2,8 trilyon parametreli Kimi K3 modeli Amazon Bedrock’ta kullanıma açıldı

Moonshot AI’nın açık ağırlıklı modeli Kimi K3, 18 Eylül 2026’da Amazon Bedrock üzerinde kullanıma açıldı. Şirket, modeli 2,8 trilyon parametreye ulaşan ilk açık model olarak tanımlıyor. AWS duyuruyu Machine Learning Blog’unda paylaştı; Kimi K3 burada kodlama ve bilgi işleri için yeni bir seçenek olarak konumlandırılıyor.

Kimi K3’ü öne çıkaran yapısal değişiklikler

Moonshot AI, modeli iki mimari yenilik üzerine kurdu: Kimi Delta Attention ve Attention Residuals. Bu değişiklikler bilginin dizi uzunluğu ve model derinliği boyunca nasıl aktığını iyileştirmeyi hedefliyor. Model, “Stable LatentMoE” adı verilen uzman karışımı tasarımını kullanıyor ve 896 uzmandan 16’sını etkinleştiriyor. Eğitimde denetimli ince ayar aşamasından itibaren nicemleme farkındalıklı eğitim uygulanıyor; ağırlıklar MXFP4, aktivasyonlar MXFP8 biçiminde tutuluyor. Şirket, K2 modeline kıyasla sağlanan yaklaşık 2,5 kat ölçekleme verimliliği kazancını bu yapısal değişiklikler ile iyileştirilen eğitim ve veri tariflerine bağlıyor.

Model yerel görsel yetenekler ve 1 milyon tokenlık bağlam penceresiyle geliyor. Moonshot AI, Kimi K3’ü ilk kez Temmuz 2026’da duyurmuş ve tam model ağırlıklarının 27 Temmuz 2026’ya kadar yayınlanacağını belirtmişti. O dönemde model yalnızca şirketin kendi kanallarından sunuluyordu: Kimi uygulaması, Kimi Work masaüstü uygulaması, Kimi Code terminal aracı ve Kimi API.

Açık ağırlıklı modeller ve veri işleme

AWS, bu lansmanın hizmetteki açık ağırlıklı modellere yapılan yatırımın sürdüğünü gösterdiğini söylüyor. Bedrock 2025’ten bu yana DeepSeek, Google, MiniMax, Mistral AI, Moonshot AI, NVIDIA, OpenAI ve Qwen gibi sağlayıcılardan onlarca açık ağırlıklı model ekledi. 2026’da araç çağırma, yapılandırılmış çıktı, muhakeme, yanıt akışı ile Responses ve Chat Completions API’leri modele özel entegrasyon olmaktan çıkıp platform yeteneği haline geldi; yeni açık ağırlıklı modeller bunları hazır kullanabiliyor.

AWS’ye göre Bedrock’taki tüm açık ağırlıklı modellerde olduğu gibi müşteri verisi AWS veri sınırları içinde işleniyor, model sağlayıcısıyla paylaşılmıyor ve modeli eğitmek için kullanılmıyor. Çıkarım isteklerinde sıfır veri saklama her zaman açık ve sıfır operatör erişimi, AWS çalışanlarının istek ve yanıtları görmesini engelliyor. Bedrock model kartında Kimi K3’ün yanında görsel yetenekleri güçlendirilmiş Kimi K2.5 ve muhakeme odaklı Kimi K2 Thinking de listeleniyor.

Konsol, API ve önbellekleme

Kimi K3, Bedrock konsolunda Test altındaki Playground bölümünde denenebiliyor; programa erişim bedrock-runtime uç noktası üzerinden yapılıyor. Uç nokta OpenAI uyumlu Responses ve Chat Completions API’lerinin yanı sıra Amazon Bedrock Invoke ve Converse API’lerini destekliyor. Model, bölgeler arası çıkarım profilleriyle çağrılıyor: AWS, bölgesel kısıtı olmayan iş yükleri için istekleri dünya genelindeki tüm desteklenen ticari bölgelere yönlendiren global.moonshotai.kimi-k3 profilini öneriyor ve bunun coğrafi profile göre yaklaşık yüzde 10 daha ucuz olduğunu belirtiyor. ABD içinde veri ikametgahı gerektiren işler için us.moonshotai.kimi-k3 profili var.

AWS’ye göre Kimi K3, Bedrock’ta açık ağırlıklı modeller arasında açık prompt önbelleklemeyi destekleyen ilk model. Depo talimatları, araç tanımları veya referans belgeler gibi sabit bağlamı tekrar tekrar gönderen uzun süreli kodlama ve bilgi iş akışları hedefleniyor. En az 1024 tokenlık yeniden kullanılabilir bir önek işaretlenebiliyor; önbelleğe yazılan tokenlar daha yüksek ücretle faturalandırılıyor ancak en az 30 dakika önbellekte kalıyor, sonraki eşleşen istekler indirimli giriş ücretinden yararlanıyor ve giriş tokenı dakika kotasına sayılmıyor. AWS, doğrudan API kullanımının yanında Bedrock destekli araçlara da dikkat çekiyor; açık kaynak kodlama ajanı OpenCode ve Bedrock modellerini destekleyen açık kaynak verimlilik asistanı Hermes Agent bunlar arasında.

Sınırlar ve rakipler

Moonshot AI, Kimi K3’ün genel performansta Claude Fable 5 ve GPT 5.6 Sol modellerinin gerisinde kaldığını kabul ediyor; buna karşılık modelin kendi değerlendirme setinde frontier düzeyinde sonuç verdiğini ve test edilen diğer modelleri düzenli olarak geçtiğini belirtiyor. Şirketin sıraladığı kısıtlar da var. Model korunmuş düşünme geçmişi modunda eğitildiği için, bir ajan altyapısı geçmiş düşünme içeriğini geri beslemezse üretim kalitesi dalgalanabiliyor. Uzun ufuklu görevlere verilen ağırlık ise talimatlar belirsiz olduğunda modelin kullanıcı adına beklenmedik kararlar almasına yol açabiliyor; şirket bunun için sistem isteminde daha açık davranış kısıtları gerekebileceğini söylüyor.

Kaynak: Unite.AI