Zwischen Kimi K3 und DeepSeek V4: Die Zeitlücke der nativen Multimodalität

Der Artikel von 36Kr erörtert, wie native multimodale Fähigkeiten eine Wettbewerbslücke zwischen Modellen wie Kimi K3 und DeepSeek V4 schaffen. Ein multimodaler Forscher merkt an, dass bei langen Kettenaufgaben alleiniges Code-Feedback zu Fehlerakkumulation führt, während visuelles Feedback genauer und näher an der Benutzerabsicht ist. Der Beitrag erklärt, dass native Multimodalität bedeutet, dass Bilder und Text das Hauptmodell von der Vorphase (Pretraining) an gemeinsam prägen, sich durch die Nachphase (Post-Training) und die Agentenwahrnehmung fortsetzen. Kimi K3 belegte den ersten Platz im Arena Frontend Code-Rangliste mit 1679 Punkten, und in einem Test von Puter erkannte es alle fünf visuellen Abweichungen ohne falsch-positive Ergebnisse. Der Artikel kontrastiert dies mit DeepSeek's Ansatz, der sich auf textbasierte Modelle und externe Tools konzentriert, und merkt an, dass DeepSeek V4 trotz starker Programmier- und Denkfähigkeiten keine native visuelle Wahrnehmung besitzt. Auch andere chinesische Labore wie Alibaba und ByteDance folgen dem Pfad der nativen Multimodalität. Der Beitrag diskutiert die Kosten: Die Integration von Vision kann Sprach-, Denk- und Programmierfähigkeiten verwässern und erfordert mehr Rechenleistung und Daten. K3 nutzt ein Modell mit 2,8 Billionen Parametern und 104 Milliarden aktivierten Parametern pro Token sowie einen eigenen visuellen Encoder namens MoonViT-V2. Der Artikel weist auf den Trade-off hin, jetzt in Codierung zu investieren versus sich auf multimodale Zukünfte vorzubereiten, und erwähnt, dass Talentsucher nach der Veröffentlichung von K3 in Scharen in die Nähe von Moonshot AI strömen.