Kimi K3 与 DeepSeek V4 之间：原生多模态的时间差

36氪的这篇文章讨论了原生多模态能力如何在Kimi K3与DeepSeek V4等模型之间制造出竞争差距。一位多模态研究者指出，在长链任务中，仅靠代码级反馈会导致错误累积，而视觉反馈更为精准，也更贴近用户意图。文章解释道，原生多模态意味着图像和文本从预训练阶段起就共同塑造主模型，并贯穿后训练及智能体感知过程。Kimi K3在Arena前端编码排行榜上以1679分位居榜首，并且在Puter的一项测试中，它准确识别了全部五处视觉偏差，没有出现误报。文章将这一成绩与DeepSeek的做法进行了对比，后者专注于纯文本模型和外部工具，并指出尽管DeepSeek V4在编码和推理方面表现出色，但它缺乏原生视觉能力。阿里、字节跳动等其他中国实验室也在走原生多模态的技术路线。文章讨论了成本问题：整合视觉能力可能会稀释语言、推理和编码能力，因此需要更多的算力和数据。K3采用了一个2.8万亿参数的模型，每个token激活1040亿参数，并配备了自研的视觉编码器MoonViT-V2。文章还指出了当下投资编码能力与为多模态未来做准备之间的权衡，并提到K3发布后，各家猎头纷纷涌向月之暗面公司附近。