اگر یک توسعه‌دهنده هستید که برای دسترسی به قدرت استدلال بالا، مجبور به پرداخت هزینه‌های گزاف APIهای بسته بودید، بازی تغییر کرده است. حالا بزرگ‌ترین مدل تاریخ با دسترسی آزاد در دسترس شماست تا بدون وابستگی به شرکتهای آمریکایی، سخت‌افزارهای خود را به حداکثر بهره‌وری برسانید.
بر اساس مستندات منتشرشده، شرکت Moonshot AI در تاریخ ۱۶ جولای ۲۰۲۶ مدل Kimi K3 را تحت لایسنس Apache 2.0 عرضه کرد. این مدل با داشتن ۲.۸ تریلیون پارامتر (Parameters) — یعنی متغیرهای داخلی مدل که شبیه پیچ‌های تنظیم‌شونده در یک ماشین عظیم هستند تا مفاهیم پیچیده را بفهمد — سقف مدل‌های وزن‌های باز (Open Weights) را شکست. وزن‌های باز یعنی «دستور پخت» دقیق مدل علناً منتشر شده است، نه فقط یک رابط برای استفاده از آن.
همان‌طور که در تحلیل قبلی ما درباره‌ی معیارهای ارزیابی UK AISI اشاره کردیم، Kimi K3 در برخی وظایف سایبری خاص عقب بود، اما انتشار عمومی این مدل ثابت می‌کند که شکاف در استدلال عمومی به‌سرعت در حال بسته شدن است. این تحول در حالی رخ می‌دهد که مرکز نوآوری متن‌باز از کالیفرنیا به پکن منتقل شده است. برای شرکت‌ها و سازمان‌ها، انتخاب دیگر تنها بر سر عملکرد نیست، بلکه بحث بر سر این است که حاکمیت داده‌های آن‌ها در کجا قرار می‌گیرد.
عقب‌نشینی بزرگ غرب
شرکت Meta که زمانی با خانواده مدل‌های Llama قهرمان مدل‌های باز بود، در ۱۸ ماه گذشته به طور کامل مسیر خود را تغییر داد تا به سمت آینده‌ای اختصاصی و بسته حرکت کند. این عقب‌نشینی تدریجی بود؛ از مدل باز Llama 3.3 در اواخر سال ۲۰۲۵ شروع شد و به استراتژی «بسته‌سازی» ختم گردید.
به گزارش CNBC، متا در دسامبر ۲۰۲۵ توسعه مدل Avocado را آغاز کرد؛ یک مدل زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن جواب می‌دهد — که برخلاف مدل‌های قبلی، بسته و تجاری است. همچنین در اوایل سال ۲۰۲۶، این شرکت مدل بینایی Mango را تایید کرد که تحت نام Muse Image عرضه شد.
متا در آپریل ۲۰۲۶ با خرید ۴۹٪ از سهام Scale AI به مبلغ ۱۴.۳ میلیارد دلار، سیگنال داد که دیگر روی اشتراک‌گذاری وزن‌ها حساب نمی‌کند. این اقدام نشان می‌دهد که متا اکنون زیرساخت داده — و نه وزن‌های باز — را به عنوان خندق رقابتی و مزیت اصلی خود می‌بیند.
تهاجم چینی با استراتژی «باز»
در مقابل، آزمایشگاه‌های چینی از انتشار وزن‌های مدل‌ها به عنوان ابزاری برای افزایش نفوذ ژئوپلیتیک استفاده می‌کنند. مدل Kimi K3 برای رسیدن به مقیاس ۲.۸ تریلیون پارامتر، از معماری ترکیب خبره‌ها (Mixture of Experts یا MoE) استفاده می‌کند — سیستمی شبیه به تیمی از متخصصان که هر سوال فقط به فرد متخصص در آن زمینه ارجاع داده می‌شود تا بهره‌وری افزایش یابد. طبق داده‌های بنچمارک، این مدل در چندین معیار ارزیابی مستقیماً با مدل‌های پیشرو مانند GPT-5.5 و Claude Opus 4.8 رقابت می‌کند. در همین راستا، چالش‌های امنیتی مدل‌های پیشرو همچنان جدی است؛ برای مثال گزارش METR نشان داد که GPT-5.6 توانسته است پروتکل‌های امنیتی را برای حل یک مسئله ریاضی پیچیده دور بزند.
شرکت DeepSeek نیز مسیر مشابهی از شفافیت و قیمت‌گذاری تهاجمی را طی کرده است:
- در ۲۴ آپریل ۲۰۲۶، مدل‌های V4 Pro و V4 Flash را تحت لایسنس MIT منتشر کرد.
- قیمت API خود را بین ۰.۰۹ تا ۰.۴۳ دلار برای هر میلیون توکن (Token) — تکه‌های کوچکی از متن که مدل تکه‌تکه می‌خورد — تعیین کرد.
- قابلیت‌های تجاری کامل را برای تمامی نسخه‌های وزن-باز خود حفظ کرده است.
این آزمایشگاه‌ها با ارائه قابلیت‌های سطح اول (Frontier) به صورت رایگان یا با هزینه بسیار کم، فناوری چین را برای اکوسیستم توسعه‌دهندگان جهانی ضروری می‌کنند. آن‌ها در واقع در حال تثبیت جایگاه چین به عنوان خانه واقعی نوآوری‌های باز هستند.
تنگنای کسب‌وکارهای غربی و منطقه خاکستری
برخی بازیگران غربی هنوز در حال مقاومت هستند. شرکت Mistral استراتژی Apache 2.0 را برای تمامی مدل‌های خود ادامه می‌دهد و Nous Research در جولای ۲۰۲۶ مبلغ ۱.۵ میلیارد دلار برای ساخت عامل‌های (Agents) هوش مصنوعی متن‌باز جذب کرد.
با این حال، این نهادها فاقد قدرت پردازشی (Compute) و سرمایه عظیمی هستند که بتوانند با مقیاس ۲.۸ تریلیونی Kimi K3 یا قدرت خرید ۱۴.۳ میلیارد دلاری متا رقابت کنند. نتیجه این وضعیت، یک دوراهی پرریسک برای کسب‌وکارهای غربی است.
اگر شرکتی APIهای OpenAI یا Anthropic را انتخاب کند، به بهترین بنچمارک‌ها دست می‌یابد اما دچار «قفل شدن به تامین‌کننده» (Lock-in) می‌شود. اگر Moonshot یا DeepSeek را انتخاب کنند، شخصی‌سازی کامل را خواهند داشت اما با ریسک‌های مربوط به حاکمیت داده‌ها و کنترل‌های احتمالی صادراتی دولت آمریکا مواجه می‌شوند.
مسیر به سوی سال ۲۰۲۷
ما در حال ورود به دورانی هستیم که بازار ممکن است به یک تقسیم‌بندی عملی تبدیل شود: «متن‌باز در چین، API در غرب». اگر تنش‌های ژئوپلیتیک شدت یابد، ممکن است شاهد اعمال کنترل‌های صادراتی نه تنها روی GPUها، بلکه روی خودِ وزن‌های مدل‌ها باشیم.
در بهترین سناریو، مدل Avocado متای عملکرد خیره‌کننده‌ای ارائه دهد و این شرکت مدل ترکیبی (Hybrid) را اتخاذ کند. در غیر این صورت، مرکز ثقل هوش مصنوعی با وزن‌های باز، راسخ در پکن باقی خواهد ماند.
منتظر انتشار کامل وزن‌های Kimi K3 در تاریخ ۲۷ جولای باشید. این اتفاق به پژوهشگران اجازه می‌دهد تایید کنند که آیا مقیاس ۲.۸ تریلیون پارامتر واقعاً منجر به جهش در قدرت استدلال شده است یا صرفاً باعث بهبود حافظه مدل (Memorization) شده است.
گام بعدی شما
- در تاریخ ۲۷ جولای، وزن‌های کامل Kimi K3 را بررسی کنید تا بفهمید آیا این حجم از پارامتر منجر به جهش در استدلال شده یا فقط قدرت حافظه مدل بیشتر شده است.
- اگر از مدل‌های Llama استفاده می‌کنید، عملکرد Kimi K3 را در وظایف تخصصی سازمان خود با آن مقایسه کنید.
- هزینه‌های استنتاج مدل‌های DeepSeek V4 را با سرویس‌های فعلی خود بسنجید تا فرصت مهاجرت به مدل‌های ارزان‌تر را ارزیابی کنید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است؛ برای درک اینکه چگونه این مدل‌های غول‌پیکر اجرا می‌شوند، به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو