Önce Cevap
Kimi K4 resmi olarak yayınlanmadı ve Moonshot AI henüz nihai teknik özellikleri, kıyas sonuçları, API fiyatlandırması veya çıkış tarihini paylaşmadı. Şimdiye kadarki en güçlü kamu işareti, Moonshot’ın Kimi K3’ten belirgin ölçüde daha büyük olması beklenen bir halef için ek Nvidia Blackwell kapasitesi aramakta olduğuna dair haberdir. Bu, yeni nesil bir modelin hazırlandığına dair anlamlı bir kanıttır; ancak resmi bir ürün duyurusu değildir.
Sorumlu biçimde tartışılabilecek olan, K4’ün hangi yöne yönelebileceğidir. Moonshot’ın mevcut 2.8 trilyon parametreli Kimi K3 modeli zaten seyrek Mixture-of-Experts ölçeklemeyi, yerleşik görsel yetenekleri, bir milyon belirteçlik bağlam penceresini ve uzun soluklu ajan yeteneklerini birleştiriyor. Bu nedenle Kimi K4, salt parametre sayısından ziyade güvenilir ajan tabanlı yürütme, derin kodlama, çok modlu akıl yürütme ve ölçekleme verimliliği üzerinden değerlendirilmeye daha yatkındır.
Merkezi sonuç basittir: Kimi K4 geliştirme aşamasında görünmektedir; ancak şirket dışındaki neredeyse tüm sayısal teknik özellikler doğrulanmamıştır. Güvenilir bir önizleme, doğrulanmış K3 gerçeklerini, K4’e dair haberleri ve ileriye dönük çıkarımları birbirinden ayırmalıdır.
Kimi K4 Nedir?4
Kimi K4, Moonshot AI’nın Kimi K3’e beklenen halefi için kullanılan kamuya açık isimdir. Şu anda duyurulmuş bir API ürünü değil, geliştirme aşamasındaki bir model olarak ele alınmalıdır. Moonshot AI bir K4 model kartı, teknik rapor, API tanımlayıcı, fiyatlandırma sayfası, lisans veya kıyas tablosu yayımlamamıştır.
The Information, Moonshot AI’nın Kimi K4 için planları görüştüğünü bildiriyor. Konuya vakıf iki kişiye atıf yapan haber, K4’ün K3’ten belirgin ölçüde daha büyük olarak tasvir edildiğini ve Moonshot’ın model için ek Nvidia Blackwell yongalarına erişim aradığını belirtiyor. Ancak bu, beş trilyon, altı trilyon ya da başka bir kesin parametre sayısını doğrulamaz; K4’ün açık ağırlıklarla mı, yalnızca barındırılan ürünler üzerinden mi sunulacağı veya birden fazla varyanta mı ayrılacağı da belli değildir.
Bu belirsizlik önemlidir çünkü Kimi sürümleri tarihsel olarak model ağırlıklarını, barındırılan API’leri, son kullanıcı ürünlerini ve uzmanlaşmış ajan sistemlerini birleştirmiştir. Gelecekteki bir K4 duyurusu bir model, bir model ailesi veya yönlendirme, araçlar, bellek ve çok modlu bileşenler etrafında inşa edilmiş daha geniş bir sistemi ifade edebilir.
Kimi K4 Neden Bu Kadar Erken İlgi Çekiyor?
Kimi K3 Açık Ağırlık Ölçeklemesinin Tavanını Yükseltti
Kimi K3 olağanüstü iddialı bir temel oluşturdu. Resmi model özeti, 2.8 trilyon toplam parametre, 104 milyar etkinleştirilen parametre, 93 katman, 896 yönlendirilen uzman, belirteç başına seçilen 16 uzman, iki paylaşılan uzman ve 1,048,576 belirteçlik bağlam uzunluğu listeler. Model ayrıca 401 milyon parametreli MoonViT-V2 görsel kodlayıcı içerir.
Bu kombinasyon K3’ü iki nedenle önemli kılar. İlk olarak, açık ağırlıklı modellerin önde gelen kapalı sistemlerle aynı geniş yetenek sınıfına ölçeklenebildiğini gösterir. İkinci olarak, seyrek tasarım toplam parametre sayısı ile çıkarım maliyetinin aynı şey olmadığını ortaya koyar: her belirteç için yalnızca uzmanların bir altkümesi aktiftir.
Raporlar Daha da Büyük Bir Halefe İşaret Ediyor
Sektör haberleri, Moonshot AI’nın K4 için daha fazla Blackwell sınıfı hesaplama aradığını ve planlanan modelin K3’ten belirgin ölçüde daha büyük olduğunu söylüyor. Bu haber, K4’ün topluluk spekülasyonunun ötesinde olduğuna dair en iyi kamu kanıtıdır; ancak nihai mimari, eğitim takvimi, model boyutu ve dağıtım planını açık bırakır.
Hesaplama hikâyesi önemlidir çünkü ölçek iki ayrı darboğaz yaratır. Eğitim, bir sınır koşusunu tamamlamak için yeterli hızlandırıcı, ağ, depolama ve mühendislik istikrarı gerektirir. Sunum ise kabul edilebilir gecikme ve maliyet sağlayacak ayrı bir çıkarım stratejisi gerektirir. Daha büyük bir K4, yalnızca daha fazla donanım değil, mimari ve sistemsel iyileştirmeler de gerektirecektir.
K3’ün Mimarisi Daha Fazla Ölçeklenmek Üzere Tasarlandı
Moonshot’ın Kimi K3 teknik blogu, Kimi Delta Attention ve Attention Residuals’ı trilyon parametre rejiminin ötesine ölçeklenecek şekilde tasarlanan bir modelin mimari omurgası olarak tanımlar. Kimi Delta Attention verimli bir dikkat temeli sağlar; Attention Residuals ise temsilleri model derinliği boyunca eşit şekilde biriktirmek yerine seçici olarak geri çağırır.
K3 ayrıca Stable LatentMoE kullanır; pratikte 896 yönlendirilen uzmandan 16’sını etkinleştirir. Quantile Balancing, uzman tahsisini yönlendirici puan çeyreklerinden türetir ve Per-Head Muon, dikkat başlıklarını bağımsız olarak optimize eder. Bu tercihlerin işaret ettiği K4 problem alanı şudur: kararlı yönlendirme, dengeli uzman kullanım oranı, verimli uzun bağlam dikkati ve aşırı ölçekte öngörülebilir eğitim.
Kimi K3 Zaten 2.8T Bir Modelken Kimi K4 Neden Önemli?
Kimi K3 zaten alışılmadık derecede büyük bir ölçekte çalışıyor, bu nedenle K4’ü salt parametre sayısıyla değerlendirmek anlamlı değildir. Daha anlamlı soru, ek eğitim hesaplamasının daha iyi görev tamamlama, daha güçlü uzun soluklu güvenilirlik ve daha düşük etkin çıkarım maliyeti üretip üretmediğidir.
Faydalı bir K4 değerlendirmesi bu nedenle dört ölçüte odaklanmalıdır:
- Görev tamamlama oranı
- Uzun soluklu ajan güvenilirliği
- Kodlama başarı oranı
- Başarıyla tamamlanan görev başına maliyet
Son ölçüt özellikle geliştiriciler için önemlidir. Başarılı depo düzeltmesi başına daha düşük maliyete sahip bir model, daha yüksek bir kıyas skoruna sahip ancak önemli ölçüde daha fazla başarısız yolculuk üreten bir modelden daha değerli olabilir.
Beklenen Kimi K4 Özellikleri
Aşağıdaki tablo, K3’ün doğrulanmış teknik temelini K4 haberciliği ve çıkarımdan ayırır. Beklenen, duyurulmuş anlamına gelmez. Moonshot AI bir model kartı veya API dokümantasyonu yayımlayana kadar bilinmeyen alanlar bilinmeyen kalmalıdır.
| Belirtim dayanağı | Kimi K3 doğrulanmış | Kimi K4 kamuya açık raporlama | Güven düzeyi |
|---|---|---|---|
| Model durumu | Yayınlandı | Geliştirme aşamasında | Raporlandı |
| Mimari | Seyrek MoE | Açıklanmadı; muhtemelen seyrek MoE evrimi | Çıkarım |
| Toplam parametre | 2.8T | K3’ten belirgin ölçüde daha büyük raporlandı | Raporlandı; kesin değer bilinmiyor |
| Etkinleştirilen parametreler | 104B | Açıklanmadı | Bilinmiyor |
| Uzman yapılandırması | 896 yönlendirilen; 16 seçilen; 2 paylaşılan | Açıklanmadı | Bilinmiyor |
| Bağlam penceresi | 1,048,576 belirteç | Büyük olasılıkla en az 1M, ancak doğrulanmadı | Beklenen |
| Dikkat | KDA artı Gated MLA | Olası yeni nesil KDA | Çıkarım |
| Yerleşik görsel | MoonViT-V2 | Çok modlu devamlılık olası | Beklenen |
| Açık ağırlıklar | Mevcut | Doğrulanmadı | Bilinmiyor |
| API model kimliği | kimi-k3 | Duyurulmadı | Bilinmiyor |
| Yayın tarihi | Mevcut | Duyurulmadı | Bilinmiyor |
En önemli ihtiyat, parametre satırıdır. “Belirgin ölçüde daha büyük” ifadesi kesin bir boyut belirlemez. Aynı şekilde, K3’ün bir milyon belirteçlik bağlamı, çok modlu tasarımı ve açık ağırlık dağıtımı K4’ün teknik özelliklerine doğrulanmış gerçekler olarak kopyalanamaz. Bunlar yön gösterici olasılıklar olup yayımlanmış ürün taahhütleri değildir.
Kimi K4 Hangi Özellikleri Getirebilir?
-
Daha Büyük Ancak Daha Verimli Seyrek MoE Ölçekleme
Açık beklenti daha büyük bir Mixture-of-Experts modelidir. Daha önemli soru, K4’ün toplam kapasite, etkin kapasite ve sunum maliyeti arasındaki ilişkiyi iyileştirip iyileştirmediğidir. Yönlendirme iyileştirilmeden uzman havuzunu büyütmek, yeterince kullanılmayan uzmanlar, aşırı ısınan uzmanlar, iletişim darboğazları ve kararsız eğitim yaratabilir.
Güvenilir bir K4 ilerlemesi, ek kapasiteyi daha iyi yük dengeleme, daha uzmanlaşmış uzmanlar, daha düşük aktivasyon oranları veya daha güçlü uzmanlar arası koordinasyonla birleştirir. Bu ayrıntıların hiçbiri açıklanmadığından, bir makale bunları sızdırılmış özellikler değil mühendislik hedefleri olarak tanımlamalıdır.
Daha Gelişmiş Kimi Delta Attention
Kimi Delta Attention, K3’ün uzun bağlam tasarımının merkezindedir. Yeni nesil bir sürüm, milyon belirteçlik girdilerde geri çağırmayı iyileştirebilir, dikkat durumu belleğini azaltabilir ve uzun ajan çalışmaları sırasında önemli bilgileri koruyabilir. Pratik test yalnızca bağlam penceresi boyutu değil; modelin uzak kanıtları agresif parçalama veya tekrarlanan geri getirme olmadan bulup birleştirip harekete geçebilmesidir.
Daha Güvenilir Uzun Soluklu Ajanlar
Kimi K3, uzun süreli teknik ve bilgi çalışmalarına zaten konumlanmıştır. Resmi gösterimler derleyici geliştirme, GPU çekirdek optimizasyonu, bilimsel kodlama, etkileşimli araştırma, oyun geliştirme ve çip tasarım iş akışlarını içerir. K4’ün, bu etkileyici gösterimleri daha tutarlı günlük yürütmelere dönüştürmesi gerekecektir.
Önemli ölçütler daha az gereksiz araç çağrısı, daha güçlü hedef tutma, başarısız eylemlerden sonra daha iyi toparlanma, daha güvenilir doğrulama ve çalıştırmalar arası daha düşük varyanstır. Zor bir kıyaslamayı bir kez tamamlayan ancak üretimde öngörülemez davranan bir model, daha güvenilir yürütmeye sahip biraz daha zayıf bir modelden daha az kullanışlıdır.
Daha Güçlü Kodlama ve Yazılım Mühendisliği
K4’ün kodlamaya yoğun odaklı kalması muhtemeldir; ancak sınır artık izole fonksiyon üretiminin ötesindedir. Rekabetçi yazılım mühendisliği modelleri depoları haritalamalı, bağımlılıkları anlamalı, terminalleri kullanmalı, birden çok dosyayı değiştirmeli, testleri çalıştırmalı, hataları teşhis etmeli ve yaklaşımlarını revize etmelidir.
K3, ProgramBench, SWE-Marathon, FrontierSWE ve terminal görevlerinde halihazırda güçlüdür. K4’ün en açık fırsatı, derin depo onarımındaki kalan boşluğu kapatırken K3’ün uzun soluklu çalışmadaki üstünlüğünü korumaktır.
Daha Derin Yerleşik Çok Modluluk
K3, model düzeyinde metin ve görseli birleştirir ve Moonshot’ın ürün örnekleri bu yeteneği video düzenleme ve görsel-döngü içi geliştirmeye genişletir. K4, ekran görüntüsünden koda iş akışlarını, grafik ve belge akıl yürütmesini, video zamansal anlaşılmasını, arayüz testini ve görsel sonucu inceleyip ardından devam eden ajanları iyileştirebilir.
Temel ayrım, görüntü kabulü ile algılamanın kapalı döngü içinde kullanımı arasındadır. Çok modlu bir ajan, oluşturulmuş sonucu gözlemlemeli, uyumsuzluğu tanımlamalı, çalışmasını düzenlemeli ve revizyonu doğrulamalıdır. Bu, tek bir resim sorusunu yanıtlamaktan daha zorludur.
Daha İyi Çıkarım ve Dağıtım Verimliliği
K3’ten daha büyük bir model, ağırlıkları yayımlansa bile kendi kendine barındırması zor olabilir. K4, nicemlemeye duyarlı eğitim, verimli uzman paralelleştirmesi, spekülatif kod çözme, optimize edilmiş KV durumu yönetimi ve daha küçük eşlikçi varyantlardan fayda görecektir. Çoğu ekip için, barındırılan API erişimi, sınır ölçekli bir seyrek modeli doğrudan işletmekten daha pratik kalabilir.
Kimi K4’ün Hangi Kıyas Performansına İhtiyacı Var?
K4’ün yayımlanmış kıyas sonuçları yoktur. Sorumlu yaklaşım, K3 ve mevcut sınır rakiplerin oluşturduğu performans çıtasını belirlemek ve bir halefin nerede iyileşmesi gerektiğini tespit etmektir. Aşağıdaki genişletilmiş temel; akıl yürütme, kodlama, terminal kullanımı, derin araştırma, ajan temelli bilgi işi ve hesap tablosu görevlerini kapsar. Tüm değerler, tablo başlığında bağlantısı verilen resmi Kimi K3 model kartından alınmıştır.
| Official benchmark suite | Kimi K3 | GPT-5.6 Sol | Claude Fable 5 | Claude Opus 4.8 |
|---|---|---|---|---|
| GPQA Diamond | 93.5 | 94.1 | 92.6 | 91.0 |
| DeepSWE | 67.5 | 73.0 | 70.0 | 59.0 |
| ProgramBench | 77.8 | 77.6 | 76.8 | 71.9 |
| Terminal-Bench 2.1 | 88.3 | 88.8 | 88.0 | 84.6 |
| FrontierSWE | 81.2 | 71.3 | 86.6 | 66.7 |
| SWE-Marathon | 42.0 | 39.0 | 35.0 | 40.0 |
| Kimi Code Bench 2.0 | 72.9 | 64.8 | 76.9 | 71.7 |
| BrowseComp | 91.2 | 90.4 | 88.0 | 84.3 |
| DeepSearchQA (F1) | 95.0 | Not reported | 94.2 | 93.1 |
| ResearchRubrics | 76.2 | 73.8 | Not reported | 73.5 |
| GDPval-AA v2 (Elo) | 1686 | 1736 | 1747 | 1593 |
| SpreadsheetBench 2 | 34.8 | 32.4 | 34.7 | 31.6 |
Bunlar, tek bir bağımsız lider tablosu yerine Moonshot tarafından raporlanan karşılaştırma sonuçlarıdır. Bazı modeller farklı ajan iskeletleri üzerinden değerlendirildi ve resmi dipnotlar, geri dönüşler, siber güvenlik önlemleri, donanım ikameleri, akıl yürütme ayarları ve kıyasa özel prosedürleri açıklar. GDPval-AA v2 bir Elo derecesidir ve yüzde temelli satırlarla sayısal olarak karşılaştırılmamalıdır. Küçük skor farkları evrensel üstünlük olarak yorumlanmamalıdır.
Resmi Kodlama Kıyas Anlık Görüntüsü
Resmi Kimi K3 kodlama karşılaştırması. Görsel bir Moonshot yayınıdır; en güncel sayısal tablo ve değerlendirme metodolojisi için güncel model kartına ve dipnotlara bakınız.
Kıyas Sonuçları ve Yorum
GPT-5.6 Sol, DeepSWE’de Kimi K3’ün önündedir; bu, zorlu depo düzeyi yazılım onarımında bir üstünlüğe işaret eder. Claude Fable 5 FrontierSWE’de öndedir; K3 ise aynı kıyasta GPT-5.6 Sol ve Claude Opus 4.8 karşısında rahat bir üstünlük sergiler.
K3’ün profili, sürdürülen çalışmalarda daha belirgindir. ProgramBench’te az farkla öndedir ve seçili karşılaştırmada en güçlü SWE-Marathon sonucunu kaydeder. BrowseComp’ta da öndedir ve SpreadsheetBench 2’de Claude Fable 5 ile esasen başa baştır.
K4 için hedef, her grafikte sabit bir yüzde artışı değildir. Daha faydalı hedef, derin kod tabanı onarımı ve bilgisayar kullanımı güvenilirliğini iyileştirirken K3’ün uzun soluklu kodlama, tarama ve ajan temelli bilgi çalışmasındaki güçlü yanlarını kaybetmemektir.
Resmi Kimi K3 genel ve görsel ajan karşılaştırması. Kaynak: Moonshot AI Kimi K3 model sayfası.
Kimi K4 ile Kimi K3, GPT-5.6 Sol ve Claude Fable 5 Karşılaştırması
Bir ön sürüm karşılaştırması, var olmayan K4 skorlarını atayamaz. Ancak K4’ün K3 hattını genişletmesi halinde beklenebilecek rekabet konumunu gösterebilir.
| Boyut | Kimi K4 beklenen konum | Kimi K3 doğrulanmış | Kapalı referanslar: GPT-5.6 Sol ve Claude Fable 5 |
|---|---|---|---|
| Mevcudiyet | Geliştirme aşamasında | Mevcut | Mevcut |
| Model açıklığı | Bilinmiyor | Açık ağırlıklar | Kapalı |
| Doğrulanmış bağlam | Bilinmiyor | 1M belirteç | Sağlayıcı tanımlı veya 1M sınıfı |
| Birincil güç | Daha büyük ölçekli sınır zekâ beklentisi | Uzun soluklu kodlama ve bilgi çalışması | Sınır akıl yürütme, kodlama ve bilgisayar kullanımı |
| Çok modluluk | Bekleniyor; doğrulanmadı | Yerleşik görsel | Çok modlu |
| Kendi kendine barındırma | Bilinmiyor | Kayda değer altyapıyla mümkün | Mevcut değil |
| Ajan olgunluğu | İyileşmesi bekleniyor | Güçlü | Güçlü |
| Dağıtım maliyeti | Bilinmiyor ve potansiyel olarak yüksek | Kendi barındırma için yüksek; barındırılan API mevcut | Yalnızca barındırılan API |
| İzleme nedeni | Ölçek artı olası açıklık | Doğrulanmış açık sınır temeli | En yüksek kapalı model yeteneği |
Karşılaştırma Sonucu
Kimi K3, açık ağırlıklar, bir milyon belirteçlik bağlam penceresi ve güçlü uzun soluklu performansla ayrışır. GPT-5.6 Sol bazı zorlu akıl yürütme ve depo onarım görevlerinde daha güçlü kalırken Claude Fable 5 yazılım mühendisliği ve bilgisayar kullanımı ajanlarında özellikle rekabetçidir.
K4, açık veya geniş erişilebilir kalırken bu yetenek farklarını kapatırsa, önemi salt daha büyük bir parametre sayısının ötesine geçer. Bu, açık veya yarı açık sistemlerin en güçlü kapalı ajan platformlarının güvenilirliğine yaklaşabildiğini gösterir. K4 kapalı ve hizmeti son derece pahalı hale gelirse, pratik ayrım çok daha küçük olur.
Kimi K4, Açık Ağırlıklı Yapay Zekâ İçin Ne Anlama Gelebilir?
K3, açık ağırlık geliştirmesinin, geçmişte neredeyse yalnızca kapalı laboratuvarlarla ilişkilendirilen bir ölçeğe girdiğini zaten gösteriyor. K4 bu sınırı daha da ileri itebilir; ancak açıklığın birkaç katmanı vardır: indirilebilir ağırlıklar, kullanılabilir kod, uygulanabilir lisans, yeniden üretilebilir çıkarım, erişilebilir donanım gereksinimleri ve erişilebilir barındırılan API’ler.
Bir model teknik olarak açık olabilir ama ekonomik olarak erişilemez. K3’ün 2.8T ölçeği, seyrek aktivasyon ve nicemlemeye rağmen ciddi kendi barındırma için kayda değer altyapı gerektirir. Daha da büyük bir K4, ağırlıkları inceleyebilen araştırmacılar ile modeli verimli şekilde işletebilen organizasyonlar arasındaki farkı genişletebilir.
Daha geniş ekosistem için ideal bir K4 yayını; şeffaf ağırlıkları, verimli çıkarım tarifleri, güçlü araç kullanımı davranışları ve barındırılan bir API’yi birleştirir. Bu kombinasyon, araştırmacıların modeli incelemesine, işletmelerin API üzerinden dağıtmasına ve uzman ekiplerin modeli özel veya düzenlemeye tabi iş yükleri için uyarlamasına olanak tanır.
Kimi K4 Ne Zaman Yayınlanacak?
Moonshot AI, Kimi K4 için bir çıkış tarihi duyurmadı. Kamu haberleri, modeli hesaplama tedariki ve geliştirme planlamasıyla ilişkilendirir. Bu, kesin bir ayı, çeyreği veya geri sayımı güvenilir kılmaz.
K4’ün Kimi web ürünü, Kimi Code, Kimi Work, Moonshot API’si ve açık ağırlık deposunda eşzamanlı görünüp görünmeyeceği de bilinmiyor. K3 bu yüzeylerin birkaçında mevcut; ancak K4 aşamalı bir yayılım veya farklı bir dağıtım stratejisi izleyebilir.
İzlenmeye değer sinyaller, resmi bir Moonshot teknik blogu, doğrulanmış bir model deposu, Kimi Platform dokümantasyonu, yayımlanmış bir lisans ve tekrarlanabilir değerlendirme ayrıntılarına sahip bir model kartıdır. Sosyal paylaşımlar ve parametre söylentileri, bu kaynaklardan biri ortaya çıkana kadar ikincil kalmalıdır.
K4’ü Beklerken Kimi Modellerine Nasıl Erişilir
K4 şu anda çağrılabilir değil. Geliştiriciler, mevcut mimariyi CometAPI üzerinden Kimi K3 ile değerlendirebilir. Mevcut model kimliği düz kod metnidir: kimi-k3. İstek, POST /v1/chat/completions kullanır. Resmi bir entegrasyon sayfası yayımlanana kadar üretim isteklerini varsayımsal bir kimi-k4 tanımlayıcısına göndermeyin.
Bir CometAPI hesabı oluşturun ve bir API anahtarı üretin. Anahtarı uygulama kaynak koduna gömmek yerine bir ortam değişkeninde saklayın.
from openai import OpenAI client = OpenAI( api_key="YOUR_COMETAPI_KEY", base_url="https://api.cometapi.com/v1", ) response = client.chat.completions.create( model="kimi-k3", messages=[ { "role": "user", "content": "Bu yazılım projesinin mimarisini analiz edin." } ], ) print(response.choices[0].message.content)
Kod bloğu Python’dur. Uç nokta, model kimliği, parametre adları ve kod anahtar sözcükleri bağlantı yerine bilerek kod olarak sunulmuştur. K4 kullanıma açıldığında, geliştiriciler üretim yönlendirmelerini değiştirmeden önce gerçek model tanımlayıcısını, uç nokta uyumluluğunu, desteklenen kipleri ve fiyatlandırmayı doğrulamalıdır.
Kimi K4 Hakkında Hâlâ Bilmediklerimiz
Sorumlu bir ön sürüm makalesi, topluluk tahminleriyle doldurmak yerine aşağıdaki bilinmezleri korumalıdır:
- Nihai toplam ve etkinleştirilen parametre sayıları
- Uzman sayısı, paylaşılan uzmanlar ve yönlendirme stratejisi
- Bağlam penceresi ve azami çıktı uzunluğu
- Desteklenen giriş ve çıkış kipleri
- Açık ağırlık durumu, depo ve lisans
- API model kimliği, uç noktalar, akıl yürütme kipleri ve fiyatlandırma
- Resmi kıyas sonuçları ve değerlendirme iskeletleri
- Nicemleme biçimleri ve kendi barındırma donanım gereksinimleri
- Ürün erişilebilirliği ve çıkış tarihi
Bu bölümü açık tutmak, tahmin edilen teknik özelliklerin daha sonra resmi gerçekler olarak tekrarlanmasını engeller. Ayrıca Moonshot AI birincil dokümantasyonu yayımladığında makaleyi güncellemeyi kolaylaştırır.
SSS
Kimi K4 yayınlandı mı?
Hayır. Kimi K4’e ait resmi bir model kartı, API dokümantasyonu veya kamuya açık yayın duyurusu yok. Mevcut tartışma ağırlıklı olarak Moonshot AI’nın K3’ün daha büyük bir halefini hazırladığına dair haberlere dayanmaktadır.
Kimi K4 ne kadar büyük olacak?
Kesin boyut bilinmiyor. Haberler, K3’ten belirgin ölçüde daha büyük olabileceğini söylüyor; ancak belirli çok trilyonluk parametre iddiaları Moonshot AI tarafından doğrulanmadı.
Kimi K4 açık kaynak olacak mı?
Bu doğrulanmadı. K3’ün ağırlıkları Kimi K3 Lisansı altında açıktır; ancak önceki bir dağıtım stratejisi K4 için aynı dağıtımı garanti etmez.
Kimi K4 bir milyon belirteçlik bağlam penceresine sahip olacak mı?
K4’ün K3’ün uzun bağlam yeteneğini koruması veya geliştirmesi beklenebilir; ancak Moonshot AI bir K4 bağlam sınırı yayımlamamıştır.
Geliştiriciler şu anda CometAPI üzerinden Kimi K4’ü kullanabilir mi?
Onaylı bir K4 model rotası mevcut değil. Geliştiriciler şu anda Kimi K3’ü test edebilir ve aynı entegrasyon katmanı üzerinden diğer sınır modellerle karşılaştırabilir.
Sonuç
Kimi K4, söylentideki bir parametre sayısına indirgenmemelidir. K3, Moonshot AI’nın aşırı seyrek model ölçeğini, milyon belirteçlik bağlamı, yerleşik görselliği, açık ağırlıkları ve uzun soluklu ajan davranışını bir araya getirebildiğini zaten kanıtlıyor. Asıl soru, K4’ün bu ölçeği daha güvenilir yazılım mühendisliğine, daha güçlü bilgisayar kullanımına, daha iyi çok modlu geri besleme döngülerine ve daha verimli çıkarıma dönüştürüp dönüştüremeyeceğidir.
En önemli ayrıntılar hâlâ bilinmiyor: kesin mimari, çıkış tarihi, kıyas skorları, lisans, API erişimi ve sunum maliyeti. Moonshot birincil dokümantasyonu yayımlayana kadar, haberlere dayalı her K4 teknik özelliği beklenti veya çıkarım olarak etiketlenmelidir.
Geliştiricilerin Moonshot AI’nın mevcut yönelimini değerlendirmek için beklemesine gerek yok. Kimi K3 zaten CometAPI üzerinden erişilebilir; bu da Kimi K4 gelmeden önce kodlama, uzun bağlamlı akıl yürütme, çok modlu analiz ve ajan iş akışları için pratik bir temel sağlar.