بين Kimi K3 وDeepSeek V4: الفجوة الزمنية للتعددية الوسائطية الأصلية

يتناول مقال من 36Kr كيف تخلق القدرات متعددة الوسائط الأصيلة (native multimodal) فارقاً تنافسياً بين نماذج مثل Kimi K3 وDeepSeek V4. ويشير باحث في مجال تعدد الوسائط إلى أن المهام ذات السلاسل الطويلة، إذا اعتمدت على التغذية الراجعة على مستوى الكود فقط، تؤدي إلى تراكم الأخطاء، في حين أن التغذية الراجعة البصرية أكثر دقة وأقرب إلى نية المستخدم الفعلية. ويوضح المقال أن تعدد الوسائط الأصيل يعني أن الصور والنصوص تشكّل معاً النموذج الرئيسي منذ مرحلة التدريب المسبق (pre-training)، وتستمر هذه المشاركة عبر مرحلة ما بعد التدريب (post-training) وصولاً إلى إدراك الوكيل (agent) البصري. وقد تصدّر Kimi K3 قائمة Arena Frontend Code بحصوله على 1679 نقطة، وفي اختبار أجرته شركة Puter، تمكّن النموذج من رصد جميع الانحرافات البصرية الخمسة دون أي نتائج إيجابية كاذبة. ويقارن المقال هذا النهج بمقاربة DeepSeek، التي تركّز على النماذج النصية فقط والاعتماد على أدوات خارجية، مشيراً إلى أن DeepSeek V4، على الرغم من قدراته القوية في البرمجة والاستدلال، يفتقر إلى الرؤية الأصيلة المدمجة. كما تسير مختبرات صينية أخرى، مثل Alibaba وByteDance، على مسار تعدد الوسائط الأصيل نفسه. ويتناول المقال التكاليف المرتبطة بهذا الاتجاه: فدمج الرؤية قد يُخفّف من قدرات اللغة والاستدلال والبرمجة، ويتطلب موارد حوسبة وبيانات أكبر. ويستخدم K3 نموذجاً بحجم 2.8 تريليون معلمة (parameter)، مع 104 مليار معلمة نشطة لكل رمز (token)، بالإضافة إلى مُرمِّز رؤية مخصّص يُدعى MoonViT-V2. ويشير المقال إلى المفاضلة القائمة بين الاستثمار في البرمجة الآن والاستعداد لمستقبل متعدد الوسائط، ويذكر أن الباحثين عن المواهب يتزاحمون حول محيط شركة Moonshot AI بعد إطلاق K3.