← 返回首页

Kimi K3 يتصدر ساحة برمجة الواجهات الأمامية، ويبني مُجمّع GPU، ويصمم شريحة في 48 ساعة

أطلقت شركة Moonshot AI نموذج Kimi K3، وهو نموذج متعدد الوسائط أصلي مصمم خصيصًا للبرمجة الطويلة، والعمل المعرفي، والاستدلال البصري، وسير العمل القائم على العوامل الذكية. يمتلك النموذج 2.8 تريليون معلمة إجمالية، ونافذة سياق تصل إلى مليون رمز (token)، وهندسة خبراء هجينة عالية التشتت - حيث يتم تفعيل 16 خبيرًا فقط من أصل 896 خبيرًا لكل رمز. تصفه Moonshot بأنه أول نموذج مفتوح من الفئة 3T، لكن بيان الإطلاق الصادر عن الشركة يذكر أن أوزان النموذج الكاملة ستصدر في 27 يوليو 2026. لفت Kimi K3 الانتباه فورًا بفضل إنجازاته في تطوير الواجهات الأمامية، وتحسين نواة GPU المستقلة، وبناء مُجمّع GPU مصغر باسم MiniTriton، وتجربة تصميم رقاقة باستخدام أدوات الأتمتة الإلكترونية مفتوحة المصدر خلال 48 ساعة. تعترف Moonshot أيضًا بأن K3 ليس الأفضل في جميع الفئات. يُظهر تقييمها الذاتي أن النموذج يتخلف عن Claude Fable 5 وGPT-5.6 Sol في الأداء الكلي، لكنه يُظهر نتائج أفضل في العديد من مهام البرمجة الطويلة والمهام القائمة على العوامل الذكية. الصورة من المقارنة الذكية Artificial Analysis التي شاركتها المقالة، تُظهر موق

发布于 2026年7月19日•general•GEO 评分: 0•7 次阅读

选择语言

العربيةDeutschEnglishEspañolFrançaisItaliano日本語한국어PortuguêsРусский中文
الصورة بخلفية سوداء عميقة، على اليسار كلمة "KIMI MOONSHOT AI" ضبابية، وعلى اليمين "Kimi K3" بأحرف كبيرة، وتحته "Frontend Leader · GPU Compiler · 48-Hour AI Chip". في الوسط شريحة متوهجة تحمل حرف "K" على سطحها. على اليمين مخطط تدفق يبدأ بـ"IR" ثم يمر بـ"Optimize" و"Lowering" و"CodeGen" وغيرها. على اليسار واجهة كود. الصورة مرتبطة بمحتوى "ملخص غلاف SEO" في المستند، وهي تصميم غلاف تقني لمنتج Kimi K3 من شركة "Moonlight"، وتطابق متطلبات الوصف في المستند.

Kimi K3 يتصدر ساحة برمجة الواجهات الأمامية، ويبني مُجمّع GPU، ويصمم شريحة في 48 ساعة

مقدمة

أطلقت شركة Moonshot AI نموذج Kimi K3، وهو نموذج متعدد الوسائط أصلي مصمم خصيصًا للبرمجة الطويلة، والعمل المعرفي، والاستدلال البصري، وسير العمل القائم على العوامل الذكية.

يمتلك النموذج 2.8 تريليون معلمة إجمالية، ونافذة سياق تصل إلى مليون رمز (token)، وهندسة خبراء هجينة عالية التشتت - حيث يتم تفعيل 16 خبيرًا فقط من أصل 896 خبيرًا لكل رمز. تصفه Moonshot بأنه أول نموذج مفتوح من الفئة 3T، لكن بيان الإطلاق الصادر عن الشركة يذكر أن أوزان النموذج الكاملة ستصدر في 27 يوليو 2026.

لفت Kimi K3 الانتباه فورًا بفضل إنجازاته في تطوير الواجهات الأمامية، وتحسين نواة GPU المستقلة، وبناء مُجمّع GPU مصغر باسم MiniTriton، وتجربة تصميم رقاقة باستخدام أدوات الأتمتة الإلكترونية مفتوحة المصدر خلال 48 ساعة.

تعترف Moonshot أيضًا بأن K3 ليس الأفضل في جميع الفئات. يُظهر تقييمها الذاتي أن النموذج يتخلف عن Claude Fable 5 وGPT-5.6 Sol في الأداء الكلي، لكنه يُظهر نتائج أفضل في العديد من مهام البرمجة الطويلة والمهام القائمة على العوامل الذكية.

الصورة من المقارنة الذكية Artificial Analysis التي شاركتها المقالة، تُظهر موقع Kimi K3.

نموذج Kimi أكثر تكلفة

يرفع Kimi K3 تسعير واجهة برمجة التطبيقات (API) الخاصة بـ Moonshot إلى مستوى أعلى من نماذج Kimi السابقة للبرمجة.

يسرد جدول التسعير في التقرير الأصلي الأسعار التالية لمنطقة الصين:

النموذج إدخال إصابة ذاكرة التخزين المؤقت إدخال عدم إصابة ذاكرة التخزين المؤقت الإخراج
Kimi K3 2 يوان لكل مليون رمز 20 يوان لكل مليون رمز 100 يوان لكل مليون رمز
Kimi K2.7 Code 1.30 يوان لكل مليون رمز 6.50 يوان لكل مليون رمز 27 يوان لكل مليون رمز

مقارنة أسعار Kimi K3 وKimi K2.7 Code من المصدر.

أسعار Kimi K3 المدرجة على منصة Moonshot الدولية لواجهة برمجة التطبيقات هي:

  • 0.30 دولار لكل مليون رمز إدخال مع إصابة ذاكرة التخزين المؤقت
  • 3.00 دولار لكل مليون رمز إدخال مع عدم إصابة ذاكرة التخزين المؤقت
  • 15.00 دولار لكل مليون رمز إخراج

هذا أغلى بكثير من Kimi K2.7 Code، لكنه لا يزال أقل من سعر Claude Fable 5 الذي استشهدت به Moonshot في مقارنتها.

جدول مقارنة الأسعار يُظهر أن تسعير إخراج Kimi K3 يمثل 30% فقط من سعر Claude Fable 5.

يجب توخي الحذر عند قراءة مقارنات الأسعار. قد تختلف أسعار واجهات برمجة التطبيقات حسب المنطقة والمزود وسلوك التخزين المؤقت وتحديثات المنتج اللاحقة. قبل النشر، تعتبر صفحة Kimi API الرسمية أفضل مصدر للتحقق من معايير الفوترة الحالية.

Kimi K3 يحتل المركز الأول في ساحة معارك الكود الأمامي

تأتي النتائج المبكرة الأكثر لفتًا للانتباه من مجال تطوير الواجهات الأمامية.

حتى وقت نشر هذه المقالة، يحتل Kimi K3 المركز الأول في تصنيف WebDev الأولي لساحة معارك الكود الأمامي Arena. يُظهر الرسم البياني المصدر معدل انتصارات يبلغ 76%، متقدمًا على Claude Fable 5 وGPT-5.6 Sol.

صورة توضح التصنيف الأولي لـ WebDev في ساحة معارك الكود الأمامي، حيث يحتل Kimi-K3 المركز الأول بمعدل انتصارات 76%. يوجد أدناه بيانات معدلات انتصارات نماذج مختلفة، مثل Claude Fable 5 بنسبة 63%، وGPT-5.6 Sol (xHigh) بنسبة 58%، وGLM-5.2 (Max) بنسبة 55%، وGrok-4.5 بنسبة 53%، وClaude Opus 4.8 (Thinking) وMuse Spark 1.1 كلاهما بنسبة 50%، وClaude Opus 4.7 (Thinking) بنسبة 49%. يرتبط الرسم البياني ارتباطًا وثيقًا بالسياق، ويُظهر بشكل مرئي المكانة المهيمنة لـ Kimi-K3 في ساحة معارك الكود الأمامي ومقارنة معدلات انتصاره مع النماذج الأخرى.

Kimi K3 يحتل المركز الأول في نتائج ساحة معارك الكود الأمامي الأولية الواردة في التقرير.

في سبع فئات من الواجهات الأمامية، ذكر التقرير الأصلي أن K3 احتل المركز الأول في ست فئات:

  1. مواقع العلامات التجارية والتسويق
  2. تصميم الصور المرجعية
  3. واجهات تحليل البيانات
  4. المنتجات الاستهلاكية
  5. المحاكاة
  6. أدوات إنشاء المحتوى

وذكر التقرير أنه احتل المركز الثاني في فئة الألعاب.

هذه النتائج مهمة بشكل خاص لأن العمل على الواجهات الأمامية ليس مجرد مشكلة توليد كود. يجب أن يكون النموذج القادر قادرًا على تفسير الاحتياجات البصرية، وإنشاء تطبيقات وظيفية، وتشغيلها، وفحص النتائج، وتعديل التنفيذ عندما لا تتطابق الواجهة مع التصميم المتوقع.

إعادة بناء واجهة أسلوب macOS في المتصفح

مثال ورد في المقالة الأصلية هو استنساخ واجهة أسلوب macOS 27 باستخدام مجموعة من العوامل الذكية في حوالي ست ساعات.

لم تكن النتيجة مجرد لقطة شاشة ثابتة. ذكر التقرير أنه باستثناء بعض الاستثناءات مثل المتصفح ووظائف الهاتف، فإن معظم تطبيقات سطح المكتب والتفاعلات عملت بشكل صحيح.

صورة توضح مثالاً لواجهة أسلوب macOS 27 التي أنشأها Kimi K3. في الصورة، على اليسار سطح مكتب محاكى بأسلوب macOS 27 مع خيارات قائمة مثل "About This Mac"، وتحته رقعة شطرنج. على اليمين واجهة تطبيق Freeform تعرض مهام مثل "macOS 27 Brainstorm"، مع عناصر مثل الملاحظات اللاصقة والمخططات الانسيابية. ترتبط الصورة ارتباطًا وثيقًا بالسياق، وهي تمثيل مرئي لنتيجة إعادة بناء واجهة أسلوب macOS 27 في Frontend Code Arena بواسطة Kimi K3، مما يعكس قدراته في توليد الكود وتصميم الواجهات.

واجهة متصفح تم إنشاؤها بواسطة عوامل ذكية تحاكي نظام تشغيل سطح مكتب حديث.

تتضمن العروض التوضيحية الأخرى محاكي يد آلية ولعبة ثلاثية الأبعاد كاملة البرمجة وقائمة على المتصفح باستخدام Three.js وWebGPU.

لا تزال هذه الأمثلة عروضًا توضيحية وليست معايير موحدة، لكنها تُظهر أنواع سير العمل التي تأمل Moonshot أن يدعمها K3: إنشاء برامج طويلة المدى ومرئية وتكرارية.

الرؤية في الحلقة

تصف Moonshot سير عمل K3 في الواجهات الأمامية بأنه رؤية في الحلقة.

لا يقوم النموذج ببساطة بتوليد الكود ويتوقف، بل يمكنه:

  1. كتابة أو تعديل كود التطبيق.
  2. تشغيل المشروع.
  3. فحص لقطات الشاشة أو نتائج العرض في الوقت الفعلي.
  4. اكتشاف مشاكل التخطيط أو الألوان أو الطبقات أو التفاعل.
  5. تعديل الكود.
  6. إعادة عرض النتائج المحدثة، وتكرار الخطوات.

يسد هذا التدفق الفجوة بين توليد الكود والتقييم البصري.

قد يُنتج النموذج كود HTML وCSS وJavaScript صحيحًا نحويًا، لكنه قد ينتج واجهة سيئة. من خلال مراقبة مخرجات العرض، يمكن لـ K3 التعرف على المشاكل التي يصعب اكتشافها من الكود المصدري وحده.

بالنسبة لمستودعات الواجهات الأمامية الأكبر، فإن نافذة السياق التي تبلغ مليون رمز مهمة أيضًا. يمكنها استيعاب عدد كبير من المكونات وتعريفات الأنواع وقواعد نظام التصميم ووثائق المشروع والتبعيات عبر الملفات في سياق عمل واحد.

ذكرت المقالة الأصلية أيضًا مفاضلة: أبلغ بعض المستخدمين أن المهام الأمامية المعقدة تستغرق ما بين 20 دقيقة وساعة. هذه مجرد ملاحظات فردية وليست قياسات تأخير خاضعة للرقابة، لكنها تشير إلى أن K3

قد يكون هناك تفضيل للتكرار الطويل المدى بدلاً من الإخراج الفوري.

المعايير البرمجية والهندسة طويلة المدى

تعتبر البرمجة واحدة من المزايا الأساسية لـ Kimi K3.

يسرد جدول المعايير في التقرير الأصلي النتائج التالية:

المعيار Kimi K3 Claude Fable 5 GPT-5.6 Sol
DeepSWE 67.5 70.0 73.0
Program Bench 77.8 76.8 77.6
SWE Marathon 42.0 35.0 39.0

صورة توضح أداء Kimi K3 في تقييمات متعددة للبرمجة وهندسة البرمجيات. تتضمن درجات معايير مثل DeepSWE و Terminal Bench 2.1 و Program Bench و SWE Marathon، حيث حصل Kimi K3 على 67.5 في DeepSWE، و Claude Fable 5 على 70.0، و GPT-5.6 Sol على 73.0؛ وفي Terminal Bench 2.1 حصل Kimi K3 على 88.3، و GPT-5.6 Sol على 88.9. ترتبط الصورة ارتباطًا وثيقًا بالسياق، وتعرض بشكل مرئي درجات Kimi K3 في التقييمات المختلفة، مما يساعد القراء على فهم أدائه في البرمجة وهندسة البرمجيات.

النتائج المبلغ عنها لـ Kimi K3 في تقييمات متعددة للبرمجة وهندسة البرمجيات.

تقدم المدونة الرسمية لـ Kimi K3 شرحًا منهجيًا مهمًا.

بالنسبة لـ DeepSWE، ذكرت Moonshot في مقارنتها الرئيسية نتائج إطار Kimi Code، بينما تم إدراج نتائج لوحة المتصدرين العامة لـ mini-SWE-agent عند 67.3. لذلك، قد تظهر اختلافات طفيفة اعتمادًا على الإطار وإعدادات التقييم.

بالنسبة لـ SWE Marathon، استخدمت Moonshot فرع المعايرة H20 للمهام الرسمية. كما أشارت الشركة إلى أن Claude Fable 5 أظهر سلوكًا احتياطيًا في بعض التقييمات، مما قد يكون قد خفض درجاته المقاسة.

لا تنفي هذه التفاصيل النتائج، لكنها مهمة عند مقارنة النماذج. يمكن أن تؤثر أطر الوكيل، وأذونات الأدوات، والأجهزة، وإعدادات الاستدلال، والسلوك الاحتياطي، ومعايرة المهام جميعها على الدرجة النهائية.

تحسين نواة GPU بشكل مستقل

اختبرت Moonshot ما إذا كان بإمكان Kimi K3 تحسين نواة GPU بأقل إشراف بشري.

حصل كل نموذج على نفس بيئة العمل الرملية، وتم منحه 24 ساعة كحد أقصى لتحليل وإعادة كتابة واختبار وتحسين النوى التالية ذات الصلة:

  • AttnRes (بقايا الانتباه)
  • Kimi Delta Attention
  • عبء عمل MLA بأبعاد 512 رأسًا
  • GPU عام من مورد آخر

تم تشغيل اختبارات NVIDIA على أجهزة H200.

تحسين AttnRes

بالنسبة لعبء عمل بقايا الانتباه، يشير النص الأصلي إلى أن K3 صمم خوارزمية نواة جديدة من مرحلتين، مما قلل

الوقت الإجمالي للتنفيذ الأمامي والعكسي من 283.6 مللي ثانية إلى 114.4 مللي ثانية.

هذا يمثل تسارعًا بنسبة حوالي 59.7% مقارنة بالخط الأساسي، مما جعل Kimi K3 قريبًا من أداء Claude Fable 5 في تكوين تجربة Moonshot.

صورة توضح مسار تحسين Kimi K3 في مهمة AttnRes (بقايا الانتباه). المحور الأفقي يمثل الساعات النشطة، والمحور الرأسي يمثل نسبة التسارع. تعرض الصورة بخطوط بألوان مختلفة حالات التحسين لنماذج مثل Kimi K3 و Claude Fable 5 و GPT 5.5+ و GPT 5.6 Sol. يظهر الخط الأحمر لـ Kimi K3 تحسنًا تدريجيًا في نسبة التسارع من 0% إلى 59.7%، مقتربًا من 57.1% لـ Claude Fable 5. ترتبط الصورة ارتباطًا وثيقًا بالسياق، وتعرض بشكل مرئي اتجاه تأثير تحسين Kimi K3 في مهمة AttnRes بمرور الوقت.

رسم بياني لمسار التحسين المبلغ عنه لـ Kimi K3 في مهمة نواة AttnRes.

يظهر الرسم البياني أيضًا عملية تحسين الوكيل بمرور الوقت. حقق K3 تقدمًا كبيرًا في المراحل المبكرة من التشغيل، ثم استمر في تحسين النواة من خلال التكرارات اللاحقة.

نواة MLA-512

في مهمة MLA-512 من الصفر، حققت نواة Kimi K3 517.8 TFLOPS كما هو مذكور تحت الحمل المشترك للأمام والعكسي.

أعلى نتيجة ثانية كما هو موضح في التقرير كانت حوالي 492.7 TFLOPS.

صورة توضح أداء Kimi K3 بـ TFLOPS (تريليون عملية فاصلة عائمة في الثانية) في مهام تحسين النماذج المختلفة. المحور الأفقي يمثل الساعات النشطة، والمحور الرأسي يمثل TFLOPS. تعرض الصورة بخطوط بألوان مختلفة حالات التحسين لأربع مهام: AttnRes و DSA و MLA و KDA - GP GPU، حيث برز Kimi K3 في مهمة MLA محققًا 517.8 TFLOPS، متجاوزًا النماذج الأخرى بشكل كبير. كما توضح الصورة قيم TFLOPS لنماذج مثل Claude Fable 5 و Claude Opus و GPT 4.8 و GPT 5.5 و GPT 5.6. ترتبط الصورة ارتباطًا وثيقًا بالسياق، وتعرض بشكل مرئي أداء Kimi K3 في مهام التحسين في اختبارات Moonshot.

حققت Kimi K3 517.8 TFLOPS كما هو مذكور في مهمة تحسين MLA-512.

ذكرت Moonshot أنه في المراحل المتأخرة من تطوير النموذج، تولى الإصدار المبكر من K3 معظم أعمال تحسين النواة للفريق. هذا هو سير العمل المبلغ عنه ذاتيًا من قبل الشركة، ولم يتم مراجعته بشكل مستقل في المواد المرتبطة بالمصدر.

MiniTriton: مترجم GPU مبني من الصفر

تجاوزت التجربة التالية تحسين النواة الفردية.

استكشفت Moonshot ما إذا كان بإمكان Kimi K3 بناء نظام برمجة GPU صغير من الصفر. وكانت النتيجة MiniTriton، وهو مترجم مدمج يشبه Triton، ويحتوي على:

  • تمثيل وسيط خاص به على مستوى البلاطات
  • طبقة IR مبنية على MLIR
  • عملية التحسين
  • خط أنابيب توليد كود PTX
  • دعم وقت التشغيل للنوى المولدة

ذكرت Moonshot أن MiniTriton حقق أو تجاوز أداء Triton و torch.compile في معايير الحدود القصوى المدعومة، بما في ذلك التفوق على Triton في بعض أعباء العمل.

صورة توضح أداء MiniTriton على وحدة معالجة الرسوميات NVIDIA L20 (sm_89) على منحنى CUDA-core الأداء الأقصى. المحور الأفقي يمثل الكثافة الحسابية (FLOP/بايت)، والمحور الرأسي يمثل الأداء المحقق (GFLOPS). تعرض الصورة نقاطًا بأشكال وألوان مختلفة تمثل أداء المترجمات المختلفة مثل torch.eager و torch.compile و minitriton، حيث حقق torch.compile عند 10^1 37.2 TFLOPS. كما توضح الصورة نقاط الأداء لأحجام البلاطات (BT) وعدد البلاطات (T) المختلفة، مثل عند BT=16 عند 10^1 تحقق 1024 GFLOPS. ترتبط الصورة ارتباطًا وثيقًا بالسياق، وتعرض بشكل مرئي أداء MiniTriton.

com/cms-assets/image/2026/07/664fc2e9-1b2c-459d-b907-898ed77df1af-2b65c54f-ba91-475a-81e6-9a3472a15637.png)

أداء MiniTriton على خط سقف CUDA الأساسي على معالج NVIDIA L20 GPU.

كما يدعم المترجم تدريب nanoGPT من البداية إلى النهاية مع تحقيق تقارب مستقر. وفقًا لـ Moonshot، تظل منحنيات الخسارة قريبة من مرجع التنفيذ مع انحراف طفيف فقط.

وهذا أكثر دلالة من اختبارات القياسات الصغيرة المنعزلة. ويشير إلى أن النظام المُنتج قادر على ربط اللغة الأمامية، التمثيل الوسيط، خط الأنابيب التحسيني، توليد PTX، وبيئة التشغيل في سير عمل متماسك.

ومع ذلك، في وقت كتابة هذا التقرير، لم تصدر Moonshot كود MiniTriton علنًا بعد. لذلك، فإن ادعاءات الأداء مستمدة من مواد إطلاق Kimi K3، ولا يمكن إعادة إنتاجها حاليًا من خلال الكود المنشور رسميًا.

شريحة صُممت في 48 ساعة من التشغيل

تم اختبار Kimi K3 أيضًا في مجال تصميم الرقائق.

خلال 48 ساعة من التشغيل الذاتي المستقل، قام النموذج ببناء وتحسين والتحقق من صحة شريحة مصممة لخدمة نماذج صغيرة تعتمد على بنية K3، باستخدام أدوات EDA مفتوحة المصدر ومجموعة أدوات التصميم الخاصة بتقنية Nangate 45nm.

أفادت Moonshot بنتائج التصميم المحاكاة التالية:

  • مساحة أقل من 4 مم²
  • 1.46 مليون خلية قياسية
  • 0.277 ميجابايت من ذاكرة SRAM
  • توقيت متقارب عند 100 ميجاهرتز
  • إنتاجية محاكاة فك التشفير تتجاوز 8700 رمزًا في الثانية
  • مصفوفة ضرب وجمع INT4 مع إلغاء القياس المدمج

تُظهر الصورة نتائج المحاكاة للشريحة التي صممها Kimi K3 خلال 48 ساعة من التشغيل الذاتي. تعرض اللوحة وحدات متعددة مثل "10 LGWR read pipe" وغيرها، مع أرقام تعريفية على كل وحدة. يُظهر الزاوية اليمنى العليا معلومات مثل "8358 tps"، مما يشير إلى معالجة 8358 رمزًا في الثانية. ترتبط هذه الصورة بمحتوى المستند حول تصميم Kimi K3 للرقاقة باستخدام أدوات EDA مفتوحة المصدر وتقنية Nangate 45nm خلال 48 ساعة من التشغيل الذاتي، مما يُظهر نتائج التصميم بشكل مرئي.

أبلغت دراسة حالة تصميم الرقاقة هذه عن سرعة معالجة تتجاوز 8700 رمزًا في الثانية في المحاكاة.

الفرق بين التصميم الرقمي المُحقق والشريحة المادية المُصنّعة فعليًا مهم.

تصف المواد المنشورة علنًا تمرينًا في التصميم والتحسين والتوقيت والمحاكاة باستخدام EDA. وهي لا تشير إلى أن الشريحة قد تم تصنيعها أو تجميعها أو اختبارها على السيليكون.

حتى مع هذا القيد، فإن إكمال خط أنابيب موسع لتصميم الأجهزة يُعد حالة جديرة بالملاحظة في البرمجة طويلة الأمد. فهو يتطلب من الوكيل التنسيق بين القرارات المعمارية، وصف الأجهزة، التركيب، التخطيط والتوجيه، فحص التوقيت، التحقق، والتحسين المتكرر.

الابتكاران الأساسيان وراء حجم 2.8 تريليون

يعتمد Kimi K3 على تقنيتين طورتهما Moonshot AI:

  1. Kimi Delta Attention
  2. Attention Residuals (باقي الانتباه)

يجمع النموذج بين هذه التقنيات وهندسة الخبراء المختلطة ذات التنشيط الأكثر تفرقًا.

تُظهر الصورة بنية Kimi K3، مقسمة إلى ثلاثة أجزاء. على اليسار توجد وحدات Stable LatentMoE و KDA، وتشمل خبراء مشتركين، موجهات، طبقات خطية، طبقات تسوية، إلخ. في المنتصف توجد عمليات AttnRes، وتشمل طبقات خطية، طبقات تسوية، KDA، إلخ. على اليمين يوجد العمود الفقري لـ Block Attention Residuals، ويشمل Stable LatentMoE، Gated MLA، Stable LatentMoE، KDA، إلخ. ترتبط هذه الصورة ارتباطًا وثيقًا بالسياق، وتُظهر بشكل مرئي بنية المكونات الرئيسية مثل Stable LatentMoE و KDA و AttnRes في نموذج Kimi K3، مما يساعد على فهم خصائصه في المعالجة الفعالة للتسلسلات الطويلة، ونقل المعلومات المرن، والتنشيط المتناثر.

يجمع Kimi K3 بين KDA، Attention Residuals، Gated MLA، و Stable LatentMoE.

Kimi Delta Attention (KDA)

تهدف Kimi Delta Attention، والمختصرة بـ KDA، إلى جعل آلية الانتباه أكثر كفاءة على التسلسلات الطويلة.

لا تعتمد KDA بالكامل على آلية الانتباه الكامل القياسي عبر السياق بأكمله، بل توفر آلية فعالة لمعالجة المدخلات الطويلة مع الاحتفاظ بالمعلومات اللازمة لمهام الترميز والاستدلال والوكيل.

هذه إحدى الأسس التي تمكن نافذة السياق التي تصل إلى مليون رمز في نموذج K3.

آلية Attention Residuals (باقي الانتباه)

تقوم طبقات Transformer التقليدية بإضافة مخرجات كل طبقة جديدة بشكل متكرر إلى الحالة المخفية المتراكمة.

تغير آلية Attention Residuals (AttnRes) هذا النمط. فهي تسمح للطبقات اللاحقة باسترجاع التمثيلات بشكل انتقائي من أعماق مختلفة، بدلاً من التعامل ببساطة مع جميع الطبقات السابقة كجزء من تدفق تراكمي موحد.

تصفها Moonshot بأنها طريقة أكثر مرونة لتدفق المعلومات في النماذج فائقة العمق.

بنية Stable Latent MoE

يحتوي Kimi K3 على 896 وحدة خبراء، ولكن يتم تنشيط 16 خبيرًا فقط لكل رمز (token).

هذا التفريق الشديد يقلل من الحساب لكل رمز (بالنسبة لحجم النموذج الكلي)، ولكنه يزيد أيضًا من صعوبة التوجيه وتوازن التحميل. يهدف إطار Stable Latent MoE الخاص بـ Moonshot إلى الحفاظ على استقرار التدريب في ظل هذا التكوين المتناثر.

موازنة الكميات (Quantile Balancing)

تحتاج نماذج الخبراء المختلطة إلى توزيع الرموز بشكل عادل بين الخبراء، لتجنب تحميل بعض الخبراء بشكل زائد.

يستخدم K3 تقنية موازنة الكميات، حيث يتم توزيع الخبراء بناءً على كميات درجات الموجه، بدلاً من الاعتماد على استراتيجيات موازنة مضبوطة يدويًا. ذكرت Moonshot أن هذا يلغي معاملات الضبط الفائقة الحساسة لتوازن التحميل، مما يجعل توزيع الخبراء على نطاق واسع أكثر استقرارًا.

محسن لكل رأس (Per-Head Optimizer)

يوسع K3 محسن Muon لتطبيق تحسين Muon لكل رأس.

تقوم هذه الطريقة بتفكيك معاملات الانتباه إلى هياكل مستقلة، وتحسين كل رأس انتباه على حدة. الهدف هو توفير سلوك تحسين أكثر تكيفًا لكل رأس انتباه أثناء التدريب على نطاق واسع.

SiTU و Gated MLA

يدعم مكونان إضافيان التحكم في التنشيط والانتباه:

  • وحدة Sigmoid Tanh (SiTU) تعمل على تحسين التحكم في التنشيط
  • Gated MLA تزيد من مرونة اختيار الانتباه

بدمج KDA و AttnRes و Stable Latent MoE و Quantile Balancing و Per-Head Muon، تدعي Moonshot أن هذه التحسينات توفر زيادة في كفاءة التوسع الإجمالي بحوالي 2.5 مرة مقارنة بـ Kimi K2.

بنية التدريب والاستدلال الواعية بالقياس (QAT)

يستخدم Kimi K3 التدريب الواعي بالقياس (QAT) بدءًا من مرحلة الضبط الدقيق الخاضع للإشراف.

تسرد المدونة التقنية الرسمية ما يلي:

  • أوزان MXFP4
  • تنشيطات MXFP8

الهدف هو تحسين التوافق عبر أجهزة المسرع المختلفة مع الحفاظ على قابلية تدريب ونشر نموذج بهذا الحجم.

في الوقت نفسه، توصي Moonshot باستخدام عقدة فائقة تحتوي على أكثر من 64 مسرعًا لنشر النموذج بكفاءة. وهذا يشير بوضوح إلى أن الأوزان المفتوحة لا تعادل النشر المحلي السهل — هذا النموذج الذي تبلغ معاملاته 2.8 تريليون لا يزال نظامًا ثقيل البنية التحتية.

آلية التخزين المؤقت لبادئات KDA (KDA Prefix Cache)

يشكل KDA تحديًا جديدًا للتخزين المؤقت التقليدي للبادئات.

ذكرت Moonshot أنها طورت تطبيقًا للتخزين المؤقت للبادئات للتعبئة المسبقة، وساهمت به في نظام vLLM البيئي. تحقق واجهة برمجة التطبيقات الرسمية الخاصة بها معدل إصابة يتجاوز 90% في أعباء العمل المتعلقة بالكود.

تشرح طبقة التخزين المؤقت هذه الفرق الكبير في الأسعار بين المدخلات المخزنة مؤقتًا وغير المخزنة مؤقتًا. سيتم فتح مصدر هذا التطبيق مع النموذج، ويمكن للمطورين الاطلاع على إعلانات Kimi و vLLM الرسمية.

مستودعات الكود المتاحة حاليًا وحالة التكامل.

القيود المعروفة

تسرد Moonshot ثلاثة قيود مهمة لـ Kimi K3.

الحساسية لتاريخ التفكير

يحافظ نمط تدريب K3 على تاريخ التفكير السابق للنموذج.

إذا لم يُرجع إطار عمل الوكيل سجل التاريخ الكامل المتوقع، فقد تصبح جودة التوليد غير مستقرة. يحدث ذلك عندما يتحول المستخدمون إلى نموذج آخر في منتصف جلسة نشطة

قد تظهر المشكلة نفسها أثناء تشغيل K3.

توصي "مونشوت إيه آي" باستخدام أدوات متوافقة ومعتمدة (مثل Kimi Code)، وتجنب تبديل النموذج في منتصف الجلسة.

الإفراط في الاستباقية

تم تدريب K3 على نطاق واسع على المهام الطويلة وعالية الصعوبة.

وبالتالي، قد يبالغ في رد فعله تجاه المشكلات البسيطة أو التعليمات الغامضة، ويتخذ قرارات لم يتوقعها المستخدم.

يجب على التطبيقات التي تتطلب حدودًا صارمة تعريف هذه الحدود بوضوح في موجه النظام أو ملف AGENTS.md.

فجوة تجربة المستخدم

تشير "مونشوت إيه آي" إلى أنه بالمقارنة مع Claude Fable 5 وGPT-5.6 Sol، لا يزال لدى K3 فجوة واضحة في تجربة المستخدم.

هذا القيد قيّم—فنتائج المعايير وعروض الهندسة الذاتية لا تغطي جميع جوانب تجربة الإنتاج، بما في ذلك تناسق الاستجابة، وزمن الوصول، وتفسير التعليمات، وموثوقية الأدوات، وسلاسة المحادثة.

التوفر وحالة الأوزان المفتوحة

يمكن الوصول إلى Kimi K3 عبر القنوات التالية:

عند الإطلاق، يستخدم K3 أقصى شدة تفكير افتراضيًا. وتذكر "مونشوت إيه آي" أن التحديثات المستقبلية ستضيف خيارات شدة تفكير أقل وأعلى.

أعلنت الشركة أنه سيتم إصدار أوزان النموذج الكاملة بحلول 27 يوليو 2026. وحتى يتم نشر هذه الأوزان والتقرير الفني، لا يزال جزء من البنية وإعدادات المعايير وتطبيق MiniTriton وعمليات تصميم الرقائق معتمدًا على الأوصاف المنشورة من "مونشوت إيه آي".

تظهر الصورة التغير في عدد معلمات النماذج المفتوحة الرائدة من يوليو 2025 إلى أكتوبر 2026 عبر شركات مختلفة. المحور الأفقي يمثل الزمن، والمحور الرأسي يمثل إجمالي عدد المعلمات. تستخدم الشركات المختلفة ألوان خطوط متميزة مثل Moonshot AI وXiaomi وAlibaba. يصل Kimi K3 إلى 2.8 تريليون معلمة في يوليو 2026، وهي القيمة القصوى حاليًا. ترتبط الصورة ارتباطًا وثيقًا بالسياق، وتوضح بوضوح ميزة Kimi K3 في عدد المعلمات مقارنة بالنماذج الكبيرة الأخرى.

يُظهر Kimi K3 حجم النموذج المفتوح الذي أبلغت عنه "مونشوت إيه آي" ليصل إلى 2.8 تريليون معلمة.

الأسئلة الشائعة

ما هو Kimi K3؟

Kimi K3 هو نموذج وسائط متعددة أصلي بـ 2.8 تريليون معلمة طورته "مونشوت إيه آي"، ومناسب للبرمجة طويلة المدى، والعمل المعرفي، والاستدلال البصري، ومهام الوكيل الذكي. يدعم سياقًا يصل إلى مليون رمز، وينشط 16 من أصل 896 خبيرًا لكل رمز.

هل Kimi K3 مفتوح المصدر؟

تُطلق "مونشوت إيه آي" على K3 اسم "نموذج مفتوح من فئة 3 تريليونات"، وأعلنت عن إصدار أوزان النموذج الكاملة بحلول 27 يوليو 2026. وقت كتابة هذا المقال، لم يكتمل إصدار الأوزان الكاملة والتقرير الفني لـ K3.

كم تبلغ رسوم واجهة برمجة تطبيقات Kimi K3؟

تسعير واجهة Kimi API الدولية هو: 0.30 دولار لكل مليون رمز إدخال مخبأ، و3.00 دولارات لكل مليون رمز إدخال غير مخبأ، و15.00 دولارًا لكل مليون رمز إخراج. قد تتغير الأسعار.

لذا، يجب على المستخدمين الإنتاجيين التحقق من الأسعار الحالية على منصة API الرسمية.

هل احتلت قدرة Kimi K3 على البرمجة الأمامية المرتبة الأولى حقًا؟

احتل Kimi K3 المركز الأول مؤقتًا في قائمة Arena WebDev عند إطلاقه. مع إضافة المزيد من الأصوات والنماذج، تتغير القائمة ديناميكيًا، لذا يُرجى الرجوع إلى صفحة Arena المباشرة للحصول على أحدث ترتيب.

ما هو MiniTriton؟

MiniTriton هو مُجمّع رسوميات مضغوط أعلنت "مونشوت إيه آي" أن Kimi K3 بناه من الصفر. يتضمن تمثيلًا وسطياً على مستوى الكتلة قائمًا على MLIR، وممرات تحسين، وسلسلة إنتاج كود PTX، ويدعم تدريب nanoGPT من البداية إلى النهاية.

هل صنع Kimi K3 رقاقة مادية؟

لا توجد معلومات رسمية عن التصنيع الفيزيائي. وصفت "مونشوت إيه آي" عملية تصميم إلكتروني ذاتي (EDA) استمرت 48 ساعة، أكملت تصميم الرقاقة وتحسينها والتحقق منها ومحاكاتها باستخدام مكتبة Nangate 45nm.

هل يمكن تشغيل Kimi K3 محليًا؟

النموذج ضخم جدًا، وتقترح "مونشوت إيه آي" أن نشر الاستدلال يتطلب ما لا يقل عن 64 مسرعًا لتحقيق كفاءة تشغيل. حتى بعد فتح الأوزان، يتطلب التشغيل المحلي بنية تحتية متخصصة كبيرة أو حلول نشر معدلة بشكل جوهري.

ما هو القيد الرئيسي لـ Kimi K3؟

تشير "مونشوت إيه آي" إلى حساسيته لتاريخ التفكير المحتفظ به، والإفراط في الاستباقية في المهام الغامضة، وفجوة تجربة المستخدم مقارنة بـ Claude Fable 5 وGPT-5.6 Sol. يُوصى باستخدام قيود وكيل صريحة وأطر تكيف متوافقة.

أدوات ذات صلة

  • Kimi: مساحة عمل الوكيل الذكي من "مونشوت إيه آي"، يمكن استخدام Kimi K3 فيها للبرمجة والبحث والمستندات والعروض التقديمية وسير العمل البصري.
  • Kimi Code: وكيل برمجة طرفي مفتوح المصدر من "مونشوت إيه آي"، وهو الإطار التكيفي الموصى به لتوافق K3.
  • منصة Kimi API: خدمة API الرسمية للوصول إلى kimi-k3 ونماذج Kimi الأخرى.
  • قائمة Arena WebDev: قائمة تصويت مجتمعية حية للنماذج الأمامية وتطوير الويب.
  • Triton: لغة ومُجمّع مفتوح المصدر لكتابة نوى GPU عالية الأداء.
  • MLIR: بنية تحتية قابلة لإعادة الاستخدام من LLVM لبناء تمثيلات وسيطة وممرات تحسين.
  • vLLM: محرك استدلال نماذج لغة كبيرة مفتوح المصدر يدعم الاستدلال عالي الإنتاجية والتخزين المؤقت للبادئات.
  • OpenROAD: سلسلة أدوات مفتوحة المصدر من RTL إلى GDSII مرتبطة بعمليات تصميم الرقائق الآلية.

روابط ذات صلة

قائمة التصنيف](https://deepswe.datacurve.ai/): معيار مرجعي لهندسة البرمجيات المفتوحة تم الاستشهاد به في تقرير تقييم "مونشوت إيه آي".

  • Program Bench: معيار برمجة مستخدم في مقارنات برمجة K3.
  • SWE Marathon: معيار هندسة برمجيات طويل الأجل استشهدت به "مونشوت إيه آي".

نظرة عامة

Kimi K3 هو أكبر نموذج من "مونشوت إيه آي" حتى الآن، بإجمالي 2.

8 تريليون معلمة، تدعم الإدخال متعدد الوسائط الأصلي، مع نافذة سياقية تصل إلى 100 ألف رمز مميز، وتنشط 16 خبيرًا من أصل 896 خبيرًا بشكل متقطع.

أبرز النتائج المبكرة له تظهر في مجال الهندسة طويلة المدى. احتل K3 المرتبة الأولى في التصنيف الأولي لمنصة Frontend Code Arena، مع تحسين نوى وحدة معالجة الرسومات، وبناء مترجم MiniTriton، وإكمال سير عمل تصميم رقاقات محاكية لمدة 48 ساعة باستخدام أدوات EDA مفتوحة المصدر.

يجمع هذا الهيكل بين آلية الانتباه Kimi Delta، والوصلات المتبقية للانتباه، وMoE الكامن المستقر، والتوازن الكمي، ومحسن Muon لكل رأس، وSiTU، وMLA المقيدة. أبلغت "قمر الظلام" أن كفاءة التوسع زادت بمقدار 2.5 مرة مقارنة بـ Kimi K2، مع الاعتراف بوجود قيود مهمة في توافق الوكيل، والاستباقية، وتجربة المستخدم العامة.

أهم تصريح لـ Kimi K3 ليس أنه فاز بجميع المعايير، بل قدرته على الحفاظ على إنتاجية عالية في المهام الهندسية الطويلة بشكل استثنائي، والمرئية، والتي تعتمد على سلسلة الأدوات.