Kimi K3 Açık Gün: 2,8 Trilyon Parametre, Şimdi Açık Ağırlıkla

27 Temmuz 2026 tarihinde Moonshot AI, Kimi K3 Açık Gününü düzenledi ve üç bağlantılı sürümü duyurdu: Kimi K3 model ağırlıkları, resmi teknik duyuru ve üç altyapı teknolojisi: MoonEP, FlashKDA ve AgentEnv. Etkinlikte Kimi K3 yalnızca yeni bir büyük ölçekli model olarak değil; aynı zamanda model erişimi, mimari ve dağıtım (deployment) altyapısını kapsayan bir sürüm olarak konumlandırıldı.

Başlıkta yer alan teknik özellikler net: Kimi K3, 2,8 trilyon parametreli açık ağırlıklı bir model; Uzman Karışımı (Mixture of Experts - MoE) mimarisi üzerine inşa edilmiş. Moonshot AI; 896 uzman, token başına etkinleştirilen 16 uzman, 1M-token bağlam penceresi, 3:1 oranında KDA + AttnRes, MoonViT-V2 ve bildirilen %2,5 ölçekleme verimliliği iyileştirmesi dahil olmak üzere önemli teknik detayları paylaştı.

açık ağırlık (open-weight) ifadesi önemlidir. Açık ağırlık, eğitilmiş model ağırlıklarının belirlenen koşullar altında erişime açıldığı anlamına gelir. Modelin tamamen açık kaynak olduğu anlamına gelmez; bu genellikle kaynak kod, eğitim verisi, araçlar ve yeniden üretim (reproduction) hatları gibi alanlarda daha geniş erişim anlamına gelir. Yine de açık ağırlık erişimi, geliştiricilerin ve kuruluşların büyük bir yapay zekâ modelini nasıl dağıttığını, nasıl incelediğini ve nasıl etrafında inşa ettiğini değiştirebilir.

Moonshot AI, bu yaklaşımın değerini “açık ağırlıklı modeller... zekâya erişmenin önündeki engeli azaltır, inovasyonu hızlandırır ve kullanıcılara veri, gizlilik ve sahiplik konusunda daha fazla kontrol sağlar.” sözleriyle özetledi.

Açık Gün Etkinliği: Üç Temel Sürüm

Kimi K3 Açık Günü üç sürüm kategorisi etrafında şekillendi.

İlk olarak, Moonshot AI Kimi K3 model ağırlıklarını yayımladı. Bu, temel açık-ağırlık duyurusudur. Geliştiriciler için ağırlıklara erişim, yalnızca barındırılan (hosted) bir API’ye göre daha esnek bir dağıtım olanağı sağlayabilir; özellikle ekiplerin altyapı, gecikme (latency), gizlilik veya veri yerleşimi (data residency) üzerinde kontrol gerektiğinde.

İkinci olarak, Moonshot AI Kimi K3 teknik raporunu yayımladı. Bunun önemi şu: Büyük model duyuruları yalnızca parametre sayısıyla değerlendirilemez. Mimari, yönlendirme (routing) stratejisi, uzun bağlam tasarımı, çok modlu (multimodal) yetenekler ve verimlilik iddiaları, bir modelin pratikte ne kadar işe yarar olduğunu belirler.

Üçüncü olarak, Moonshot AI MoonEP, FlashKDA ve AgentEnv yayımladı. Bu altyapı teknolojileri; uzman iletişimini (expert communication), dikkat (attention) performansını ve ajan (agent) yürütümünü hedefliyor. Bunların dahil edilmesi, Kimi K3 Açık Günü’nün sadece bir model sürümü olmadığını; aynı zamanda çok büyük açık-ağırlıklı modelleri daha etkili kullanmak için bir altyapı sürümü olduğunu gösteriyor.

Model: Temel Teknik Özellikler

Kimi K3, 2,8 trilyon parametreli bir MoE model. Uzman Karışımı (Mixture of Experts) mimarisinde her token için modelin yalnızca bir kısmı etkinleştirilir. Bir yönlendirici (router), uzmanların bir alt kümesini seçerek; sistemin, benzer büyüklükte yoğun (dense) bir modele kıyasla daha düşük etkin (active) hesaplama maliyetiyle birlikte çok büyük toplam kapasiteyi bir araya getirmesine olanak tanır.

Moonshot AI’ya göre Kimi K3’in 896 uzmanı var ve token başına 16 uzman etkinleştiriliyor. Bu tasarım, modelin verimlilik profilinin merkezindedir. Modelin, çıkarım (inference) sırasında seçici etkinleştirme kullanırken devasa genel kapasiteyi elinde tutmasını sağlar.

1M jetonluk bağlam penceresi, en pratik teknik özelliklerden biridir. Uzun bağlam, tüm belge analizi, büyük kod tabanı incelemesi, çok dosyalı akıl yürütme, yasal veya finansal doküman iş akışları ve her girdiyi küçük parçalara bölmeye zorlamadan daha uzun aracı görevleri destekleyebilir.

Kimi K3 ayrıca 3:1 oranında KDA + AttnRes kullanır; bu, uzun-bağlam stratejisine bağlı hibrit bir dikkat tasarımıdır. Modelin görsel mimarisi olarak MoonViT-V2 yer alır; bu da metin-sadece bir sistemden ziyade yerel çok-modlu bir yeteneğe işaret eder. Moonshot AI ayrıca 2,5x ölçekleme verimliliği iyileştirmesi bildirdi; bu da Kimi K3’ün yalnızca ölçek için değil, aynı zamanda daha pratik eğitim ve çıkarım (inference) ekonomisi için tasarlandığını düşündürür.

Altyapı Sürümü: MoonEP, FlashKDA ve AgentEnv.

Açık ağırlıklı (open-weight) modellerin etrafında hâlâ güçlü sistemlere ihtiyaç var. Büyük MoE modelleri verimli iletişime, hızlı dikkat çekirdeklerine ve güvenli çalıştırma ortamlarına bağlıdır. Moonshot AI’nin altyapı sürümü bu ihtiyaçları doğrudan karşılıyor.

MoonEP: MoE Uzman İletişimi

MoonEP, MoE uzman paralelliği için bir iletişim kütüphanesidir. MoE sistemlerinde jetonlar farklı uzmanlara yönlendirilir ve bu uzmanlar birden fazla aygıta dağıtılmış olabilir. Bu da, verimi sınırlayabilen ve gecikmeyi artırabilen iletişim zorlukları yaratır.

Kimi K3 için 896 uzman ve jeton başına 16 etkinleştirme ile uzman yönlendirme önemli bir sistem problemidir. MoonEP, dağıtık uzman iletişimini iyileştirmek ve büyük ölçekli MoE dağıtımlarında darboğazları azaltmak için tasarlanmıştır.

FlashKDA: Daha Hızlı Uzun-Bağlam Dikkati

FlashKDA, KDA için optimize edilmiş bir dikkat çekirdeğidir. Rolü özellikle ön-besleme (prefill) hesaplamasının pahalı hale gelebileceği uzun-bağlam iş yüklerinde kritik önemdedir. Moonshot AI, Nvidia H20 GPU’larda FlashKDA’nın ön-besleme performansında flash-linear-attention temel yaklaşımlarına kıyasla 1,72x ila 2,22x hız artışı sağladığını bildirdi.

Bunun önemi şudur: 1M jetonluk bir bağlam penceresi, yalnızca verimli şekilde sunulabildiğinde işe yarar. Daha hızlı dikkat çekirdekleri, uzun belge analizini, kod inceleme çalışmalarını, araştırma iş akışlarını ve çok adımlı akıl yürütmeyi üretim ortamında daha uygulanabilir hale getirebilir.

AgentEnv: Yapay Zekâ Ajanları için Sandbox

AgentEnv, KVCache.ai ile birlikte geliştirilen bir ajan sandbox sistemi. Adımları yürütmesi, aksiyonları test etmesi, durumu çatallaması (fork), önceki durumlara geri dönmesi veya paralel dallar çalıştırması gereken ajanlar için izole sandbox ortamı sağlar.

Ajan iş akışları çoğu zaman metin üretiminin ötesine geçer. Dosyalar, araçlar, kod çalıştırma ve çok adımlı kararlar kullanabilirler. Sandbox, ajan davranışını harici sistemlerden ayırmaya yardımcı olur; aynı zamanda denemeleri destekler. AgentEnv’nin anlık görüntü (snapshot), geri yükleme (restore) ve çatallama (fork) özellikleri, ajanlar nihai sonucu üretmeden önce birden fazla yolu keşfetmek gerektiğinde özellikle faydalıdır.

Neden Açık Ağırlık Önemlidir?

Açık ağırlık erişimi, model sağlayıcıları ile geliştiriciler arasındaki ilişkiyi değiştirir. Kapalı bir barındırılan API güçlü olabilir; ancak altyapı, barındırma, veri akışı ve operasyonel limitler sağlayıcının kontrolünde kalır. Açık ağırlıklı bir model, yetkin ekiplerin modeli kendi sistemlerine daha fazla yerleştirmesine, uyarlamasına, optimize etmesine ve entegre etmesine olanak tanır.

Kurumsal kullanıcılar için en büyük avantaj dağıtım ve veri kontrolüdür. Hassas dokümanlar, dahili kod, yasal kayıtlar, müşteri bilgileri ve finansal materyaller özel altyapı gerektirebilir. Açık ağırlık erişimi, veri yönetişimi, gizlilik ve sahipliğin temel gereksinimler olduğu yerel veya özel bulut dağıtımını destekleyebilir.

Geliştiriciler için açık ağırlık erişimi, daha derin teknik entegrasyon sağlar. Ekipler, çıkarım (inference) katmanlarını optimize edebilir, uyarlama yöntemlerini test edebilir ve iş akışlarını modelin güçlü yönleri etrafında inşa edebilir. Kimi K3’ün MoE ölçeği, 1M-token bağlam (context) alanı, MoonViT-V2’nin görsel yeteneği ve altyapı sürümleri, uzmanlaşmış uygulamalar için bir temel oluşturur.

Açık kaynakla ayrımın hâlâ temel olması gerekir. Açık ağırlık, eğitim verilerini, kaynak iş akışını (source pipeline) veya tam yeniden üretim tarifini otomatik olarak sağlamaz. Ancak; model erişimi, özel dağıtım veya performans ile gizlilik üzerinde daha fazla kontrol gerektiren ekipler için pratik engelleri yine de azaltabilir.

Karar: Bir Model ve Altyapı Sürümü

Kimi K3 Open Day, üç katman boyunca koordine edilmiş bir sürüm olarak en iyi şekilde anlaşılır: model erişimi, teknik açıklama ve dağıtım altyapısı. 2,8 trilyon parametreli MoE model duyurunun merkezinde yer alır; ancak teknik rapor ve altyapı araçları, bunun daha geniş anlamını kavramak için kritiktir.

Resmî teknik özellikler oldukça kapsamlıdır: 2,8T toplam parametre, token başına 16 aktive edilen 896 uzman, 1M-token bağlam penceresi, 3:1 oranında KDA + AttnRes, MoonViT-V2 ve bildirilen %2,5 ölçekleme verimliliği iyileştirmesi. MoonEP, FlashKDA ve AgentEnv, Moonshot AI’nin büyük açık ağırlıklı modelleri etkili biçimde çalıştırmak için gereken sistemleri de ele aldığını gösteriyor.

Kimi K3 tam anlamıyla açık kaynak olarak tanımlanmıyor; açık ağırlık sunuyor. Buna rağmen, ağırlıkları, teknik ayrıntıları ve destekleyici altyapıyı yayımlayarak Moonshot AI, Kimi K3’ü büyük ölçekli açık ağırlık yapay zekâ geliştirmesinde önemli bir etkinliğe dönüştürdü.

Sık Sorulan Sorular (SSS)

S: Kimi K3 nedir?

C: Kimi K3, Moonshot AI tarafından açıklanan 27 Temmuz 2026’da Kimi K3 Open Day etkinliğinde duyurulan 2,8 trilyon parametreli bir açık ağırlıklı Uzman Karışımı (Mixture of Experts) yapay zekâ modelidir.

S: Açık ağırlık ne demektir?

C: Açık ağırlık, eğitilmiş model ağırlıklarının belirlenmiş lisanslama koşulları altında erişilebilir olması demektir. Kaynak kod, veri ve yeniden üretim (reproduction) boru hatlarına genellikle daha geniş erişim anlamına gelen açık kaynakla farklıdır.

S: Kimi K3 ile birlikte hangi altyapı teknolojileri yayımlandı?

C: Moonshot AI MoonEP, FlashKDA ve AgentEnv’yi yayımladı. MoonEP, MoE iletişimini destekler; FlashKDA, KDA dikkat (attention) işlemlerini hızlandırır ve AgentEnv, yapay zekâ ajanları için bir sandbox sistemi sunar.

S: Kimi K3’ün en önemli teknik özellikleri nelerdir?

A: Kimi K3, toplamda 2,8T parametreye sahip; jeton başına 16 etkinleştirilmiş 896 uzman, 1M belirteçlik bir bağlam penceresi, 3:1 oranında KDA + AttnRes, MoonViT-V2 ve %2,5’lik bir ölçekleme verimliliği iyileştirmesi sunuyor.

Bu Kimi K3 analizini Pi ile birlikte, karmaşık yapay zeka gelişmelerini net ve sunumu kolay olacak şekilde düzenlenmiş bir PPT’ye dönüştür.