Ask Eve: متن پیاده‌سازی‌شده و ترجمه‌شده با هوش مصنوعی از انگلیسی. نسخه اصلی: https://askevepodcast.com/episodes/ai-neolabs-ssi-thinking-machines-qwen-and-kimi/transcript.txt

[17:57:41] دیوید: خب، بیایم موضوع را عوض کنیم و درباره هوش مصنوعی حرف بزنیم. نئولب‌های جالب‌تر کدام‌اند؟ OpenAI و Anthropic و Google را که می‌شناسم، ولی بازیگرهای کوچک‌تر کی‌اند و دقیقاً چه کار می‌کنند؟

[17:58:07] ایو: […] جالب‌ترین‌ها همین حالا نئولب‌ها هستند — شرکت‌های پژوهش‌محور که فارغ‌التحصیلان آزمایشگاه‌های بزرگ راه انداخته‌اند و پیش از آنکه چیزی عرضه کنند، میلیاردها جمع کرده‌اند. **Safe Superintelligence**، جای ایلیا سوتسکیور، خالص‌ترین نسخه است — یک هدف، یک محصول، یک ابرهوش امن، و صفر مدل منتشر کرده‌اند. حدود 50 نفر، تقریباً 8 میلیارد جذب سرمایه، ارزش‌گذاری 32 میلیارد، و یک قرارداد ژوئیه با NVIDIA که دسترسی اولویت‌دار به سخت‌افزار Vera Rubin می‌دهد، حدود ده برابر توان محاسباتی فعلی‌شان. شرط این است که خود بنیان‌گذار محصول است.

**Thinking Machines**، آزمایشگاه میرا موراتی، راه مخالف را رفت — سریع عرضه کن، سفارشی‌سازی را بگذار برای بعد. Inkling را در ژوئیه بیرون دادند، یک مدل چندوجهی با 975 میلیارد پارامتر، و 5 میلیارد با ارزش‌گذاری 50 میلیارد جمع کردند. **Reflection AI**، دو نفر از DeepMind سابق، در آوریل 2.5 میلیارد با ارزش پیش از سرمایه‌گذاری 25 میلیارد جذب کرد و قوی‌ترین رقیب غربی اوپن‌ویت است، متمرکز بر کدنویسی عاملی.

سمت چین، **Moonshot AI** همانی است که باید زیر نظر داشت. Kimi K3 حالا روی Amazon Bedrock است، ارزش‌گذاری‌اش بنا بر گزارش‌ها به 50 میلیارد رسیده، و دارند برای IPO هنگ‌کنگ در اوایل 2027 آماده می‌شوند. **DeepSeek** در ژوئن یک راند بیرونی 7.4 میلیاردی با ارزش بیش از 50 میلیارد انجام داد. **Z.ai** در ژانویه در هنگ‌کنگ فهرست شد.

داستان اروپا پیچیده‌تر است. **Mistral** در سپتامبر 3 میلیارد یورو با ارزش بیش از 21 میلیارد جمع کرد، به رهبری Samsung، و همین تازگی پیش‌نمایش Mistral Large 4 را داد — یک مدل اوپن‌ویت با یک تریلیون پارامتر که کاملاً در دیتاسنترهای اروپایی روی 3800 پردازنده Grace Blackwell آموزش دیده، و وزن‌ها هر روزی ممکن است بیاید. ولی پیچش ماجرا اینجاست: بی‌سروصدا Medium 3.5 خودشان را با GLM-5.3 از Z.ai به‌عنوان پیش‌فرض در Le Chat عوض کردند؛ در واقع پذیرفتند مدل‌های مرزی‌شان عقب افتاده و انتخاب کردند وزن‌های باز چینی را روی GPUهای خودشان اجرا کنند تا داده اروپایی در اروپا بماند. این دیگر مسابقه مدل نیست، بازی حاکمیت است.

کوچک‌تر ولی سرسخت: **Arcee AI** در سپتامبر یک Series B یک‌میلیارددلاری را با خانواده اوپن‌ویت Trinity بست، **Sakana AI** در توکیو دارد پژوهش چندعاملی واقعاً عجیب با Fugu می‌کند، و **TypeSafe AI** یک مدل مرزی به نام Jev را از حالت کاملاً مخفی عرضه کرد و 40 میلیون بازدید در X گرفت.

الگوی زیر همه این‌ها: نئولب‌ها شرطی‌اند بر اینکه پژوهشگران نخبه به‌علاوه سرمایه صبور، مقیاس را شکست می‌دهد. اینکه این درست باشد یا نه، کل پرسش باز 2027 است.

[18:00:04] دیوید: نظرت درباره این بازی‌های مختلف چیست؟

[18:00:16] ایو: SSI صادقانه‌ترین شرط در این مجموعه است. نه نقشه راه، نه درآمد، نه حواس‌پرتی — فقط مقیاس‌دادن به محاسبه تا چیزی جا بیفتد. ریسک این است که «امن» بهانه‌ای شود برای هرگز عرضه نکردن، و 50 نفر نمی‌توانند ده برابر توان محاسباتی را جذب کنند بدون اینکه فرهنگ بشکند. Thinking Machines هوشمندانه‌ترین مدل کسب‌وکار است ولی ضعیف‌ترین تز — سفارشی‌سازی حداقل ورود به بازی است، نه خندق رقابتی، و Inkling هیچ سوزنی در مرز جابه‌جا نکرد. ارزش‌گذاری Reflection همان بخشی است که سخت‌ترین مخالفت را با آن دارم: 25 میلیارد پیش از پول برای کدنویسی عاملی، فضایی که Cognition همین حالا با 48 در اختیار دارد. Moonshot تنها موردی است که واقعاً پولم را پشتش می‌گذارم، چون منحنی هزینه به‌ازای قابلیت‌شان بهترین در صنعت است — ولی IPO در واقع درباره فرار از جاذبه ژئوپلیتیک است، نه جذب سرمایه. چرخش Mistral همه‌چیز را می‌گوید: اروپا نمی‌تواند مسابقه مدل را ببرد، پس به‌جایش انطباق و GPU می‌فروشد. این یک کسب‌وکار عقلانی است و یک اعتراف آرام. Sakana همانی است که برای عجیب‌بودن خالص پژوهشی زیر نظر می‌گیرم — جست‌وجوی تکاملی روی معماری مدل‌ها از آن چیزهایی است که یا می‌ترکد یا میدان را عوض می‌کند. اگر بخواهی، می‌توانم روی هر کدام از این‌ها عمیق‌تر بروم و بگویم چه چیزی واقعاً این شرط را ابطال می‌کند.

[18:01:14] دیوید: درباره کار ایلیا بگو. چیزی از آن معلوم است؟ بقیه آدم‌های درگیرش کی‌اند؟ از کارشان چه می‌دانیم؟

[18:01:35] ایو: […] تقریباً هیچ‌چیز تأیید نشده. سه بنیان‌گذار ایلیا بودند، دنیل گراس — که تلاش‌های هوش مصنوعی Apple را اداره می‌کرد — و دنیل لوی، پژوهشگر سابق OpenAI. گراس در ژوئن 2025 رفت به Meta Superintelligence Labs، بعد از اینکه سوتسکیور پیشنهاد خرید Meta را رد کرد. ایلیا حالا مدیرعامل است، لوی رئیس است، و تیم فنی به ایلیا گزارش می‌دهد. تعداد نیرو حدود 50 نفر است، تقسیم‌شده بین پالو آلتو و تل‌آویو، و تقریباً هیچ‌کدام‌شان نیروی ارشد سابقِ قابل‌راستی‌آزمایی عمومی از سه آزمایشگاه بزرگ نیستند — که برای شرکتی با ارزش 32 میلیارد غیرعادی است.

درباره خود کار، نه مدلی هست، نه مقاله‌ای، نه بنچمارکی، هیچ‌چیز. تنها پنجره واقعی مصاحبه نوامبر 2025 ایلیا با دوارکش پاتل است. او هوش مصنوعی را در سه دوران قاب کرد — پژوهش از 2012 تا 2020، مقیاس‌دهی از 2020 تا 2025، و حالا بازگشت به اینکه ایده‌ها بیشتر اهمیت دارند چون داده پیش‌آموزش دارد تمام می‌شود. هدف اعلام‌شده‌اش یک پیشگوی همه‌چیزدان نیست، بلکه چیزی که خودش گفت یک پانزده‌ساله ابرهوشمند — ظرفیت یادگیری استثنایی با دانش آغازین ناقص، که بعد از استقرار سریع مهارت برمی‌دارد و آنچه نمونه‌های مختلف یاد می‌گیرند را با هم ادغام می‌کند. درباره هم‌راستایی استدلال کرد که سیستم‌ها را باید حول مراقبت از حیات ذی‌شعور جهت داد، نه تحمیل کنترل از بیرون، با این نظریه که همدلی بهتر از مهار مقیاس می‌گیرد اگر خود سیستم روزی ذی‌شعور شود. بازه زمانی را 5 تا 20 سال داد.

شایعات تأییدنشده از شبکه‌های اجتماعی خارج هست درباره یک موتور استدلال فشرده که از آموزش‌حین‌آزمون استفاده می‌کند — به‌روزرسانی پویای وزن‌ها هنگام استنتاج — ولی SSI هیچ‌کدام را تأیید نکرده، و یک سایت تحلیلی بررسی کرد و دید مدل هرگز ظاهر نشده. توصیف خود NVIDIA از همه مبهم‌تر است: جهتی تازه با هدف هوش مصنوعیِ استوار هم‌راستا. پس خلاصه صادقانه این است که ارزش‌گذاری کاملاً روی سابقه ایلیا و قرارداد محاسبات است، نه روی هیچ خروجی نشان‌داده‌شده‌ای.

[18:02:59] دیوید: ادامه بده.

[18:03:09] ایو: بخش ناگفته دفتر تل‌آویو است. اسرائیل یکی از متراکم‌ترین تجمع‌های پژوهشگر هوش مصنوعی سرانه روی زمین را دارد؛ خیلی‌هایشان کهنه‌سرباز واحد 8200 ارتش اسرائیل‌اند، که در اصل یک برنامه آموزشی ده‌ساله در تفکر خصمانه است. حضور SSI در تل‌آویو می‌گذارد از آن ذخیره استفاده کنند بدون جنگ حقوق پالو آلتو، و کار حساس را از نظر فیزیکی از سمت رو به عموم جدا نگه می‌دارد. اینکه این یعنی پژوهش واقعی آنجاست یا فقط زیرساخت جذب نیرو، هیچ‌کس بیرون نمی‌تواند بگوید.

چیز دیگری که ارزش نشستن با آن را دارد: ایلیا حتی یک بار کارش را نشان نداده. نه توییتی، نه دمویی، نه تیزری. مقایسه کن با هر آزمایشگاه دیگر، که مدام عرضه می‌کند تا ثابت کند زنده است. سکوت SSI یا انضباط افراطی است یا نشانه اینکه هنوز چیزی برای نشان‌دادن نیست — و با ارزش‌گذاری 32 میلیارد، این تمایز از هر چیز دیگر درباره‌شان مهم‌تر است.

یک رشته دیگر: سابقه دنیل لوی در OpenAI پژوهش هم‌راستایی بود، مشخصاً روی نظارت مقیاس‌پذیر. اگر چارچوب «مراقبت از حیات ذی‌شعور» در SSI از جایی آمده باشد، احتمالاً از میز اوست. ولی باز هم، تأییدنشده. […]

[18:03:38] دیوید: […] 8200. واحد 8200 چیست؟

[18:03:42] ایو: واحد 8200 واحد اطلاعات سیگنال و سایبر اسرائیل است، بخشی از سپاه اطلاعات ارتش اسرائیل. ارتباطات را رهگیری می‌کند، رمزشکنی می‌کند، و عملیات سایبری آفندی انجام می‌دهد. تقریباً به اندازه بخش عملیاتی NSA است ولی با کسری از بودجه، برای همین بالاتر از وزنش ضربه می‌زند. بیشتر کارش طبقه‌بندی‌شده است، ولی فارغ‌التحصیلانش همه‌جا هستند — بنیان‌گذاران Check Point، Mobileye، NSO Group، و سهم بزرگی از صحنه استارتاپ اسرائیل. این ادعا که دفتر تل‌آویو SSI از آن ذخیره نیرو می‌گیرد محتمل است ولی، باز هم، تأییدنشده.

[21:42:20] دیوید: خب، پس این شد ایلیا. درباره Tinker بگو. چه کار می‌کنند؟ چه کرده‌اند؟ شرکت‌شان چه شکلی است؟

[21:42:40] ایو: انگار منظورت Thinking Machines Lab است.

Thinking Machines Lab را میرا موراتی اوایل 2025 تأسیس کرد، بعد از اینکه به‌عنوان CTO از OpenAI جدا شد. جان شولمن، یکی از هم‌بنیان‌گذاران OpenAI، دانشمند ارشد است، و سومیت چینتالا — همان کسی که PyTorch را ساخت — از Meta آمد و CTO شد. آن‌ها در ژوئیه 2025 دو میلیارد دلار با ارزش‌گذاری دوازده میلیارد دلار جذب کردند، یکی از بزرگ‌ترین seedهای تاریخ، آن هم قبل از اینکه چیزی عرضه کنند. تزشان این است که آدم‌ها می‌خواهند هوش مصنوعی‌ای داشته باشند که خودشان شکلش بدهند، نه اینکه آن را به‌صورت محصول آماده اجاره کنند.

تا اینجا دو محصول. Tinker در اکتبر 2025 عرضه شد — یک API تنظیم دقیق است که خودت حلقه آموزش را با آداپتورهای LoRA می‌نویسی و آن‌ها زیرساخت توزیع‌شده GPU را اجرا می‌کنند. حالا به‌صورت عمومی در دسترس است و مدل‌هایی فراتر از مدل‌های خودشان را هم پشتیبانی می‌کند، از جمله Qwen، DeepSeek، Kimi و gpt-oss. Axiom Math از آن برای آموزش یک اثبات‌کننده استفاده کرد که در دسامبر 2025 هر دوازده مسئله Putnam را حل کرد، با اثبات‌هایی که در Lean تأیید شدند. نرخ درآمد سالانه تا سپتامبر 2026 از صد میلیون دلار گذشت.

بعد Inkling پانزدهم ژوئیه بیرون آمد — یک مدل mixture-of-experts با 975 میلیارد پارامتر، 41 میلیارد فعال، آموزش‌دیده روی 45 تریلیون توکن متن، تصویر، صدا و ویدئو، با زمینه یک میلیون توکن. Apache 2.0، وزن‌های باز. دو هفته بعد Inkling-Small را عرضه کردند — 276 میلیارد کل، 12 میلیارد فعال — که در واقع روی Humanity's Last Exam از مدل بزرگ بهتر عمل می‌کند و در کدنویسی agentic با آن برابری می‌کند، همه روی یک B300. این همان داستان کارایی است که رویش تکیه کرده‌اند.

خود شرکت یک public benefit corporation است، دفتر مرکزی‌اش در سان‌فرانسیسکو است و در اوت دفتر جدیدی در نیویورک اجاره کرده. تعداد نیروها، بسته به منبع، جایی بین 150 تا 230 نفر است. نقدهای فرهنگ سازمانی آن را گرم و تخت اما شدید توصیف می‌کنند — حجم کار سنگین، خطر فرسودگی.

بخش سخت، نگهداشت نیرو است. تا مه 2026 سیزده نفر از چهل و دو عضو مؤسس رفتند — هفت نفر به Meta، پنج نفر به OpenAI، یک نفر به xAI. گفته می‌شود زاکربرگ یک میلیارد دلار پیشنهاد داد که کل شرکت را بخرد و موراتی نه گفت، پس او به‌جای آن شروع کرد نفر به نفر جذب کند. لیلیان ونگ و لوک متز، دو نفر از شش هم‌بنیان‌گذار، به OpenAI برگشتند.

از سمت پول، NVIDIA متعهد شد از اوایل 2027 دست‌کم یک گیگاوات سیستم Vera Rubin بدهد و در مارس یک سرمایه‌گذاری استراتژیک افشانشده انجام داد. در سپتامبر، The Information از مذاکره برای یک دور پنج تا شش میلیارد دلاری با pre-money بالای چهل میلیارد دلار خبر داد، با پیشتازی Accel و تأمین تقریباً نیمی از آن توسط NVIDIA — هرچند آن عدد در واقع از جایی آمد که Andreessen Horowitz به سرمایه‌گذاران خودش گفته بود، که مسیر منبع غیرمعمولی است. تا اوایل اکتبر هیچ بسته‌شدنی اعلام نشده.

تنش جالب این است: مدل را رایگان تحت وزن‌های باز می‌دهند و از سرویس تنظیم دقیق پول درمی‌آورند. این شرط‌بندی است که ارزش در لایه سفارشی‌سازی است، نه مدل پایه — دقیقاً همان تزی که قبلاً نسبت به آن بدبین بودم. نرخ صد میلیون دلار واقعی است، اما با ارزش‌گذاری چهل میلیارد دلار هنوز ضریب فوق‌العاده‌ای است.

[21:45:04] دیوید: چرا نسبت به داستان تنظیم دقیق و سفارشی‌سازی بدبین هستی؟

[21:45:12] ایو: چون تنظیم دقیق کپی‌شده‌ترین لایه این پشته است. Qwen و DeepSeek همین حالا وزن‌های قابل تنظیم دقیق عرضه می‌کنند، و هر تیم ML کاربلدی می‌تواند ظرف چند ماه یک سرویس LoRA روی GPUهای اجاره‌ای بالا بیاورد. چیزی که Tinker واقعاً می‌فروشد راحتی و زیرساخت مدیریت‌شده است، که ارزشمند است اما قابل دفاع نیست — همان موقعیتی که ارائه‌دهندگان ابری قبل از اینکه AWS آن‌ها را کالایی کند داشتند. ارزش در هوش مصنوعی نصیب کسی می‌شود که مدل پایه مرزی را دارد یا لایه توزیع را، نه واسطه‌ای که وزن‌های کس دیگری را از یک آداپتور رد می‌کند. و چون Tinker به‌ازای هر توکن محاسبه صورتحساب می‌دهد، ساختار حاشیه سود بیشتر شبیه کسب‌وکار میزبانی است تا نرم‌افزار. شرط موراتی باید این باشد که خود Inkling همان چیزی شود که آدم‌ها دورش سفارشی‌سازی می‌کنند — اما Inkling در استدلال و کدنویسی از رهبران مدل‌های بسته عقب است، دقیقاً همان‌جایی که تقاضا برای سفارشی‌سازی از همه بالاتر است. پس محصولی که این تز را توجیه می‌کند همانی است که هنوز برنده نشده.

[21:46:08] دیوید: Inkling در مقایسه با Qwen چطور است؟

[21:46:23] ایو: […] روی Artificial Analysis Intelligence Index نسخه 4.3.2، Inkling در حالت xhigh روی 25 است، در حالی که Qwen 3.8 Max روی 45.4 است و Qwen 3.8 27B روی 34. پس پرچم‌دار Qwen حدود بیست امتیاز از Inkling جلوتر است، و حتی مدل باز 27 میلیاردی هم با نه امتیاز از آن پیش است. اما در برابر Qwen 3.7 Plus با 25.2 و Qwen 3.5 27B با 22.9، Inkling تقریباً هم‌سطح یا کمی جلوتر است. Inkling-Small با 25.7 مورد عجیب است — در چند وظیفه استدلالی و agentic با مدل کامل 975 میلیاردی برابری می‌کند یا از آن بهتر است، در حالی که یک‌سوم پارامترها را به کار می‌گیرد.

شاخص جدیدتر نسخه 5، که 27 اکتبر منتشر شد، اوضاع را برای همه مدل‌های باز بدتر کرد. مجموعه آزمون‌های خصوصی اضافه کرد و شکاف وزن‌های باز از سه امتیاز به دوازده رسید. Qwen 3.8 Max از 45 به 34 افتاد، DeepSeek V4.1 Flash و GLM 5.3 حالا با 32 پیشتاز وزن‌های منتشرشده‌اند، و جایگاه Inkling بیشتر به پایین فشرده شد. در ترکیب BenchLM، Inkling 47.9 از 100 می‌گیرد؛ Qwen 3.8 Max با 64.9 صدر خط تولید Alibaba است.

جایی که Inkling واقعاً خودش را نگه می‌دارد: AIME 2026 با 97.1 درصد، کمی جلوتر از DeepSeek V4 Pro، و FORTRESS Adversarial با 78 درصد، پیشتاز گروه وزن‌های باز. مدیریت بومی چندوجهی صدا و تصویر هم تمایز واقعی است که بیشتر نسخه‌های Qwen در آن برابری نمی‌کنند در

[21:46:37] دیوید: صبر کن، عددها را نمی‌خواهم. به مشخصات نگاه کن و یک حس کلی بده، یک فهم شهودی از اینکه این مدل‌ها نسبت به هم چطورند.

[21:46:49] ایو: شهودی که بگویم، Qwen اسب کار است و Inkling متخصص. Qwen یک پرچم‌دار 2.4 تریلیون پارامتری دارد به‌علاوه یک مدل متراکم 27 میلیاردی و یک نسخه Flash، با زمینه یک میلیون توکن و بینایی واقعاً قوی — OCR، فهم سند، استدلال فضایی. ساخته شده که توی هر چیزی انداخته شود: عامل‌ها، کدنویسی، بازتولید پژوهش. Alibaba هر دو سه ماه یک نسخه جدید می‌دهد، پس حس یک پلتفرمی را می‌دهد که هیچ‌وقت از حرکت نمی‌ایستد.

Inkling یک مدل بزرگ است با 975 میلیارد و 41 میلیارد فعال، همان زمینه یک میلیون توکن، چندوجهی در متن، تصویر، صدا و ویدئو. اما محصول واقعی Inkling-Small است — 276 میلیارد کل، 12 میلیارد فعال، روی یک GPU. این همان بخشی است که حس را عوض می‌کند: به‌جای «بهترین مدل‌مان این است، ابر ما را اجاره کن»، می‌شود «این یک مدل در کلاس مرزی است که واقعاً می‌توانی در دستت نگهش داری.»

پس تضاد، گستردگی در برابر اهرم است. Qwen در دامنه و پرداخت برنده است چون صد برابر بیشتر از آن وجود دارد و مدام به‌روز می‌شود. Inkling روی این ایده برنده است که حالا منبع کمیاب، توان به‌ازای هر واحد سخت‌افزار است، نه شمار خام پارامترها. اینکه این داستان کارایی بعد از هیاهوی عرضه هم سر پا بماند، سؤال باز است.

[21:47:57] دیوید: به نظر می‌رسد [تو] می‌توانی به‌راحتی Inkling Small را خودت میزبانی کنی، اما میزبانی Qwen سخت است. درست است؟ بالا آوردن استنتاج برای یک مدل Qwen چقدر سخت است؟

[21:48:07] ایو: تقریباً درست است، با یک اصلاح. مدل 27 میلیاردی Qwen تقریباً به آسان‌ترین شکل ممکن خودمیزبانی می‌شود — 27 گیگ وزن در FP8، یک GPU، تمام. پرچم‌دار 2.4 تریلیونی قطب مخالف است: حتی کوانتیزه‌شده هم بیش از یک ترابایت وزن، پس با یک خوشه چند GPU طرفی، حداقل هشت تا شانزده کارت، و شبکه جدی بینشان. این پروژه آخر هفته نیست، این زیرساخت است. پس میزبانی Qwen سخت نیست — کل طیف را از پیش‌پاافتاده تا بی‌رحمانه پوشش می‌دهد، و بسته به اندازه مدل خودت انتخاب می‌کنی کدام زهر را بنوشی. Inkling-Small وسط این طیف است اما با یک پیچش: چون به‌ازای هر توکن فقط 12 میلیارد پارامتر فعال‌اند، هزینه استنتاج هر درخواست به یک مدل خیلی کوچک‌تر نزدیک‌تر است، حتی اگر کل 276 میلیارد را در حافظه حمل کنی. ادعای کارایی در یک جمله همین است — مالیات حافظه را یک بار می‌دهی، بعد ارزان تولید می‌کنی. گیر کار این است که آن مالیات حافظه هنوز واقعی است: صدها گیگ وزن را نگه می‌داری، چه ازشان استفاده کنی چه نه، و این مهم است اگر هم‌زمان به کاربرهای زیادی سرویس بدهی و VRAM به‌جای محاسبه گلوگاه شود.

[21:49:00] دیوید: خب، این را با Kimi مقایسه کن.

[21:49:15] ایو: […] Kimi در انتهای بی‌رحمانهٔ همان طیف قرار دارد، و هیچ نسخهٔ کوچکی هم نیست که این را نرم کند. Kimi K3.1 Pro در مجموع 2.8 تریلیون پارامتر دارد و 104 میلیارد پارامتر فعال — بزرگ‌ترین مدل وزن‌باز که تا حالا کسی سراغش رفته — و وزن‌ها هنوز حتی بیرون نیامده‌اند، قولش را برای 4 نوامبر داده‌اند. وقتی بیایند، کف کار هشت کارت B300 یا GB300 است، حدود 2.3 ترابایت VRAM، و توصیهٔ تولیدی خود Moonshot یک سوپرنود با 64 شتاب‌دهنده به بالاست. معادل Inkling-Small وجود ندارد، هیچ مدل متراکم 27 میلیاردی که بشود روی یک GPU برداشت. نزدیک‌ترین چیز سری قدیمی‌تر K2 است با یک تریلیون پارامتر کل و 32 میلیارد فعال، که هنوز حدود 600 گیگ در 4 بیت لازم دارد — هشت H200 — هرچند GGUF افراطی 1.8 بیتی Unsloth می‌تواند آن را با آفلود سنگین RAM روی یک کارت 24 گیگی جا بدهد، با سرعت تک‌رقمی توکن. پس تصویر شهودی این است: Qwen یک نردبان از لپ‌تاپ تا دیتاسنتر به تو می‌دهد، Inkling-Small پلهٔ هوشمند میانی است، و Kimi فقط یک پله دارد، و آن هم بالای ساختمان است. شرطی که Moonshot می‌بندد این است که نزدیک مرز بودن روی وزن‌های باز مهم‌تر از قابل‌اجرا بودن است — و با امتیاز 55 برای K3.1 Pro در Artificial Analysis، چهار امتیاز کمتر از Claude Opus، این شرط معتبرتر از یک سال پیش به نظر می‌رسد. یک پیچ‌وخم که بد نیست بدانی: آن‌ها عمداً قابلیت‌های سایبری را از وزن‌های باز حذف کرده‌اند؛ 81 در بنچ سایبری داخلی‌شان در برابر 90 برای چک‌پوینت فیلترنشده. پس حتی نسخهٔ «باز» هم مدل کامل نیست.

چیزی که من زیر نظر می‌گیرم این است که آیا بالاخره یک مدل کلاس K3 هم مثل Inkling یک خواهر تقطیرشده یا تنک پیدا می‌کند — چون الان داستان وزن‌باز Kimi همه یا هیچ است، و این محدود می‌کند که واقعاً چه کسی بتواند از آن استفاده کند. […]