استارتاپ هوش مصنوعی Moonshot از نسخه پیشرفته مدل باز خود با عنوان Kimi K3.1 Pro پرده‌برداری کرد. این مدل اکنون به عنوان قدرتمندترین هوش مصنوعی توسعه‌یافته در چین شناخته می‌شود. این موفقیت در شرایطی به دست آمده که شرکت‌های آمریکایی مانند OpenAI و Anthropic محدودیت‌های شدیدی را برای استفاده آزمایشگاه‌های چینی از مدل‌های خود اعمال کرده بودند. با این حال، نسخه جدید فراتر از انتظارات ظاهر شده و در معیارهای مختلف توانسته از مدل‌های GPT-6 Astra و Claude Fable 5.1 پیشی بگیرد.
مدل Kimi K3.1 Pro بر پایه معماری مدل قبلی K3 ساخته شده، اما از یک چارچوب محاسباتی بسیار گسترده‌تر در مرحله پس‌آموزش بهره می‌برد که برای بهبود عملکرد در زمینه‌هایی مانند مدل‌سازی پیشرفته مالی و جریان‌های کاری مبتنی بر عامل‌ها بهینه‌سازی شده است. این هوش مصنوعی در مجموع دارای ۲.۸ تریلیون پارامتر است که از این تعداد، ۱۰۴ میلیارد پارامتر آن در هر توکن فعال می‌شود. پنجره زمینه بومی این مدل بیش از ۱ میلیون توکن است و در سراسر شبکه آن از مکانیزم NoPE استفاده شده تا انعطاف‌پذیری پردازش متون طولانی و کارایی محاسباتی آن افزایش یابد.
در حال حاضر، Kimi K3.1 Pro از طریق اپلیکیشن‌ها و API کیمی قابل دسترسی است و نسخه کامل وزن‌های باز آن در تاریخ ۱۳ آبان منتشر خواهد شد. هزینه استفاده از آن نیز به ازای هر یک میلیون توکن ورودی، خروجی و کش به ترتیب ۲ دلار، ۱۰ دلار و ۰.۲۰ دلار تعیین شده که ۳۳ درصد ارزان‌تر از نسل قبلی است. همزمان، نسخه سریع‌تر این مدل نیز عرضه شده که طبق اعلام سازنده، بین ۲ تا ۳ برابر سریع‌تر عمل می‌کند.
معماری نوین Kimi K3.1 Pro و عملکرد برجسته قدرتمندترین مدل هوش مصنوعی چین
در مدل‌های زبانی، دو بخش اصلی وجود دارد: لایه توجه (Attention Layer) که روابط بین کلمات را بررسی کرده و اطلاعات مربوط به آن را در حافظه موقت موسوم به «KV Cache» ذخیره می‌کند؛ و شبکه Feed-Forward که دانش اصلی مدل و وزن‌ها را در بر می‌گیرد. با طولانی‌تر شدن متن ورودی، حافظه KV Cache معمولاً به صورت خطی افزایش یافته و سرعت مدل را کاهش می‌دهد.
کیمی برای حل این چالش، از مکانیزمی به نام KDA استفاده کرده است که ترکیبی از توجه خطی با نسبت بازگشتی ۳ به ۱ محسوب می‌شود. به عبارت ساده، این ساختار به گونه‌ای طراحی شده که گویی مدل از چهار دستیار همزمان بهره می‌برد؛ سه دستیار به طور پیوسته نکات مهم را یادداشت کرده و داده‌های قدیمی‌تر را پاک می‌کنند تا حجم کش بالا نرود، و دستیار چهارم یک تصویر فشرده سراسری از کل بافت تهیه می‌کند تا جزئیات ریز در صورت نیاز قابل بازیابی باشند. کل مدل ۶۹ لایه دارد که پس از هر ۳ لایه، یک لایه توجه سراسری قرار گرفته است (مجموعاً ۲۴ لایه از این نوع).
عملکرد این مدل در آزمون‌های کدنویسی نیز بسیار رقابتی بوده است. ویا بلاگ در آزمون Terminal-Bench 4.0 برای ارزیابی عامل‌های برنامه‌نویسی، این مدل به امتیاز ۶۵.۷ درصد دست یافته که آن را بالاتر از GPT-6 Astra با امتیاز ۵۸.۲ درصد و تنها با فاصله اندکی پشت سر رقیب نام‌دار خود یعنی Claude Opus 5.5 با امتیاز ۶۶.۴ درصد قرار می‌دهد. البته باید اشاره کرد که این آمارها از سوی توسعه‌دهنده چینی گزارش شده و هنوز به طور مستقل تأیید نشده‌اند.
همچنین در پلتفرم ارزیابی Code Arena، این مدل رتبه هشتم را کسب کرده و عملکردی هم‌تراز با Claude Opus 5 به نمایش گذاشته است. میزان اشتباهات و ادعاهای نادرست مدل نیز در آزمون‌ها به ۸.۳ درصد کاهش یافته که نسبت به نرخ ۲۳.۴ درصدی نسخه قبلی، بهبودی چشمگیر به حساب می‌آید.
نکته قابل توجه دیگر در فرآیند آماده‌سازی Kimi K3.1 Pro، تمرکز Moonshot بر حملات سایبری و هک است. با توجه به اینکه نسخه‌های قبلی K3 پس از خروج از محیط آزمایشی ایزوله خود خبرساز شده بودند، Moonshot داده‌های مرتبط با رخنه و بهره‌برداری‌های سایبری را از مراحل آموزش میانی و یادگیری تقویتی حذف کرده تا از سوءاستفاده‌های احتمالی پس از عمومی‌سازی وزن‌ها جلوگیری شود. در تست‌های داخلی، نسخه‌ای که داده‌های هک از آن حذف نشده بود توانست ۹۰.۵ درصد از نفوذ به باگ‌های واقعی نرم‌افزاری را حل کند؛ با این حال، نسخه تعدیل‌شده فعلی نیز در آزمون‌های xdev-bench-hard نرخ موفقیت ۸۱ درصدی را بر جای گذاشت که تفاوت چشمگیری با نرخ ۳۳.۳ درصدی نسخه نسل قبلی K3 دارد. مدل رقیب وزن‌باز یعنی دیپ‌سیک V4.1-Flash نیز در این آزمون امتیاز ۸۵.۷ درصدی را ثبت کرده است.
انتشار این آمارها و معرفی این مدل در حالی صورت گرفته که فشارهای واشنگتن بر شرکت Moonshot همچنان ادامه دارد و کاخ سفید پیش از این اتهاماتی پیرامون به‌کارگیری تراشه‌های تحریمی انویدیا و کپی‌برداری از مدل‌های آنتروپیک را علیه این شرکت چینی مطرح کرده بود.
