أين تتفوق Kimi K3 على النماذج الرائدة: نظرة معيارية على النموذج المفتوح ذي 2.8 تريليون معامل

جدول المعايير المهم

نشرت Moonshot AI جدولاً يحتوي على 50 صفاً من المعايير مع إعلانها عن Kimi K3. رأي الشركة الخاص، "لا يزال الأداء العام متخلفاً عن أقوى النماذج الملكية"، صحيح لكنه غير مكتمل. إذا قمت بفرز الصفوف وفقاً للنموذج الذي يتصدر، تظهر صورة مختلفة: Kimi K3 يحتل المركز الأول في ستة تقييمات رئيسية على الأقل، عبر مهام البرمجة والوكالة والرؤية.

يسرد الجدول أدناه كل معيار يحقق فيه Kimi K3 (الحد الأقصى) المركز الأول أو يتعادل على المركز الأول، بالإضافة إلى أقرب منافس ودرجاته.

يتصدر Kimi K3 بشكل قاطع في SWE Marathon (42.0 مقابل 40.0) وBrowseComp (91.2 مقابل 90.4) وDeepSearchQA (95.0 مقابل 94.2) وAutomation Bench (30.8 مقابل 29.7) وOmniDocBench (91.1 مقابل 89.8). في Terminal-Bench 2.1 يتخلف عن GPT 5.6 Sol بـ 0.5 نقطة، وهو ما يكفي لاعتبارها تعادلاً. في GPQA-Diamond وPerceptionBench يتخلف بأقل من 1.2 نقطة. هذا سباق أقرب مما يوحي به وصف "التخلف الكلي".

البرمجة: حيث تفوز النماذج المفتوحة

يظهر النمط الأوضح في معايير البرمجة الوكيلة. SWE Marathon، الذي يقيس هندسة البرمجيات المستدامة عبر جلسات طويلة، يضع Kimi K3 متقدماً بخمس نقاط على GPT 5.6 Sol وسبع نقاط على Claude Fable 5. تنسب Moonshot AI الفضل لبنية K3: انتباه دلتا كيمي (KDA) والمتبقيات الانتباهية (AttnRes)، التي تحسن تدفق المعلومات عبر التسلسلات الطويلة. تدعم نافذة السياق البالغة مليون رمز وكثافة تنشيط 16 خبيراً من أصل 896 المهام طويلة الأجل دون تعثر.

في Program Bench، يتفوق Kimi K3 (77.8) بشكل طفيف على Claude Fable 5 (76.8) وGPT 5.6 Sol (77.6)، وهو تقدم ضيق لكنه ثابت. في MLS Bench Lite (48.3 مقابل 49.9) وDeepSWE (67.5 مقابل 70.0) يخسر، لكن بهوامش صغيرة بما يكفي ليجعل النموذج المفتوح بوضوح في نفس فئة الأنظمة الملكية الرائدة في البرمجة.

معيار Kimi Code Bench 2.0 الداخلي، الذي تقول Moonshot إنه يستخدم أداة KimiCode لـ K3 وClaude Code للمنافسين، يُظهر K3 عند 72.9، متفوقاً على GPT 5.6 Sol (64.8) وClaude Opus 4.8 (71.7)، وخلف Claude Fable 5 فقط (76.9). اختيارات الأدوات مهمة هنا: تلاحظ Moonshot أن درجات GLM-5.2 تأتي من أداة مختلفة، وأن درجات Claude Fable 5 تتضمن الرجوع إلى Opus 4.8 عندما تحجب سياسة الاستخدام الطلبات. ومع ذلك، يظل النمط قائماً: في العديد من معايير البرمجة، ينافس K3 أو يتفوق على النماذج الملكية التي تكلف مضاعفات هائلة لكل رمز.

معايير الوكالة: ثلاثة انتصارات واضحة

BrowseComp (91.2) وDeepSearchQA (95.0 f1) وAutomation Bench (30.8) هي تقييمات وكيلة تختبر قدرة النموذج على التنقل في المعلومات، وتجميع البيانات، وتنفيذ سير عمل متعدد الخطوات. في الثلاثة جميعها، يتصدر Kimi K3. تلاحظ Moonshot أن BrowseComp استخدم استراتيجية ضغط السياق عند 300 ألف رمز؛ وبدونها، سجل K3 90.4، متقدماً بذلك على كل نموذج آخر منشور علناً.

في MCP Atlas (84.2) وToolathlon-Verified (73.2)، يتخلف K3 عن Claude Fable 5 بـ 0.5 و4.7 نقطة على التوالي، وهي درجات جيدة، لكنها ليست المركز الأول. في GDPval-AA v2 (1668 Elo مقابل 1760) وAA-Briefcase (1548 مقابل 1583)، الفجوة هي 92 و35 نقطة Elo، وهي فجوة مرئية تطابق اعتراف Moonshot الخاص بأن "K3 يُظهر فجوة ملحوظة في تجربة المستخدم مقارنة بـ Claude Fable 5 وGPT 5.6 Sol."

الرؤية: OmniDocBench وPerceptionBench يبرزان

يتصدر Kimi K3 في OmniDocBench (91.1 مقابل 89.8)، وهو معيار فهم المستندات، وPerceptionBench (58.5 مقابل 57.2)، الذي تصفه Moonshot بأنه تقييم داخلي للإدراك البصري الذري. في MathVision (94.3) وMMMU-Pro (81.6) وCharXiv (84.8)، تسجل K3 ضمن 1-3 نقاط من القادة. تتسع الفجوة في المهام متعددة الوسائط الأصعب: ZeroBench مع python (41.0 مقابل 46.0) وBabyVision مع python (85.7 مقابل 90.5) يُظهران أن Claude Fable 5 وGPT 5.6 Sol لا يزالان يحتفظان بمزايا في التفكير البصري المعقد مع استخدام الأدوات.

ذكرت Moonshot أن جميع التقييمات البصرية استخدمت نفس تنسيق ترتيب الصور والموجهات، وأن K3 حصل على أعلى الدرجات في فهم المستندات دون تحسين أداة python، وهي ميزة ذات معنى بالنظر إلى كمية العمل المؤسسي التي تتضمن تحليل المستندات.

حيث الفجوة حقيقية: التفكير والتدريب اللاحق

في HLE-Full، أصعب معيار للتفكير، يسجل Kimi K3 43.5، أي 9.8 نقاط أقل من Claude Fable 5 (53.3) ونقطة واحدة أقل من GPT 5.6 Sol (44.5). مع الأدوات، تضيق الفجوة إلى 7 نقاط خلف Fable 5. في PostTrain Bench، الذي يقيس جودة التدريب اللاحق، يسجل K3 36.6، أي 4.8 نقاط خلف Fable 5 (41.4). هذه هي فجوات التفكير الخام واتباع التعليمات التي تفسر لماذا لا تزال Moonshot تعترف بتخلفها عن القادة الملكيين.

ومع ذلك، حتى هنا، الفجوة أضيق مما يوحي به الفرق في المعاملات. من المحتمل أن Claude Fable 5 يستخدم أكثر بكثير من 2.8 تريليون معامل (لم تكشف Anthropic عن العدد الدقيق)، وميزانية الحوسبة التدريبية له غير معروفة لكنها شبه مؤ أكيدة أكبر. حقيقة أن نموذجاً مفتوحاً جزئياً بحجم 2.8 تريليون معامل ينافس ضمن نقاط أحادية الرقم في GPQA-Diamond (93.5 مقابل 93.5) وTerminal-Bench 2.1 (88.3 مقابل 88.8) وSpreadsheetBench 2 (34.8 مقابل 34.7) يشير إلى تحول هيكلي في المشهد.

البنية وراء الأرقام

تعزو Moonshot هذه المكاسب إلى ثلاث ابتكارات معمارية. أولاً، انتباه دلتا كيمي (KDA)، وهي آلية انتباه جديدة تقول Moonshot إنها تحسن كفاءة القياس بنحو 2.5 مرة مقارنة بـ Kimi K2. ثانياً، المتبقيات الانتباهية (AttnRes)، التي تسترد التمثيلات بشكل انتقائي عبر العمق بدلاً من تجميعها بشكل موحد. ثالثاً، Stable LatentMoE مع 896 خبيراً و16 نشطاً لكل رمز، باستخدام طريقة Quantile Balancing لاستبدال التوزيع التجريبي للخبراء. التأثير المشترك، كما تدعي Moonshot، هو نموذج "يحول الحوسبة إلى ذكاء بشكل أكثر فعالية" من سابقه.

سيكون التحقق المستقل من هذه الادعاءات بانتظار التقرير الفني، الذي تعد Moonshot بنشره إلى جانب إصدار الأوزان بحلول 27 يوليو 2026. تلاحظ الشركة أيضاً أن KDA يشكل تحديات جديدة للتخزين المؤقت التقليدي للمسبقات وساهمت بتنفيذ مماثل لمجتمع vLLM، مما يشير إلى أن الهندسة المعمارية تقدم مقايضات هندسية حقيقية.

ما يقوله الجدول عن الحدود المفتوحة

لا يتفوق Kimi K3 على أفضل النماذج الملكية في كل مقياس. لكن المعايير التي يتصدرها، SWE Marathon وBrowseComp وDeepSearchQA وOmniDocBench وPerceptionBench، ليست اختبارات معملية غامضة. إنها تقيس البرمجة المستدامة عبر جلسات طويلة، واسترجاع المعلومات متعدد الخطوات، وفهم المستندات، والإدراك البصري: وهي بالضبط المهام التي تهم العملاء المؤسسيين. في هذه المهام، يتساوى النموذج المفتوح مع أو يتجاوز الأنظمة الملكية التي تكلف 15 دولاراً لكل مليون رمز للمخرجات (سعر واجهة K3 برمجياً) أو أكثر.

رقم 2.8 تريليون معامل مثير للإعجاب، لكن القصة الحقيقية أضيق: أصبحت النماذج مفتوحة الوزن قادرة على المنافسة في شرائح محددة وعالية القيمة من الحدود. السؤال لبقية عام 2026 هو ما إذا كانت هذه الفجوة تتسع، أم أن المختبرات الملكية توسع الفجوة في المعايير المتبقية التي لا تزال تقودها.