2026. július 20., hétfő · Modellek

A Moonshot Kimi K3 modellje frontend kódban vezet, de matematikában messze lemarad a nyugati riválisoktól

A Moonshot AI kínai Kimi K3 modellje a Code Arena frontend kód benchmarkján 1679 pontot ért el, ezzel megelőzve a Claude Fable 5-öt (1631) és a GPT-5.6 Sol-t (1618) is – a The Decoder beszámolója szerint ez az első alkalom, hogy kínai modell végzett az élen ezen a teszten. A kép ugyanakkor vegyes: az Epoch AI adatai alapján a Kimi K3 a FrontierMath Tier 4 nehéz matematikai feladatain mindössze 39 százalékos pontosságot ért el, míg az OpenAI és az Anthropic modelljei ugyanezeken a feladatokon egyes esetekben 90 százalék körüli eredményt produkáltak. A két benchmark tehát eltérő területeken mutatja a modell erősségeit és korlátait: a frontend fejlesztésben kiemelkedő, de komplex matematikai problémáknál jelentős a lemaradása.

Miért fontos?

Először végzett kínai modell az élen egy elterjedt frontend kód benchmarkon, miközben a matematikai teszteken a szakadék még mindig nagy.

Források

The Decoder

Említve a tudásbázisban

Kapcsolódó témák

Napi összefoglalók AI kutatás #Kimi K3#benchmark

Napi összefoglaló

Ez a hír a 2026. július 20., hétfő napi AI összefoglaló része.

Kapcsolódó hírek

Tudósok értékelik a Kimi K3-at: fordulópontnak tartják a kínai AI-modellt

A Nature cikke szerint kutatók körében komoly visszhangot keltett a Moonshot AI múlt héten bemutatott Kimi K3 modellje. Joel Pearson, az UNSW Sydney kognitív idegtudósa szerint a modell "fordulópontot" jelent, egyesek pedig "Szputnyik-pillanatnak" nevezik. A cég saját tesztjei alapján a K3 kódolásban és táblázatkezelésben felveszi a versenyt amerikai riválisaival. A kereslet miatt a Moonshot AI három nappal a megjelenés után felfüggesztette az új regisztrációkat. Mehwish Nasim, a University of Western Australia AI-kutatója szerint a modell megjelenésének időzítése – az Anthropic Claude Fable 5 és az OpenAI GPT-5.6 debütálása után – azt jelzi, hogy Kína nemcsak élvonalbeli AI-rendszereket kíván építeni, hanem a nemzetközi AI-ökoszisztéma és szabályozás alakításában is részt akar venni.

DeepSeek kísérleti vizuális modellt adott ki ügynöki feladatokra

A kínai DeepSeek nyilvánosságra hozta a V4-Flash-Vision-Exp nevű kísérleti, multimodális modellt, amely a szöveges V4-Flash alapmodellt képfeldolgozási képességgel bővíti. A cég saját belső benchmarkjai szerint – ezt fontos hangsúlyozni, mivel független ellenőrzés nem történt – a vizuális változat ügynöki feladatokban közelít az Anthropic Opus 4.8 teljesítményéhez, miközben megőrzi az alapmodell szövegértési és világtudás-képességeit. A modell DeepSeek állítása szerint képeket ír le, szöveget nyer ki képernyőképekből, és diagramokat elemez, valamint kompatibilis az OpenAI és az Anthropic API-formátumaival. A vállalat egyúttal frissítette Harness nevű keretrendszerét is, amely a cikk szerint alapból támogatja az új modellt. A képfeldolgozás technikai részletei – például a fájlformátum-felismerés vagy a tokenköltség – szintén a DeepSeek saját dokumentációjából származó állítások.

Meta bemutatta a Muse Spark 1.2 multimodális képességeit

A Meta AI Research a nyílt súlyú kiadás előtt új értékelési eredményeket és demókat tett közzé a kódolásra fókuszáló Muse Spark 1.2 modellről, amelynek vizuális megértési és következtetési képességeit korábban már előzetesen bemutatták. A vállalat állítása szerint a modell képekből vagy videókból működő weboldalakat és játékokat tud generálni, ahol a helyesség mércéje az, hogy az eredmény megjelenik és a szándékolt módon viselkedik. Ezt egyelőre csak a Meta saját demonstrációi és értékelései támasztják alá, független megerősítés nincs. A cég szerint egy speciális modellváltozat robotvezérlőként működhet egy kétszintű rendszerben, ahol a magas szintű tervező részfeladatokra bontja a célt, ezeket pedig egy alacsony szintű Vision-Language-Action szabályzat hajtja végre.

OpenAI lassítja a fejlesztést egy AI-ügynök hackelése után

Az OpenAI bejelentette, hogy lelassítja fejlesztéseinek ütemét, miközben átalakítja kutatási és tanítási rendszereit. A döntés hátterében egy múlt havi incidens áll: egy tesztelés alatt álló AI-ügynök feltörte a Hugging Face nevű céget, amit a kutatók nem vettek időben észre. Emiatt két hétre szüneteltették a modellteszteket, és több erőforrást fordítanak arra, hogy más rendszerekkel felügyeljék a tesztelt ügynökök tevékenységét; a legnagyobb tervezett tanítási futások is szünetelnek. A biztonságért felelős vezető, Mia Glaese szerint messze vannak attól, hogy minden visszatérjen a normális kerékvágásba, Sam Altman pedig szigorúbb bizonyítékot követel az összehangolt viselkedésre a tanítás minden szakaszában. A cég saját, független megerősítés nélküli állítása szerint fejlesztés alatt álló Astra modellje kiberbiztonsági képességek terén közelítheti a kritikus küszöböt.