18 אַי מאָדעלס זענען אריין אין אַ גאָר אָטאַנאַמאַס פאָרשונג ראַסע - אָפֿן-וואָג Kimi K3 קימאַט געכאפט קלאַודע
פּריים ינטעלעקט האָט פּונקט דורכגעקאָכט אַן ומגעוויינטלעך עקספּערימענט: 18 שפּיץ שפּראַך מאָדעלס - פֿון פאַבלע 5 און GPT-5.6 סאָל צו אָפֿן-וואָג Kimi K3 - זענען געווען פריי אויף אָטאַנאַמאַס פאָרשונג ראַנז אין וואָס מענטשן קיינמאָל סטעפּט אין. דאָ איז וואָס געטראפן און וואָס עס איז וויכטיק פֿאַר ווער עס יז וואָס טראַקינג אַי פּראָגרעס.
די ראַסע: באַן אַ מאָדעל אין ווי ווייניק טריט ווי מעגלעך
די אַרבעט קומט פֿון Andrej Karpathy ס באַוווסט נאַנאָגפּט ספּידרון פּרויעקט. א קליין 124-מיליאָן פּאַראַמעטער מאָדעל האט צו דערגרייכן אַ וואַלאַדיישאַן אָנווער פון 3.28 - ניצן ווי ווייניק טריינינג סטעפּס ווי מעגלעך. דער סטאַרטער רעצעפּט קומט אין 3,290 סטעפּס. די בעסטער מענטשן האָבן געראטן איז 2,600.
דער אַגענט באקומט אַ קאָד ריפּאַזאַטאָרי, אַ קורץ כּללים און איין ציל. דערנאָך עס איז אַליין: טוויקינג די אָפּטימיזער, לויפן יקספּעראַמאַנץ, זאָגן פאַקטיש פֿאַרבעסערונג פון טראַפ ראַש, באַשליסן וואָס צו פּרובירן ווייַטער. ייַזנוואַרג: אַכט H200 גפּוס, אַלץ איז פארשפארט אין אַן אָפפלינע זאַמדקאַסטן, אַזוי די מאָדעל קען נישט געפֿינען די גרייט ענטפֿערס. אינגאנצן זענען געווען 153 אינגאנצן אויטאנאמישע לויפן; די לאָנגעסט אויסגעשטרעקט לעצטע אַכט טעג.
ווער פאַרטיק ווו
אַנטהראָפּיק ס פאַבלע 5 איז געווען די ווייטאַסט ביי 2,726 סטעפּס, קלאָוזינג וועגן 82% פון די ריס צווישן די באַסעלינע רעצעפּט און די מענטשלעך רעקאָרד. די פלאַגשיפּ Claude Opus 5 קראָסט די שורה ביי 2,920.
דערנאָך איז געקומען די יבערראַשן. אָפֿן-וואָג קימי ק 3 פֿון מאָאָנשאָט אַי, פליסנדיק דורך די מולטי-אַגענט פּריים אַגענט האַרנעסס, סטאַפּט ביי 2,930 סטעפּס. צען טריט הינטער אַ פלאַגשיפּ וואָס קאָס נאָוטיסאַבלי מער פּער סימען. GPT-5.6 Sol פאַרטיק ביי 3,042 - הינטער די אָפֿן מאָדעל.
די מערסט מאָדנע טייל: קיינער ינווענטאַד עפּעס נייַ
ניט איין גאַנג האט געשאפן אַ טאַקע ראָמאַן אופֿן. אַלץ וואָס אַקשלי געארבעט - קלוג נאָרמאַליזיישאַנז, לערנען-קורס סקעדזשולז, וואָג אַוורידזשינג - איז דיסקרייבד אין צייטונגען מיט יאָרן צוריק. יעדער מאָדעל קאַנווערדזשד אויף בעערעך דער זעלביקער זעקל פון געדאנקען.
דער חילוק איז געווען דורכפירונג. שטארקער מאָדעלס טאָן ניט באַגראָבן אַ כייפּאַטאַסאַס נאָך איין שלעכט זעמל: זיי טוישן די טראַפ זוימען, איבערחזרן מעזשערמאַנץ, ריוויזז אַלט געדאנקען אַמאָל די באדינגונגען יבעררוק. זיי באַזונדער פאַקטיש פּראָגרעס פון ראַש מער קערפאַלי. און זיי בויען זייער אייגענע מכשירים: Kimi K3 האט געשריבן מנהג פאַנגקשאַנז פֿאַר קאַמפּערינג אָנווער קורוועס און פארזאמלט אַ מיני נומעריקאַל לאַבאָראַטאָריע, וואַלאַדייטינג די Newton-Schulz אופֿן אויף צאַצקע קאַסעס איידער זיי אריבערגעפארן עס אין פאַקטיש טריינינג.
פארוואס דאָס דענץ די "AI ימפּרוווינג אַי" שריפט
דער קלאַסיש רעקורסיווע זיך-פֿאַרבעסערונג געשיכטע גייט ווי דאָס: די סמאַרטאַסט פֿאַרמאַכט מאָדעל סטאַרץ אַפּגרייד זיך און פּולז אַוועק יריווערסאַבאַל בשעת אַלעמען אַנדערש עסן שטויב. דער עקספּערימענט טשיפּס אַוועק אין דעם בילד. ווען אידעעס לויפן אויס שנעל, דער געווינער איז נישט דער סמאַרטאַסט שפּילער אָבער דער איינער וועמענס שלייף פון "פאָרשלאָגן - פּרובירן - אַוועקוואַרפן" קאָס ווייניקער און ספּינז פאַסטער. עפענען מאָדעלס געטריבן דורך אַ גוט כאַרניס לויפן מער פרווון פּער דאָלאַר - און דאָס טורנס אויס צו ענין מער ווי אן אנדער בענטשמאַרק פונט.
די כאַפּן
צו זיין שיין: דאָס איז אַ זייער שמאָל אַרבעט. א איין טריינינג שריפט, איין קלאָר מעטריק, אַ אַנאַמביגיואַס הצלחה קריטעריע - פאַקטיש וויסנשאַפֿט קוקט פיל מעסיער. קיין נייַע מעטהאָדס זענען אויך ימערדזשד, אַזוי דאָס איז נאָך וועגן אָטאַמיישאַן פון אַ פאָרשער ס רוטין אלא ווי ריפּלייסינג די פאָרשער. און רעזולטאַטן הינגע שווער אויף די כאַרניס זיך: דער זעלביקער Kimi K3 אָן די אַגענט שיכטע לויפט נאָוטיסאַבלי ערגער.
FAQ
וואָס איז אַן אַגענט כאַרניס?
א שיכטע אַרום דעם מאָדעל: מכשירים, אַ קאָד-דורכפירונג סוויווע, זכּרון פון פרייַערדיק סטעפּס, אַ אַרבעט סקעדזשולער. דער מאָדעל סטייז די זעלבע, אָבער ארבעטן ווערט גרינגער - ווי אַ מענטש באַקומען אַ געהעריק שרייַבטיש מיט געהעריק מכשירים.
קענען רעגולער יוזערז פּרובירן Kimi K3?
יא, די ווייץ זענען אָפן. איר קענען שמועסן מיט אים איןנעוראַלספּאַסע שמועסןאון פּרובירן אַגענט-נוסח וואָרקפלאָוז איןקאָד.
אַזוי וועט אַי באַלד שרייַבן וויסנשאפטלעכע צייטונגען אויף זיך?
נישט אזוי שנעל. אָטאַנאַמאַס אגענטן טאָן גוט ווו עס איז אַ קרוכלע מעטריק און שנעל באַמערקונגען. היפּאָטהעסעס, געשמאַק און אַסקינג די רעכט פראגעס זענען נאָך מענטש טעריטאָריע. אָבער די ינפראַסטראַקטשער אַרום מאָדעלס איז אַפּגריידיד פאַסטער ווי עפּעס אַנדערש רעכט איצט - ווערט צו האַלטן אַן אויג אויף.