Moonshot AI مدل ۲.۸ تریلیون پارامتری Kimi K3 را در جولای ۲۰۲۶ عرضه کرد و این مدل بلافاصله در جدول امتیازات Frontend Code Arena در صدر قرار گرفت و در رای‌گیری کور توسعه‌دهندگان، Claude Fable 5 و GPT-5.6 Sol را شکست داد. این پیروزی از این جهت اهمیت دارد که نشان می‌دهد یک مدل با وزن‌های باز (open-weight) می‌تواند در یک وظیفه کدنویسی دنیای واقعی، از شناخته‌شده‌ترین جایگزین‌های بسته خود عملکرد بهتری داشته باشد.

چرا Kimi K3 اهمیت دارد

مدل‌های با وزن‌های باز (open-weight)—یعنی مدل‌هایی که تمام وزن‌های آن‌ها به صورت عمومی منتشر می‌شود—مدت‌ها در امتیازات بنچمارک از غول‌های انحصاری عقب مانده بودند. Kimi K3 با ترکیب مقیاس عظیم با طراحی‌ای که هزینه‌های هر پرس‌وجو را پایین نگه می‌دارد، این روند را تغییر می‌دهد. توسعه‌دهندگانی که به یک دستیار کدنویسی با کارایی بالا نیاز دارند بدون اینکه مجبور به پرداخت صورت‌حساب‌های سنگین ابری باشند، اکنون یک گزینه مقرون‌به‌صرفه در اختیار دارند.

نحوه عملکرد

Kimi K3 از معماری پراکنده مخلوط متخصصان (sparse Mixture-of-Experts یا MoE) استفاده می‌کند. این مدل شامل ۸۹۶ «متخصص» است، اما برای هر توکن پردازش‌شده، تنها ۱۶ مورد فعال می‌شوند. این بدان معناست که تقریباً ۱.۸٪ از کل پارامترها در هر درخواست اجرا می‌شوند. فعال‌سازی پراکنده (Sparse activation) تقاضای محاسباتی را کاهش داده و هزینه‌های استنتاج را در مقایسه با یک مدل متراکم (dense) با همان اندازه، به شدت کاهش می‌دهد.

عملکرد در بنچمارک‌ها

  • Frontend Code Arena – Kimi K3 با امتیاز ۱٬۶۷۹ Elo پیشتاز است و از مدل‌های برتر بعدی پیشی گرفته است.
  • SWE-bench Verified – این مدل امتیاز ۷۶.۸٪ را کسب کرده است که پس از Claude Opus 4.8 (۸۸.۶٪) و GPT-5.5 (۸۸.۷٪) قرار می‌گیرد. این بنچمارک بر رفع خطای عمیق در یک مخزن (repo) واحد تمرکز دارد که در آن Kimi K3 قوی‌ترین رقیب نیست.
  • Coding Index – Kimi K3 امتیاز ۵۷ را ثبت کرده که به راحتی بالاتر از امتیاز ۴۴ مدل DeepSeek V4 Pro است.

چه کسانی سود می‌برند

اگر کار شما حول محور اجزای رابط کاربری (UI components)، ساختاردهی اولیه اپلیکیشن‌های وب (web-app scaffolding)، یا ساخت عامل‌هایی (agents) می‌چرخد که کد را به صورت تکرارشونده تولید می‌کنند، Kimi K3 ترکیبی جذاب از قدرت و قیمت را ارائه می‌دهد. این مدل در پاسخ به پرامپت‌هایی که قطعه‌کدهای کوچک و متعدد تولید می‌کنند، با ویژگی‌های خاص CSS/HTML/JavaScript دست و پنجه نرم می‌کنند و وضعیت (state) را در مجموعه‌ای از فراخوانی‌ها حفظ می‌کنند، عالی عمل می‌کند.

شرکت‌هایی که به مجوزهای سطح تجاری نیاز دارند نیز می‌توانند از مجوز MIT اصلاح‌شده‌ای که همراه با وزن‌های منتشرشده ارائه شده است، استفاده کنند. از آنجایی که فایل‌های کامل وزن‌ها تا ۲۷ جولای ۲۰۲۶ در Hugging Face قرار می‌گیرند، تیم‌ها می‌توانند مدل را بدون انتظار برای یک پوشش (wrapper) اختصاصی از فروشنده، در خط لوله (pipeline) خود ادغام کنند.

قیمت‌گذاری و استقرار

  • استفاده از API – ۳ دلار به ازای هر میلیون توکن ورودی، ۱۵ دلار به ازای هر میلیون توکن خروجی.
  • برخورد با حافظه پنهان (Cache hits) – هنگامی که از یک توالی توکن یکسان مجدداً استفاده می‌شود، هزینه به ۰.۳۰ دلار به ازای هر میلیون توکن کاهش می‌یابد.
  • میزبانی شخصی (Self-hosting) – Moonshot توصیه می‌کند که Kimi K3 را روی دستگاه‌های رده دسکتاپ اجرا نکنید. یک استقرار محلی برای کاربردی بودن، حداقل به ۶۴ شتاب‌دهنده نیاز دارد که باعث می‌شود دسترسی به API ابری، نقطه ورود واقع‌بینانه برای اکثر توسعه‌دهندگان باشد.

این قیمت‌گذاری، مدل را در برابر جایگزین‌های بسته که اغلب نرخ‌های بالاتری به ازای هر توکن دریافت می‌کنند (به‌ویژه برای حجم کارهای سنگین در خروجی)، رقابتی نگه می‌دارد.

آنچه باید زیر نظر داشت

انتشار Kimi K3 شکاف بین مدل‌های کدنویسی باز و بسته را کاهش می‌دهد، اما رقابت هنوز به پایان نرسیده است.

نکته کلیدی: Kimi K3 از سوی Moonshot ثابت می‌کند که یک مدل با وزن‌های باز و فعال‌سازی پراکنده می‌تواند در وظایف کدنویسی خاص و پرحجم، بر شناخته‌شده‌ترین سیستم‌های بسته صنعت غلبه کند—و ابزاری قدرتمند و ارزان‌تر برای کدنویسی فرانت‌اند و کدنویسی مبتنی بر عامل (agentic coding) در اختیار توسعه‌دهندگان قرار دهد، در حالی که هنوز در چالش‌های رفع خطای عمیق عقب‌تر است.