9月10日消息，今日上午，阿布扎比穆罕默德·本·扎耶德人工智能大学（MBZUAI）联合AI创企G42推出的新低成本推理模型K2 Think，相关论文已arXiv预印本平台发表，昨天下午模型在Hugging Face、GitHub上开源。
K2 Think有320亿个参数，基于阿里巴巴的开源模型Qwen 2.5构建，性能超过参数规模是其20倍的OpenAI和DeepSeek旗舰推理模型。
在复杂数学任务基准测试中，研究人员计算了K2 Think在AIME24、AIME25、HMMT25和OMNI-Math-HARD中的平均得分，超过GPT-OSS、DeepSeek V3.1、Qwen3 235B-A22B等一众开源模型。
技术报告中，研究人员提到K2 Think背后有六大技术创新协同，研究人员通过监督微调扩展基础模型的思维链能力，然后通过可验证奖励强化学习（RLVR）增强推理性能、利用推理时间技术增强模型，最后在部署K2-Think时进行两项速度优化，包括推测解码和Cerebras的晶圆级芯片，同时使用公开可用的开源数据集训练。
值得一提的是，研究人员将K2-Think部署在Cerebras晶圆级芯片WSE系统，WSE每秒可交付约2000个token，相比在NVIDIA H100/H200 GPU等常规部署环境中观测到的标称每秒200个token，性能提升了10倍。
K2-Think背后有两大强力推手：一方是穆罕默德・本・扎耶德人工智能大学（MBZUAI），这是阿拉伯联合酋长国专门设立、聚焦AI研究的机构；另一方是阿布扎比支持的科技集团G42，不仅在2024年拿到微软15亿美元投资，还在阿联酋建造OpenAI、软银等企业联合投资的AI基建 “星际之门”。
该模型的权重、训练数据、部署代码和测试时优化代码已经在Hugging Face、GitHub上开源。
Hugging Face地址：
GitHub地址：
K2 Think主页：
技术报告：
https://arxiv.org/abs/2509.07604
一、数学性能领先OpenAI、DeepSeek旗下开源模型，要为数学、科学提供特定用途服务
MBZUAI校长兼首席AI研究员Eric Xing在接受外媒WIRED采访时透露，K2 Think是使用数千个GPU开发的，最终的训练过程涉及200到300块芯片。
K2 Think并非一个完整的大语言模型，是专门用于推理的模型，能够通过模拟推理方式来回答复杂问题，而不是快速综合信息来提供信息输出，Xing提到，他们在未来几个月将K2 Think整合到一个完整的大模型中。
在复杂数学领域，K2 Think在AIME 2024、AIME 2025、HMMT 2025 和 Omni-MATH-HARD四个基准测试中的平均得分为67.99分，超过规模更大的DeepSeek V3.1 671B、GPT-OSS 120B模型。
编程能力上，K2-Think在开源代码能力基准LiveCodeBench上获得63.97分，超越了规模相近的同类模型GPT-OSS 20B、Qwen3-30B-A3B。
在用于评估大模型将复杂科学问题转化为可执行代码能力的SciCode基准测试中，K2-Think获得39.2分排名第二，与第一名的Qwen3 235BA22B仅有0.1分之差。
在科学推理方面，模型在GPQA-Diamond基准测试中的表现为71.08，表现优于除OpenReasoning-Nemotron-32B、GPT-OSS 120B之外的大多数开源模型。
MBZUAI基础模型研究所所长Hector Liu提到，K2-Think的特别之处在于，他们将其视为一个系统，他们的目标不是构建类似ChatGPT的聊天机器人，而是为数学和科学等领域的特定用途提供服务。
二、六项系统级创新，全训练过程均采用开源数据集
K2-Think的技术报告显示，其背后有六大技术创新，包括思维链监督微调、可验证奖励强化学习（RLVR）、推理前的Agent规划、测试时扩展、推测解码和推理优化硬件、仅使用公开可用的开源数据集训练。
基于这种系统化的技术创新，K2-Think通过长链式思维监督微调增强了逻辑深度、可验证奖励的强化学习提高了解决难题的准确率、Agent式规划使模型能够在推理前分解复杂挑战、测试时扩展技术进一步提升了模型的适应性，最终实现性能对标更大参数规模模型。这使得模型能够提供强大的思维链推理能力和近乎即时的响应时间。
在监督微调阶段，K2-Think使用思维链对基础模型进行监督微调。研究人员采用了现有的AM-Thinking-v1-Distilled数据集，该数据集由CoT推理痕迹和指令/响应对组成，提示来自数学推理、代码生成、科学推理、指令遵循和一般聊天等任务。他们评估发现，SFT模型在各个采样预算下均优于基础模型。
在可验证奖励强化学习阶段，可验证奖励强化学习通过直接优化模型生成的正确性，降低了基于人类反馈强化学习（RLHF）基于偏好对齐的复杂性和成本。因此研究人员使用了Guru数据集，该数据集包含数学、编程、科学、逻辑、模拟和表格六个领域任务、近92000个可验证问题。
在测试时间改进阶段，为了进一步提升模型性能，研究人员开发了测试时框架，为训练后的推理模型提供结构化输入，包括推理前的Agent规划，即“先计划后思考”，以及使用Best-of-N采样的测试时扩展。
▲模型从输入到最终响应的信息流
从输入到最终响应时，模型会重构提示以概述总体规划、突出相关概念。然后这一增强的提示将通过K2-Think模型生成多个响应，最后对候选响应进行两两比较，最终选出最佳生成结果作为推理系统的最终输出。
第四阶段是部署，在具有挑战性的数学证明或多步骤编码问题中，一个典型复杂推理任务一般会生成32000个token的响应。在NVIDIA H100上，这可以在不到3分钟的时间内完成，在WSE上，同样32000个token的生成任务只需16秒。
这是因为GPU必须在每个token生成时不断将权重从高带宽内存传输到GPU核心，而WSE将所有模型权重存储在海量片上内存中，充分利用每秒25PB的片上内存带宽，比最新NVIDIA B200 GPU提供的0.008PB/s高出3000多倍。
结语：小参数模型经后期训练，可媲美更大参数模型
K2-Think模型的性能证明，320亿参数规模的模型经过后期训练，能够生成较长的推理思路链，并结合相对较少的测试时间计算，可以实现小模型与参数数量级更大的模型相媲美的能力。
MBZUAI基础模型研究所的总经理Richard Morton认为，人脑的基本推理是所有思维过程的基础，K2-Think的应用，可以缩短研究人员思考特定任务、进行临床试验的时间，从而将先进的AI技术扩大到AI基础设施稀缺的地区。