降本增效。
在模型訓練端，他參與了開源項目Moonlight及其底層優化器Muon的研發，利用矩陣正交化處理替代傳統AdamW，降低了萬億參數模型在分布式訓練中的算力成本。
憑藉這一系列在大規模長文本流量下的分布式存儲與推理實踐，他曾受邀在GOSIM China全球開源盛會上發表演講。他的專攻方向始終聚焦於全棧大模型架構，致力於用更少的FLOPs損耗和KV Cache佔用，支撐高智能的長文本推理。
何蔚然：
作為月之暗面推理系統負責人，他是存儲頂會FAST 2025最佳論文的核心作者，是Kimi長文本推理架構工程落地的核心技術骨幹。從Kimi k1.5、Kimi-VL、K2到Kimi Linear、Kimi-Audio，再到MoBA、Muon、AttnRes等核心架構論文，其署名貫穿六代技術成果，所有工作始終圍繞同一個核心：用系統設計換效率，讓大模型真正用得起。
加入月之暗面之前，何蔚然已經在高效計算領域深耕多年。他畢業於清華大學計算機系，早年深耕芯片佈線與底層性能優化；曠視時期他主力攻堅自研AI芯片與低位寬神經網絡，與後來的月之暗面聯合創始人周昕宇同期共事——周昕宇正是經典OCR文字檢測方案EAST的第一發明人。
2023年加入月之暗面後，他把多年的系統工程經驗，全部落地到了萬億參數大模型的推理服務上。
他最具代表性的成果，是KVCache分離式推理架構Mooncake。這套系統打破了傳統推理服務的架構定式，把大模型最耗顯存的記憶緩存拆解出來集中調度，通過全局緩存複用和精細化路由，在算力規模不變的前提下，讓Kimi的請求承載量提升超75%。他在2024年QCon大会上披露，依託這套架構和持續的工程優化，Kimi推理集群的單位成本一年下降超20倍。
2025年2月，Mooncake相關論文拿下FAST大會埃里克·裡德爾最佳論文獎——這是存儲系統領域的最高榮譽之一。更能體現其工程價值的是，早在論文正式獲獎前，這套架構已經在Kimi生產環境數千個節點上穩定運行，每天處理上千億token的用戶請求。
儘管K3技術報告未披露具體個人分工，但多項核心突破都延續著他團隊的技術脈絡：針對KDA+MLA混合架構下傳統前綴緩存失效的難題，團隊向vLLM社區貢獻了官方適配實現；面向百萬token長請求，集群採用緩存感知的路由調度策略，最大化緩存複用效率。最終K3交出的成績是推理成本僅為Claude Fable 5的38%，而KVCache優化、前綴緩存、成本控制，恰恰都是Mooncake體系的核心命題。
從芯片佈線到萬億大模型推理，何蔚然的技術路徑始終清晰：死磕系統效率，用工程設計換更低的計算成本。如果說頂尖算法研究員為Kimi拉高了能力上限，他和團隊做的，就是把這份旗艦級的能力落到實處，讓更多普通用戶能用得起、用得穩。
02 中堅攻堅·落地級骨幹
杜羽倫：
杜羽倫在月之暗面負責預訓練（Pretraining）與規模化（Scaling）方向。
他畢業於美國伊利伊諾大學香檳分校和卡內基梅隆大學人工智能專業。隨後加入循環智能，歷任研究員、AI Lab負責人，是月之暗面的核心技術元老。
作為模型基座預訓練與規模化方向的核心負責人，他的技術貢獻完整貫穿了Kimi歴代核心旗艦基座，以及VL、Audio等多模態全系列的架構設計。
在底層技術突破中，他是《Attention Residuals》、《MoBA（混合塊注意力）》以及預訓練優化器論文《Muon is Scalable for LLM Training》的共同作者。其工作核心在於：通過塊級別注意力切分與訓練流重構，緩解超深網絡中的信號衰減問題，顯著提升萬億大模型的分布式訓練效率。
在工程開源層面，他是MoonshotAI官方開源項目的活躍核心貢獻者。從代碼協作記錄來看，杜羽倫與算法專家蘇劍林、推理系統負責人何蔚然之間有著高頻的協同開發與代碼審查配合，三者共同構成了Kimi支撐百萬級長文本和全模態高效流轉的底層技術閉環。
張宇：
張宇是月之暗面的核心架構師，主攻大語言模型的高效、可擴展和硬件友好型架構設計。作為非Transformer與線性注意力路線開拓者，他致力於攻克長文本「越長越慢、極度燒錢」的工程魔咒。
在學術與工程實踐上，張宇成果頗豐。他不僅是殘差連接《Attention Residuals》論文共同第一作者，更是月之暗面高效模型架構的核心研發一作。
由他主導開源的Kimi Linear模型，首次將線性注意力機制成功應用於超長上下文任務，實現了顛覆性的效率躍升。不僅如此，他在知乎等技術社區分享的「Kimi Linear研發心路」，至今仍被無數大模型數據工程師奉為必讀指南。
從實現7B模型的底層破局，到一戰助力萬億參數大模型沖入全球第一陣營，張宇遊刃有餘地穿梭於學術界與工業界，在頂級學術會議和開源社區中留下了眾多硬核代碼。
這一系列突破源於他在核心技術上的深耕：在高效模型架構設計上，他專注於模型深度擴展過程中的通信與內存瓶頸優化；在訓練動態與效率提升方面，他通過重構底層殘差流，從根本上解決了大模型中PreNorm導致的梯度稀釋與隱狀態爆炸問題。
賴國堃：
賴國堃是楊植麟的清華兼卡內基梅隆大學雙重校友。
他是Kimi團隊論文數量最多的研究者之一，有十餘篇論文，他不僅是月之暗面「天才俱樂部」的代表人物之一，是Kimi K3的核心貢獻者，更是在學術界擁有「定義級」成果的大神。
在加入月之暗面之前，賴國堃已經在NLP（自然語言處理）領域留下了兩個行業標準級的重磅成果。
一個是打造了全球最大的機器閱讀理解數據集之一「RACE數據集」，RACE數據集直接用中國學生英語考試題訓練AI，成為了全球機器閱讀理解的標尺。
更驚人的是，他在本科時期寫的一篇關於推薦算法的論文《Explicit factor models for explainable recommendation》，在十年後的2024年還拿到了SIGIR時間檢驗獎，這是信息檢索領域的最高榮譽之一，專門頒發給10年前發表、經得起時間考驗、對行業產生持久影響的論文。
這種在本科階段就具備『定義未來十年技術路線』能力的人，在月之暗面並不是孤例。
賴國堃專攻方向非常契合Kimi的核心能力，比如其擅長「機器閱讀理解」，解決的是如何讓AI讀懂長文檔並回答問題的，這正是Kimi長文本能力的核心技術底座。
預訓練大模型是他在CMU期間的研究重點之一，此外還專攻神經架構搜索，研究如何讓AI自動設計更好的網絡結構。以及可解釋性推薦系統，讓AI不僅推薦內容，還能告訴用戶為什麼推薦這個。
郭海清：
郭海清（Haiqing Guo）是月之暗面Kimi團隊的早期核心研發成員，屬於團隊元老級人物，全程參與Kimi多代核心項目的研發迭代。
公開可核實的參與項目包括Kimi k1.5技術報告、Kimi K2技術報告、注意力殘差（AttnRes）核心架構論文、Kimi K3技術報告。其中AttnRes是Kimi K3的兩大核心架構創新之一。
從署名軌跡來看，他覆蓋了Kimi從k1.5到K3三代旗艦版本的完整迭代周期，參與範圍貫穿多代產品的核心研發環節，是Kimi技術團隊的持續核心參與者。目前公開渠道暫未披露其具體崗位與細分研發分工。
陳廣宇：
陳廣宇恐怕是月之暗面最年輕的研究員，09年出生，17歲，一個曾讓埃隆·馬斯克（Elon Musk）在X上公開驚嘆「Impressive」的少年。
在月之暗面推出震驚世界的2.8萬億參數旗艦Kimi K3時，他已經和技術大牛蘇劍林等人並列，成為了Kimi K3核心架構奠基作《Attention Residuals》的共同第一作者。
他參與的注意力殘差（Attention Residuals）機制，直接對深度學習領域沿用了十年的標準殘差連接動了刀，用「可學習的深度注意力」讓模型能夠聰明地「回頭看」，這一底層重構直接將模型的擴展效率拉高了1.25倍，讓中國公司在萬億規模的頂級算力戰局裡，能夠以更低的開銷跑得更快。他加入月之暗面的故事十分神奇。一年前的他甚至連什麼是Transformer都不知道，因在一場黑客松中想出過「人類第三只機械輔助手」的構想而被矽谷初創公司挖掘。7周後，他被Kimi團隊徹底看中並破格接入了公司的核心研究組。在入職的第一周，他就打破一切常規，直接手撕並斬獲了Kimi內部48小時極限黑客馬拉松的總冠軍。
杜昂昂：
在Kimi的技術報告裡，杜昂昂的名字一直在最前面。他是月之暗面多模態體系的核心骨幹之一，是Kimi技術報告中少有的五代全勤的研究者。他曾兩度拿下團隊署名後的第一順位，推測他在Kimi K3中的核心貢獻在視覺領域。
在加入月之暗面之前，杜昂昂就已經在計算機視覺領域打下了兩項分量十足的根基。
一個是水下顯微視覺方向的深耕。本碩七年就讀於中國海洋大學水下視覺實驗室，專攻難度極高的浮遊生物顯微圖像分類——要在成像模糊、樣本稀缺、物種差異極細微的顯微鏡畫面裡，讓AI精準識別海洋中最小的生命。
2020年他以第一作者身份在Global OCEANS發表相關研究，用二階特徵建模破解了細粒度分類難題，是實驗室十年該方向研究中，唯一由碩士生擔任第一作者的成果。
更具行業影響力的是他在曠視科技時期的產出。他參與的多人姿態估計研究被計算機視覺頂會ECCV 2020收錄，論文累計引用超300次，成為人體姿態估計領域的重要參考。這篇工作的合作者名單裡，既有孫劍、張祥雨等視覺領域領軍人物，也有後來的月之暗面聯合創始人周昕宇。
來到Kimi後他深耕視覺編碼器設計、多模態對齊與視覺智能體技術，尤其擅長高分辨率圖像理解、長時序視頻解析與多模態強化學習，這正是Kimi原生多模態能力的核心技術底座。除此之外，他的能力還向下延伸至大模型訓練基建——從優化器穩定性到智能體數據合成，形成了從底層視覺算法到模型訓練、再到上層智能體落地的全棧能力。
2025年他以第一作者發布Kimi-VL開源多模態模型，自研MoonViT視覺編碼器原生支持超高分辨率輸入，搭配128K長上下文能力，讓Kimi首次具備了通讀長視頻、長文檔的多模態長文本理解能力，奠定了Kimi全系多模態能力的技術底座。
K2階段，他深度參與MuonClip優化器研發，配合QK-Clip機制攻克大模型訓練抖動的行業痛點，支撐15.5萬億Token超大規模訓練實現「零損失尖峰」，大幅壓低了訓練的算力成本與風險；到K3階段，他主導的智能體數據合成流水線，讓模型可以自主生成高質量訓練數據，為K3在編程、智能體等硬核任務上躋身全球第一梯隊提供了關鍵的數據支撐。
對Kimi而言，他的貢獻貫穿了多模態能力的整條演進路徑。
瞿博文：
瞿博文（Bowen Qu / Brian Qu）隸屬於模型後訓練團隊，本科畢業於華中科技大學電子信息與通信學院，碩士畢業於北京大學電子學院。他的研究主攻多模態大模型相關方向，具體覆蓋多模態強化學習、視覺語言模型、AI智能體以及AIGC內容質量評估。
加入月之暗面後，瞿博文的核心工作圍繞Kimi系列模型的多模態能力建設展開，深度參與Kimi-K2.5項目，並參與原生多模態強化學習方向的研發。Kimi-K2.5是月之暗面推出的原生多模態智能體模型，總參數規模1T，激活參數32B。
瞿博文負責的原生多模態強化學習體系，跳出了傳統多模態模型先完成視覺監督微調、再開展強化學習的常規路徑，提出從零視覺監督微調的純文本推理模型出發，直接通過視覺強化學習獲取視覺推理能力的訓練方案，避免低質量視覺數據對模型原生語言推理能力造成干擾。
瞿博文的研究起步於AIGC內容質量評估方向，相關成果先後發表於ICME 2024、CVPRW 2024等國際會議。其中發表於ICME 2024的相關論文，針對當時AI生成圖像評價體系僅關注畫面美觀度、清晰度，忽略生成內容與用戶指令匹配度的問題，提出將文本提示詞納入生成圖像質量評價體系的方案，構建了同時覆蓋視覺質量與指令遵循度的評價標準，提升了AI生成內容評價的全面性與人類感知對齊程度。
瞿博文也出現在Kimi系列多模態版本的貢獻者名單中。作為年輕研究者，瞿博文的研究路徑從評價體系搭建延伸至模型能力建設，再落地到高階智能體能力研發，成果緊密貼合產業實際需求，直接服務於生產級模型的迭代升級。
鹿恩哲：
在Kimi K3四百餘人的貢獻者名單裡，鹿恩哲不是署名位置最靠前的，但出手異常精準。每一項成果都命中大模型落地的核心痛點，是Kimi高效算力體系的關鍵搭建者。
鹿恩哲的研究方向可以用三個字精準概括：長、快、省，核心目標就是讓大模型用更低的成本、更快的速度，處理更長的文本。對Kimi而言，他的所負責的是從訓練到推理的全鏈路效率升級。
2025年2月，他以第一作者身份發布MoBA混合塊注意力機制，把MoE的專家選擇思路遷移到注意力層，讓模型處理請求時只調取最相關的上下文塊做計算。在95%稀疏度下效果與全注意力持平，實現百萬token推理提速6.5倍、千萬token提速16倍，直接打牢了Kimi超長上下文能力的底層架構。
發布當天該論文與DeepSeek的NSA論文同期亮相，成為當年國內大模型圈最受關注的技術撞車事件；更能體現其工程價值的是，在被NeurIPS 2025收錄為Spotlight論文之前，這套方案已經在Kimi生產環境穩定承載了近一年的長上下文用戶請求。
除此之外，從MoBA到Kimi Linear的KDA注意力，他參與的架構設計全程死磕硬件推理效率；在訓練側，他參與的Muon優化器分布式實現做到內存佔用最優、通信開銷高效，實打實壓縮大模型訓練的算力成本。算上AttnRes以及K1.5、K2、Kimi-VL等多代技術報告，他的論文完整覆蓋了高效大模型的全鏈路技術。
在團隊內部，他與MoBA論文的通訊作者之一邱傑仲是固定搭檔，一個衝鋒落地，一個把控方向，配合默契。
汪彧之：
汪彧之是月之暗面（Moonshot AI）的一名研究員，也是Kimi系列技術報告中出鏡率最高的署名者之一。
從2025年1月的k1.5到2026年7月的Kimi K3，他的名字出現在這家公司幾乎每一份技術文件上，涵蓋視覺、音頻、注意力架構、訓練優化器、旗艦模型乃至前沿AI風險治理框架。
他是西安電子科技大學本科，清華大學電子工程系博士，加入曠視研究院後任研究工程師；2024年加入月之暗面任研究員至今。
在加入月之暗面之前，他的研究集中在計算攝影與底層視覺。代表性成果包括：以第一作者在ECCV 2020發表手機端RAW圖像降噪論文，該方向至今是移動影像的標桿工作之一；作為曠視團隊成員獲得NTIRE 2019真實圖像去噪挑戰賽raw-RGB賽道全球冠軍；以共同作者身份參與OCR領域經典工作EAST（CVPR 2017，引用超2500次）。
在月之暗面期間，他參與署名的技術文件共十份，包括：k1.5、K2、K3，Kimi-VL、Kimi-Audio，MoBA、Muon、Kimi Linear、Attention Residuals四篇架構與效率論文，以及前沿AI風險管理框架。
值得注意的是，公司全部四篇架構與效率論文他均在作者之列，這種覆蓋廣度在約四百人的貢獻者名單中並不多見。他在K3中的具體職責暫無公開信息。
毛紹光：
毛紹光是Kimi Agent技術線的核心骨幹，全程參與K2、K2-Thinking、K2.5、K3四代旗艦研發，也是業內少有的完整經歷Agent行業兩次範式轉換的研究者。
加入月之暗面之前，他已是國內最早一批Agent落地的從業者。
清華計算機碩士畢業，在校時排名位列前0.2%、獲國家獎學金，先後在香港中文大學任研究助理、微軟亞洲研究院語音組實習。畢業後他在微軟任職近六年，從研究院工程師成長為資深研發工程師。
2023年初參與研發TaskMatrix.AI，為ChatGPT接入上百萬API能力；隨後共同提出Solo Performance Prompting方法，讓單模型分飾多角色模擬多智能體協作，相關技術落地至Microsoft 365 Word。
那是Agent的「框架時代」——所有能力都靠外部工具拼接、靠Prompt引導，而他正是這套技術路線的親歷者與建設者。
但親手趟過這條路的毛紹光，最先看清了舊範式的瓶頸。2025年6月，他在知乎寫下一段行業自白：「這個方向越來越沒意思了，有點加速衰亡的感覺」。
2025年2月加入月之暗面後，他徹底轉向「模型即Agent」的端到端路線。僅四個月就參與交付了Kimi首款Agent產品Kimi Researcher：
不靠任何流程預設，完全通過端到端強化學習訓練而成，單任務平均完成23步推理，自主掃描206個網頁，可產出帶規範引用的萬字調研報告，在HLE基準上達到26.9%，刷新當時全球最高水平。他也是該產品官方技術自述的兩位署名作者之一。
此後從K2到K3的四代旗艦研發，他全程深度參與。HLE指標從8.6%一路攀升至26.9%，這條幾乎完全由強化學習驅動的性能曲線，正是他新技術路線的成績單。
從為大模型外接API擴展能力，到讓模型內生學會調用工具、自主完成複雜任務，毛紹光近十年的職業軌跡，恰好勾勒出Agent行業從「拼裝組合」走向「原生生長」的完整弧光。親手參與過舊範式，又親手走出新路線，他對行業的判斷，有著最扎實的落地成果做支撐。
秦若愚（Ruoyu Qin）：
秦若愚是清華大學計算機系MADSys實驗室在讀博士生，師從章明星副教授。他的研究主攻高效機器學習系統，具體覆蓋大規模分布式大語言模型推理服務、強化學習rollout系統兩大方向。
秦若愚與月之暗面團隊合作研發的Mooncake，是一套以KVCache為中心的解耦推理架構。這套架構將Prefill與Decode階段拆分至獨立集群運行，同時把GPU集群中閒置的CPU、內存與SSD資源整合為分布式緩存池。該成果獲得了存儲領域頂會FAST 2025的Erik Riedel最佳論文獎。
Mooncake是已落地應用的生產級服務平台，論文摘要開篇即明確標註「Mooncake is the serving platform for Kimi」。在真實業務負載下，Mooncake可使Kimi的請求處理量提升75%；長上下文場景中，有效請求處理能力提升59%至498%。目前該系統已部署在數千個節點上，每日處理token總量超1000億。
2024年，月之暗面與清華MADSys實驗室聯合開源Mooncake項目（開源倉庫為kvcache-ai/Mooncake），截至目前項目GitHub Star數已超過6000。相關數據與信息可參考arXiv論文（編號2407.00079）、清華計算機系官網公告及項目開源倉庫。
在Mooncake之後，秦若愚的研究持續圍繞推理系統方向深入。他以第一作者身份完成的Seer論文入選OSDI 2026，這項工作針對強化學習中的rollout性能瓶頸，通過rollout切分、上下文感知調度與分組投機解碼技術，實現端到端rollout吞吐最高提升2.04倍，長尾延遲降低72%至94%。另一篇一作論文Prefill-as-a-Service，則進一步提出了KVCache跨數據中心共享的下一代推理架構設計思路。
秦若愚也出現在K3項目的貢獻者名單中。大模型的產品表現由兩方面能力共同支撐：模型研發決定模型的能力上限，系統工程則決定高並發場景下服務的可用性與運行成本。
當前大模型行業的競爭，正從訓練能力的比拼逐步延伸至服務工程能力的較量。作為在讀博士生，秦若愚能在該領域產出頂會最佳論文級別的成果，核心在於其研究直接面向生產場景，成果落地於真實業務系統。
袁恩銘：
月之暗面Kimi團隊核心研發成員，研究軌跡橫跨計算生物學、推薦系統與大模型三大領域，全程參與Kimi多代核心模型的技術迭代。
早期他於清華大學交叉信息研究院曾堅陽課題組從事AI製藥方向研究。2020至2021年間，他參與的流感藥物重定位框架研究先後發布於bioRxiv預印本與期刊《Signal Transduction and Targeted Therapy》，另有核衣殼蛋白相分離相關成果發表於《Protein & Cell》。
2022至2023年，袁恩銘任職於華為諾亞方舟實驗室，聚焦推薦系統方向研究，成果覆蓋多個國際頂級學術會議。其中他以第一作者完成的多行為序列推薦相關論文入選SIGIR 2022，另有合作成果分別入選CIKM 2022與WWW 2023。
加入月之暗面後，袁恩銘深度參與Kimi多代核心模型與技術項目研發，公開可核實的署名項目包括Kimi k1.5強化學習技術報告、MoBA技術研究、Kimi-VL技術報告、Kimi K2大模型技術報告、Kimi Linear技術報告、Kimi K2.5多模態模型技術報告與Kimi K3旗艦大模型技術報告。
其參與範圍覆蓋強化學習訓練、多模態能力、基礎模型架構、長上下文系統等多個核心技術方向，完整貫穿Kimi從k1.5到K3的三代旗艦模型迭代周期，是團隊內技術覆蓋維度較廣的核心研發人員。
目前公開渠道暫未披露袁恩銘在月之暗面的具體崗位與細分研發分工。從公開署名軌跡來看，跨領域的研究背景支撐了他在大模型多技術方向的參與能力，是Kimi技術體系迭代過程中的重要持續參與者。
許偉欣：
許偉欣現任月之暗面（Moonshot AI）研究員，研究方向覆蓋大模型基礎架構、高效訓練機制與Attention機制優化。
許偉欣深度參與Kimi多代核心模型與底層技術研發，公開署名項目覆蓋從k1.5到K3的完整產品迭代周期。月之暗面官方在K3發布後公開披露了三大核心自研技術——Muon系優化器、Kimi Linear線性注意力、Attention Residuals注意力殘差，許偉欣是目前可核實的、唯一在三篇對應核心技術論文中部署名且順位均在前15位的貢獻者，是支撐K3架構性能升級的核心研發人員之一。
具體成果方面，2025年2月發布的Muon優化器論文中，他位列作者名單第8位，該優化器計算效率約為AdamW的兩倍，後續配套開源的Moonlight訓練實現同樣有其參與；
2025年10月發布的Kimi Linear技術論文中，他位列第15位，該架構提出的KDA機制可將KV Cache體積最高降低75%，百萬token場景下解碼吞吐最高提升6倍；
2026年3月發布的Attention Residuals論文（K3兩大核心架構創新之一）中，他位列第4位，是三位共同一作之後的首位核心貢獻者，相關技術已深度集成進Kimi K3基礎模型架構。
除此之外，他的署名還出現在Kimi k1.5強化學習技術報告、Kimi-VL技術報告、Kimi K2與K2.5技術報告，以及最新的Kimi K3旗艦模型技術報告貢獻者名單中，參與範圍覆蓋基礎模型、多模態、強化學習等多個核心研發方向。需明確的是，MoBA論文作者列表中無其署名，二者不存在公開可查的研發關聯。
此外，他還參與了OccDepth三維語義場景補全、PVD-AL主動學習蒸餾、ACCV 2024隱式SDF重建等多項三維視覺方向研究，學術成果覆蓋模型壓縮、3D重建、語義場景理解等多個細分領域。
從公開署名軌跡來看，許偉欣的研究路徑從端側模型部署、三維視覺感知逐步延伸至大模型底層架構創新，長期深耕高效計算方向，技術覆蓋跨度廣，是月之暗面底層技術棧迭代的核心持續參與者。
杜晨壯：
杜晨壯是月之暗面的核心研究員，是團隊裡負責強化學習與推理能力擴展的核心中堅力量。
他本科畢業於北京航空航天大學信息管理與信息系統專業，隨後進入大模型人才的黃埔軍校——清華大學交叉信息研究院讀博。
在清華期間，他師從人工智能領域知名學者趙行，並加入了聲名顯赫的MARS Lab（多模態與自主推理實驗室），開始聚焦多模態機器學習、強化學習以及大語言模型強化機制。
在博士求學期間，他作為核心作者研發了轟動一時的《ChatDB》架構，開創性地提出「用數據庫作為符號性記憶模塊增強大模型」，在當時的AI學術界和工業界一舉刷屏。
為了更早地積累工業級大系統的實戰經驗，他還在讀博期間加入了北京海華人工智能研究院擔任實習生，深度參與了從零開始搭建底層系統的硬核研究項目。這讓他在多模態與強化學習領域積累了不少經驗，更具備了系統加算法的底層視野。
他畢業後加入月之暗面，頻繁出現在核心模型的技術報告中。他直接參與了探索強化學習擴展律的重磅論文《Kimi k1.5: Scaling Reinforcement Learning with LLMs》，同時在Kimi K2和K2.5等旗艦系列模型的技術報告中也都扮演了核心貢獻者的角色。
他還作為核心共同作者深度參與了Kimi多模態視覺大模型《Kimi-VL Technical Report》的研發，專注於提升大模型對複雜圖像、圖表以及真實世界視覺信息的感知與多模態深度推理能力。
杜晨壯的主攻方向是大規模大語言模型（LLM）訓練工程，專注於萬億級大模型（MoE架構）在超級集群中的資源調度、穩定訓練與極限系統優化；以及強化學習與多模態融合，研究模型如何在複雜長推理任務下通過自監督、強化學習實現智能上限的跨越，並實現視覺信息與語言模型的高效底層融合。
Yanru Chen：
Yanru Chen是月之暗面的核心研究員，專注於大模型底層架構、長文本技術、算力優化與多模態工程的研發與落地。
作為《Attention Residuals》論文的共同作者，他參與重構了大模型深度方向的信息流動方式，成功攻克了超深網絡訓練效率低下和信息流阻斷的行業痛點。
在長文本核心技術上，他作為MoBA（混合塊注意力）的共同作者，主導並參與了Kimi最看家的底層機制研發，通過塊級別的注意力切分，直接解決了百萬級超長上下文在預訓練和推理端算力消耗過大的問題，成為Kimi極限降本增效的核心底座。
同時，他還是《Muon is Scalable for LLM Training》論文的共同作者，深度參與了重磅開源項目Moonlight及其底層Muon優化器的研發，通過矩陣正交化處理挑戰了傳統的AdamW，有效地壓縮了萬億大模型在分布式訓練中的算力開銷。
在旗艦模型迭代中，他深度嵌入了Kimi歴代核心旗艦（k1.5、K2、K2.5、K3）的研發全生命周期，解決了模型在大標度強化學習和萬億參數擴展下的穩定性與資源調度難題。
此外，在Kimi多模態線（Linear、VL、Audio）的技術攻堅中，他積極探索非傳統Transformer結構的線性注意力創新，並主導推動了Kimi視覺與音頻多模態技術報告的工程落地，高效解決了多模態信息流在底層融合時的效率瓶頸。
劉少偉：
劉少偉是清華大學頂級計算機系統實驗室MADSys實驗室的核心成員，同時也是月之暗面核心基礎設施（Infra）團隊的領軍專家。
當你感嘆Kimi坐擁萬億參數、API價格卻極低，背後正是他與團隊死磕的「極致量化藝術」。他常年深耕萬億級大模型的極致低成本推理、原生量化與大規模分布式計算拓撲設計。
在全球最硬核的AI開源社區Reddit LocalLLaMA上，他曾以Kimi官方專家的身份，發表了轟動海外極客圈的技術拆解長文《Kimi infra team: Quantization is not a compromise, it's the next paradigm》。這篇長文深度揭秘了Kimi K2與K2.5底層極其硬核的Native INT4原生量化格式。
他不僅是MoBA（混合塊注意力機制）的核心共同作者，更深度參與了重磅開源項目Moonlight及其底層Muon優化器的分布式架構研發，通過矩陣正交化處理極大地壓縮了萬億大模型在分布式訓練中的算力開銷。
他還是月之暗面重磅開源項目KTransformers的核心發起人和代碼維護者之一，親手打通了異構集群下萬億MoE模型混合推理的算力屏障。
陳冠多：
陳冠多是月之暗面的Infra團隊核心研究員。他具備極強的「系統+算法」跨界研發能力，他的研究領域高度聚焦於大模型基礎設施（Infra）、高效注意力機制架構（Efficient Attention Architecture）、大模型微調加速以及大規模存儲與檢索優化。
他本科與碩士均畢業於復旦大學計算機系，在分布式系統與底層架構領域打下了堅實的專業基礎。隨後，他前往南洋理工大學與香港科技大學進行深造，分別師從高性能計算與大模型基礎設施領域的知名學者袁斌航和羅思強，積累了前沿的學術視野與研發經驗。
在正式加入月之暗面之前，他曾在頂尖互聯網大廠的底層核心部門進行深度沉澱。他曾先後在字節跳動數據庫系統研發團隊以及美團基礎設施團隊擔任研究實習生，深度參與了工業級高並發、大規模分布式系統的研發與架構優化。
期間，他作為核心作者直接扔出了兩項重磅成果。在底層存儲上，他研發並發表了《Oasis》，提出了一種最優不相交分割學習範圍濾波器，直接解決了底層數據庫在大規模範圍查詢時的索引瓶頸；
在應用層落地中，他發表了《Gar》，通過一種「生成和排序」的方法，大幅提升了大模型精準理解人類複雜意圖並轉化為SQL數據庫查詢語句（Text-to-SQL）的準確率。
陳冠多於2025年3月正式加入月之暗面。作為Infra團隊的中堅力量，他不僅是月之暗面旗艦大模型Kimi K2和Kimi K2.5的核心共同作者，還在大模型微調加速、高效注意力架構、甚至是最後網絡架構重構等方向，密集輸出了一項技術突破。
為了解決大模型微調太燒顯存的問題，陳冠多主導發表了《Ce-lora》論文，提出了一種計算高效型LoRA微調方法。這項技術通過降低大模型參數微調時的顯存佔用與計算開銷，直接拉高了Infra層的訓練吞吐量，堪稱大模型微調的「顯存瘦身術」。
面對長文本計算複雜度呈平方級爆炸的問題，他參與研發並發表了轟動開源社區的《Kimi Linear》架構。這是一種富有表現力且高效的線性注意力架構，在保持模型強大表徵能力的同時，極大降低了長文本計算的複雜度，成功將KV Cache（鍵值緩存）佔用最高砍掉75%，並在百萬文本長度下跑出了6倍的解碼吞吐量，是Kimi持續深耕長文本技術壁壘的硬核底座。
他還是《Attention Residuals》的共同作者之一。
從最底層的存儲濾波器、計算高效的微調算法，到顛覆性的下一代Transformer網絡架構，陳冠多的職業生涯軌跡完美契合了當下大模型從「單純卷參數」向「追求極致計算效率與工程落地」的行業範式。
結束語
K3的研發團隊素來低調神秘，在梳理資料的過程中，我們也很難一一釐清全部成員的具體分工與完整履歷。但透過這份沉甸甸的名單，答案已然浮出水面：為什麼是月之暗面？為什麼他們能撐起人均7億的超級估值？
這群平均年齡不到30歲的年輕人，是真正懂算力經濟學的系統架構師。從斬獲頂會最佳論文的存儲調度，到重構注意力機制的底層創新，他們將「長、快、省」的工程效率做到了極致。
正是這種從上層算法直到底層硬件的全棧打通，賦予了月之暗面打破「算力同質化」魔咒的核心壁壘。
還有一個有趣的細節是，在全員名單的結尾，Kimi K3也成為整個研發團隊的重要成員。創造者與被創造者開始在同一張名單上並肩而立，屬於中國大模型的「黃金時代」，已然轟鳴而至。