Dlaczego nowy chiński model Kimi K3 szokuje ekspertów AI?

Chiński startup Moonshot zaprezentował swój najnowszy model generatywnej sztucznej inteligencji Kimi K3. Pierwsze testy pokazują, że dorównuje on, a w niektórych zadaniach przewyższa modele OpenAI i Anthropic. Jego największą zaletą jest zaskakująco wysoka wydajność, osiągnięta przy znacznie niższych kosztach niż w konkurencyjnych modelach amerykańskich. Na takie modele czeka medycyna, ale jest jeden problem.

Kolejny pokaz siły sztucznej inteligencji „made in China”

Kiedy kilka miesięcy temu swoją premierę miał DeepSeek, stało się jasne, że Chiny zaczynają grać pierwsze skrzypce w światowym wyścigu o dominację w rozwoju generatywnej sztucznej inteligencji.

Ale Kimi K3 stawia poprzeczkę jeszcze wyżej. Model wykorzystuje architekturę Mixture of Experts (MoE) z 2,8 bilionów parametrów. Ale pojedynczego zapytania (prompta) aktywowanych jest jedynie około 50 miliardów. Dzięki temu model zachowuje wysoką wydajność, jednocześnie znacząco ograniczając zapotrzebowanie na moc obliczeniową oraz koszty eksploatacji.

Kolejnym wyróżnikiem jest liczące milion tokenów okno kontekstowe pozwalające analizować jednocześnie tysiące stron dokumentów, raportów czy publikacji naukowych. Model potrafi natywnie przetwarzać tekst i obrazy, dzięki czemu może analizować dokumentację zawierającą wykresy, tabele i ilustracje. Moonshot AI udostępnił Kimi K3 jako model open-weight, umożliwiając firmom i instytucjom pobranie go i uruchomienie na własnej infrastrukturze. To odróżnia go od zamkniętych modeli OpenAI czy Anthropic i może znacząco przyspieszyć jego wdrożenia w sektorach wymagających wysokiego poziomu bezpieczeństwa danych, takich jak ochrona zdrowia.

Sensacyjne wyniki benchmarków zaskoczyły ekspertów

W opublikowanych benchmarkach model osiągnął 93,5% w GPQA Diamond, jednym z najbardziej wymagających testów sprawdzających rozumowanie na poziomie doktoranckim. W benchmarku BrowseComp, oceniającym zdolność wykonywania złożonych zadań z wykorzystaniem internetu, uzyskał 91,2%, natomiast w TerminalBench 2.1, badającym umiejętności programistyczne, osiągnął 88,3%.

Model bardzo dobrze poradził sobie również z analizą dokumentów. W teście OmniDocBench uzyskał 91,1%, co pokazuje jego możliwości w pracy z długimi raportami i złożoną dokumentacją. Jeszcze większe zainteresowanie wzbudziły wyniki w programowaniu – Kimi K3 zajął pierwsze miejsce w rankingu Arena Frontend Coding, wyprzedzając najnowsze modele OpenAI i Anthropic w generowaniu kodu interfejsów użytkownika.

Część wyników pochodzi z testów przeprowadzonych przez samą firmę Moonshot AI i wymaga dalszej niezależnej weryfikacji. Mimo to pierwsze praktyczne oceny wskazują, że model szczególnie dobrze radzi sobie z wieloetapowym rozwiązywaniem problemów, analizą obszernych dokumentów oraz tworzeniem kodu.

Lokalny model dla ochrony zdrowia bez obaw o wysyłanie danych do chmury?

Milion tokenów kontekstu daje modelowi ogromną siłę analityczną. W medycynie oznacza to zdolność do jednoczesnej analizy historii choroby, wyników badań obrazowych, publikacji naukowych, wytycznych klinicznych oraz dokumentacji szpitalnej.

W ochronie zdrowia równie ważna może okazać się możliwość uruchomienia modelu we własnym centrum danych. Ponieważ Kimi K3 został udostępniony jako model open-weight, szpitale, instytuty badawcze czy firmy farmaceutyczne mogą wdrożyć go lokalnie, bez konieczności przesyłania wrażliwych danych pacjentów do zewnętrznej chmury. To pozwala łatwiej spełnić wymagania dotyczące prywatności, cyberbezpieczeństwa oraz zgodności z przepisami, takimi jak RODO.

Równie ważny jest aspekt ekonomiczny. Dzięki architekturze MoE Kimi K3 oferuje możliwości zbliżone do najlepszych modeli komercyjnych przy znacznie niższych kosztach działania. To może ułatwić wdrażanie generatywnej AI w szpitalach, instytutach badawczych czy firmach farmaceutycznych, gdzie koszt wykorzystania modeli ma coraz większe znaczenie.

Ale eksperci zwracają uwagę, że największą przeszkodą może okazać się zaufanie. W wielu krajach sektor ochrony zdrowia ostrożnie podchodzi do rozwiązań pochodzących z Chin. Nawet jeśli model działa lokalnie i dane nie opuszczają infrastruktury szpitala, metka „Made in China” może budzić pytania dotyczące bezpieczeństwa, transparentności procesu trenowania oraz potencjalnego ryzyka geopolitycznego.

Czytaj także: Szef Google DeepMind twierdzi, że AGI to kwestia kilku lat. „Czas się przygotować”