1.反转ulb
全球最快开源AI推理模型！这个标签为K2‑Think带来轰动效果：福布斯、VentureBeat、Wired、CNBC等媒体争先报道，甚至图灵奖得主转发相关推文介绍！然而，苏黎世联邦理工学院计算机科学系
2.反转reverse
SRI实验室的研究者，却泼了一盆冷水：虽然K2-Think不错，但报告的性能被夸大了32B参数比肩o3 high？上周，MBZUAI与G42等开源了一款号称是「全球最快的开源AI推理模型」——K2-Think。
3.lex反转
当地媒体报道：K2-Think证明提升效率，不必牺牲模型性能在数学能力上，只有32B参数的K2-Think，甚至能比肩OpenAI此前的旗舰——o3 high。堪称是对Scaling Law的颠覆。
4.反转dem
论文中，作者把六个没人费心整合过的技术诀窍组合到了一起：长思维链微调、具有可验证奖励的强化学习（RLVR）、推理前的Agentic规划、测试时扩展、投机解码和优化推理的硬件其中的「先计划再思考」的架构不仅让模型变得更聪明，还实实在在地把token消耗降低了12%。
5.反转will
数据方面，据称仅使用开源数据集，无专有训练数据、无封闭API速度方面，它能在Cerebras上跑到每秒2000个token而大部分推理模型，每秒只有200个token复杂的证明，过去要等3分钟，现在只要18秒，这就是差距。
6.反转一下
基准跑分更是逆天在AIME 2024测试中，它得分率高达90.83%，要知道，大多数前沿模型连85%的门槛都过不了在复杂的数学竞赛中，它拿下了了67.99%的分数——一举击败了那些参数量超过1000亿的模型，如GPT-OSS 120B 和DeepSeek V3.1。
7.反转ea
过去，大家都认为「模型越大越好」；这一下就彻底终结了这种论调此前被OpenAI独占的推理能力，现在小型实验室也能部署了现在所有人都在惊叹它的速度记录但真正的核心是：在推理层面，他们把参数效率这个难题给攻克了。
8.反转的梗
效果如此出色，不仅在网上引发了广泛关注，还有多家新闻媒体对此进行了报道，包括福布斯、VentureBeat、Wired、CNBC等。
9.反转啥意思?
甚至，连Yann LeCun都亲自下场，转发了一条介绍这篇论文的推文。
10.反转 百度百科
然而，3天后，9月12日，故事迎来了逆转！逆转：ETH发文遭「打假」然而，就在论文发布后的第3天，5位来自ETH苏黎世的研究员就出来「打假」了。
博客地址：https://www.sri.inf.ethz.ch/blog/k2think根据分析，他们列出了4个关键问题：数据污染以三打一只比旧模型平均分替代最高分具体问题，请往下看；ETH的独立测评和结论在文末。
数据污染，评估无效在数学能力评估方面，K2-Think所使用的监督式微调（SFT）和强化学习（RL）数据集中，均包含DeepScaleR数据集，而后者又包含了Omni-Math的题目由于K2-Think又使用Omni-Math来评估其性能，评测与训练集可能存在重叠——这表明存在数据污染。
通过近似字符串匹配，研究人员确认了这一点：K2-Think用于评估的173个Omni-Math题目，至少有87个也出现在其训练数据里另据称，RL数据集Guru的创建者与论文作者重合度高，而K2-Think又使用了Guru进行强化学习训练。
在代码基准LiveCodeBench评估中，也发现了类似问题评估中K2-Think所用样本的约22%，出现在其SFT数据集中虽然SFT数据集的原作者（AM-Team）执行了去污染步骤，移除了2024年10月之后的问题。
但K2-Think的LiveCodeBench评估，却使用了自2024年7月以来的所有问题，导致其中22%的问题是模型在训练阶段就已经见过的这直接导致其在数学和代码方面的评估结果大打折扣不公平比较：采用「Best-of-N」和外部模型。
该论文的主要结果表报告的是，K2-Think在「3选1」(Best-of-3)策略下的性能这是一种众所周知的提升模型表现的技巧而所有其他模型均采用「单次生成」（best-of-1）进行评估，这让它们处于极为不利的位置。
更甚的是，「3选1」的判断是由一个未指明的「外部模型」完成的，该模型的规模可能是任意的同样是这个外部模型，还为K2-Think提供了详细的解题计划作者将这整套流程定义为「K2-Think」，而32B模型本身只是其中一个组件。
但原论文却声明「K2-Think仅依赖一个32B小模型」
如论文所示，将这套流程与没有采用该流程的其他模型进行比较，是无效的这套流程本就可以轻松应用于其他模型，并同样能提升其得分在没有外部辅助的情况下，K2-Think的性能不如Nemotron 32B——后者是一个同等规模的模型，于今年7月发布，基于Qwen2.5 32B并采用类似方法训练。
表1：K2-Think（无外部辅助）、Nemotron 32B（两者均为Qwen2.5 32B的微调版本）以及Qwen3 30B的性能对比Qwen3(*)的结果取自其模型页面所有其他结果均取自K2-Think的论文。
歪曲其他模型的结果该报告未能公正地评估其他模型最明显的是，它在运行GPT-OSS时仅使用了「中等」推理强度，而非为推理基准推荐的「高」推理强度设置此外，K2-Think对许多竞品模型使用了过时的版本例如，尽管他们评估了8月份发布的GPT-OSS，但论文中评估的Qwen3模型似乎并非7月份发布的最新版本。
具体来说，在Qwen3和K2-Think论文都涵盖的三个基准测试（AIME 2025、HMMT 2025、GPQA-Diamond）上，K2-Think给出的Qwen3分数似乎与旧版本相符，比7月新版本报告的结果低了15-20%之多。
下表比较Qwen3官方报告的分数与K2-Think论文中给出的分数。可以看到，K2-Think归于Qwen3-30B的分数远低于预期，即便是对比7月发布前的旧版本也同样如此。
表2：在AIME 2025、HMMT 2025和GPQA-Diamond
评论(0)