Moonshot AI, Kimi K3’ü açtı: 2.8 trilyon parametreli açık ağırlıklı frontier — KDA, LatentMoE ve Arena Frontend Code’da #1 zafer

Moonshot AI, açık ağırlıklı AI cephesinin bugüne kadarki en büyük hamlesini yaptı: Kimi K3. “Open Frontier Intelligence” olarak tanıtılan model, 2.8 trilyon toplam parametre, 1 milyon token bağlam, native multimodal giriş ve iki yeni mimari yenilik (Kimi Delta Attention ve Attention Residuals) ile geldi. Model bugün itibarıyla Kimi.com, Kimi Work, Kimi Code ve API üzerinden canlı; tam ağırlıklar 27 Temmuz 2026’ya kadar Hugging Face’te açık kaynak olarak yayınlanacak.

Rakamlar cepte:

Artificial Analysis Intelligence Index: 57 — Claude Opus 4.8 ve GPT-5.5 seviyesinde. Fable 5 ve GPT-5.6 Sol’un altında.
Frontend Code Arena: #1, 1679 puan. Claude Fable 5’i geride bıraktı. %76 pairwise win rate — Fable %63, Sol %58.
Text Arena: #9 (K2.6’dan #38’den atladı), 1486 puan.
Fiyat: $3/M input, $15/M output. Cached input $0.30/M (%90 indirim).
AA task başına maliyet: $0.94 (GPT-5.6 Sol $1.04, Opus 4.8 $1.80).
Output verimliliği: K2.6’ya göre %21 daha az token, +13 index puanı.

Ama önemli bir uyarı Moonshot’un kendi ağzından geldi: “Genel rekabetçiliğe rağmen Kimi K3’ün kullanıcı deneyiminde Claude Fable 5 ve GPT-5.6 Sol ile belirgin bir açık devam ediyor.” Bu, benchmark rakamı ile pratik hissiyat arasındaki farkı anlayan bir üretici tavrı.

Bu yazıda K3’ün mimarisini (özellikle KDA, LatentMoE, AttnRes, SiTU aktivasyonu), Arena’daki frontend zaferinin ne anlama geldiğini, açık ağırlıklı modelin geç dönem takvimini ve Türk AI ekosisteminde neyin değişebileceğini inceleyeceğiz.

2.8 trilyon parametre — şimdiye kadarki en büyük açık ağırlıklı model?

K3, resmi duyurudan önce sızıntı olarak ortaya çıktığında “2.8T” rakamı önce inanılmaz karşılandı. Nedeni açık: mevcut açık ağırlıklı liderler bu seviyenin altında:

Model	Toplam	Aktif	Aktif oran	Context
Kimi K3	2.8T	~50B*	<%2	1M
Inkling (Thinking Machines)	975B	41B	%4.2	1M
Kimi K2.6	1T	32B	%3.2	256K
DeepSeek V3.2	671B	37B	%5.5	128K
Qwen 3.6 Max	~800B	~50B	%6	256K

*Aktif parametre: 896 uzman arasından 16 aktif. Uzman başı ortalama boyut ve aktivasyon dağılımına göre tahmini.

K3, kısacası mevcut açık ağırlıklı en büyük model. Ama daha önemlisi en agresif sparse aktivasyon oranı. %2’nin altında aktivasyon, Moonshot’un “dev model, cılız inference maliyeti” stratejisinin sonucu. Toplam parametre çok, ama her token için sadece küçük bir kısmı çalışıyor.

Kimi Delta Attention (KDA): 1M context’i uygulanabilir kılan yenilik

1M token bağlam, artık standart bir vaat. Ama çoğu model bu bağlamı efektif kullanamıyor: attention hesabının O(N²) maliyeti, 1M token’a ulaşıldığında inference’ı prohibitif hale getiriyor. Kimi’nin çözümü: Kimi Delta Attention (KDA).

Moonshot’un iddiası: KDA, 1M token bağlamlarda decoding’i 6.3x hızlandırıyor. Bu, RoPE + FlashAttention kombinasyonuna göre 6 kat hızlı demek. Nasıl?

Teknik detay tam olarak paylaşılmadı ama KDA’nın çekirdeği, attention’u “delta” formatında hesaplamak: her token için tam attention matrisi değil, sadece önceki state ile değişimin encode edilmesi. Linear attention ve Mamba benzeri state-space modellerinin fikir dünyasına yakın. Farkı: KDA, klasik attention’ın uzun-mesafe genelleşme gücünü koruyacak şekilde tasarlanmış.

Önemli detay: KDA, klasik prefix caching varsayımlarını bozuyor. vLLM, KDA için özel prefix caching implementation’ı gerektirdi — Moonshot bunu doğrudan vLLM projesine katkı olarak sundu, K3 lansmanının ilk gününde support hazırdı. Bu detay, KDA’nın gerçek bir mimari değişim olduğunu, sadece cosmetic bir isim olmadığını gösteriyor.

KDA’nın gelişim tarihi de dikkat çekici: Ocak 2025’te tasarlanmaya başlandı, ~1.5 yıl sürdü frontier ölçeğe ulaşması. Bu, Moonshot’un uzun vadeli araştırma yatırımının somut çıktısı.

Attention Residuals ve LatentMoE

KDA’nın yanında iki mimari yenilik daha:

Attention Residuals (AttnRes): Klasik residual connection’lar sadece FFN ve attention block’ları arasında kurulur. AttnRes, attention hesabının içinde de residual bağlantı ekliyor. Moonshot iddiası: ~%25 daha yüksek eğitim verimliliği, %2’nin altında ek maliyetle. Bu, MoE gradient stabil kılmada önemli.

LatentMoE / Stable LatentMoE: Klasik MoE, uzmanları doğrudan hidden state üzerinde çalıştırır. LatentMoE, önce bir “latent” projeksiyona geçer, sonra uzman routing yapar. DeepSeek’in MLA (Multi-head Latent Attention) fikrine benzer — ama attention yerine MoE tarafına uygulanmış.

896 uzman, 16 aktif: %1.8 aktivasyon. Bu, DeepSeek’in %5.5 oranından belirgin şekilde agresif. Router’ın kaliteli olması kritik; aksi halde performans dalgalanır. Moonshot’un yaklaşımı: QB (Quantile-Based) load balancing — standart auxiliary loss yerine, uzman aktivasyonlarını quantile bazlı dengeleme.

Per-head Muon optimizer: Muon, LLM eğitiminde son 1 yılın modası. AdamW’a göre daha stabil, daha az memory. K3, her attention head için ayrı Muon konfigürasyonu kullanıyor.

SiTU (Sigmoid Tanh Unit): Yeni bir aktivasyon fonksiyonu. SwiGLU ve GELU’nun yerine geçen bir alternatif. Sigmoid ve Tanh’ın karışımı; muhtemelen gradient akışı ve nonlinearity dengesi için tasarlandı.

Toplam paket: KDA + LatentMoE + AttnRes + Muon + SiTU. Bu, akademik makale sayısı olarak birkaç NeurIPS bildirisi anlamına gelen bir yenilik yığını. Moonshot, K3 ile klasik “mevcut mimariyi büyüt” oyunundan çıkıp mimari cephede yenilikçi konumlanıyor.

Arena Frontend Code #1: kod yazmada frontier

K3 lansmanının ana manşetlerinden biri: Arena Frontend Code’da #1. Kimi K2.6’dan #18’den doğrudan zirveye. 1679 puan, Claude Fable 5’in üstünde. 7 frontend kategorisinden 6’sında birinci, Gaming’te ikinci.

%76 pairwise win rate özellikle çarpıcı. Karşılaştırma:

K3: %76
Fable 5: %63
GPT-5.6 Sol: %58

Bu, statik benchmark değil — gerçek kullanıcıların iki modelin çıktısını yan yana görüp tercih ettiği pairwise sistem. Frontend kodlama (React, Vue, HTML/CSS, animation, game logic) K3’ün belirgin gücü.

Neden? Muhtemelen üç faktör:

Vision-in-the-loop eğitim: K3, kod + screenshot arasında iterasyon yapabiliyor. Frontend’de görsel geri bildirim kritik.
Long-horizon agentic coding: Multi-turn, self-evolving workflows için özel post-training.
Kimi Code entegrasyonu: Moonshot’un kendi IDE ürünü Kimi Code, K3 için özelleştirilmiş bir kanal olarak eğitim veri kaynağı sağlıyor.

Ama bir uyarı: Arena, teknik olarak “güzel görünen frontend”ı ölçer — production quality veya architectural soundness’ı ölçmez. Yani K3’ün landing page yapma yeteneği rakiplerinden iyi olabilir, ama büyük bir React uygulamasında refactor yeteneği aynı değildir. Real-world testler için Cursor, Cline, Zed gibi ajanların K3 entegrasyonu sonrası ne raporlayacağını takip etmek gerek.

Bağımsız değerlendirme: Artificial Analysis

Moonshot’un kendi iddiaları bir yana, bağımsız Artificial Analysis değerlendirmesi daha ölçülü bir tablo çiziyor:

AA Intelligence Index: 57. Bu, Claude Opus 4.8 (~55) ve GPT-5.5 (~58) seviyesinde. Fable 5 (~62) ve GPT-5.6 Sol (~64) hala önde.
GDPval v2 Elo: 1668. Ekonomik değer yaratma benchmark’ı.
AutomationBench-AA: %53, #1. Otomasyon senaryolarında lider.
AA-Briefcase Elo: 1547. Enterprise task benchmark’ı.

Ama önemli bir uyarı: AA-Omniscience testinde halüsinasyon oranı %39’dan %51’e yükseldi. Doğruluk %33’ten %46’ya çıktı ama halüsinasyon da arttı. Yani K3, K2.6’dan çok daha fazla “doğru cevap” veriyor ama emin olmadığı durumlarda da daha fazla uyduruyor.

Bu, önemli bir trade-off. Enterprise senaryolarında (özellikle hukuki, tıbbi, finansal karar destek) yüksek halüsinasyon oranı kırmızı bayrak. RAG (retrieval-augmented generation) katmanı olmadan K3’ü direkt kullanmak riskli olabilir.

Fiyat: Sonnet 5 seviyesinde frontier zeka

K3’ün fiyatlandırma modeli Moonshot’un agresif ticaret yaklaşımını yansıtıyor:

$3 / 1M input token
$15 / 1M output token
Cached input: $0.30 / 1M (%90 indirim)

Karşılaştırma (blended 80/20 input/output oranıyla):

K3: $5.40 / 1M token
Opus 4.8: $9.00
GPT-5.5: $10.00
Sonnet 5: benzer seviye (Ağustos sonuna kadar geçici indirim var)

Yani K3, Sonnet fiyatına Opus seviyesi zeka teklif ediyor. Bu, Moonshot’un stratejisi net: API üzerinden hızlı adaption, sonra kurumsal ilişkileri deployment’a taşıma.

Live serving hızı ise iyi durumda değil: OpenRouter’da Moonshot API üzerinden ~26-28 tok/s. Opus’tan yavaş. Muhtemelen speculative decoding henüz aktif değil; önümüzdeki haftalarda hız artışı bekleniyor.

Deployment gereksinimi de yüksek: 64+ hızlandırıcı içeren supernode konfigürasyonu öneriliyor. Bu, tek B200 veya H100 sunucusunda çalıştırmayı imkansız kılıyor. Türk kurumsal müşteriler için “on-prem K3” senaryosu ciddi CapEx demek: en az 8xH100 × 8 node = 64 GPU. Fiyat: ~$3-4 milyon donanım.

Açık ağırlık takvimi: 27 Temmuz 2026

K3, şu an sadece API üzerinden erişilebilir. Açık ağırlık yayınlanma tarihi 27 Temmuz 2026. Bu, duyurudan yaklaşık 10 gün sonra. Moonshot’un vaadi tutulursa:

2.8T parametre modeli Hugging Face’te.
Apache 2.0 lisansı bekleniyor (K2 serisi de öyleydi).
Quantized versiyonlar (INT4, INT8) topluluk tarafından hızla üretilecek.
Fine-tuning için LoRA/QLoRA rehberleri.

Ama uyarı: 2.8T parametre modelini yerel çalıştırmak zorlu. FP16’da ~5.6 TB disk, INT4’te ~700 GB. RAM yerine sürekli disk okuma senaryosu bile mümkün değil.

Türk araştırmacılar için pratik yaklaşım: K3 quantized + Together AI/Fireworks API’lerini kullanma. Kendi altyapıda çalıştırmak, dev üniversite veya kurumsal ekipler dışında ekonomik değil.

DeepSeek anı mı, yoksa hype mı?

K3 lansmanı hemen ardından “DeepSeek moment” retoriği başladı. Hatırlatma: Ocak 2025’te DeepSeek-R1 çıktığında piyasa şoku yaşadı; Nvidia hisseleri %17 düştü, açık ağırlıklı AI cephesi ana akım gündemi oldu.

K3, benzer bir moment mi?

Evet, çünkü:

Frontier-competitive rakamlar (Opus seviyesi).
Açık ağırlık taahhüdü ile geliyor.
Fiyat radikal düşük (Sonnet seviyesi).
Yeni mimari yenilikler (KDA, LatentMoE, AttnRes).
Frontend Code Arena’da Fable 5’in üstünde.

Hayır, çünkü:

“Kullanıcı deneyimi açığı” Moonshot’un kendi kabul ettiği bir gerçek.
AA Intelligence Index’te Fable 5 ve Sol’un altında.
Halüsinasyon oranı arttı.
Deployment 64+ GPU gerektiriyor.
Live inference hızı düşük (26-28 tok/s).
Benchmark metodolojisi (ProgramBench’te average implementation %) tartışmalı.

Simon Willison ve Ethan Mollick gibi ölçülü sesler K3’ün “çok iyi bir açık ağırlıklı model” olduğunu ama Sol Max veya Fable seviyesinde olmadığını söylüyor. Bu daha doğru gibi.

Muhtemel senaryo: K3, DeepSeek-V3’ün 2025’te yarattığı kırılıma benzer bir 2. dalga etkisi yaratır. Ana akım medya yansıması DeepSeek kadar olmayabilir; ama enterprise AI ekonomisinde Sonnet/Opus alternatifi olarak kalıcı bir yer alacak.

Türk AI ekosistemi için pratik değerlendirme

1. Kurumsal API kullanıcıları için. Şu an OpenAI/Anthropic API’lerine bağımlı Türk şirketler (bankalar, e-ticaret devleri, ödeme platformları) için K3, benzer performansta ~%40-60 maliyet azaltma anlamına gelir. Together AI, Fireworks üzerinden Türkiye’den erişilebilir.

2. Türkçe için beklenti. K3’ün Türkçe performansı henüz test edilmedi. Ana veri dağılımı muhtemelen İngilizce + Mandarin ağırlıklı. Türk startup’lar (Getir, Trendyol, Hepsiburada) kendi Türkçe fine-tune’larını yapabilir — ama önce açık ağırlığın gelmesi gerek (27 Temmuz).

3. Sovereign AI için. KVKK, savunma, kritik altyapı senaryolarında K3’ün on-prem çalıştırılması mümkün ama pahalı. 64 GPU deployment, ~$3-4M CapEx. ASELSAN, Roketsan, TÜBİTAK gibi kurumlar için ancak yeterince büyük veri hacimlerinde amortize edilir.

4. Frontend geliştirici Türk startup’lar için. Arena’daki Frontend Code #1 sonucu doğrudan uygulanabilir. Cursor, Cline, Windsurf gibi ajanlarda K3 desteği gelince Türk frontend developer’lar rekabetçi avantaj kazanabilir.

5. Eğitim ve araştırma için. Boğaziçi, ODTÜ, İTÜ, Sabancı gibi üniversitelerdeki AI grupları için K3 açık ağırlığı hazine niteliğinde. Fine-tuning, distillation, mimari analiz için 2.8T frontier modeline erişim, akademik yayın üretim gücünü katlayabilir.

Sonuç: açık AI ekosistemi frontier seviyeye yaklaştı, ama daha yol var

Kimi K3, açık ağırlıklı AI cephesinde önemli bir milat. Frontier-competitive rakamlar, radikal fiyatlandırma, yeni mimari yenilikler ve açık ağırlık taahhüdü — tümü aynı paketten geliyor. Moonshot, DeepSeek’in yaz aylarında bıraktığı liderlik boşluğunu doldurup Çinli açık AI cephesinin flagship’ı olmaya aday.

Ama bir uyarı: benchmark rakamı ile pratik hissiyat farkı gerçek. Moonshot’un kendi kabul ettiği “belirgin UX açığı”, gerçek dünya kullanımında Fable 5 ve GPT-5.6 Sol’un hala önde olduğunu gösteriyor. Halüsinasyon oranındaki artış da enterprise senaryolarda dikkatli olunması gerektiğini hatırlatıyor.

Türk AI ekosistemi için pratik tavsiye: Bekle, deneyimle, kıyasla. 27 Temmuz’da açık ağırlık gelene kadar Together/Fireworks üzerinden test edin. Türkçe cevaplama kalitesini kendi verinizle ölçün. Halüsinasyon oranı sizin senaryonuz için kabul edilebilir mi görün. Sonuç olumluysa, Sonnet/Opus tabanlı ürünlerinizi K3’e migre etmeyi düşünün — potansiyel kazanç ciddi.

2026’nın geri kalanında açık ağırlıklı AI cephesi, kapalı frontier ile aralığı hızla kapatacak. Kimi K3, Thinking Machines Inkling, DeepSeek-V4 (beklenen), Qwen 4 — bu dört model, önümüzdeki 6 ayda Fable/Sol seviyesine ulaşacak. Ana soru: kapalı frontier bu adaptasyon hızına ne cevap verecek?