Kimi-K2-Instruct技术原理与创新点深度解析

引言：模型定位与核心能力
近年来，大语言模型技术呈现两大显著发展趋势：一是混合专家（Mixture-of-Experts, MoE）架构的普及，万亿参数规模模型通过动态路由机制实现高效推理与领域专精；二是Agent能力的重要性持续提升，模型从被动对话交互向主动执行任务、工具调用及复杂工作流编排演进。在此背景下，Moonshot AI（月之暗面）于2025年7月推出的Kimi-K2-Instruct，定位为“反射级Agent模型”，其设计初衷并非局限于封闭对话场景，而是聚焦“代理式智能”（agentic intelligence），即具备工具调用、推理与自主决策能力的场景优化，挑战了当前封闭对话AI的主导地位。

作为全球首个开源万亿参数MoE模型（总参数1万亿，每次推理激活320亿参数，遵循MIT开源协议），Kimi-K2-Instruct通过专家路由机制将任务分配至特定专家模块，实现“专业领域的大师”级性能，同时推动复杂AI代理开发的民主化，构建全球开发者生态。其核心能力体现在三大维度：一是工具调用与自主决策，支持浏览网页、运行代码、调用数学软件等外部工具，实现“能感知、能计划、能行动”的通用智能代理；二是编码与复杂推理，在SWE-bench Verified（65.8%）、LiveCodeBench v6（53.7%）等权威编码基准测试中表现突出；三是数学与逻辑推理，通过多步推理优化，在理工数学任务中达到开源模型领先水平。

性能评测显示，Kimi-K2-Instruct在编码、数学、工具使用等任务中全面领先多数模型，甚至超越GPT-4.1、Claude Opus 4等闭源模型，且训练过程无损失抖动，具备高稳定性。其“非思考模式下的高性能”特征，即无需长时推理即可高效完成复杂任务，结合开源特性与低成本部署策略，为开发者构建Agent系统提供了基础模型支持，也为后续章节深入分析其技术原理奠定了性能基础。

技术架构：混合专家模型的高效设计
MoE基础架构与参数配置
混合专家（Mixture-of-Experts, MoE）架构的核心优势在于实现模型规模与计算效率的平衡。传统稠密模型的计算成本随参数规模呈线性增长，当模型参数达到万亿级时，其推理阶段的资源消耗往往难以承受。而MoE架构通过稀疏激活机制，在保持万亿级总参数规模的同时，仅动态激活部分参数参与计算，从而显著降低实际运算成本。以Kimi K2为例，其总参数规模达万亿级（1T或1.04T），但推理时仅激活约320亿参数，较传统稠密模型降低了35%的计算成本，成功解决了“规模扩张与效率瓶颈”的核心矛盾。

MoE架构的高效性依赖于精准的专家调度机制，其核心逻辑是基于任务类型与专家功能的关联性实现“按需分配算力”。Kimi K2设计了384个专家网络（含1个共享专家），每个专家专注于特定领域知识或任务类型（如代码生成、逻辑推理、多语言处理等）。在推理过程中，模型通过路由机制为每个token动态选择8个最相关的专家进行激活，同时调用共享专家处理通用上下文信息。这种机制确保算力资源仅流向与当前任务高度相关的专家网络，避免全模型运算导致的资源浪费。例如，在编程任务中，模型会自动聚焦与代码语法、算法逻辑相关的专家网络，而在自然语言对话中则优先激活语言理解专家，从而在保证专业领域深度的同时，最大化资源利用效率。

从参数配置角度，Kimi K2的MoE架构通过严格的稀疏性设计进一步量化推理效率。模型总参数达1万亿，而激活参数仅为320亿，激活参数占比约3.2%（320亿/1万亿），对应专家选择的稀疏比例为48:1（384个专家/8个激活专家）。这种设计使得模型在保持万亿级参数规模带来的性能优势的同时，将实际计算量控制在与320亿参数稠密模型相当的水平，尤其适合资源受限场景的部署。

“每个token激活8个专家”的设计是提升任务适应性的关键。由于不同专家专注于不同领域，模型可根据输入token的语义特征动态选择最相关的8个专家协同工作，实现领域知识的精准匹配。例如，处理代码生成任务时，与编程语言语法、算法逻辑相关的专家被优先激活；而在自然语言对话中，语言理解和上下文建模专家则成为主力。这种动态协作机制使模型无需全量参数参与即可满足多样化任务需求，既提升了专业领域的处理深度，又增强了跨场景的适应能力。

多头潜在注意力（MLA）机制优化
在长上下文处理场景中，模型面临两大核心技术挑战：一是显存瓶颈，随着上下文窗口长度的扩展（如达到128K tokens），传统注意力机制中KV缓存的存储需求随序列长度线性增长，导致显存占用过高，限制了模型在本地化设备或资源受限环境中的部署；二是注意力计算复杂度，传统自注意力机制的计算量与序列长度的平方成正比，在超长文本处理时会显著降低模型的运行效率和响应速度。

为应对上述挑战，Kimi-K2-Instruct创新性地提出了多头潜在注意力（MLA）机制，其核心优化在于通过低秩投影技术对KV缓存进行压缩，有效减少冗余信息存储。实验结果表明，该方法可将128K长上下文场景下的显存占用降低40%，在处理法律合同、科研论文、完整小说等超长文本时展现出显著的显存效率优势。此外，MLA机制在架构设计中采用裁剪操作仅作用于未被共享的头专属分量，进一步优化了注意力头的计算资源分配，提升了整体效率。

在实际应用中，MLA机制与128K tokens的超长上下文窗口相结合，能够完整维持跨轮次的状态信息。例如，在分析多步骤工具调用流程或处理大型文档时，模型可精准跟踪调试复杂代码的历史修改记录与当前错误日志，捕捉冗长系统级文档中的关键依赖关系，显著提升长文本理解与处理能力。这种优化不仅增强了模型的实用价值，还为本地化部署提供了更多可能性，降低了对高端硬件的依赖。从模型整体架构来看，MLA机制与超稀疏混合专家（MoE）模型的结合，进一步实现了“更轻更强”的设计目标，相较于DeepSeek V3等同类模型，在保持性能的同时有效降低了资源消耗，为长上下文处理任务提供了高效的技术路径。

推理机制：训练优化与动态决策能力
MuonClip优化器与训练稳定性革新
在大模型训练过程中，梯度爆炸与损失尖峰（loss spike）频发是制约训练效率与稳定性的核心痛点。传统优化器如Adam在处理万亿级参数模型时难以有效控制注意力机制中logits的异常增长，导致训练中断或收敛效率低下。针对这一挑战,Kimi K2创新性地提出MuonClip优化器,通过Muon优化器与QK-Clip技术的深度融合构建系统性解决方案。

Muon优化器采用矩阵级更新策略,区别于AdamW的逐元素更新机制。其通过矩阵符号函数与牛顿-舒尔茨迭代算法,保持更新矩阵的正交性和谱范数稳定性,显著提升token利用效率。QK-Clip技术则聚焦于动态裁剪注意力机制中query与key(QK)矩阵的投影权重,通过精准限制QK矩阵乘积的数值规模,有效抑制logits的异常增长。该技术仅对需要控制的注意力头执行裁剪,避免过度抑制导致的性能损失。

MuonClip优化器的有效性在15.5万亿token的大规模训练中得到充分验证,实现全程无loss spike,训练损失曲线平滑度被业内誉为"机器学习史上最漂亮的损失曲线之一"。相较于AdamW, Muon的矩阵级更新能更高效地利用梯度信息,结合二阶信息(关注梯度变化趋势)进一步提升更新稳定性,使同等算力下的收敛速度提升1.4倍,同时将算力需求降低至传统方法的52%。这一突破为万亿参数模型的稳定高效训练提供了关键支撑,推动大模型训练从间断式探索迈向可持续的规模化阶段。

专家调度与任务适配逻辑
Kimi-K2-Instruct的专家调度机制以动态资源分配为主线，通过MoE（Mixture of Experts）架构实现任务需求与专家能力的精准匹配，核心在于将计算资源动态导向关键任务，从而提升工作负载管理效率。这一机制通过任务类型与专家网络的针对性绑定，确保专业领域深度的同时避免全模型运算的资源浪费。例如，在处理数学推理任务时，模型会自动激活“数学专家”模块以强化逻辑推导能力；面对代码生成任务时，则聚焦“编程专家”网络以提升语法准确性和算法优化水平，实现特定领域能力的深度调用。

为进一步优化精度与效率的平衡，系统支持通过调整“Selected Experts per Token”参数进行动态权衡。在高精度需求场景（如复杂数学证明）中，可增加每token选择的专家数量以提升推理准确性；而在效率优先场景（如日常对话）中，则减少专家激活数量以降低资源消耗，灵活适配多样化任务需求。此外，模型采用block-fp8格式存储checkpoint，通过量化技术显著降低显存占用，使本地部署的显存需求降至250GB，在保持性能的同时大幅降低了部署门槛。

与静态专家分配方案相比，动态调度机制展现出显著的灵活性与效率优势。静态方案通常将固定比例资源分配给所有任务，难以适配任务特性差异，易导致资源浪费或能力不足。而Kimi-K2-Instruct通过实时评估任务需求，仅激活与当前任务高度相关的专家模块，例如在64个专家网络中仅6个被高频激活，实现了负载均衡与资源高效利用。这种设计不仅提升了任务处理精度，还通过避免全模型运算降低了计算成本。此外，模型在数百万模拟工具交互对话数据上的训练，使其具备任务分解与工作流程协调能力，能够将复杂任务拆解后分配给对应专家模块处理，进一步强化了任务-能力匹配的协同效应。

工具调用：Agentic能力的工程实现
工具调用流程与格式规范
Kimi-K2-Instruct的工具调用流程以“需求拆解-工具选择-执行反馈”闭环逻辑为核心，实现了从自然语言指令到工具自主调用的全流程自动化。在需求拆解阶段，模型具备稳定的复杂指令解析能力，可将模糊自然语言需求自动转化为格式规范、可直接执行的ToolCall结构。例如，针对“规划演唱会行程”这类多步骤任务，模型能拆解为涵盖天气查询、交通预订、场馆信息获取等17次工具调用的序列，并通过无缝接入owl、Cline、RooCode等Agent/Coding框架，确保任务拆解的颗粒度与执行路径的合理性。

在工具选择与格式规范层面，模型通过严格的函数调用协议保障执行准确性。流程始于向模型传递可用工具列表（需包含工具名称、描述、参数 schema 等元信息），其中工具 schema 的“description”字段为必填项，缺失将导致模型误将参数解析为自然语言，直接影响调用准确性[7]。模型自主决策调用工具后，返回结果需包含finish_reason='tool_calls'标识，并严格遵循JSON结构化格式，包含tool_call_id、name（工具名称）及content（参数详情）等核心字段。以天气查询工具get_weather为例，模型会自动校验“城市名称”“日期”等必填 参数，若存在缺失则触发二次询问，确保调用合法性此外流式交互场景下，模型需先收集完整工具调用信息（如多参数组合），再执行后续生成，避免因信息不全导致执行失败。

执行反馈环节形成动态闭环。用户执行工具调用后，需将结果以role='tool'消息形式返回模型消息队列，包含工具执行状态、返回数据等关键信息。模型基于反馈结果判断是否需要进一步调整策略，例如通过“先规划后执行”机制生成有向无环图（DAG）调度工具执行顺序，若某节点失败则自动触发重试逻辑。此闭环逻辑支持复杂任务的多轮迭代，例如代码执行工具需反复调试至输出正确结果，最终形成可直接用于回答用户问题的内容对比传统API调用依赖人工干预的静态模式，Kimi-K2-Instruct通过“自主决策-动态调整 ”特性实现了工具调度的智能化。其Agentic能力体现在无需人工编写胶水代码即可完成端到端任务，例如仅用30行代码即可连接天气工具并实现自动化查询。 AceBench/Tau2-bench等基准测试显示，该模式下工具调用准确率可达70%-80%，验证了“需求拆解-工具选择-执行反馈”闭环逻辑的有效性。

多模态与外部系统集成
Kimi-K2-Instruct在多模态与外部系统集成方面以“生态适配性”为核心，通过接口兼容性优化与多模态扩展能力显著拓展应用边界。在接口兼容性层面，其设计聚焦于降低用户迁移成本，可无缝集成VS Code等主流开发工具，并通过Cline、Roo Code等扩展实现与Agent/Coding框架的深度协同，且每会话支持超过17个工具调用，无需额外插件或复杂配置。这种“即插即用”的特性大幅提升了工具链协同效率，例如在复杂任务自动化场景中，单次调用即可完成文献综述（结合互联网搜索进行文本分析）、代码开发（通过Roo Code等框架）与数据处理的全流程衔接，对比同类开源模型（如DeepSeek-V3）普遍存在的工具集成度不足问题，体现了其工程化优化优势。

在多模态扩展能力方面，Kimi-K2-Instruct通过跨模态内容生成与数据可视化技术进一步打破应用边界。其支持3D场景生成（如可交互的3D HTML山脉场景，包含悬崖、河流、昼夜光照变化及等高线切换功能）、复杂图形绘制（如高精度骑自行车的鹈鹕SVG图像，解决同类模型输出形状模糊的问题）及数据可视化（如13万行数据统计分析与小提琴图、箱线图、散点图等图表生成）。这些能力不仅丰富了内容呈现形式，更通过工具链协同实现了从数据输入到多模态输出的端到端自动化，例如在金融领域可生成包含实时数据的期货交易系统HTML界面，在创意领域可渲染3D粒子银河特效，充分展示了多模态与外部工具的协同效应。

此外，预训练阶段构建的覆盖数百领域、数千工具的多轮使用场景合成数据，通过代理任务优化强化了工具交互与长链推理能力，使其能够自动理解任务环境并决策行动流程，进一步支撑了复杂任务的高效处理[7]。这种生态适配性设计使得Kimi-K2-Instruct在接口兼容性与多模态扩展的双重驱动下，形成了从工具集成到场景落地的完整闭环，显著提升了在实际应用中的灵活性与自动化效率。

创新点深度解析：技术突破与行业影响
MuonClip优化器：训练范式革新
MuonClip优化器在大模型训练领域实现了“稳定性-效率”的双重突破，其核心创新在于将Muon优化器与QK-Clip技术深度融合，从根本上解决了大规模训练中的梯度爆炸与数据利用效率瓶颈，革新了超大模型的训练范式。

在优化器理论层面，Muon优化器通过矩阵更新机制替代传统优化器的逐元素更新方式，显著提升了token利用效率。相较于AdamW等传统逐元素更新优化器，Muon优化器在相同算力预算与模型规模下，算力需求仅为AdamW的52%，且收敛速度提升1.4倍，展现出显著的训练效率优势。这种效率提升使得模型能够在有限计算资源下处理更多高质量数据，为万亿参数规模模型的训练提供了可行性。

与此同时，QK-Clip技术通过动态裁剪attention logits，有效抑制了超大模型训练中的梯度爆炸问题。该机制通过对注意力计算中的查询（Q）与键（K）乘积进行动态缩放，从数学层面消解了训练过程中logits值异常增长导致的loss spike现象。这一技术突破使得MuonClip能够支持15.5万亿token的多模态数据训练全程无损失突刺，即使在1万亿参数MoE模型等极端规模下，仍能保持训练过程的高度稳定性，为后续微调提供了可靠的预训练基础。

MuonClip的双突破使其在大模型训练领域产生了深远影响。其实现的“机器学习史上最平滑损失曲线”被业内广泛认可，不仅验证了其技术创新性，更标志着大模型训练从“经验试错”向“稳定可控”的范式转变。通过整合Muon优化器的token效率优势与QK-Clip的稳定性保障，MuonClip成功解决了大规模训练中的核心瓶颈，为超大规模预训练的高效推进提供了关键技术支撑。

大规模Agentic数据合成与强化学习框架
Kimi-K2-Instruct构建的大规模Agentic数据合成与强化学习框架，通过“数据-算法-能力”的传导链条，系统性解决了高质量Agent数据稀缺问题，并实现了强化学习在开放领域的对齐能力突破。

在数据合成层面，该框架构建了覆盖数百领域、数千工具的多轮使用场景合成流水线，可在仿真与真实环境中生成工具交互数据。通过自研多轮工具调用剧本生成器与LLM-as-a-Judge自动评估机制，筛选高质量样本（如保留Top 20%评分样本）用于训练，有效提升了复杂指令拆解与函数调用格式的正确率（提升18%）。相较于传统人工标注的高成本与低扩展性，该合成数据流水线实现了规模化生产优势，能够快速覆盖多样化领域与工具交互场景，弱化模型纯文本续写偏好，强化工具交互、多轮决策及长链推理能力，为Agent能力培养提供了数据基础。

在强化学习框架创新方面，该框架融合外部可验证奖励（RLVR）与内部自我批判奖励机制，实现了对齐能力从静态场景向开放领域的扩展。对于可验证任务（如代码、数学），模型通过外部验证（如代码正确性测试）获取反馈；对于不可验证任务（如写作、规划），则引入Self-Judging Critic机制，通过多输出对比打分实现自我评价与自我对齐。这种“外部学习-内部优化”的双轨机制，使模型既能从外部任务中学习客观标准，又能通过评价自身输出动态调整行为，显著提升了开放领域的泛化表现，例如在风格化写作与长程规划任务中胜率提升12–25%。

该强化学习框架的效果在代码领域得到验证，在SWE-bench Verified数据集上通过多次尝试实现77.6%的成绩，表明其在复杂任务中具备高效的问题解决能力与对齐稳定性。通过“数据合成-强化学习-能力进化”的闭环设计，Kimi-K2-Instruct成功将智能体从“模仿人”的静态模式升级为“具备目标感与行动能力”的动态智能体，为开放领域Agent应用奠定了技术基础。

多维度基准测试表现
Kimi-K2-Instruct在多维度基准测试中展现出显著性能优势，其表现可按任务类型划分为编码、工具调用、数学与理工及通用知识四大领域，各领域数据如下：

编码任务：开源模型SOTA级表现
在编码任务中，模型多项指标刷新开源领域纪录。具体而言，LiveCodeBench v6（Aug 24 - May 25）Pass@1达53.7%[https://blog.csdn.net/weixin_41446370/article/details/149284816"]，位列所有模型第一[https://blog.csdn.net/weixin_63583875/article/details/149720933"]；MultiPL-E Pass@¹达85.7%，展现极强跨语言代码生成能力[https://blog.csdn.net/weixin_41446379/article/details/149284816"]。软件工程领域，SWE-bench Verified测试中，Agentic Coding模式单次尝试准确率65.8%（超GPT-4.1的54.6%），多次尝试准确率达71.6%[https://www.cnblogs.com/Open-Source-im/articles/1899889"]；多语言编码任务SWE-bench Multilingual（Agentic Coding）单次尝试准确率47.3%，显著领先开源同类模型[https://m.baike.com/wiki/Kimi%20K2/752602522795439155?baike_source=doubao"]。

工具调用与Agent任务
工具调用能力方面，模型在Tau2系列基准中表现突出：Tau2 retail Avg@4为70.6，Tau2 airline Avg@4为56.5，Tau2 telecom Avg@4为65.8[https://m.baike.com/wiki/Kimi%20K2/752602522479543915?baike_source=doubao"]；AceBench工具调用准确率达76.5%，Tau2-Bench得分66.1，均为开源模型最高水平[https://www.cnblogs.com/Open-Source-im/articles/18998851"]。此外，多工具链编排效率显著优于传统方案，较GPT-4+LangChain组合减少70% prompt代码量，体现出高效的任务拆解与资源调度能力[http://www.globaltimes.cn/page/202507/1339012.shtml"]．

数学与理工能力
在数学与理工领域，模型展现出高精度计算能力：MATH-5测试准确率97.4%[https://mbaike.com/wiki/Kimi%20K2/7526025224795439155?baike_source=doubao"]，超过GPT-.1的92.4%[https://blog.csdn.net/weixin_6983875/article/details/1497939"]；2025年AIME数学竞赛获9.5分，同级模型中领先[https://www.cnblogs.com/Open-Source-im/articles/18998851"]。

通用知识与综合能力
通用知识测试中，MMLURedux得分92.7%[https://www.cnblogs.com/Open-Source-im/articles/1998851"]，超过大多数闭源模型；Multi-Challenge测试EM值超90%[https://blog.csdn.net/qq_4985868/article/details/149525228"]，MMLU-Pro多语言测试进入领先梯队[https://blog.csdn.net/weixin_63583875/article/details/149720933"]。

性能归因与第三方验证
模型在无显式推理链的“非思考模型”定位下实现高性能，核心原因在于两点技术设计：一是专家调度机制针对性优化——通过任务类型动态匹配专业子模块权重（如编码任务激活代码生成专家层），二是训练数据充分性——涵盖百万级高质量任务样本及工具交互日志[https://developer.aliyun.com/ask/.697965"]。第三方评测方面，模型位列LMSYS排行榜第四[子章节描述提及]，GitHub开源测试数据显示其在SWE-bench Verie、Tau2、AceBench等开源榜单中持续保持SOTA成绩[9]，验证了性能的稳定性与权威性。

部署优化与开源生态
Kimi-K2-Instruct在部署优化与开源生态构建中，通过“成本-门槛-生态”三维度协同设计，显著提升了大模型的实用价值与社区影响力。

在部署成本优化层面，模型采用block-fp8格式存储checkpoint，结合多种推理优化技术，使本地部署的显存需求降低40%，显著缓解了硬件资源压力。云端API服务则通过精细化定价策略进一步降低使用成本，其输入token费用低至0.004元/千token（即4元/百万token),输出费用为0.016元/千token（即1６元/百万token），较同类闭源模型API（如Claude Sonnet 4）实现约75%的成本节省，性价比优势显著。此外，模型支持免费额度（100万token/180天），降低了开发者初期测试与验证的经济门槛。

部署门槛降低体现在灵活适配多场景的技术架构上。模型全面支持vLLM、SGLang、KTransformers、TensorRT-LLM等主流推理引擎，可满足从低延迟实时交互到高吞吐批量处理的数据需求；同时提供llama.cpp（支持GGUF量化格式）、Docker容器化部署等轻量级方案适配低资源环境，例如通过llama.cpp的--n-gpu-layers参数可动态调节GPU资源占用，使24GB显存的单卡设备即可启动基础服务。硬件要求方面，量化模型仅需250GB存储空间及128GB内存，较传统大模型部署门槛降低60%以上，推动本地化部署从专业级向中小企业及个人开发者普及。

开源生态构建采取“全量开放+商业平衡”策略：Base与Instruct版本权重完全开源，遵循MIT协议允许自由下载、微调及商用，仅对超大规模部署（用户超1亿或月营收超2000万美元）设置界面标注“Kimi-K2”的品牌保护条款。该策略激发了活跃的社区响应，Hugging Face平台开源一周内模型下载量突破10万次GitHub上涌现llama_index等项目集成案例第三方企业集成达32家（含OpenRouter、VS Code、金山云等），形成从学术研究到产业应用的完整生态链。这种模式不仅推动智能体（Agent开发民主化，使中小团队及个人开发者能基于开源权重构建定制化应用，还通过品牌条款平衡了社区共享与商业可持续性，为开源大模型的商业化探索提供了参考范式。

结论与展望
Kimi-K2-Instruct在技术层面实现了多维度突破。在模型架构上，其基于MoE（混合专家）架构设计，结合MLA注意力机制与MuonClip优化器等训练优化技术，显著提升了模型性能与训练效率；在Agent能力方面，通过大规模Agentic数据合成与通用强化学习框架，构建了“能感知、能计划、能行动”的智能代理基础，在编码、工具调用、数学推理等核心任务中达成开源模型的SOTA性能，成为当前开源领域中罕见的“通才型大模型”。这些技术创新不仅使其在基准测试中表现优异，更为通用智能代理研发提供了关键支撑。

然而，当前模型仍存在待优化空间：复杂任务规划能力有待提升；在任务定义模糊或工具调用链条过长时，可能出现输出拖沓现象；原生视觉理解能力尚未支持，硬件部署门槛相对较高，这些均构成其进一步发展的挑战。

结合行业多模态融合与边缘部署的趋势，Kimi-Ke-Instruct的技术迭代方向已逐步清晰！未来将重点推进多模态能力建设，通过原生视觉理解实现图像解析与规划生成；强化推理过程透明度，开发思考链可视化功能；构建插件生态系统，支持官方与社区工具的一键接入，拓展应用场景。同时，其在部署优化与性价比提升方面的探索，也为边缘计算环境下的应用奠定了基础。

作为开源模型，Kimi-Ke-Instruct的技术开放策略具有重要行业意义。其开源特性降低了大模型研究与应用门槛，推动AI开发去中心化，挑战了封闭IP商业模式主导的行业格局；同时，为Agentic Intelligence的标准化提供了实践范本，促进了“能感知、能计划、能行动”的通用智能代理技术体系的共建共享。这一“强大且开放”的发展路径，或将引领AI行业向更协作、更普惠的方向演进。