Kimi K3: حكاية أكبر نموذج ذكاء اصطناعي مفتوح المصدر في العالم من Moonshot AI

أعلنت شركة Moonshot AI الصينية، المدعومة من عملاق التجارة الإلكترونية Alibaba، عن إطلاق Kimi K3، وهو نموذج ذكاء اصطناعي ضخم يضم 2.8 تريليون معامل (Parameters). ووفقا للشركة، يعد النموذج أكبر نموذج ذكاء اصطناعي مفتوح المصدر تطوره حتى الآن، كما تشير نتائج الاختبارات المعيارية إلى قدرته على منافسة نماذج رائدة من OpenAI وAnthropic في عدد من المهام المتقدمة.

وجاء هذا الإعلان بالتزامن مع انعقاد المؤتمر العالمي للذكاء الاصطناعي في شنغهاي 2026، ليشكل خطوة جديدة في سباق تطوير النماذج مفتوحة المصدر. كما يمثل عودة قوية لشركة Moonshot AI بعد فترة شهدت تراجع حضورها أمام المنافسة المتسارعة، خاصة مع الصعود اللافت لنماذج مثل DeepSeek خلال الأشهر الماضية.

وتم إتاحة الأوزان الكاملة للنموذج في 27 يوليو، ما يمنح المطورين والباحثين فرصة تشغيله وبناء تطبيقاتهم الخاصة. أما إذا كنت ترغب في تجربة Kimi K3 مباشرة، فيمكنك إنشاء حساب مجاني عبر موقع Kimi باستخدام حساب Google أو رقم الهاتف، دون الحاجة إلى بطاقة ائتمان، واستكشاف إمكانات أحد أكثر نماذج الذكاء الاصطناعي مفتوحة المصدر طموحا حتى الآن.

ما هو Kimi K3؟

يعد Kimi K3 نموذج ذكاء اصطناعي مفتوح المصدر طورته شركة Moonshot AI الصينية، ويعتمد على بنية Mixture of Experts (MoE) التي تسمح بتفعيل جزء صغير فقط من النموذج أثناء تنفيذ كل مهمة. ونتيجة لذلك، يستطيع تحقيق أداء مرتفع مع استهلاك أقل للموارد مقارنة بالنماذج التقليدية ذات الحجم المماثل.

ويضم النموذج نحو 2.8 تريليون معامل، إلا أنه يستخدم ما يقارب 50 مليار معامل نشط فقط لكل رمز مميز (Token). كما يدعم نافذة سياق تصل إلى مليون رمز مميز، ويمتلك قدرات متعددة الوسائط تتيح له فهم النصوص والصور مباشرة، إلى جانب إمكانية استخدامه حاليا عبر واجهة برمجة تطبيقات Moonshot AI، بينما أعلنت الشركة عن توفير الأوزان الكاملة للنموذج في 27 يوليو.

ولا تكمن أهمية كيمي K2 في حجمه الضخم فقط، بل في النتائج التي حققها خلال الاختبارات القياسية. فقد أظهر أداء ينافس عددا من أقوى النماذج التجارية، كما اقترب من نماذج مغلقة المصدر طورتها شركات مثل OpenAI وAnthropic، وتفوق على معظم النماذج مفتوحة المصدر في العديد من اختبارات البرمجة، والاستدلال المنطقي، وحل المشكلات متعددة الخطوات.

وعند مقارنته بالنماذج مفتوحة المصدر الأخرى، يتجاوز Kimi K3 من حيث عدد المعاملات نماذج معروفة مثل DeepSeek V3 وQwen، وهو ما يجعله أحد أكبر النماذج المفتوحة المصدر التي أُعلن عنها حتى الآن. ومع ذلك، فإن عدد المعاملات وحده لا يكفي للحكم على جودة أي نموذج، لأن الأداء الحقيقي يعتمد أيضا على جودة بيانات التدريب، وكفاءة البنية المعمارية، وآليات الاستدلال، وقدرته على التعامل مع المهام الواقعية بكفاءة.

وإذا كنت ترغب في التعرف على أحد أقوى النماذج المغلقة المصدر التي تنافسه في اختبارات الذكاء والاستدلال، فيمكنك قراءة دليلنا الشامل حول Claude Fable 5، حيث يستعرض إمكانياته، وأبرز مزاياه، والفروقات بينه وبين أحدث نماذج الذكاء الاصطناعي.

أهمية نموذج كيمي K3

يمثل Kimi K3 خطوة جديدة في تطور الذكاء الاصطناعي مفتوح المصدر، لأنه يجمع بين الحجم الضخم والأداء المتقدم في نموذج يمكن للمطورين والباحثين الاستفادة منه بعد إتاحة أوزانه رسميا. ويعزز ذلك من قدرة الشركات والمجتمعات التقنية على تطوير حلول تعتمد على نماذج مفتوحة دون الاعتماد الكامل على الأنظمة التجارية المغلقة.

كما تشير نتائج الاختبارات الأولية إلى أن النموذج يقدم أداء قويا في توليد الأكواد البرمجية، والاستدلال الرياضي، وتحليل المستندات الطويلة، والمهام التي تتطلب معالجة كميات كبيرة من المعلومات. ولهذا السبب، ينظر إليه كثير من الباحثين باعتباره منافسا حقيقيا لأبرز النماذج التجارية في هذه المجالات.

في المقابل، أثار إطلاق Kimi K3 اهتماما واسعا داخل الأوساط التقنية والسياسية. فقد وصف ديفيد ساكس، مستشار الرئيس الأمريكي لشؤون الذكاء الاصطناعي، هذا التقدم بأنه مثير للقلق، مشيرا إلى أن القيود التنظيمية قد تؤثر في سرعة تطور الذكاء الاصطناعي داخل الولايات المتحدة، بينما تواصل الشركات الصينية تسريع وتيرة الابتكار.

ورغم هذه النتائج، يرى عدد من الخبراء أن الحكم النهائي على كيمي K2 يحتاج إلى مزيد من الاختبارات العملية. فالنماذج الضخمة بهذا الحجم تتطلب قدرات حوسبة مرتفعة، وهو ما قد يزيد من تكلفة تشغيلها واستضافتها مقارنة بالنماذج الأصغر حجما، خاصة في البيئات التجارية.

وفي الوقت نفسه، يعكس إطلاق Kimi K3 تصاعد المنافسة العالمية في مجال الذكاء الاصطناعي، إذ لم تعد المنافسة تقتصر على تطوير نماذج أكثر ذكاء، بل أصبحت تمتد إلى فتح الأوزان المصدرية، وخفض تكاليف التشغيل، وتوفير حلول يمكن للشركات والمطورين الاعتماد عليها في بناء تطبيقات الذكاء الاصطناعي المستقبلية.

بنية Kimi K3: الابتكارات التقنية التي تقف خلف النموذج

لا يعتمد Kimi K3 على حجمه الضخم فقط، بل يستند إلى مجموعة من الابتكارات الهندسية التي طورتها Moonshot AI لتحسين الأداء، وتقليل تكلفة التدريب والاستدلال، وزيادة كفاءة معالجة النصوص والصور. وقد نشرت الشركة معظم هذه التقنيات ضمن وثائقها الرسمية ومستودعاتها على GitHub، مما يمنح الباحثين والمطورين فرصة لفهم البنية الداخلية للنموذج بصورة أعمق.

بنية Kimi Delta Attention (KDA)

تعتمد معظم نماذج الذكاء الاصطناعي على آلية Self-Attention التقليدية، إلا أن تكلفة هذه الآلية ترتفع بشكل كبير مع زيادة طول السياق. وللتغلب على ذلك، قدمت Moonshot AI بنية Kimi Delta Attention (KDA) التي تجمع بين الانتباه الخطي (Linear Attention) والانتباه الكامل (Full Attention).

وتسمح هذه البنية للنموذج بالتركيز على المعلومات المهمة داخل المستندات الطويلة، مع تجاهل البيانات الأقل أهمية تدريجيا، وهو ما يحافظ على سرعة المعالجة ويقلل استهلاك الذاكرة عند التعامل مع سياق يصل إلى مليون رمز مميز.

محسن Muon واستقرار التدريب

اعتمدت الشركة على محسن Muon لتحسين عملية تدريب النموذج وزيادة كفاءة الاستفادة من بيانات التدريب. ويهدف هذا المحسن إلى تحقيق معدل تعلم أكثر استقرارا، مما يساعد النموذج على الوصول إلى نتائج أفضل باستخدام عدد أقل من خطوات التدريب.

كما استخدمت Moonshot AI تقنية QK Clip التي تحد من عدم استقرار عملية التدريب، وتقلل احتمالية حدوث الانهيارات العددية أو تدرجات القيم المتطرفة، وهي مشكلة تواجه عادة النماذج العملاقة أثناء التدريب على نطاق واسع.

بنية Attention Residuals

يتضمن Kimi K3 آلية تعرف باسم Attention Residuals، والتي تسمح بتمرير المعلومات المهمة عبر طبقات الشبكة العصبية بصورة أكثر كفاءة، بدلا من الاعتماد على التدفق التقليدي للبيانات.

ووفقا للوثائق التقنية للشركة، ساهم هذا التصميم في تحسين أداء النموذج بنحو 24% مقارنة بالبنية السابقة، خاصة في المهام التي تتطلب استدلالا متعدد الخطوات وفهما أعمق للسياق.

الدمج المبكر بين النصوص والصور

بدلا من إضافة قدرات فهم الصور بعد الانتهاء من تدريب النموذج اللغوي، اعتمد Kimi K3 على التدريب متعدد الوسائط منذ البداية، حيث تعلم النصوص والصور داخل عملية تدريب موحدة.

ويساعد هذا الدمج المبكر على بناء تمثيلات معرفية مشتركة بين الوسائط المختلفة، وهو ما ينعكس على تحسين فهم الصور، وتحليل الرسوم البيانية، وحتى رفع كفاءة النموذج في بعض مهام الرياضيات والاستدلال البصري.

بنية أسراب الوكلاء (Agentic Swarm Architecture)

يدعم Kimi K3 أسلوبا متقدما لتنفيذ المهام يعتمد على أسراب الوكلاء (Agentic Swarm Architecture). فعند مواجهة مهمة معقدة، لا يعالجها النموذج كوحدة واحدة، بل يقسمها إلى مجموعة من المهام الفرعية، ثم يوزعها على عدة وكلاء يعملون بالتوازي قبل دمج النتائج في استجابة واحدة.

وتوضح الوثائق التقنية أن هذا النظام يعتمد على آلية مكافآت متعددة المستويات، تشمل مكافآت لتقسيم المهام بصورة صحيحة، وأخرى لتنفيذ كل مهمة فرعية، بالإضافة إلى مكافأة نهائية ترتبط بجودة الحل الكامل. ويساعد هذا الأسلوب على تحسين أداء النموذج في البرمجة، والبحث، وتحليل المشكلات المعقدة التي تتطلب عددا كبيرا من خطوات الاستدلال.

مقالة ذات صلة: ما هو وكيل الذكاء الاصطناعي؟ تعرف على AI Agent ثورة جديدة تغيّر مستقبل المهام الذكية.

ماذا تقول المعايير القياسية لنموذج Kimi K3؟

لتقييم دقيق لنموذج Kimi K3، يجب التفريق بين الادعاءات الرسمية لشركة Moonshot وبيانات المعامل المستقلة، وقد أقرت Moonshot نفسها بأن K3 لا يزال متخلفاً عن أقوى النماذج الخاصة، مثل Fable 5 و GPT-5.6 Sol.

المعايير المستقلة

وفقاً لمؤشر الذكاء الصادر عن الجهة المستقلة Artificial Analysis، والذي يدمج 9 معايير قياسية، يحتل Kimi K3 المرتبة الثالثة بين المنافسين، خلف Fable 5 (حوالي 60 نقطة) و GPT-5.6 Sol (حوالي 59 نقطة)، لكنه يتفوق في بعض المجالات التخصصية على منافسيه الأغلى ثمناً.

أما في معيار Frontend Code Arena المستقل والوحيد لبرمجة الواجهات الأمامية، فتنقلب الصورة تماماً، إذ يتصدر Kimi K3 المرتبة الأولى بـ 1679 نقطة، متقدماً على Fable 5 (1631 نقطة) و GPT-5.6 Sol (1618 نقطة)، محققاً قفزة بمقدار 17 مركزاً عن نسخته السابقة K2.6.

ويتصدر النموذج 6 فئات من أصل 7 في تصنيفات الواجهات الأمامية، كما فضلت ردوده 76% من المقارنات الثنائية مقابل 63% لـ Fable و 58% لـ GPT-5.6 Sol، إضافة إلى حصوله على المرتبة الأولى في معيار AutomationBench-AA المستقل.

أما في المعايير الأخرى، فالصورة أقل وضوحاً، ففي Program Bench و SWE Marathon (وكلاهما ذاتي الإبلاغ من Moonshot)، يتفوق K3 بفارق ضئيل، بينما في Terminal-Bench 2.1 يتفوق GPT-5.6 Sol بـ 88.8% مقابل 88.3% لـ K3، وفي FrontierSWE يتفوق Fable 5 بفارق ملحوظ.

Kimi K3 يتنافس بشدة مع Claude و GPT في صدارة لوحة المتصدرين

تُظهر النتائج المستمدة من بيانات لوحات المتصدرين العامة والتقييم الخاص الذي أجرته شركة التحليلات Artificial Analysis قصةً مثيرة للإعجاب.

ففي معيار GDPval-AA v2، الذي يقيس المهام الواقعية في 44 مهنة و 9 قطاعات صناعية رئيسية، حصل Kimi K3 على 1,687 نقطة، محتلاً المرتبة الثالثة بشكل عام، خلف فقط Claude Fable 5 Max (1,815) و GPT-5.6 Sol Max (1,747.8)، ومتقدماً على Claude Opus 4.8 (1,600).

أما في معيار AA-Briefcase، وهو معيار وكيل خاص من Artificial Analysis مصمم لاختبار الأعمال المعرفية طويلة الأجل، فقد ارتفع K3 إلى المرتبة الثانية بـ 1,527 نقطة، متغلباً على GPT-5.6 Sol Max (1,495) وخلف Fable 5 Max (1,587) فقط.

ولعل الأكثر إثارة للإعجاب هو تحقيق K3 نتيجة متطورة بلغت 91.2 من 100 في معيار BrowseComp، المخصص للبحث عن المعلومات طويلة الأجل وعالية الصعوبة.

وتؤكد الشركة أنها حققت ذلك بإعداد وكيل واحد باستخدام نافذة سياق تبلغ مليون رمز، دون أي ضغط للسياق أو تقنيات إدارة سياق إضافية، وهو إنجاز يشير إلى أن طول السياق الخام، عند اقترانه بقدرات استرجاع قوية، قد يكون أكثر فعالية من الحلول المعقدة متعددة الوكلاء.

وكما علق أحد المتابعين البارزين للذكاء الاصطناعي على وسائل التواصل الاجتماعي: “المصادر المفتوحة لم تعد تتخلف ستة أشهر عن النماذج المغلقة الغربية. أعد قراءة هذا وتأمل ما يعنيه”.

هذه الملاحظة تلتقط أهمية هذه اللحظة، فطوال السنوات الثلاث الماضية، كانت النماذج مفتوحة المصدر تتخلف عادةً بفارق كبير عن نظيراتها الخاصة، لكن Kimi K3 يبدو أنه سد هذه الفجوة بالكامل تقريباً.

ماذا يكشف عرض تصميم شريحة إلكترونية خلال 48 ساعة عن طموحات K3؟

لا تقتصر قدرات Kimi K3 على تحقيق نتائج مرتفعة في الاختبارات القياسية، بل تسعى Moonshot AI إلى إثبات أن نموذجها قادر على تنفيذ مشاريع هندسية معقدة لم تكتف Moonshot AI بعرض نتائج الاختبارات القياسية، بل قدمت تجربة عملية لقياس قدرات Kimi K3 على العمل المستقل لفترة طويلة. وهدفت التجربة إلى معرفة ما إذا كان النموذج يستطيع تنفيذ مشروع هندسي كامل دون تدخل بشري مباشر.

ووفقا للوثائق التقنية للشركة، عمل Kimi K3 لمدة 48 ساعة متواصلة على تصميم شريحة إلكترونية مصغرة مخصصة لتشغيل نسخة نانوية من نفسه. وخلال هذه الفترة، استخدم أدوات تصميم إلكتروني مفتوحة المصدر لإكمال مراحل المشروع المختلفة.

وشملت التجربة:

• تصميم البنية المعمارية للشريحة.
• تحسين الأداء والكفاءة أثناء التطوير.
• إجراء اختبارات التحقق والمحاكاة بصورة متكررة.
• إنتاج تصميم نهائي بمساحة تقارب 4 مليمترات مربعة.
• تحقيق تزامن زمني عند 100 ميجاهرتز.
• الوصول إلى أكثر من 8700 رمز مميز في الثانية داخل بيئة المحاكاة.

ولا يعني ذلك أن الشركة صنعت شريحة جاهزة للإنتاج التجاري. بل أرادت إثبات قدرة Kimi K3 على تنفيذ مهام تقنية طويلة ومعقدة بصورة مستقلة. ولهذا السبب، ترى Moonshot AI أن المنافسة المستقبلية قد تنتقل من روبوتات المحادثة إلى الوكلاء المستقلين القادرين على التخطيط، واتخاذ القرارات، وتصحيح الأخطاء، ومواصلة العمل لساعات طويلة.

كما عرضت الشركة تجربة أخرى في الفيزياء الفلكية الحاسوبية. وذكرت أن Kimi K3 أعاد اشتقاق العلاقة الفيزيائية I-Love-Q خلال نحو ساعتين فقط. ولتحقيق ذلك، قرأ أكثر من 20 ورقة بحثية، وقارن نتائجها، ثم أنشأ سلسلة حسابات عددية كاملة بصورة مستقلة. وتوضح الشركة أن هذه المهمة قد تستغرق من باحث متخصص أسبوعا إلى أسبوعين في الظروف التقليدية.

لماذا يمثل فتح مصدر Kimi K3 خطوة استراتيجية في سباق الذكاء الاصطناعي؟

لا يعد قرار Moonshot AI نشر الأوزان الكاملة لنموذج Kimi K3 مجرد خطوة تقنية، بل يعكس استراتيجية تهدف إلى تعزيز حضور الشركة داخل مجتمع الذكاء الاصطناعي مفتوح المصدر. فمن خلال إتاحة أكبر نموذج مفتوح المصدر حاليا، تسعى الشركة إلى جذب المطورين والباحثين لبناء تطبيقات وحلول جديدة اعتمادا على النموذج.

وتوضح المقارنات التي نشرتها الشركة أن Kimi K3 يتجاوز من حيث عدد المعاملات معظم النماذج مفتوحة المصدر المنافسة، ومنها:

• Kimi K3: نحو 2.8 تريليون معامل.
• DeepSeek: نحو 1.6 تريليون معامل.
• Xiaomi MiMo: نحو 1.02 تريليون معامل.
• Qwen من Alibaba: نحو 397 مليار معامل.

ويتماشى هذا التوجه مع استراتيجية تتبناها عدة شركات صينية، مثل DeepSeek وAlibaba وTencent وBaidu، والتي تعتمد على النماذج مفتوحة المصدر لتوسيع مجتمعات المطورين وزيادة انتشار تقنياتها على المستوى العالمي.

ومن الناحية العملية، يمنح Kimi K3 المؤسسات خيارا جديدا لتطوير نماذجها الخاصة أو استضافتها داخل بنيتها التحتية، بدلا من الاعتماد الكامل على واجهات برمجة التطبيقات التجارية. ومع ذلك، فإن تشغيل نموذج بهذا الحجم يتطلب بنية تحتية قوية تعتمد على عدد كبير من وحدات معالجة الرسومات (GPUs)، وهو ما يجعل استخدامه أكثر ملاءمة لمراكز البيانات والشركات الكبرى.

وللتعامل مع هذا التحدي، كشفت Moonshot AI عن مشروع Mooncake، الذي يقدم بنية تشغيل تعتمد على KV Cache لتقليل تكلفة الاستدلال وتحسين كفاءة تشغيل النماذج اللغوية الضخمة. وقد حصل المشروع على جائزة أفضل ورقة بحثية في مؤتمر FAST 2025، مما يعكس اهتمام الشركة بتطوير حلول تجعل تشغيل النماذج العملاقة أكثر كفاءة وقابلية للتوسع.

يشكل Kimi Code وثلاثي النماذج الأساس لاستراتيجية Moonshot في سوق المؤسسات

إلى جانب K3، تواصل Moonshot AI استثماراتها الكبيرة في نظام وكيل البرمجة الخاص بها، ففي يوم إطلاق K3 نفسه، تلقت أداة Kimi Code مفتوحة المصدر، والتي تنافس Claude Code من Anthropic و Gemini CLI من Google، تحديثين رئيسيين، الإصداران 0.25.0 و 0.26.0، وأضافت ميزات مثل أدوات الوكيل الفرعي الموسعة، وإدارة المهام الخلفية، وإصلاحات أمنية.

وقد تجاوزت نجومية Kimi Code CLI على GitHub 3,100 نجمة، ويتكامل مع VSCode و Cursor و Zed، وسّع الإصدار الأخير مجموعة أدوات “الوكيل المبرمج” لتشمل المهام الخلفية، وقوائم المهام، ووضع التخطيط، واستدعاء المهارات، والوكلاء المتداخلين، مما يحول وكيل البرمجة إلى نظام مستقل متعدد الطبقات قادر على إدارة مشاريع هندسة برمجيات معقدة بأقل تدخل بشري.

وهذا ليس أمراً عابراً، فقد أصبحت أدوات البرمجة مصدر إيرادات حاسماً لمختبرات الذكاء الاصطناعي، وكما كشفت Anthropic في يناير، حقق Claude Code إيرادات سنوية متكررة بلغت مليار دولار، ومن خلال بناء Kimi Code كبديل مفتوح المصدر يعتمد افتراضياً على نماذج Kimi الخاصة، مع دعم مقدمي خدمات آخرين، تضع Moonshot AI نفسها للاستحواذ على سير عمل المطورين، وفي النهاية على عقود المؤسسات.

يتضمن تشكيلة النماذج حالياً ثلاث طبقات، K3 كرائد (3 دولارات / 15 دولاراً لكل مليون رمز للمدخلات والمخرجات)، و K2.7 Code كنموذج برمجة متخصص (0.95 دولار / 4 دولارات)، و K2.6 كخيار للأغراض العامة (0.95 دولار / 4 دولارات)، ويدعم جميعها نوافذ سياق بـ 256,000 رمز أو أكثر، مع تقديم K3 نافذة مليون رمز كاملة، والتخزين المؤقت للسياق تلقائي دون الحاجة إلى معرف ذاكرة التخزين المؤقت أو وقت البقاء أو معاملات إضافية، وهي ميزة صغيرة لكنها ذات معنى في تجربة المطورين مقارنة بالمنافسين الذين يتطلبون إدارة صريحة للذاكرة المؤقتة.

الواجهات الأمامية والألعاب حيث قام البشر بالتقييم

يمكن الجدال حول المعايير القياسية. لكن اللعبة التي تعمل أو لا تعمل يصعب التلاعب بنتائجها. وفي هذا النوع من المهام، قام البشر بالتقييم، وليس جهة خارجية.

أظهر التصويت الأعمى في Frontend Code Arena تفوق K3. حصل على 1679 نقطة مقابل 1631 لـ Fable 5. متقدماً على جميع النماذج الأمريكية الرائدة. ثم تفاعل المجتمع مع النتيجة خلال يوم واحد.

تُظهر المدونة التقنية الرسمية لـ Moonshot قدرات K3 المذهلة. قام ببناء لعبة عالم مفتوح ثلاثية الأبعاد تم إنشاؤها إجرائياً. تعمل بالكامل في المتصفح باستخدام Three.js و WebGPU و GPU compute. كما أنتج محاكاة لإطلاق صاروخ Long March 10 وعودته. بالإضافة إلى محاكي يعمل لجهاز Game Boy Advance.

من الصعب تزييف الكود التفاعلي وواجهة المستخدم. إما أن يعمل أو يظهر خطأ. وإما أن يبدو صحيحاً أو معطوباً. يمكن لأي شخص تمييز الفرق في ثانيتين، دون حاجة لدليل تقييم.

عندما يصنف المطورون نموذجاً في المرتبة الأولى في هذا النوع من المهام تحديداً، وفي اختبار لا يرون فيه النموذج الذي يقيمونه، فإن النتيجة تحمل وزناً لا يمكن لأي تقييم ذاتي الوصول إليه. هذا هو الدليل الأكثر تأثيراً، أكثر من أي صف في جداول المعايير.

Kimi K3: نقطة ضعفه الأخطر، مفارقة بين الهلوسة والموثوقية

إلى جانب النجاحات التقنية، يظهر قيد خطير في التقارير المستقلة. وفقاً لمؤشر AA-Omniscience، تحسنت دقة ردود Kimi K3 مقارنة بالنسخة السابقة. ارتفعت من 33 إلى 46 بالمئة. لكن المفاجأة أن معدل التوهم ارتفع أيضاً. قفز من 39 إلى 51 بالمئة.

هذا يعني أن النموذج ينتج إجابات صحيحة أكثر. لكنه يقدم أيضاً، وبثقة عالية، معلومات ملفقة وغير دقيقة. في التطبيقات الحساسة كإنتاج المحتوى الحساس، أو معالجة المستندات القانونية والطبية، حيث دقة الحقائق أمر حيوي. استخدام Kimi K3 دون مراجعة بشرية يحمل مخاطر جسيمة.

يحتل Kimi K3 المرتبة الرابعة عالمياً بمؤشر ذكاء 57. وتفوقه الأساسي في برمجة الواجهات الأمامية. يحتل المرتبة الأولى في LMArena. حتى أنه يهزم Fable 5 في 76% من المقارنات العمياء. لكن معدل التوهم 51%، أي دقة 49% في عدم اختلاق المعلومات، يشكل نقطة ضعف. وكذلك السرعة المنخفضة للإخراج، بـ 35 رمزاً في الثانية، مقارنة بمنافسين مثل GLM 5.2. أداء النموذج يعتمد بشدة على بيئة الاختبار. وفي المهام المعقدة، يكون مطولاً وزمنياً بسبب نظام الاستدلال الإجباري.

تكاليف Kimi K3 مقارنة بالمنافسين

لعل أكثر ما يثير اهتمام المطورين هو هيكل تسعير K3. فبينما تفرض النماذج الأمريكية الرائدة تكاليف باهظة، يُطرح Kimi K3 بسعر 3 دولارات فقط لكل مليون رمز مدخل، و 15 دولاراً للمخرجات.

عادةً ما تُطلق النماذج الصينية بأسعار منخفضة لكسر السوق. لكن استراتيجية K3 مختلفة قليلاً. فهي ليست قاتلة أسعار متطرفة. بل تتوضع في مستوى النماذج المتوسطة مثل Claude Sonnet 5.

• جدول مقارنة أسعار نماذج الذكاء الاصطناعي (لكل مليون رمز)

رغم أن سعر K3 يساوي ثلث سعر Fable 5 تقريباً، توجد نماذج مفتوحة المصدر أرخص منه بكثير، مثل GLM-5.2 و DeepSeek V4 Pro. لكنها تمتلك ذكاءً عاماً أقل.

نقطة القوة الاقتصادية لـ K3 تكمن في التخزين المؤقت للسياق. في المهام المتكررة أو المهام الوكيلة التي تحتاج استدعاء معلومات ثابتة باستمرار، ينخفض سعر الرموز المدخلة إلى 30 سنتاً. وهذا يجعله خياراً اقتصادياً للمطورين. تفعل هذه الميزة فقط عندما يتجاوز طول المطالبة السابقة 256 رمزاً. كما قدر متوسط تكلفة تنفيذ كل مهمة لـ K3 بحوالي 0.94 دولار، وهو أقل من المنافسين الأمريكيين.

ماذا يعني Kimi K3 لمستقبل الذكاء الاصطناعي في المؤسسات ومشهد النماذج العالمي؟

يُجبر إطلاق Kimi K3 على إعادة معايرة عدة افتراضات. هذه الافتراضات كانت توجه استراتيجية المؤسسات في الذكاء الاصطناعي.

فجوة الأداء بين المصادر المفتوحة والمغلقة تلاشت عملياً عند الحدود المتقدمة. إذا صمدت أرقام معايير K3 تحت التقييم المستقل، خاصة بعد توفر الأوزان المفتوحة لاختبار المجتمع في 27 يوليو، سيكون من الصعب على مقدمي الخدمات المغلقة تبرير التسعير المتميز بناءً على القدرات فقط.

في الوقت نفسه، يستمر تحول مركز الابتكار. شكك العديد من المراقبين الغربيين في نظام الذكاء الاصطناعي الصيني بعد معاناته المبكرة مع قيود تصدير الرقائق، لكنه أنتج الآن نموذجاً ينافس أفضل الأنظمة من شركات لها وصول مباشر لأحدث أجهزة Nvidia، وتشير الابتكارات المعمارية خلف K3، خاصة آلية الانتباه الخطي الهجين، إلى أن الكفاءة الخوارزمية قد تكون بنفس أهمية القوة الحاسوبية الخام.

كما تشير القدرات الوكيلة التي أظهرها K3، مثل تصميم الرقائق، وضغط الأبحاث لعدة أسابيع، والبحث عن المعلومات طويلة المدى، إلى مستقبل لا تجيب فيه النماذج على الأسئلة فحسب، بل تنفذ بشكل مستقل مشاريع معقدة تستمر لأيام، وبالنسبة للمؤسسات التي تقيم استثماراتها في الذكاء الاصطناعي، يحول هذا عرض القيمة من “مساعد إنتاجية” إلى “قوة عاملة تقنية مستقلة”.

وصفت وكالة شينخوا، وكالة الأنباء الرسمية الصينية، الإطلاق بأنه إنجاز وطني، وأفادت أن K3 “يمثل خطوة جديدة إلى الأمام في تطوير نماذج الذكاء الاصطناعي الصينية”، ونقل عن ليو تييان، عميد أكاديمية تشونغقوانكون في بكين، قوله إن موجة من النماذج الصينية مفتوحة المصدر انتقلت من اختراقات معزولة إلى تقدم جماعي، مما يوفر “حلولاً جديدة ومسارات جديدة” لتطوير الذكاء الاصطناعي العالمي.

قبل عامين فقط، كانت Moonshot AI شركة ناشئة صغيرة، سميت على اسم المشاكل الجريئة التي تأمل في حلها، وقبل 18 شهراً كانت قصة تحذيرية عن سرعة فقدان الشركة المحبوبة للسوق لقاعدتها، واليوم هي صانعة أكبر نموذج مفتوح المصدر في العالم، نموذج يمكنه، في غضون 48 ساعة وباتصال بالإنترنت، تصميم شريحة لتشغيل نفسه، واتضح أن الحدود ليست مكاناً، بل سباق، وقد أصبح الميدان أكثر ازدحاماً.

خاتمة

يعد Kimi K3 إنجازاً هندسياً بارزاً. كما أنه رمز لنضج النماذج مفتوحة المصدر. لكن لا يمكن اعتباره حلاً شاملاً لكل الاحتياجات بعد. يتفوق هذا النموذج في مهام الواجهات الأمامية والبرمجة. بل يتفوق على النماذج الرائدة عالمياً في هذه المجالات. لكن الفجوة البسيطة في مؤشر الذكاء العام، والأهم من ذلك، ارتفاع معدل التوهم، تشير إلى أن الطريق لا يزال قصيراً لإزاحة نماذج مثل Claude و ChatGPT.

ومع ذلك، فإن إصدار أوزان نموذج بهذا المستوى من الجودة، يعتبر خطوة كبيرة في تضييق الفجوة بين المنتجات مفتوحة المصدر والنماذج الخاصة الباهظة الثمن.

هل أنتم مستعدون لاستخدام Kimi K3 في مشاريعكم التطويرية؟ هل تعتقدون أن معدل التوهم 51% سيشكل مشكلة في استخداماتكم التخصصية؟ أم أنه يمكن التغاضي عنه بمراجعة الأكواد المخرجة؟ شاركونا تجاربكم وآراءكم في قسم التعليقات.