Ян Чжилинь, стоящий за разработкой архитектур Transformer-XL и XLNet, представил на конференции GTC 2026 флагманскую модель Kimi K3 от своей компании Moonshot AI. Новая модель объемом 2,8 трлн параметров предлагает поддержку контекста в 1 млн токенов и нативное зрение с режимом глубокого рассуждения, напрямую конкурируя с ведущими проприетарными системами.
Что произошло
Компания Moonshot AI выпустила модель Kimi K3, обладающую 2,8 трлн параметров и использующую MoE-архитектуру с 16 активными экспертами для эффективного управления масштабом. Модель поддерживает контекстное окно в 1 млн токенов, интегрирует функции нативного зрения и специализированный thinking mode для решения сложных задач. Kimi K3 демонстрирует высокие показатели в области кодинга и выполнения агентских функций, сопоставимые с результатами GPT-5.6 и Claude Fable 5.
Контекст
Разработка Kimi K3 опирается на научный фундамент Яна Чжилиня, чьи предыдущие работы над Transformer-XL и XLNet были направлены на решение проблемы потери информации при обработке сверхдлинных последовательностей данных. Выпуск модели в формате open-weight (открытые веса) является стратегическим шагом в сегменте frontier-моделей.
Почему это важно для индустрии
Выход сверхкрупной open-weight модели от китайского стартапа фактически стирает грань между закрытыми западными SOTA-системами и открытым ПО. Это усиливает глобальную конкуренцию в сегменте передовых моделей и предлагает рынку мощную альтернативу проприетарным API, снижая зависимость разработчиков от закрытых западных экосистем.
Почему это важно для пользователей
Разработчики получают доступ к высокопроизводительным инструментам для создания сложных агентских систем, RAG-решений с длинным контекстом и приложений для научных исследований или проектирования чипов. При этом стоимость использования таких моделей может быть сопоставима с проприетарными API, что делает внедрение глубокой автоматизации более доступным.
Что пока неизвестно / ограничения
Специалисты выражают умеренный скептицизм относительно практической реализации модели в промышленном масштабе, указывая на потенциальные сложности с обеспечением стабильного production-инференса (latency/cost), а также на вопросы корпоративной безопасности и соответствия регуляторным нормам.
Источники
Автор
Look at AI, редакция