Moonshot AI ਨੇ ਆਪਣੇ Kimi K3 ਮਾਡਲ ਦੇ weights ਖੋਲ੍ਹ ਦਿੱਤੇ ਹਨ ਅਤੇ open-source ਟੂਲਸ ਦਾ ਇੱਕ ਸਮੂਹ ਦਿੱਤਾ ਹੈ ਜੋ ਡਿਵੈਲਪਰਾਂ ਨੂੰ ਕਿਸੇ proprietary license ਲਈ ਭੁਗਤਾਨ ਕੀਤੇ ਬਿਨਾਂ ਇੱਕ frontier-class AI ਚਲਾਉਣ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦੇ ਹਨ। ਕੰਪਨੀ ਦਾ ਕਹਿਣਾ ਹੈ ਕਿ ਨਵਾਂ architecture ਪਿਛਲੇ ਰੀਲੀਜ਼ਾਂ ਦੇ ਮੁਕਾਬਲੇ "intelligence per unit of compute" ਵਿੱਚ 2.5 ਗੁਣਾ ਵਧੇਰੇ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ, ਜੋ ਕਿ ਵੱਡੇ ਪੱਧਰ ਦੇ reasoning ਕੰਮਾਂ ਲਈ ਘੱਟ latency ਅਤੇ ਸਸਤੀ ਕਾਰਜ ਪ੍ਰਣਾਲੀ ਦਾ ਵਾਅਦਾ ਕਰਦਾ ਹੈ।

open-weight AI ਵੱਲ ਵਧਦਾ ਕਦਮ

ਇਹ ਰੀਲੀਜ਼ AI ਫਰਮਾਂ ਦੁਆਰਾ Hugging Face ਵਰਗੇ ਪਲੇਟਫਾਰਮਾਂ 'ਤੇ model weights ਰਿਲੀਜ਼ ਕਰਨ ਦੇ ਰੁਝਾਨ ਦੀ ਪਾਲਣਾ ਕਰਦੀ ਹੈ, ਇੱਕ ਅਜਿਹਾ ਕਦਮ ਜੋ ਕਿਸੇ ਵੀ ਵਿਅਕਤੀ ਨੂੰ, ਜਿਸ ਕੋਲ ਲੋੜੀਂਦਾ compute ਹੋਵੇ, ਮਾਡਲ ਨੂੰ ਸਥਾਨਕ (locally) ਤੌਰ 'ਤੇ ਚਲਾਉਣ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦਾ ਹੈ। Moonshot AI ਨੇ high-performance attention kernels ਅਤੇ ਇੱਕ Mixture-of-Experts (MoE) communication library ਪ੍ਰਕਾਸ਼ਿਤ ਕਰਕੇ ਇੱਕ ਕਦਮ ਹੋਰ ਅੱਗੇ ਵਧਿਆ ਹੈ ਜੋ Kimi K3 ਦਾ ਅਧਾਰ ਹੈ, ਨਾਲ ਹੀ AI agents ਨੂੰ scale ਕਰਨ ਲਈ utilities ਦਾ ਇੱਕ ਸਮੂਹ ਵੀ ਦਿੱਤਾ ਹੈ। ਮਾਡਲ ਅਤੇ ਉਸ ਨੂੰ ਕੁਸ਼ਲਤਾ ਨਾਲ ਚਲਾਉਣ ਵਾਲੇ ਪਲੇਨਿੰਗ (plumbing) ਦੋਵਾਂ ਨੂੰ ਉਜਾਗਰ ਕਰਕੇ, ਕੰਪਨੀ ਦੀ ਉਮੀਦ ਹੈ ਕਿ ਉਹ ਤਕਨੀਕੀ ਰੁਕਾਵਟ ਨੂੰ ਘੱਟ ਕੀਤਾ ਜਾ ਸਕੇ ਜਿਸ ਨੇ frontier models ਨੂੰ ਕੁਝ ਅਮੀਰ ਲੈਬਾਂ ਤੱਕ ਸੀਮਤ ਰੱਖਿਆ ਹੋਇਆ ਹੈ।

Kimi K3 ਆਪਣੇ ਆਪ ਨੂੰ ਕਿਵੇਂ ਪੇਸ਼ ਕਰਦਾ ਹੈ

ਜੁਲਾਈ 2026 ਦੇ ਅੱਧ ਵਿੱਚ ਆਪਣੀ ਘੋਸ਼ਣਾ ਤੋਂ ਬਾਅਦ, Kimi K3 ਨੂੰ ਕਈ ਜਨਤਕ benchmarks 'ਤੇ ਮਾਪਿਆ ਗਿਆ ਹੈ। ਇਸਦੇ ਸਕੋਰ Fable 5 ਅਤੇ GPT-5.6 Sol ਵਰਗੇ ਸਥਾਪਿਤ ਪੱਛਮੀ ਮਾਡਲਾਂ ਦੇ ਨੇੜੇ ਹਨ, ਜਿਨ੍ਹਾਂ ਨੂੰ ਅਕਸਰ large-language-model ਪ੍ਰਦਰਸ਼ਨ ਲਈ gold standard ਵਜੋਂ ਦਰਸਾਇਆ ਜਾਂਦਾ ਹੈ। Moonshot AI ਦਾ 2.5 × more intelligence per compute ਦਾ ਦਾਅਵਾ ਮਤਲਬ ਹੈ ਕਿ, ਇੱਕ ਦਿੱਤੇ ਗਏ hardware budget ਲਈ, ਡਿਵੈਲਪਰ ਮਾਡਲ ਨੂੰ ਕਿਸੇ ਤੁਲਨਾਤਮਕ ਪੁਰਾਣੇ ਮਾਡਲ ਨਾਲੋਂ ਤੇਜ਼ੀ ਨਾਲ ਜਾਂ ਘੱਟ ਸਰੋਤਾਂ ਨਾਲ ਚਲਾ ਸਕਦੇ ਹਨ।

ਲੁਕੀਆਂ ਹੋਈਆਂ ਕਮੀਆਂ

ਹਰ ਟੈਸਟ ਇਹ ਨਹੀਂ ਦਿਖਾਉਂਦਾ ਕਿ Kimi K3 ਰਫ਼ਤਾਰ ਨਾਲ ਚੱਲ ਰਿਹਾ ਹੈ। UK ਦੇ Cyber Institute ਦੁਆਰਾ ਕੀਤੇ ਗਏ ਇੱਕ ਸੁਤੰਤਰ ਮੁਲਾਂਕਣ ਨੇ ਦੋ ਅਜਿਹੇ ਖੇਤਰਾਂ ਵੱਲ ਇਸ਼ਾਰਾ ਕੀਤਾ ਹੈ ਜਿੱਥੇ ਮਾਡਲ ਪਿੱਛੇ ਰਹਿ ਜਾਂਦਾ ਹੈ: cyber-ਸੰਬੰਧੀ ਕੰਮ ਅਤੇ ਉੱਨਤ mathematical reasoning। ਉਹਨਾਂ ਸ਼੍ਰੇਣੀਆਂ ਵਿੱਚ, Kimi K3 ਪ੍ਰਮੁੱਖ frontier models ਤੋਂ ਕਾਫ਼ੀ ਪਿੱਛੇ ਰਹਿ ਗਿਆ।

ਰਿਪੋਰਟ ਵਿੱਚ ਨੋਟ ਕੀਤਾ ਗਿਆ ਹੈ ਕਿ Kimi K3 ਦੀਆਂ cyber ਸਮਰੱਥਾਵਾਂ ਅਤੇ ਉੱਨਤ mathematical reasoning ਪ੍ਰਮੁੱਖ frontier models ਤੋਂ ਕਾਫ਼ੀ ਪਿੱਛੇ ਹਨ।

ਇਹ ਅੰਤਰ ਮਹੱਤਵਪੂਰਨ ਹਨ ਕਿਉਂਕਿ ਬਹੁਤ ਸਾਰੇ ਡਿਵੈਲਪਰ code generation, security analysis, ਜਾਂ scientific research ਲਈ large-language models ਦੀ ਵਰਤੋਂ ਕਰਨ ਦੀ ਯੋਜਨਾ ਬਣਾਉਂਦੇ ਹਨ, ਜਿੱਥੇ ਸਟੀਕਤਾ (precision) ਬਹੁਤ ਜ਼ਰੂਰੀ ਹੈ। ਇੱਕ ਮਾਡਲ ਜੋ ਆਮ ਚੈਟ ਵਿੱਚ ਵਧੀਆ ਹੈ ਪਰ ਗਣਿਤ (math) ਵਿੱਚ ਅਸਫਲ ਰਹਿੰਦਾ ਹੈ, ਉਹ ਫਿਰ ਵੀ ਉਪਯੋਗੀ ਹੋ ਸਕਦਾ ਹੈ, ਪਰ ਇਹ ਉਪਭੋਗਤਾਵਾਂ ਨੂੰ ਹੋਰ ਟੂਲਸ ਨਾਲ ਇਸ ਨੂੰ ਪੈਚ ਕਰਨ ਜਾਂ ਪੂਰਾ ਕਰਨ ਲਈ ਮਜਬੂਰ ਕਰਦਾ ਹੈ, ਜਿਸ ਨਾਲ ਲਾਗਤ ਦਾ ਫਾਇਦਾ ਘਟ ਜਾਂਦਾ ਹੈ।

Distillation ਬਾਰੇ ਬਹਿਸ ਕਿਉਂ ਮਹੱਤਵਪੂਰਨ ਹੈ

ਪ੍ਰਦਰਸ਼ਨ ਦੇ ਅੰਤਰ ਨੇ ਇਸ ਬਾਰੇ ਬਹਿਸ ਛੇੜ ਦਿੱਤੀ ਹੈ ਕਿ Kimi K3 ਨੂੰ ਕਿਵੇਂ ਸਿਖਲਾਈ ਦਿੱਤੀ ਗਈ ਸੀ। ਕੁਝ ਨਿਰੀਖਕਾਂ ਦਾ ਕਹਿਣਾ ਹੈ ਕਿ “distillation” ਇੱਕ ਸੰਭਵ ਵਿਆਖਿਆ ਹੋ ਸਕਦੀ ਹੈ। Distillation ਇੱਕ ਅਜਿਹੀ ਤਕਨੀਕ ਹੈ ਜਿੱਥੇ ਇੱਕ ਛੋਟੇ, ਤੇਜ਼ ਮਾਡਲ (“student”) ਨੂੰ ਇੱਕ ਵੱਡੇ, ਵਧੇਰੇ ਸਮਰੱਥ ਮਾਡਲ (“teacher”) ਦੇ ਆਉਟਪੁੱਟ ਦੀ ਨਕਲ ਕਰਨ ਲਈ ਸਿਖਲਾਈ ਦਿੱਤੀ ਜਾਂਦੀ ਹੈ। ਇਹ ਪ੍ਰਕਿਰਿਆ ਮੂਲ ਦੀ ਬਹੁਤ ਸਾਰੀ ਸਮਰੱਥਾ ਨੂੰ ਬਰਕਰਾਰ ਰੱਖਦੇ ਹੋਏ ਮਾਡਲ ਦੇ ਆਕਾਰ ਨੂੰ ਕਾਫ਼ੀ ਘਟਾ ਸਕਦੀ ਹੈ।

ਅਤੀਤ ਵਿੱਚ, ਚੀਨੀ AI ਡਿਵੈਲਪਰਾਂ ਨੂੰ distillation 'ਤੇ ਨਿਰਭਰ ਰਹਿਣ ਲਈ ਆਲੋਚਨਾ ਦਾ ਸਾਹਮਣਾ ਕਰਨਾ ਪਿਆ ਹੈ, ਜਿੱਥੇ ਆਲੋਚਕਾਂ ਦਾ ਤਰਕ ਹੈ ਕਿ ਨਤੀਜੇ ਵਾਲੇ ਮਾਡਲਾਂ ਵਿੱਚ teacher ਦੀਆਂ ਕਮੀਆਂ ਹੁੰਦੀਆਂ ਹਨ ਅਤੇ ਉਹਨਾਂ ਵਿੱਚ ਅਸਲ ਮੌਲਿਕਤਾ ਦੀ ਕਮੀ ਹੁੰਦੀ ਹੈ। ਹਾਲਾਂਕਿ, ਸੰਯੁਕਤ ਰਾਜ ਅਮਰੀਕਾ ਅਤੇ ਹੋਰਨਾਂ ਥਾਵਾਂ 'ਤੇ, ਬਹੁਤ ਸਾਰੇ open-weight ਸਮਰਥਕ distillation ਨੂੰ ਉੱਚ-ਗੁਣਵੱਤਾ ਵਾਲੇ ਮਾਡਲਾਂ ਨੂੰ ਵਿਆਪਕ ਦਰਸ਼ਕਾਂ ਲਈ ਉਪਲਬਧ ਕਰਵਾਉਣ ਦੇ ਇੱਕ ਵਿਹਾਰਕ ਤਰੀਕੇ ਵਜੋਂ ਦੇਖਦੇ ਹਨ।

ਜੇਕਰ Kimi K3 ਮੁੱਖ ਤੌਰ 'ਤੇ ਇੱਕ distilled ਮਾਡਲ ਹੈ, ਤਾਂ ਨਿਰੀਖਕ ਇਹ ਸੁਝਾਅ ਦਿੰਦੇ ਹਨ, ਪਰ ਸਰੋਤ 2.5× ਕੁਸ਼ਲਤਾ ਦੇ ਵਾਧੇ ਦਾ ਕਾਰਨ distillation shortcut ਨੂੰ ਨਹੀਂ ਦੱਸਦਾ।

ਕਿਸ ਨੂੰ ਫਾਇਦਾ ਹੋਵੇਗਾ, ਕਿਸ ਦਾ ਨੁਕਸਾਨ ਹੋਵੇਗਾ

ਡਿਵੈਲਪਰ ਅਤੇ ਸਟਾਰਟਅੱਪਸ ਸਭ ਤੋਂ ਵੱਧ ਫਾਇਦਾ ਉਠਾ ਸਕਦੇ ਹਨ। open weights ਅਤੇ ਨਾਲ ਦਿੱਤੀਆਂ ਗਈਆਂ libraries ਦੇ ਨਾਲ, ਉਹ ਲਾਇਸੈਂਸ ਫੀਸ ਦਿੱਤੇ ਬਿਨਾਂ ਇੱਕ ਅਜਿਹੇ ਮਾਡਲ ਨਾਲ ਪ੍ਰਯੋਗ ਕਰ ਸਕਦੇ ਹਨ ਜੋ ਪ੍ਰਮੁੱਖ ਵਪਾਰਕ ਪੇਸ਼ਕਸ਼ਾਂ ਦੇ ਬਰਾਬਰ ਹੈ। ਘੱਟ compute ਦੀ ਮੰਗ cloud services ਲਈ ਐਂਟਰੀ ਲਾਗਤ ਨੂੰ ਵੀ ਘਟਾਉਂਦੀ ਹੈ, ਜਿਸ ਨਾਲ ਸ਼ੁਰੂਆਤੀ ਪੜਾਅ ਦੀਆਂ ਕੰਪਨੀਆਂ ਲਈ AI-driven ਉਤਪਾਦਾਂ ਨੂੰ ਵਧੇਰੇ ਵਿਹਾਰਕ ਬਣਾਇਆ ਜਾ ਸਕਦਾ ਹੈ।

Moonshot AI ਨੂੰ open-source AI ਦੇ ਚੈਂਪੀਅਨ ਵਜੋਂ ਆਪਣੇ ਆਪ ਨੂੰ ਪੇਸ਼ ਕਰਕੇ ਫਾਇਦਾ ਹੁੰਦਾ ਹੈ। ਮਾਡਲ ਅਤੇ tooling ਦੋਵਾਂ ਨੂੰ ਰਿਲੀਜ਼ ਕਰਕੇ, ਇਹ ਆਪਣੇ ਸਟੈਕ ਦੇ ਆਲੇ-ਦੁਆਲੇ ਇੱਕ ਭਾਈਚਾਰਾ ਬਣਾਉਂਦਾ ਹੈ।

ਰੀਲੀਜ਼ ਵਿੱਚ ਕੀ ਸ਼ਾਮਲ ਹੈ

ਮਾਡਲ ਤੋਂ ਇਲਾਵਾ, Moonshot AI ਨੇ ਰਿਲੀਜ਼ ਕੀਤਾ:

  • High-performance attention kernels: low-level code ਜੋ core attention operation ਨੂੰ ਤੇਜ਼ ਕਰਦਾ ਹੈ, ਜੋ ਕਿ large-language models ਦਾ ਗਣਨਾਤਮਕ ਦਿਲ (computational heart) ਹੈ।
  • A MoE communication library: ਕੋਡ ਜੋ Mixture-of-Experts ਸੈੱਟਅੱਪ ਵਿੱਚ experts ਵਿਚਕਾਰ ਡੇਟਾ ਦੀ ਰੂਟਿੰਗ ਨੂੰ ਸੰਭਾਲਦਾ ਹੈ, ਜਿਸ ਨਾਲ ਮਾਡਲ ਨੂੰ ਸਿਰਫ ਉੱਥੇ ਹੀ compute ਅਲਾਟ ਕਰਨ ਦੀ ਇਜਾਜ਼ਤ ਮਿਲਦੀ ਹੈ ਜਿੱਥੇ ਇਸਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ।
  • Tools for scaling AI agents: ਸਕ੍ਰਿਪਟਾਂ ਅਤੇ wrappers ਜੋ ਦਰਜਨਾਂ ਜਾਂ ਸੈਂਕੜੇ ਮਾਡਲ instances ਨੂੰ ਲਾਂਚ ਕਰਨਾ ਸਰਲ ਬਣਾਉਂਦੇ ਹਨ, ਜੋ ਚੈਟ ਬੋਟਸ, autonomous agents, ਜਾਂ batch processing ਲਈ ਉਪਯੋਗੀ ਹਨ।

ਸਿੱਟਾ

Moonshot AI ਦੁਆਰਾ Kimi K3 ਦੀ open-weight ਰਿਲੀਜ਼, ਅਤੇ ਇਸਦੀਆਂ ਪ੍ਰਦਰਸ਼ਨ-ਵਧਾਉਣ ਵਾਲੀਆਂ ਲਾਇਬ੍ਰੇਰੀਆਂ ਦੇ ਸੁਮੇਲ ਨਾਲ, ਇੱਕ ਫਰੰਟੀਅਰ-ਲੇਵਲ ਮਾਡਲ ਚਲਾਉਣ ਲਈ ਲਾਗਤ ਦੀ ਰੁਕਾਵਟ ਨੂੰ ਘਟਾਉਂਦੀ ਹੈ। ਇਹ ਕਦਮ ਛੋਟੇ ਖਿਡਾਰੀਆਂ ਲਈ ਉੱਚ-ਗੁਣਵੱਤਾ ਵਾਲੀ AI ਨਾਲ ਪ੍ਰਯੋਗ ਕਰਨ ਦੇ ਰਾਹ ਖੋਲ੍ਹਦਾ ਹੈ, ਭਾਵੇਂ ਕਿ ਮਾਡਲ ਵਿਸ਼ੇਸ਼ ਕੰਮਾਂ ਵਿੱਚ ਸਪੱਸ਼ਟ ਕਮਜ਼ੋਰੀਆਂ ਦਿਖਾਉਂਦਾ ਹੈ। ਅਗਲੇ ਕੁਝ ਮਹੀਨੇ ਇਹ ਸਾਹਮਣੇ ਲਿਆਉਣਗੇ ਕਿ ਕੀ ਭਾਈਚਾਰਾ ਉਨ੍ਹਾਂ ਕਮਜ਼ੋਰੀਆਂ ਨੂੰ ਤਾਕਤ ਵਿੱਚ ਬਦਲ ਸਕਦਾ ਹੈ ਅਤੇ ਕੀ open-source ਦਾ ਇਹ ਉਤਸ਼ਾਹ AI ਮਾਰਕੀਟ ਦੀ ਸ਼ਕਤੀ ਦੀ ਗਤੀਸ਼ੀਲਤਾ ਨੂੰ ਮੁੜ ਰੂਪ ਦੇ ਸਕਦਾ ਹੈ।