Kimi K3:n ja DeepSeek V4:n välissä: natiivin multimodaalisuuden aikaero

36Kr:n artikkeli käsittelee sitä, miten natiivit multimodaaliset ominaisuudet luovat kilpailullisen eron esimerkiksi Kimi K3:n ja DeepSeek V4:n välillä. Eräs multimodaalinen tutkija huomauttaa, että pitkissä tehtäväketjuissa pelkkä kooditasoinen palaute johtaa virheiden kasaantumiseen, kun taas visuaalinen palaute on tarkempaa ja lähempänä käyttäjän tarkoitusta. Artikkelissa selitetään, että natiivi multimodaalisuus tarkoittaa sitä, että kuvat ja teksti muovaavat päämallia yhdessä jo esikoulutusvaiheesta alkaen, jatkuen jälkikoulutukseen ja agentin havainnointikykyyn. Kimi K3 nousi Arena Frontend Code -listan kärkeen 1679 pisteellä, ja Puterin suorittamassa testissä se tunnisti kaikki viisi visuaalista poikkeamaa ilman vääriä positiivisia tuloksia. Artikkeli vertaa tätä DeepSeekin lähestymistapaan, joka keskittyy tekstiin perustuviin malleihin ja ulkoisiin työkaluihin, ja toteaa, että vaikka DeepSeek V4 on vahva koodauksessa ja päättelyssä, siitä puuttuu natiivi näkökyky. Myös muut kiinalaiset laboratoriot, kuten Alibaba ja ByteDance, seuraavat natiivia multimodaalista polkua. Artikkelissa käsitellään kustannuksia: vision integrointi voi laimentaa kielen, päättelyn ja koodauskyvyn osa-alueita, mikä vaatii enemmän laskentatehoa ja dataa. K3 käyttää 2,8 biljoonan parametrin mallia, jonka jokainen token aktivoi 104 miljardia parametria, sekä räätälöityä visioenkooderia MoonViT-V2:ta. Artikkeli huomauttaa kompromissista, joka tehdään investoitaessa joko koodaukseen nyt tai valmistauduttaessa multimodaaliseen tulevaisuuteen, ja mainitsee, että K3:n julkaisun jälkeen kykyjenmetsästäjät ovat parveilleet Moonshot AI:n lähistölle.