نسخه پرسرعت Kimi K3.1 Pro با حفظ کامل کیفیت تحلیلی و کیفیت خروجی مدل پایه دو تا سه برابر سریع‌تر است و در کل اکوسیستم محصولات Kimi فعال شده.
فهرست مطالب
شرکت چینی Moonshot AI رسما از مدل Kimi K3.1 Pro با پنجره متنی بومی یک میلیون توکنی رونمایی کرد و آن را بزرگ‌ترین مدل وزن‌آزاد سه تریلیون پارامتری نامید.
به گزارش سرویس هوش مصنوعی تکناک، رقابت در دنیای هوش مصنوعی وارد مرحله تازه‌ای شده است و شرکت‌های توسعه‌دهنده درحال تغییر موازنه‌های پیشین قدرت میان سیستم‌های اختصاصی و مدل‌های با وزن‌آزاد هستند. شرکت چینی Moonshot AI به صورت رسمی از مدل Kimi K3.1 Pro به همراه نسخه‌ای پرسرعت‌تر با نام Kimi K3.1 Pro Highspeed پرده برداشت. این محصول به عنوان نخستین عضو از نسل تازه K3.1 معرفی شده و طبق داده‌های رسمی، بزرگ‌ترین و پیشرفته‌ترین مدل کلاس سه تریلیون پارامتری با وزن‌آزاد است که تا به امروز به جامعه فناوری عرضه می‌شود. نقطه قوت کلیدی این سیستم، پشتیبانی بومی از پنجره متنی یک میلیون توکنی است که اجازه پردازش حجم عظیمی از داده‌های متنی، اسناد فنی طولانی و کدهای پیچیده برنامه‌نویسی را در یک مرحله پردازشی واحد به سیستم می‌دهد.
توسعه‌دهندگان نسخه Highspeed را طوری تنظیم کرده‌اند که تمامی قابلیت‌های تحلیلی و کیفیت خروجی مدل پایه را حفظ می‌کند، اما سرعت پاسخ‌دهی آن بین دو تا سه برابر سریع‌تر است. هر دو نسخه به صورت فراگیر در کل اکوسیستم محصولات Kimi فعال شده‌اند. کاربران عادی و تجاری می‌توانند در وب‌سایت kimi.ai، اپلیکیشن‌های موبایل در پلتفرم‌های اندروید، iOS و HarmonyOS، و همچنین نرم‌افزار دسکتاپ Kimi Work برای کامپیوترهای ویندوزی و رایانه‌های مک مجهز به اپل سیلیکون به آن دسترسی داشته باشند. در بخش توسعه نرم‌افزار، Kimi Code به مهندسان اجازه می‌دهد این موتور جدید را برای وظایف تخصصی خود فراخوانی کنند. توسعه‌دهندگانی که از طریق رابط برنامه‌نویسی اختصاصی کار می‌کنند نیز می‌توانند از قابلیت عدم ذخیره‌سازی داده‌ها بهره ببرند تا محرمانگی اطلاعات پروژه‌هایشان به خطر نیفتد. با این حال، مدیران شبکه‌های سازمانی باید این ویژگی را به طور دستی برای تیم‌های خود روشن کنند، چرا که برای حفظ سیاست‌های امنیتی داخلی شرکت‌ها، دسترسی پیش‌فرض در ابتدای عرضه غیرفعال مانده است.
نوآوری در فرآیند آموزش و جهش بنچمارک‌ها
مدل K3.1 Pro نسخه ارتقایافته و آموزش‌دیده نسل K3 محسوب می‌شود، اما تفاوت بنیادین در میزان توان پردازشی است که در مرحله پس از آموزش اولیه به آن اختصاص داده شد. برای رسیدن به این دستاورد، متخصصان Moonshot AI تغییرات بنیادینی در تمام لایه‌های چرخه یادگیری اعمال کردند. چارچوب یادگیری تقویتی در سطح صدها دامنه مختلف بازطراحی شد، سازوکار استنتاج در بسترهای دارای متن طولانی بازنویسی گردید و محیط‌های آزمایشی ایزوله برای اجرای وظایف عملی بازتنظیم شدند تا امکان بررسی کیفی خروجی‌ها بدون وقفه فراهم شود.
بازتاب این بهینه‌سازی‌ها در آزمون‌های عملکردی بسیار چشمگیر بوده است. در آزمون شناخته‌شده Terminal-Bench 4.0 که توانایی عامل‌های هوشمند را در مدیریت محیط خط فرمان و حل مسائل محیط‌های محدود سخت‌افزاری ارزیابی می‌کند، K3.1 Pro به امتیاز ۶۵.۷ درصد دست یافت. این رکورد نشان می‌دهد مدل چینی نه تنها موفق به پشت سر گذاشتن GPT-6 Astra با امتیاز ۵۸.۲ درصد شده، بلکه با فاصله‌ای اندک در نزدیکی Claude Opus 5.5 با امتیاز ۶۶.۴ درصد جای گرفته است. در بنچمارک داخلی مربوط‌به حل مسائل چندمرحله‌ای و طولانی، این مدل توانست جهش قابل توجهی نسبت‌به نسخه قبلی ثبت کند و نمره ۶۱.۲ درصد را رقم بزند. توانایی‌های بصری و هندسی نیز پیشرفت چشمگیری داشته است؛ در بنچمارک مربوط‌به بازسازی مدل‌های سه‌بعدی از روی تصاویر چندجهته و تولید کدهای صنعتی، مدل جدید توانست رکورد ۹۲.۷ درصد را به ثبت برساند. بر همین اساس، قابلیت تازه‌ای به نام 3D Make در سرویس‌های آنلاین این پلتفرم قرار گرفته که به کاربران اجازه می‌دهد مدل‌های سه‌بعدی را طراحی و ویرایش کنند و فایل نهایی را به صورت مستقیم برای پرینترهای سه‌بعدی خروجی بگیرند.
در حوزه تحلیل‌های مالی و کار با اسناد واقعی کسب‌وکار، ثبت نمره ۶۴.۴ در آزمون استاندارد تحلیل اسناد، گواهی بر مهارت بالای مدل در درک صورت‌های مالی سنگین است. ارزیابی‌های اختصاصی نشان می‌دهد بهره‌وری این هوش مصنوعی در حوزه مدل‌سازی و تحقیقات مالی رشد قابل ملاحظه‌ای تجربه کرده و در بخش عملیات اجرایی کسب‌وکار تا بیش از چهار برابر نسبت به نسل پیشین قدرتمندتر عمل می‌کند. در کنار این قابلیت‌ها، کنترل پدیده توهم و خطاهای ساختاری از اولویت‌های تیم تحقیق و توسعه بوده است؛ به طوری که در آزمون‌های استرس مربوط به راستی‌آزمایی فکت‌ها، نرخ ادعاهای غیرواقعی مدل به حدود یک‌سوم نسخه قبلی کاهش پیدا کرده و سهم پاسخ‌های بدون خطا رشد چشمگیری نشان می‌دهد. برای اثبات استقامت مدل در پروژه‌های پیچیده مهندسی، این سیستم توانست با استفاده از یک نقشه آناتومیک متن‌باز شامل صدها عضو اسکلتی و عضلانی، یک شبیه‌ساز واقعی برای راه رفتن انسان بسازد و در جریان صدها مرحله آزمون، با شناسایی و رفع ده‌ها باگ فیزیکی در فرمول‌های محاسباتی، کنترل‌کننده دینامیکی راه رفتن را با موفقیت پیکربندی کند.
امنیت سایبری و چارچوب انتشار عمومی
تصمیم برای عرضه عمومی وزن‌های یک مدل با این سطح از توانایی محاسباتی، همواره حساسیت‌های امنیتی فراوانی به همراه دارد. مدیران Moonshot AI اعلام کرده‌اند که با گسترش مقیاس یادگیری تقویتی، دریافتند که قدرت مدل در حوزه تحلیل آسیب‌پذیری‌های نرم‌افزاری و امنیتی به موازات سایر مهارت‌ها رشد می‌کند. ریشه این موضوع به وجود محتواهای امنیتی در مجموعه‌های داده‌های آموزشی اولیه و تمرین‌های شبیه‌سازی‌شده در پایپ‌لاین یادگیری مربوط می‌شد. برای رفع این چالش پیش‌از انتشار عمومی وزن‌های مدل، یک مرحله فیلتراسیون دقیق روی پایگاه داده صورت گرفت تا داده‌های امنیتی بدون آسیب زدن به مهارت‌های عمومی کدنویسی حذف شوند.
به‌نوشته Unite AI، آزمون‌های صورت‌گرفته روی بسترهای تخصصی ارزیابی امنیت نرم‌افزار نشان می‌دهد که این استراتژی اثرگذار بوده است. پیش‌از حذف این داده‌ها، مدل می‌توانست بیش‌از ۹۰ درصد مسائل تست‌های نفوذ و کدهای مخرب را به درستی حل کند، اما پس از پاک‌سازی هدفمند، این مهارت به ۸۱ درصد کاهش پیدا کرد. این افت آگاهانه سبب شده تا قابلیت‌های تهاجمی مدل مهار شود و خطرات ناشی از سوءاستفاده‌های احتمالی در محیط‌های عمومی کاهش یابد. سیاست شرکت بر دو اصل کلی استوار است: جلوگیری از دستیابی مدل‌های متن‌باز به ابزارهای بسیار خطرناک امنیتی و در عین حال، بالا بردن تدریجی ظرفیت این مدل‌ها برای کمک به تحلیلگران و برنامه‌نویسان جهت بازبینی کدهای قدیمی که سال‌هاست بدون بررسی‌های امنیتی به کار خود ادامه می‌دهند.
سازوکار فنی و برنامه‌های دسترسی توسعه‌دهندگان
در اسناد راهنمای توسعه‌دهندگان، مشخصات فنی نحوه تعامل با این سیستم به‌طور دقیق تبیین شده است. مدل K3.1 Pro تنها بر پایه حالت پردازش و تحلیل مرحله‌به‌مرحله طراحی شده و در صورتی که این ساختار تحلیلی در درخواست‌ها خاموش باشد، سیستم درخواست را رد خواهد کرد. میزان زمان و توان صرف‌شده برای پردازش در سه سطح مختلف توسط کاربر قابل تعریف است که حالت حداکثری به‌عنوان گزینه پیش‌فرض فعال خواهد بود. علاوه‌بر متن، این موتور پردازشی توانایی تجزیه و تحلیل مستقیم داده‌های چندرسانه‌ای مانند تصاویر و ویدیوها را نیز دارد.
دسترسی به نسخه‌های جدید در سطوح مختلف اشتراک طبقه‌بندی شده است. مدل استاندارد با حافظه یک میلیون توکنی در اختیار مشترکان سطح حرفه‌ای قرار دارد و نسخه پرسرعت نیز نیازمند سطح کاربری ویژه است تا توزیع بار پردازشی روی سرورها مدیریت شود. به برنامه‌نویسان توصیه شده است به جای تغییر مدل در میان یک گفت‌وگوی فعال، گفت‌وگوهای تازه ایجاد کنند و برای جلوگیری از خطای سیستمی، شناسه‌های دقیق این مدل‌ها را در سامانه‌های خود درج نمایند تا از بازگشت خودکار سیستم به مدل‌های قدیمی‌تر پیشگیری شود. طبق زمان‌بندی اعلام‌شده، وزن‌های کامل مدل تا تاریخ ۴ نوامبر ۲۰۲۶ برای استفاده عموم و پژوهشگران منتشر خواهد شد.