Entre Kimi K3 e DeepSeek V4: A Lacuna Temporal da Multimodalidade Nativa

O artigo da 36Kr discute como as capacidades multimodais nativas criam uma lacuna competitiva entre modelos como o Kimi K3 e o DeepSeek V4. Um pesquisador de multimodalidade observa que, em tarefas de cadeia longa, o feedback apenas no nível de código leva ao acúmulo de erros, enquanto o feedback visual é mais preciso e mais próximo da intenção do usuário. O texto explica que a multimodalidade nativa significa que imagens e texto moldam conjuntamente o modelo principal desde o pré-treinamento, continuando pelo pós-treinamento e pela percepção do agente. O Kimi K3 liderou o ranking Arena Frontend Code com 1679 pontos e, em um teste realizado pela Puter, identificou todos os cinco desvios visuais sem falsos positivos. O artigo contrasta isso com a abordagem da DeepSeek, que se concentra em modelos apenas de texto e em ferramentas externas, notando que, apesar do forte desempenho do DeepSeek V4 em codificação e raciocínio, ele não possui visão nativa. Outros laboratórios chineses, como Alibaba e ByteDance, também estão seguindo o caminho da multimodalidade nativa. O texto discute os custos envolvidos: integrar a visão pode diluir as capacidades de linguagem, raciocínio e codificação, exigindo mais poder computacional e dados. O K3 utiliza um modelo de 2,8 trilhões de parâmetros, com 104 bilhões de parâmetros ativados por token, e um codificador de visão personalizado, o MoonViT-V2. O artigo destaca o dilema entre investir em codificação agora ou se preparar para futuros multimodais, e menciona que caçadores de talentos estão se aglomerando nas proximidades da Moonshot AI após o lançamento do K3.