القاهرة-
اجتذب نموذج Kimi K3 الجديد من شركة Moonshot الصينية إقبالاً واسعاً من المستخدمين في سوق الذكاء الاصطناعي، إلى درجة دفعت الشركة إلى إغلاق باب تسجيل مستخدمين جدد، بعد 48 ساعة فقط من إطلاقه؛ بسبب تجاوز قدرات البنية التحتية المخصصة لتشغيل النموذج.
وأكدت الشركة، في منشور عبر منصة "إكس"، أن المستخدمين الحاليين لن يتأثروا بقرار وقف التسجيل.
وأوضحت أن الخطوة تستهدف الحفاظ على استقرار وسلاسة الخدمة، على أن تعيد إتاحة التسجيل بعد توسيع قدرات مراكز بياناتها لاستيعاب الطلب المتزايد.
نموذج Kimi K3 الصيني
يأتي نموذج Kimi K3 بحجم إجمالي يبلغ 2.8 تريليون معامل، ما يجعله "أول نموذج مفتوح يقترب من فئة 3 تريليونات معامل"، وفقاً للشركة.
ويدعم النموذج معالجة النصوص والصور والفيديو بصورة أصلية، إلى جانب قدرات موجهة إلى تنفيذ مهام البرمجة والبحث والتحليل التي قد تستمر لساعات أو أيام، مع تدخل بشري محدود.
وتقر الشركة بأن تجربة استخدام النموذج لا تزال متأخرة عن بعض أقوى النماذج مغلقة المصدر، مثل Claude Fable 5 وGPT-5.6 Sol، لكنها تقول إن Kimi K3 حقق أداءً متقدماً في عدد من اختبارات البرمجة والعمل المعرفي والمهام متعددة الوسائط.
ويمكن النظر إلى المعاملات Parameters باعتبارها الروابط الرقمية التي يضبطها النموذج خلال التدريب لتعلم العلاقات بين الكلمات والصور والمفاهيم والأنماط المختلفة.
ولا يعني ارتفاع عدد المعاملات تلقائياً أن النموذج سيقدم إجابة أفضل في كل مرة، إذ تعتمد الاستفادة منها على كفاءة بنية النموذج وطريقة تدريبه.
ويمكن تشبيه ذلك بمؤسسة تضم عدداً كبيراً من المتخصصين، إذ لا تأتي القيمة من عددهم فقط، وإنما من قدرة النظام على اختيار المتخصص الأنسب لكل مهمة.
مزيج الخبراء
يعتمد Kimi K3 على بنية "مزيج الخبراء" Mixture of Experts، التي تتضمن 896 خبيراً داخلياً، لكنه لا يستخدمها جميعاً في الوقت نفسه، إذ ينشط 16 خبيراً فقط عند معالجة كل جزء من الطلب.
ويعني ذلك أن النموذج لا يستهلك القدرة الحسابية اللازمة لتشغيل جميع معاملاته في كل خطوة، وإنما يختار مجموعة محدودة من الوحدات الأكثر ملاءمة للمهمة الحالية.
فإذا طُلب منه إصلاح برنامج مكتوب بلغة Python، يمكنه توجيه المهمة إلى خبراء متخصصين في البرمجة والمنطق، بينما يستخدم خبراء مختلفين عند تحليل صورة أو إعداد تقرير مالي.
وقالت Moonshot إن التغييرات الهيكلية وتقنيات التدريب الجديدة حسّنت كفاءة التوسع في Kimi K3 بنحو 2.5 مرة مقارنة بنموذج Kimi K2، ما يسمح بتحويل القدرة الحسابية المستخدمة في التدريب والتشغيل إلى تحسن أكبر في الأداء.
مليون رمز نصي
يدعم Kimi K3 نافذة سياق تصل إلى مليون رمز نصي، وهي كمية المحتوى التي يستطيع النموذج قراءتها والاحتفاظ بها خلال جلسة عمل واحدة.
ولا يمثل الرمز النصي كلمة كاملة بالضرورة، إذ قد تكون الكلمة مكونة من رمز واحد أو عدة رموز، بحسب اللغة وطريقة تقسيم النص، لكن نافذة بهذا الحجم تسمح للنموذج بمعالجة آلاف الصفحات دفعة واحدة.
ويمكن للمستخدم، على سبيل المثال، تزويد النموذج بمستودع برمجي ضخم يضم آلاف الملفات، أو مجموعة من التقارير والعقود والدراسات، ثم مطالبته باكتشاف العلاقات والأخطاء والتناقضات دون تقسيم المحتوى يدوياً إلى أجزاء صغيرة.
وتفيد تلك السعة في المهام طويلة المدى، إذ تساعد النموذج على تذكر القرارات التي اتخذها، والملفات التي عدلها، والفرضيات التي اختبرها، لتجنب تكرار الخطوات أو اتخاذ قرارات متعارضة.
تقنية Kimi Delta Attention
يعتمد النموذج على تقنية Kimi Delta Attention أو (KDA)، لتقليل التكلفة الحسابية اللازمة لفهم العلاقات بين أجزاء المحتوى الطويل.
وتحدد آلية الانتباه في نماذج الذكاء الاصطناعي الكلمات، أو الصور، أو المعلومات الأكثر ارتباطاً بالجزء الذي يعالجه النموذج في اللحظة الحالية؛ فعند قراءة تقرير مالي من مئات الصفحات، يجب أن يدرك النموذج أن سؤالاً عن الإيرادات يرتبط بجداول النتائج المالية أكثر من ارتباطه بصفحات التعريف بأعضاء مجلس الإدارة.
وتساعد KDA النموذج على إدارة هذه العلاقات بكفاءة أكبر، خصوصاً عند استخدام نافذة سياق تصل إلى مليون رمز، دون زيادة التكلفة بالمعدل نفسه الذي قد يحدث في البنى التقليدية.
كما تسمح أنظمة التخزين المؤقت للنموذج بالاحتفاظ بنتائج معالجة الأجزاء الثابتة من المستند، بدلاً من إعادة تحليل الملف كاملاً عند طرح كل سؤال جديد.
لكن بنية KDA تخلق تحديات أمام أنظمة التخزين المؤقت التقليدية، لذلك طورت الشركة تطبيقاً خاصاً من المقرر إتاحته ضمن مشروع vLLM مفتوح المصدر بالتزامن مع طرح النموذج. وأشارت الشركة إلى أن الجمع بين KDA والتخزين المؤقت لمرحلة الإدخال يساعد على تقديم النموذج بسعر تنافسي، رغم حجمه الكبير ونافذة السياق الممتدة.
ويستخدم Kimi K3 أيضاً تقنية Attention Residuals أو AttnRes، لتنظيم انتقال المعلومات بين طبقاته الداخلية؛ فبدلاً من تراكم جميع المعلومات بصورة موحدة مع انتقالها من طبقة إلى أخرى، يستطيع النموذج استرجاع تمثيلات محددة من طبقات سابقة عند الحاجة، ما يقلل اختلاط التفاصيل المهمة بالمعلومات الأقل صلة.
ويمكن تشبيه ذلك بباحث يعود مباشرة إلى الصفحة التي تحتوي على الرقم، أو الاستنتاج المطلوب، بدلاً من إعادة قراءة جميع ملاحظاته.
تعامل أفضل مع الصور والفيديوهات
يمتلك Kimi K3 قدرات بصرية أصلية، ما يعني أن فهم الصور ومقاطع الفيديو جزء من بنيته الأساسية، وليس نظاماً منفصلاً أضيف إليه بعد التدريب.
ويستطيع النموذج الجمع بين النصوص والصور والفيديو داخل المهمة نفسها؛ فعلى سبيل المثال، يمكن للمستخدم أن يطلب منه فحص لقطة شاشة لواجهة تطبيق، ثم تعديل الشيفرة البرمجية، وتشغيل النسخة الجديدة ومشاهدة النتيجة قبل إجراء تعديلات إضافية.
ووصفت الشركة تلك العملية بأنها "الرؤية ضمن الحلقة" Vision in the Loop، إذ ينتقل النموذج باستمرار بين كتابة الشيفرة، ومعاينة المخرجات، على غرار عمل مطور يراجع واجهة الموقع بعد كل تعديل.
ويمكن استخدام تلك القدرة في تطوير الألعاب، وتصميم الواجهات، والعمل على التصميم الهندسي بمساعدة الكمبيوتر، إلى جانب تحويل الصور والأفكار الأولية إلى تجارب تفاعلية قابلة للتشغيل.
كما تستفيد مهام تصميم الحركة، والرسوم المتحركة، وتحرير الفيديو من قدرة النموذج على فهم النصوص والصور والفيديو داخل بنية واحدة.
وفي تجربة عرضتها الشركة، حرر Kimi K3 الفيديو التشويقي الخاص به باستخدام 56 مقطعاً، وتولى اختيار اللقطات وإجراء الانتقالات المتوافقة مع الحركة ومزامنة الإيقاع بدقة على مستوى الإطارات (Frames)، إلى جانب معالجة الصوت وتنفيذ عدة جولات من المراجعة.
وقدّرت الشركة أن إنتاج فيديو قصير بتلك الكثافة قد يحتاج إلى يوم أو يومين من عمل محرر محترف، أو ما بين ثلاثة وخمسة أيام من شخص مبتدئ.
جلسات أطول للبرمجة الذكية
ركزت Moonshot على ما تسميه البرمجة طويلة الأفق، أي قدرة النموذج على مواصلة العمل على مشروع هندسي معقد لفترة طويلة، دون فقدان السياق، أو انتظار تعليمات بشرية بعد كل خطوة.
ولا تقتصر تلك القدرة على كتابة دالة برمجية، أو إصلاح خطأ منفرد، وإنما تشمل قراءة مستودعات ضخمة، وفهم العلاقات بين الملفات، وتشغيل أدوات الطرفية، واختبار النتائج، ومقارنة الأداء، وإعادة المحاولة عند الفشل.
فعند تكليف النموذج بإضافة ميزة إلى تطبيق، يمكنه تحليل بنية المشروع، وتحديد الملفات المطلوبة، وتعديل الشيفرة، وتشغيل الاختبارات، وإصلاح الأخطاء، وتحديث الوثائق، ثم التحقق من عدم تعطل الوظائف القديمة.
واختبرت الشركة Kimi K3 في تحسين الأنوية البرمجية المستخدمة داخل وحدات معالجة الرسوميات، إذ مُنح ما يصل إلى 24 ساعة لتحليل الأداء، وإعادة كتابة الشيفرة، واختبارها على رقائق Nvidia H200، ومعالج رسومي من شركة أخرى.
وبحسب نتائج الشركة، قدم Kimi K3 أداءً منافساً لنموذج Claude Fable 5، وتفوق على Claude Opus 4.8 وGPT-5.6 Sol وGPT-5.5 في هذه المهمة.
لكن المقارنات لم تُجرَ دائماً باستخدام الأدوات وظروف التشغيل نفسها، كما أن نتائج Claude Fable 5 جاءت من طرف ثالث، وربما تضمنت التحول إلى نماذج بديلة، ما يجعل الاختبارات المستقلة ضرورية لتأكيد النتائج.
مترجم برمجي
وفي تجربة أخرى، طلبت الشركة من Kimi K3 بناء نظام لبرمجة وحدات معالجة الرسوميات من الصفر، فقام بتطوير مشروع باسم MiniTriton، وهو مترجم برمجي مصغر يشبه منصة Triton.
والمترجم البرمجي هو النظام الذي يحوّل الشيفرة التي يكتبها المطور إلى تعليمات منخفضة المستوى تستطيع الرقاقة تنفيذها.
وبنى النموذج لغة مبسطة، وطبقة وسيطة لمعالجة التعليمات، ومراحل لتحسين الشيفرة، إلى جانب مسار لإنتاج تعليمات PTX الموجهة إلى معالجات Nvidia.
ونوهت الشركة إلى أن MiniTriton قدّم أداءً مماثلاً أو أفضل من Triton وtorch.compile في الاختبارات المدعومة، ونجح في تشغيل عملية تدريب كاملة لنموذج nanoGPT بنتائج قريبة من المسار المرجعي.
تطوير الألعاب والتصميمات التفاعلية
يجمع Kimi K3 بين فهم الأبعاد الثلاثية والرؤية والبرمجة لتحويل الصور والأفكار ومقاطع الفيديو إلى ألعاب، أو تجارب تفاعلية.
ويمكن للمستخدم تقديم صورة لغرفة، أو مشهد خيالي، ثم مطالبة النموذج بتحويلها إلى بيئة ثلاثية الأبعاد، وإضافة شخصية قابلة للتحريك، وتحديد الإضاءة وقواعد الاصطدام وطريقة التحكم.
وبعد تشغيل المشروع، يستطيع النموذج مشاهدة المخرجات، ورصد المشكلات، مثل تعطل زر، أو سوء توزيع العناصر، أو ضعف الإضاءة، ثم تعديل الشيفرة وإعادة الاختبار.
تصميم شريحة إلكترونية خلال 48 ساعة
عرضت الشركة تجربة طلبت فيها من Kimi K3 تصميم شريحة إلكترونية لتشغيل نموذج صغير مبني على معماريته الخاصة.
وخلال جلسة عمل مستقلة استمرت 48 ساعة، استخدم النموذج أدوات مفتوحة المصدر لأتمتة التصميم الإلكتروني، واعتمد مكتبة Nangate بدقة تصنيع 45 نانومتراً لبناء الشريحة وتحسينها والتحقق منها.
وبحسب الشركة، بلغت مساحة التصميم 4 مليمترات مربعة، وعمل بتردد 100 ميجاهرتز، وحقق في المحاكاة سرعة فك ترميز تجاوزت 8700 رمز في الثانية.
وضم التصميم نحو 1.46 مليون خلية قياسية، وذاكرة SRAM بسعة 0.277 ميجابايت، ومصفوفة حسابية تعمل بدقة INT4 مع تنفيذ عملية فك الضغط العددي داخل الوحدة نفسها.
ولا يعني ذلك أن النموذج أنتج شريحة جاهزة للبيع، أو التصنيع التجاري، إذ جرى التحقق من التصميم داخل بيئة محاكاة، وباستخدام تقنية تصنيع قديمة نسبياً، لكنه يقدم دليلاً أولياً على قدرته على إدارة مشروع هندسي متعدد المراحل، من التصميم والتحسين إلى اختبارات التوقيت والتحقق من الدوائر.
إعداد تقارير بحثية تفاعلية
وسّع Kimi K3 قدراته في العمل المعرفي، بما يشمل جمع المعلومات، وتحليل المستندات، وإعداد الجداول، والرسوم والتقارير، والعروض التقديمية.
وفي إحدى التجارب، أنشأ النموذج موقعاً بحثياً تفاعلياً يغطي 42 عاماً من صناعة رقائق ASIC المتخصصة في الذكاء الاصطناعي.
ونفّذ أكثر من 120 جولة من المراجعة والتحسين الذاتي، وأجرى أكثر من 2800 عملية بحث وجلب للمعلومات عبر الويب، إلى جانب أكثر من 1100 عملية لسحب البيانات باستخدام أدوات الطرفية.
وعالج أكثر من 11 ألف صفحة، تضمنت 87 تقريراً فصلياً، و99 ملف PDF أصلياً، ثم حوّل المعلومات إلى رسوم مخصصة، ومخططات متحركة، وسرد بصري تفاعلي. كما أعدّ تقريراً بأسلوب شركات الاستشارات عن صناعة الاندماج النووي.
وفي تجربة بحثية أخرى، راجع النموذج أكثر من 20 ورقة علمية لإعادة إنتاج علاقات I–Love–Q في الفيزياء الفلكية، واختبر أكثر من 300 معادلة لحالة المادة، واكتشف تناقضات في بعض الصيغ المنشورة. كما كتب أكثر من 3 آلاف سطر بلغة Python، وأنشأ لوحة HTML تفاعلية لاستعراض النتائج، في مهمة تقول الشركة إنها اكتملت خلال نحو ساعتين، مقارنة بأسبوع أو أسبوعين من عمل باحث خبير.
لكن النتائج العلمية التي تنتجها نماذج الذكاء الاصطناعي تظل بحاجة إلى مراجعة مستقلة من متخصصين، خصوصاً عند اكتشاف أخطاء، أو تناقضات في الدراسات المنشورة.
تشغيل عدة وكلاء في الوقت نفسه
يعتمد Kimi K3 على فكرة الوكلاء البرمجيين، إذ يستطيع تنفيذ خطوات متعددة باستخدام أدوات حقيقية، بدلاً من الاكتفاء بإنتاج إجابة نصية.
ويمكن للنموذج تقسيم المهمة الكبيرة إلى مهام أصغر وتوزيعها على عدد من الوكلاء الفرعيين؛ فعند إعداد دراسة عن سوق معين، يمكن لوكيل جمع البيانات المالية، وآخر لتحليل المنتجات والمنافسين، وثالث مراجعة التقارير التنظيمية، بينما يجمع وكيل رئيسي النتائج ويبحث عن التناقضات.
وتسمح تلك الطريقة بتنفيذ المهام بالتوازي، لكنها قد تزيد احتمالات تكرار المعلومات، أو الاعتماد على مصادر ضعيفة، لذلك تظل مراجعة النتائج والمصادر ضرورية.
وفي إحدى التجارب، استخدم Kimi K3 أكثر من 20 وكيلاً فرعياً لتحليل 391 حدثاً متعلقاً بموجات الجاذبية، وأنتج سبعة رسوم علمية، وجدولين، ومراجعة لأكثر من عشر دراسات.
استقرار الخبراء
يمثّل توزيع الطلبات بين خبراء النموذج تحدياً أساسياً، لأن توجيه معظم المهام إلى مجموعة صغيرة قد يؤدي إلى الضغط عليها، بينما تظل وحدات أخرى دون استخدام.
ويعتمد Kimi K3 على تقنية Quantile Balancing لتوزيع العمل بين الخبراء استناداً إلى درجات التوجيه، بدلاً من استخدام قواعد تقريبية تحتاج إلى ضبط يدوي حساس. كما تستخدم الشركة تقنية Per-Head Muon، التي تتعامل مع كل رأس انتباه بصورة مستقلة خلال عملية التحسين.
ورؤوس الانتباه هي وحدات داخلية تركز على أنواع مختلفة من العلاقات؛ إذ قد يتخصص أحدها في ربط الضمائر بالأسماء، بينما يركز آخر على العلاقات الزمنية أو التفاصيل البصرية.
وتسمح Per-Head Muon لكل رأس بالتعلم والتكيف بصورة أكثر استقلالاً، بدلاً من تطبيق عملية تحسين واحدة على جميع رؤوس الانتباه. ويستخدم النموذج أيضاً وحدة Sigmoid Tanh Unit للتحكم في تنشيط الإشارات الداخلية، وتقنية Gated MLA لزيادة انتقائية الانتباه، وتحديد المعلومات التي ينبغي تمريرها، أو تقليل تأثيرها.
التوازن بين الدقة والذاكرة
جرى تدريب Kimi K3 منذ مرحلة الضبط الخاضع للإشراف مع مراعاة العمل بدقة عددية منخفضة، ويستخدم النموذج أوزاناً بصيغة MXFP4 وتنشيطات بصيغة MXFP8، ما يعني تمثيل القيم الرياضية باستخدام عدد أقل من Bits مقارنة بالدقة التقليدية.
ويمكن تشبيه ذلك بضغط الصور لتقليل حجمها، إذ تنخفض كمية البيانات المطلوبة مع الحفاظ على التفاصيل الأساسية قدر الإمكان.
وتقلل الدقة العددية المنخفضة استهلاك الذاكرة والطاقة، لكن يجب تدريب النموذج منذ البداية على العمل بها؛ حتى لا يؤدي تقليل حجم البيانات إلى تراجع كبير في الأداء.
بنية تحتية ضخمة
وعلى الرغم من استخدام 16 خبيراً فقط عند معالجة كل جزء من الطلب، يظل تشغيل نموذج بحجم 2.8 تريليون معامل بحاجة إلى بنية حوسبة ضخمة. وتوصي الشركة بتشغيل Kimi K3 على أنظمة Supernode تضم 64 مسرعاً أو أكثر، مع اتصالات عالية السرعة بين الرقائق.
ويرجع ذلك إلى توزيع أجزاء النموذج على عدد كبير من المعالجات، ما يتطلب نقل البيانات بينها بسرعة، وإلا ستقضي الرقائق وقتاً في انتظار البيانات بدلاً من تنفيذ العمليات الحسابية.
كما طوّرت الشركة طريقة تدريب تحافظ على توزيع متوازن للخبراء، باستخدام أشكال بيانات ثابتة، ودون الحاجة إلى مزامنة المعالج المركزي في المسار الحرج، ما يقلل فترات التوقف أثناء التدريب.
ونبهت الشركة إلى أن واجهة Kimi البرمجية تحقق معدل إصابة للذاكرة المؤقتة يتجاوز 90% في مهام البرمجة، بفضل بنية الاستدلال المنفصلة Mooncake، ما يقلل الحاجة إلى إعادة معالجة المدخلات المتكررة.
علامات الخطر
حذّرت شركة Moonshot من أن جودة ردود Kimi K3 قد تتأثر بسجل المحادثات والتفكير السابق داخل جلسة الاستخدام.
وأوضحت أن النموذج جرى تدريبه بطريقة تعتمد على الاحتفاظ بتاريخ التفكير كاملاً، وإذا لم تُعد أداة تشغيل الوكيل تمرير هذا التاريخ كما هو مطلوب، فقد يصبح أداء النموذج غير مستقر.
وقد تظهر المشكلة أيضاً عند بدء الجلسة باستخدام نموذج آخر، ثم الانتقال إلى Kimi K3 في منتصف المهمة. لذلك توصي الشركة باستخدام أدوات متوافقة جرى اختبارها، مثل Kimi Code، وتجنب تغيير النموذج خلال الجلسة.
كما قد يُظهر Kimi K3 قدراً زائداً من المبادرة، نتيجة تركيز تدريبه على المشروعات الطويلة والمعقدة، ما قد يدفعه إلى اتخاذ قرارات غير متوقعة نيابة عن المستخدم عند مواجهة تعليمات غامضة؛ فإذا طُلب منه تحسين مشروع، قد يغيّر بنية الملفات، أو يحذف مكونات يراها غير ضرورية، رغم أن المستخدم لم يطلب ذلك صراحة.
ولذلك تنصح الشركة بوضع حدود سلوكية واضحة داخل تعليمات النظام، أو ملف AGENTS.md، خصوصاً في البيئات التي يجب أن يلتزم فيها النموذج بنطاق محدد ولا يجري تعديلات من تلقاء نفسه.
وتُقر الشركة أيضاً بوجود فجوة ملحوظة في تجربة الاستخدام بين Kimi K3 وكل من Claude Fable 5 وGPT-5.6 Sol، رغم أدائه التنافسي في عدد من الاختبارات التقنية.
كيف تستخدم Kimi K3 الجديد؟
أصبح النموذج متاحاً عبر موقع Kimi وتطبيقات الشركة على أنظمة iOS وأندرويد وHarmonyOS.
كما يمكن استخدامه من خلال تطبيق Kimi Work على أجهزة ويندوز وحواسيب ماك المزودة بشرائح Apple Silicon، بشرط تشغيل الإصدار 3.1.0 أو أحدث، إلى جانب أداة Kimi Code المخصصة للمطورين.
ومن المقرر إتاحة الأوزان الكاملة للنموذج بحلول 27 يوليو الجاري، على أن تنشر الشركة تقريراً تقنياً أكثر تفصيلاً عن بنيته وتدريبه ونتائج تقييمه بالتزامن مع الإصدار.
لماذا أثار نموذج Kimi K3 جدلاً واسعاً؟
لا تكمن أهمية Kimi K3 في عدد معاملاته فقط، بل في جمعه بين نموذج مفتوح ضخم، ونافذة سياق بمليون رمز، وفهم أصلي للصور والفيديو، وتشغيل وكلاء متعددين، وتنفيذ مشروعات برمجية وبحثية طويلة.
وتشير التجارب التي عرضتها الشركة إلى اتجاه نماذج الذكاء الاصطناعي من مرحلة الإجابة عن الأسئلة، وكتابة أجزاء قصيرة من الأكواد البرمجية، إلى إدارة مسارات عمل متكاملة، تشمل البحث، والبرمجة، والاختبار، والتحليل، وإنتاج المحتوى المرئي.
لكن معظم النتائج المتقدمة المنشورة جاءت من اختبارات الشركة نفسها، كما استخدمت بعض المقارنات أدوات تشغيل وظروفاً مختلفة بين النماذج.
ولذلك سيعتمد الحكم الفعلي على Kimi K3 على نتائج الاختبارات المستقلة بعد طرح أوزانه الكاملة، ومدى قدرة المطورين على تشغيل نموذج بهذا الحجم بكفاءة خارج البنية التحتية التابعة للشركة المطورة.
تصنيفات
