Antara Kimi K3 dan DeepSeek V4: Kesenjangan Waktu Multimodalitas Native

Artikel dari 36Kr ini membahas bagaimana kemampuan multimodal asli menciptakan kesenjangan kompetitif antara model seperti Kimi K3 dan DeepSeek V4. Seorang peneliti multimodal mencatat bahwa untuk tugas rantai panjang, umpan balik tingkat kode saja menyebabkan akumulasi kesalahan, sementara umpan balik visual lebih akurat dan lebih dekat dengan maksud pengguna. Bagian ini menjelaskan bahwa multimodal asli berarti gambar dan teks bersama-sama membentuk model utama sejak pra-pelatihan, berlanjut melalui pasca-pelatihan dan persepsi agen. Kimi K3 menduduki puncak papan peringkat Arena Frontend Code dengan 1.679 poin, dan dalam tes oleh Puter, ia mengidentifikasi semua lima penyimpangan visual tanpa positif palsu. Artikel ini membandingkan dengan pendekatan DeepSeek, yang berfokus pada model teks-saja dan alat eksternal, mencatat bahwa meskipun DeepSeek V4 memiliki kemampuan pengkodean dan penalaran yang kuat, ia tidak memiliki visi asli. Lab Tiongkok lainnya seperti Alibaba dan ByteDance juga mengikuti jalur multimodal asli. Bagian ini membahas biayanya: mengintegrasikan visi dapat mengencerkan kemampuan bahasa, penalaran, dan pengkodean, membutuhkan lebih banyak komputasi dan data. K3 menggunakan model dengan 2,8 triliun parameter dengan 104 miliar parameter aktif per token, dan encoder visi khusus MoonViT-V2. Artikel ini mencatat trade-off antara berinvestasi dalam pengkodean sekarang versus mempersiapkan masa depan multimodal, dan menyebutkan bahwa pemburu bakat berduyun-duyun ke sekitar Moonshot AI setelah peluncuran K3.