Moonshot تطلق Kimi K2 Thinking المفتوح: 300 استدعاء متتالٍ للأدوات

أطلقت Moonshot AI نموذج Kimi K2 Thinking، وهو أقوى نماذجها المفتوحة للاستدلال. صُمم النموذج ليعمل كوكيل (agent): يفكر خطوة بعد خطوة ويستدعي الأدوات بين الخطوات، بما يصل إلى 200–300 استدعاء متتالٍ دون تدخل بشري. وفي اختبار Humanity's Last Exam مع البحث وPython والمتصفح حقق النموذج 44,9%، وفي BrowseComp حقق 60,2% مقابل 29,2% للمستوى البشري، وفي SWE-Bench Verified حقق 71,3%. والنموذج متاح في الدردشة على kimi.ai وعبر API.

كيف تعمل حلقة الوكيل

تصف Moonshot ذلك بأنه توسيع (scaling) في مرحلة الاستدلال (inference): فلا يزداد عدد رموز (tokens) الاستدلال وحده، بل يزداد أيضًا عدد الخطوات التي تستخدم الأدوات. وتبدو الحلقة النموذجية على هذا النحو: يفكر النموذج، ثم يبحث، ثم يفتح المتصفح، ثم يفكر من جديد، ثم يكتب شيفرة. وخلال ذلك يطرح فرضيات ويدقّقها، ويتحقق من المصادر، ويجمع الإجابة. وفي أحد أمثلة الشركة، حلّ النموذج مسألة رياضية بمستوى الدكتوراه (PhD) في 23 خطوة متناوبة بين الاستدلال واستدعاء الأدوات.

وثمة تحفظ عملي ورد في الحواشي السفلية للإصدار نفسه. ففي دردشة kimi.ai تُستخدم مجموعة أدوات مقلّصة وعدد أقل من الأدوار، ولذلك قد لا تتكرر أرقام الاختبارات المرجعية (benchmarks) هناك. أما الوضع الكامل للوكيل في المنتج فقد وعدت به الشركة لاحقًا.

السرعة: INT4 دون خسارة في الجودة

التفصيل الهندسي الأهم هو التكميم (quantization). فالنماذج ذات الاستدلال الطويل تولّد متواليات ضخمة، والضغط منخفض البتات يضر عادةً بالجودة ضررًا ملحوظًا. وقد طبّقت Moonshot التدريب الواعي بالتكميم (Quantization-Aware Training) في مرحلة ما بعد التدريب: تُخزَّن أوزان مكونات MoE بصيغة INT4 (weight-only). وهذا يتيح استدلالًا بصيغة INT4 الأصلية وتوليدًا أسرع بنحو الضعف. وجميع النتائج المعلنة مسجلة بصيغة INT4 تحديدًا، أي دون أي خصم مقابل الدقة «الكاملة».

أبرز الأرقام من الإصدار:

• HLE مع الأدوات: 44,9% (و51,3% دون حظر الوصول إلى Hugging Face).
• BrowseComp: 60,2%، والمستوى المرجعي للإنسان 29,2%.
• SWE-Bench Verified: 71,3%؛ SWE-Multilingual: 61,1%؛ Terminal-Bench: 47,1%.
• السياق: 256k رمز، ودرجة الحرارة 1,0 في معظم الاختبارات.
• HLE: حتى 120 خطوة و48k رمز استدلال في الخطوة الواحدة؛ والبحث الوكيلي: حتى 300 خطوة و24k رمز في الخطوة.
• Heavy Mode: ثمانية مسارات متوازية تعقبها عملية تجميع للإجابات؛ ويُستخدم GPT-5 Pro في المقارنة.

ما الذي ينبغي التحقق منه في المنهجية

تكشف Moonshot شروط الاختبارات بالتفصيل، وهذا يتيح تقييم الأرقام تقييمًا نقديًا. ففي HLE حُجب الوصول إلى Hugging Face تفاديًا لخطر تسرب الإجابات؛ ومع إتاحة الوصول كانت النتيجة سترتفع إلى 51,3%. وتولى o3-mini دور المقيِّم مع موجّهات (prompts) HLE الرسمية.

أما مع GPT-5 فقد استُخدم مستوى مرتفع من reasoning effort. وأُخذ جزء من نتائج الآخرين من منشورات رسمية (في HLE مع الأدوات: 35,2 لـGPT-5 و38,6 لـGrok-4)، وأُعيد التحقق مما لم يتوافر منها بالشروط نفسها ووُضعت عليه علامة نجمة. وفي IMO-AnswerBench أعادت Moonshot تشغيل GPT-5 عبر API وحصلت على 76 مقابل 65,6 في ورقة الاختبار المرجعي.

وجرى حساب متوسط نتائج البرمجة على خمس تشغيلات باستخدام إطار تشغيل خاص بالشركة مشتق من SWE-agent، مع نوافذ مقلّصة لأداتي Bash وEdit وموجّه نظام أُعيدت كتابته. وقد يعطي تشغيل مستقل قابل للتكرار على إطار تشغيل مختلف أرقامًا مختلفة.

لمن يفيد النموذج وكيف

يستحق النموذج التجربة حيث تكون سلسلة الإجراءات الطويلة مهمة: البحث الاستقصائي في معلومات متشابكة، والمهام متعددة الخطوات في الطرفية (terminal)، وواجهات الويب الأمامية بلغة HTML وReact، وهو مجال تعلن فيه Moonshot عن تحسن ملحوظ. وبالنسبة إلى الفرق التي تبني وكلاءها الخاصين، من المنطقي أن تضيف إدارة السياق إلى خط المعالجة (pipeline). ففي الاختبارات، عندما كان السياق يتجاوز 256k، كانت Moonshot تخفي ببساطة جميع مخرجات الأدوات السابقة، ويسهل تكرار هذا الأسلوب.

ولتقييم النموذج على بياناتك الخاصة، شغّله بمجموعة الأدوات الكاملة وبحدود للخطوات قريبة من حدود الاختبارات المرجعية: دردشة kimi.ai لا تناسب ذلك، بينما يقترب API أكثر من ظروف الاختبار. وتهم مكاسب INT4 من يدفعون ثمن زمن الاستجابة وذاكرة GPU: فالتوليد الأسرع بمقدار الضعف يغيّر اقتصاديات الوكلاء ذوي مئات الخطوات تغييرًا ملحوظًا.