喂给AI一张照片,它能给你推测一个人的性格

光靠歌单就能猜出人最近的心理状态。

而这些，都来自 Kimi 最新的个人格 k1 视觉思维模型之手。

这不是张照片真的，距离上次推出数学模型 k0-math 打榜 o1 才一个月，推测 k1 快速登场。个人格

当然，张照片这个 k1 但不仅仅是推测像开头一样，只看图分析性格那么简单。个人格

上次咱测试 k0-math 已经见过的张照片时候，已经见过了 “ 做题家 ” 解决问题的推测能力和思维过程让差评君目瞪口呆。不幸的是，一些绕逻辑的数学问题有几何问题，这有点有趣。

但这次的 k1 有一种说法，既有推理能力，又有视觉能力，这意味着你可以直接拍照上传来解决问题。它还声称它可以在数学、物理和化学上打平甚至超越 Open AI 的 o1 。

如果这样比较的话，我们可以来劲。恰到好处， k1 现在新模型不需要等内测， App 可以用网页版，话不多说，我们直接打开。

上来，扔掉 K1 今年高考的几何题。

首先， k1 对题干的解读足够详细，也知道自己的目标到底是什么。

也考虑了题目给定条件中可能涉及的余弦定理，类似于我们解决问题时的思维。 a² b²− c² =2ab ，立刻想到了余弦公式 c² =a² b² -2ab·cosC 。

继续根据公式和条件推导，很快就能找到出角 B=60 °。

向上滑动，查看更多信息

第（ 2 ）问题有点难，但差评君仔细检查了一遍 k1 在解决问题的过程中，思路和解决方案都没有错。最后，边长 c=2√答案也是对的。(因为这个问题 k1 思维过程太长，截图不会显示。)

问同样的问题 o1 ，首先，在推理速度上， o1 的 58s 已经输了。

如果是正确的， o1 和 k1 打平手，都做对了。

不同的是， o1 隐藏回答问题的想法，不给像 k1 这样一个完整的思维过程。

但是有一句话，差评君对 k1 这种模仿人类思维的方式并不特别令人惊讶。因为上次 k0-math 模型震惊了我一次，能够意识到自己的错误，并且会反复验证，就像我写数学题时绞尽脑汁一样。

相比之下，这一次 k1 补短板更出彩。上次 k0-math 初中翻车的几何题我又拿了 k1 试了一次，现在已经可以做对了，连高考的难度都没有发出来。

而且我也发现， k1 不仅擅长数学题，物理题也不在话下。

然后，我拿出一个逻辑陷阱问题，逻辑稍微绕一点，试了试:一个西瓜的价格 50 元，卖价 70 老板接受了元 100 元假币，最后损失了多少钱？

这个问题很简单，但网民对这个问题的回答被称为各种各样的问题，据说赔钱 150 的，有说 180 的，还有说 100 的。。。

让我们来看看许多人类无法理解的问题。 k1 你能看到里面的陷阱吗？

而且这个问题我特意手写的很潦草，顺便也测了一下。 k1 视觉能力是不是像宣传的那样神？

不要说，你真的不说，这个模型 “ 眼神 ” 确实不赖。

题目正确率方面， k1 前半部分的分析首先得出了损失 100 元的回答，但很快它就否定了自己。

继续把假币，零，成本利润考虑到这些复杂的因素，我终于明白了老板的损失 80 元。（ 正确答案是 80 元 ）

向上滑动，查看更多信息

这种逻辑能力，确实有点强。

包括我给出几个行测的类比推理题 k1 虽然逻辑分析的路径与参考答案不同，但最终答案是正确的。

反正经过这次测试，差评君发现了 k1 思维有逻辑，眼神好，智商高。 Kimi 这 “ 做题家 ” 名字算是坐实了。

但除了做题，这次我还摸索出了更多花里胡哨的玩法。

分析数据和看报表没有意义。 k1 模型不是根据图片来推理的吗？一定要有鉴别古钱币的一手吗？

差评君特意从网上找到了民国时期银元的照片，两枚银元上假下真，发给 k1 ，浅浅来一把 “AI 版听泉鉴宝 ” 。

图源小红书用户@古董今来(公博代理收评)

k1 我们不仅知道钱币是民国时期的，还知道钱币的各种细节 kuku 一顿输出，终于真的看到上面这个是假币。

让我们随便发一张房间的照片，让我们随便发一张房间的照片 k1 看看 “ 风水 ” 。

什么 “ 气口 ” 、对称布局，能量平衡。。。说得好，甚至真的给出了建议，让我们改变床的位置，定期修剪植物，改变更简单的枝形吊灯。

吃饭的时候给 k1 拍一张照片，这顿饭吃了多少卡路里也算清楚。

但最让我惊讶的是， k1 看图猜电影的能力。

我给了它一个《 七宗罪 》电影截图，没有台词，只有画面，很多没看过这部电影的人都很难猜出来。

一开始看 k1 我以为这个大概率是黄色的，结果下一秒就是一句话 “ 拍摄角度和色调让我想起了大卫 · 芬奇的电影 ” ，还推断截图中的画面是《 七宗罪 》里面的某个场景。

真是太强了。。。

甚至一些晦涩的梗图也被扔给了 k1 ，它还可以严肃地解释笑点在哪里。

虽然有过度解读的嫌疑，但一般意义基本上都是 get 到了。

这么说吧，基于 k1 视觉和推理能力，做题都是基操，只要脑洞足够大，还能解锁更多的玩法。

而 k1 这种能力在很大程度上归功于一个叫做的能力COT （ Chain of Thought ）思维链的技术。

大概意思是模型在输出答案之前，模仿人脑的思维方式，分解复杂的任务，然后一步一步地解决。该技术可以提高模型的智商。

另一方面，借助强化学习技术，模型也学会了在不断试错的过程中进化，从而达到最佳效果，就像训狗一样。

至于为啥 Kimi 将率先选择数学场景作为推理模型的切入点，我认为与我们人类学好数学锻炼思维是一样的。

在模型 “ 学好数学 ” 在此基础上，将这种逻辑推理能力应用到物理、化学甚至我们日常生活的各个方面，直到我们最终真正理解这个世界。

而很显然， Kimi 推理模型的泛化能力已经开始出现了。

这种基于强化学习技术的路径，在数据见顶的前提下，可能会使模型取得更好的效果。

但归根结底，模型使用了哪些技术，纸张分数有多高，其实大伙儿更关心模型是否好用，是否实用。

一向擅长长长长长文本的人。 Kimi ，如今，长文本和强化学习也是调整工具属性慢慢接近用户需求的表现。

毕竟，只有当技术不再高，能够帮助人们解决实际问题时，它才能真正完成它的使命。