Moonshot AI’nin (Kimi’nin arkasındaki Çinli laboratuvar) yeni flagship modeli 16 Temmuz 2026 itibarıyla canlıya alındı. Bu, açık kaynak / open-weight tarafında şimdiye kadarki en büyük model (dünyanın ilk ~3T sınıfı open modeli) ve “Open Frontier Intelligence” sloganıyla lanse edildi.
Aşağıda tüm detayları (resmi blog, API docs, X duyurusu, pricing, benchmark’lar, mimari, kullanım alanları, fiyat, erişim ve nüanslar) en güncel ve kapsamlı şekilde derledim.
Temel Özellikler (Özet Tablo)
| Özellik | Detay |
|---|---|
| Parametre | 2.8 Trilyon (2.8T) – Total |
| Aktif parametre | Stable LatentMoE ile 16 / 896 expert (çok yüksek sparsity) |
| Context Window | 1 Milyon token (1,048,576) |
| Multimodal | Native vision (görüntü + video) + text |
| Mimari | Kimi Delta Attention (KDA) + Attention Residuals (AttnRes) |
| Thinking | Max effort varsayılan (low/high yakında gelecek) |
| Open Weights | 27 Temmuz 2026’ya kadar tam weights + tech report |
| Durum | Canlı: kimi.com, Kimi Work, Kimi Code, Kimi API, mobil/desktop |
Mimari İnovasyonlar (En Kritik Kısım)
K3, sadece “daha büyük K2” değil. Scaling efficiency’de 2.5× iyileşme iddiası var (K2’ye göre):
- Kimi Delta Attention (KDA): Hybrid linear attention. Milyon-token context’te decoding’i 6.3× kadar hızlandırıyor. Prefix caching için vLLM’e katkı yaptılar.
- Attention Residuals (AttnRes): Depth boyunca selective representation retrieval. Eğitim efficiency’sini ~%25 artırıyor (ek maliyet < %2).
- Stable LatentMoE: 896 expert’ten sadece 16’sı aktif. Quantile Balancing + Per-Head Muon + SiTU + Gated MLA gibi detaylarla stabilite ve sparsity optimize edilmiş.
- Quantization-aware training (MXFP4 weights + MXFP8 activations) → hardware-friendly.
- Self-evolving örnek: K3, kendi AttnRes kernel’ini 15 saatte optimize edip forward+backward süresini 283.6 ms → 114.4 ms’ye düşürmüş (Fable-5 ile rekabet ederken daha hızlı iterasyon).
Bu sayede “long-horizon agentic coding + self-evolving workflows” için özel tasarlanmış.
Performans ve Benchmark’lar
Resmi değerlendirmelerde max effort ile test edildi. Genel sıralama: Claude Fable 5 ve GPT-5.6 Sol’un hemen arkasında, ama birçok alanda (özellikle coding, agentic, knowledge work) Opus 4.8, GPT-5.5 ve diğer open/closed modelleri geride bırakıyor.
Öne çıkan skorlar (Kimi K3 max vs rakipler):
- Coding: Terminal Bench 2.1 88.3, Program Bench 77.8, FrontierSWE 81.2, SWE Marathon 42.0 (Fable’ı geçti), DeepSWE 67.5.
- Agentic: BrowseComp 91.2 (en iyi), DeepSearchQA 95.0, GDPval-AA v2 Elo 1668, AA-Briefcase 1548, Toolathlon 73.2, DECK-Bench 73.5.
- Reasoning: GPQA-Diamond 93.5, HLE-Full 43.5 (tools ile 56.0).
- Vision: MMMU-Pro 81.6 (python ile 83.4), MathVision 94.3 (python 97.8), OmniDocBench 91.1, CharXiv yüksek.
Internal bench’lerde (Online Exp, Finance, DECK) Opus 4.8 ve GPT-5.5’i net geçiyor. “Vision in the loop” (kod ↔ live screenshot iterasyonu) ve 3D/game gen özellikle vurgulanıyor.
Gerçek Dünya Kullanım Örnekleri (Resmi Demo’lar)
- Game Dev: Tek prompt’tan playable multiplayer 3D oyun (procedural generation + dynamic weather + Three.js WebGPU).
- Kernel/GPU Compiler: MiniTriton (Triton rakibi) yazdı, kernel optimizasyonlarında %55–73.6 hız kazanımı.
- Chip Design: 48 saatte nano-model chip (4 mm², 100 MHz, 8700 token/s) – open-source EDA ile.
- Bilimsel Araştırma: Astrofizik pipeline’ı 2 saatte (3000+ satır kod + dashboard). AI ASIC endüstrisi 42 yıllık rapor (2800+ arama, 11k+ sayfa).
- Video Editing / Motion Design / Slides / Dashboards: Consultinglevel sunumlar, interactive research reports.
- Agent Swarm / Multi-agent: Önceki K2.x’te 100–300 sub-agent vardı; K3’te long-horizon + recursive self-improvement + 20+ concurrent sub-agent örnekleri (ör. gravitational-wave analysis). Swarm + Goal ile parallel task’lar.
Fiyatlandırma (API – Temmuz 2026)
USD (global):
- Cache hit input: $0.30 / MTok
- Cache miss input: $3.00 / MTok
- Output: $15.00 / MTok
- Flat pricing (context length’e göre kademe yok), 1M context.
RMB (Çin platform):
- Cache hit: ¥2 / MTok
- Input: ¥20 / MTok
- Output: ¥100 / MTok
Promosyon: Top-up’larda %10–30 voucher (15 Temmuz – 11 Ağustos arası, yüksek miktarlarda daha fazla). Coding iş yüklerinde cache hit oranı >%90 iddia ediliyor (Mooncake disaggregated inference sayesinde).
Kimi Code membership (Moderato ve üstü K3 erişimi, Allegretto+ 1M context):
- Aylık planlar ~$15–79 arası (yıllık indirimli).
Nasıl Erişilir?
- Web: kimi.com → K3 · Max veya Swarm seçenekleri.
- API: platform.kimi.ai (model ID: kimi-k3). OpenAI-compatible SDK.
- Kimi Code / CLI / VS Code / Cursor vb.: Direkt model seçimi (k3).
- Mobil / Desktop: iOS, Android, HarmonyOS, Windows, Mac app’leri güncellendi.
- Open weights: 27 Temmuz’da (HuggingFace vb. bekleniyor). Inference partner’lar ve vLLM desteği hazırlanıyor.
Önemli notlar / Nüanslar:
- Thinking history’ye çok duyarlı → mid-session model switch veya incomplete history instabilite yaratabilir. Yeni session başlatın.
- Bazen aşırı proaktif olabiliyor → prompt’ta constraint koyun.
- Max thinking default; daha ucuz/low effort yakında.
- Eski modeller (K2.5, moonshot-v1 vb.) yeni kullanıcılara kapanıyor (31 Ağustos full sunset).
Sonuç ve Bağlam
Kimi K3, Çin open-weight ekosisteminin “frontier’a en yakın” hamlesi. Sadece parametre sayısıyla değil, long-horizon agentic coding + native multimodal + efficient scaling kombinasyonuyla öne çıkıyor. Proprietary’lerin (Fable 5, GPT-5.6 Sol) hemen arkasında ama birçok pratik iş yükünde (kod, araştırma, 3D, knowledge work) çok güçlü ve açık weights geleceği için heyecan verici.
Resmi tech blog: kimi.com/blog/kimi-k3 API quickstart: platform.kimi.ai/docs/guide/kimi-k3-quickstart X duyurusu (16 Temmuz 18:58 UTC): @Kimi_Moonshot
Henüz yorum yok. İlk yorumu siz yapın!