Fotoğraf: Elekes Andor · CC BY-SA 4.0 · Wikimedia Commons
Özet
Çin merkezli Moonshot AI, Kimi K3.1 Pro modelini ve daha hızlı Highspeed sürümünü API üzerinden kullanıma sundu. Model, 1 milyon tokenlık bağlam penceresi ve standart modele göre iki‑üç kat daha hızlı işlem yeteneğiyle dikkat çekiyor. Ağırlıkların 4 Kasım’da yayımlanması da planlandı.
Öne çıkanlar
Kimi K3.1 Pro 1 000 000 token bağlam penceresi sunuyor
Highspeed sürümü standart modele göre 2‑3 kat daha hızlı çalışıyor
Model ağırlıkları 4 Kasım’a kadar yayınlanacak
Haberin Detayı
Moonshot AI, Çin’deki yapay zeka laboratuvarlarından yeni bir ürün duyurdu: Kimi K3.1 Pro. Şirket, bu modeli ve aynı zamanda daha hızlı bir Highspeed sürümünü, Kimi platformu ve API aracılığıyla geliştiricilere açtı. Yeni model, önceki K3 serisinin üzerine ek eğitim aşamalarında daha fazla hesaplama kaynağı kullanarak geliştirildi. Bu sayede uzun metinleri tek seferde işleyebilen 1 000 000 tokenlık bir bağlam penceresine sahip oldu.
Highspeed sürümü, aynı görevlerde standart K3.1 Pro’ya kıyasla iki ila üç kat daha yüksek işlem hızı sağlıyor. Moonshot, bu hız artışını özellikle kodlama ve 3D tasarım gibi yoğun hesaplama gerektiren alanlarda test etti. Terminal‑Bench 4.0 benchmark testinde K3.1 Pro %65,7 başarı oranı yakalarken, rakip modeller GPT‑6 Astra %58,2 ve Claude Opus 5.5 %66,4 seviyesinde kaldı. Şirket, bu sonuçların kendi değerlendirmelerine dayandığını belirtti.
Modelin öne çıkan kullanım senaryoları arasında yazılım hatalarını otomatik düzeltme ve Unity, Unreal Engine, Godot gibi oyun motorlarıyla entegrasyon yer alıyor. Ayrıca K3.1 Pro, metin, eskiz ya da referans görsellerden 3D modeller oluşturabiliyor ve Blender ile CAD programları için kod üretebiliyor. Finansal belgelerin analizi, çok kaynaklı veri karşılaştırması ve çok adımlı hesaplamalar da yeni modelin yetenekleri arasında tanımlandı. Dahili doğruluk testinde hatalı bilgi üretme oranı %23,4’ten %8,3’e geriledi.
Moonshot, model ağırlıklarını 4 Kasım’a kadar yayımlamayı hedefliyor. Bu adım, geliştiricilerin modeli kendi altyapılarına kurup özelleştirmesine olanak tanıyacak. Ağırlıkların paylaşımından önce, siber güvenlikle ilgili içeriklerin eğitim verilerinden çıkarıldığı ve bu sayede kötü amaçlı kullanım riskinin azaltıldığı bildirildi. Şirket, ağırlıkların açık erişime sunulmasının yapay zeka topluluğu için bir fırsat olduğunu vurguladı.
Kimi K3.1 Pro’nun piyasaya çıkışı, Çin’in yapay zeka ekosisteminde yeni bir rekabet dalgası yaratabilir. Geliştiriciler, hem yüksek token kapasitesi hem de artırılmış işlem hızı sayesinde daha karmaşık projelere odaklanabilecek. Moonshot’ın planladığı ağırlık paylaşımı ise açık kaynak model trendine uyum sağlarken, güvenlik önlemlerinin dengeyi nasıl koruyacağı sektörde gözlemlenecek bir detay olarak kalıyor.
AI YORUMUHaberinAi editör analizi
Moonshot AI’nin Kimi K3.1 Pro lansmanı, yüksek token kapasitesi ve hız artışıyla geliştiricilere somut bir avantaj sunuyor. %65,7 başarı oranı ve iki‑üç kat hız farkı, özellikle kodlama ve 3D tasarım iş akışlarını hızlandıracak. Bu gelişme, Çin yapay zeka pazarında rekabeti kızıştırırken, açık ağırlık paylaşımı geliştiricilerin model üzerinde özelleştirme yapmasına imkan tanıyor. Ancak güvenlik kısıtlamaları, modelin kötüye kullanımını sınırlama ihtiyacını da gözler önüne seriyor.
Çin merkezli Moonshot AI, yazılım geliştirme ve 3D modelleme alanlarında iddialı olan Kimi K3.1 Pro modelini tanıttı. Bir milyon token bağlam penceresine sahip sistem, terminal testlerinde yüzde 65,7 başarı yakaladı.
Kimi K3.1 Pro, Terminal-Bench 4.0 testinde yüzde 65,7 başarı oranı elde etti.
Yeni model, standart sürüme kıyasla iki ila üç kat daha hızlı çalışan Highspeed seçeneğiyle geliyor.
Sistem, metin ve eskizlerden 3D modeller üretebilirken Unity ve Unreal Engine projelerini destekliyor.
Yapay zeka alanındaki çalışmalarına devam eden Çin merkezli Moonshot AI şirketi, Kimi model ailesinin en yeni üyesi Kimi K3.1 Pro seçeneğini kullanıcılarla buluşturdu. Bu yeni sistem ve daha hızlı işlem yapabilen Highspeed sürümü, markanın kendi ürünleri ile API altyapısı üzerinden erişime açıldı. Şirket yönetimi, modelin temel ağırlık dosyalarını 4 Kasım tarihine kadar kamuoyuyla paylaşmayı planlıyor.
Temelini Kimi K3 mimarisinden alan yeni model, ek eğitim aşamasında çok daha fazla hesaplama kaynağından faydalanıyor. Tam 1 milyon token büyüklüğünde bir bağlam penceresi barındıran K3.1 Pro, son derece uzun metin içeriklerini ve belgeleri tek seferde işleyebilme kapasitesi sunuyor.
Yazılım geliştirme ve üç boyutlu tasarım süreçleri, modelin en iddialı olduğu alanlar arasında öne çıkıyor. Geliştiriciler bu yapıyı mevcut kodlardaki hataları ayıklamak ve Unity, Unreal Engine ile Godot gibi popüler oyun motorlarıyla yeni projeler üretmek için kullanabiliyor. Sistem, metin girdileri, eskizler veya referans görseller aracılığıyla doğrudan 3D modeller oluştururken Blender ve CAD yazılımları için de kod yazabiliyor.
Şirket tarafından yayımlanan test sonuçlarına göre K3.1 Pro, terminal tabanlı yazılım görevlerini ölçen Terminal-Bench 4.0 değerlendirmesinde yüzde 65,7 başarı oranına ulaşıyor. Aynı kıyaslamada rakip modellerden GPT-6 Astra yüzde 58,2 seviyesinde kalırken, Claude Opus 5.5 ise yüzde 66,4 oranını yakalıyor. Bu başarı oranlarının doğrudan geliştirici şirketin kendi paylaştığı verilere dayandığı biliniyor.
Finansal araştırmalar da modelin yeteneklerinin artırıldığı dikey alanlar arasında yer alıyor. Yapı; karmaşık finansal belgeleri inceleme, farklı veri kaynaklarındaki bilgileri çapraz karşılaştırma ve çok adımlı hesaplamalar gerçekleştirme konularında güçlendirildi. Şirketin zorlu sorular içeren dahili testlerinde, iddia bazlı hatalı bilgi üretme oranı Kimi K3 sürümündeki yüzde 23,4 seviyesinden yüzde 8,3 oranına geriledi.
Model ağırlıklarının paylaşım takvimi yaklaşırken şirket, olası siber saldırı risklerini engellemek için güvenlik tedbirleri aldı. Eğitim verilerinden ve pekiştirmeli öğrenme ortamlarından siber güvenlikle ilgili bazı hassas içerikler çıkarıldı. Ağırlıkların tamamen yayımlanması, yazılımcıların bu yapıyı kendi fiziksel altyapılarında çalıştırmasına ve projelerine göre uyarlamasına zemin hazırlayacak.
AI YORUMU
Yazılım dünyasında kod yazma ve hata ayıklama süreçlerini otomatikleştiren araçların performansı artık test skorlarıyla sınırda kalmıyor, doğrudan entegrasyon kabiliyetine bakılıyor. Terminal-Bench 4.0 testinde elde edilen yüzde 65,7 başarı oranı, modelin rekabetçi yapısını gösterirken önceki nesilde yüzde 23,4 olan hata payının yüzde 8,3 seviyesine düşmesi güvenilirliği artırıyor. Bu gelişme, özellikle oyun geliştirme ve CAD odaklı çalışan mühendislerin iş akışını hızlandırarak maliyetleri düşürebilir. Ancak model ağırlıklarının açık kaynak olarak paylaşılacak olması, güvenlik filtresi kaldırma risklerini de beraberinde getireceği için şirketlerin yerel altyapı denetimlerini sıkı tutmasını zorunlu kılıyor.
DeepSeek, kodlama ve otonom yazılım görevlerinde dev rakiplerini geride bırakan yeni Flash modelini kullanıma sundu. Görev başına maliyeti 0,20 doların altına çeken sistem açık kaynak olarak yayımlandı. Çinli şirket eşzamanlı olarak arama motoru altyapısını da geliştiricilere açtı.
Görev başına maliyet 0,20 doların altına inerek yüzde 77 başarı oranına ulaştı.
Model ağırlıkları Hugging Face ve ModelScope üzerinde açık kaynak olarak yayımlandı.
Geliştiricilere sunulan web arama API'si 1.000 çağrı başına 0,75 dolar olarak fiyatlandırıldı.
Çin merkezli yapay zekâ şirketi DeepSeek, yazılım projeleri üretme ve bağımsız ajan görevleri için tasarladığı V4.1-Flash-1017 sürümünü resmen duyurdu. Yeni model firmanın internet platformunun yanı sıra API altyapısı üzerinden dağıtılırken, model ağırlıkları Hugging Face ve ModelScope depolarında açık kaynak biçiminde erişime açıldı. Önceki sürümlere kıyasla daha derli toplu yanıtlar üreten sistem, çalışma hızını artırırken tüketilen işlem gücünü belirgin şekilde aşağı çekiyor.
Yazılım süreçlerini sıfırdan yürütmek amacıyla tasarlanan altyapı, insan eliyle yapılan puanlamalar yerine öz geri bildirimli pekiştirmeli öğrenme metodunu benimsiyor. Kendi ürettiği iç eleştirileri ve doğruluk verilerini referans alan model, harici kontrol mekanizmalarına ihtiyaç duymadan oyun tasarlama ve 3D modelleme gibi katmanlı işleri tamamlayabiliyor. Sistem ayrıca kısa tanıtıcı içerikler için animasyon kurgulama yeteneğine sahip bulunuyor ve Tencent CodeBuddy ile WorkBuddy gibi geliştirici ortamlarına tam uyum sağlıyor.
DeepSWE performans ölçümlerinde V4.1-Flash-1017, görev başına 0,20 doların biraz altındaki bir harcamayla yüzde 77 doğruluk düzeyine erişmeyi başarıyor. Karşılaştırma tablosunda yer alan GPT-6 Astra, Claude Opus 5 ve Gemini 3.8 Flash gibi alternatiflerin işlem maliyetleri 2 dolardan başlayıp 10 dolar sınırını aşarken bu doğruluk oranının gerisinde kalıyor. Yine de bağımsız laboratuvarların doğrulama sonuçları yayımlanmadığı için günlük programlama pratiklerindeki kod kalitesinin bu testleri ne ölçüde yansıtacağı henüz bilinmiyor.
Yapay zekâ modelinin yanında şirket, günde yüz milyonlarca isteği yanıtlayan kendi arama motorunu Search ve Fetch API paketleriyle dış kullanıma sundu. Uç nokta başına 1.000 istek için 0,75 dolar tarife belirlenirken, API müşterileri 31 Ekim 2026 tarihine kadar belirli geliştirici araçları üzerinden bu olanaktan ücretsiz faydalanabilecek. Öte yandan Çin yönetiminin en gelişmiş modellerin açık kaynak dağıtımını kısıtlama ihtimali, bu altyapıları uzun vadeli operasyonlarına dahil etmek isteyen ekipler için yeni soru işaretleri doğuruyor.
AI YORUMU
Yazılım geliştiriciler için devasa modeller yerine küçük ve özelleşmiş mimarileri tercih etmek artık kaçınılmaz bir zorunluluk haline geliyor. DeepSeek'in görev başına 0,20 doların altına inen maliyetle yüzde 77 başarı yakalaması, kod yazımında pahalı sistemlere para akıtmanın mantığını ortadan kaldırıyor. Bu durum özellikle bütçesi kısıtlı girişimlerin operasyon giderlerini doğrudan hafifletecektir. Ancak Pekin yönetiminin en güçlü 10 model listesine girebilecek açık ağırlıklı yazılımlara getirmeyi planladığı engeller gerçekleşirse, bu mimariye bel bağlayan yabancı şirketler aniden desteksiz kalabilir.
Habokado platformu, Fransa'daki camiler için yapılan güvenlik çağrısı haberini yapay zeka tabanlı özetleme sistemiyle okuyuculara sunuyor. Yeni uygulama sayesinde kullanıcılar, gündemdeki gelişmeleri çok daha hızlı ve pratik bir şekilde takip edebiliyor.
Habokado, yapay zeka tabanlı yeni özetleme sistemini devreye soktu.
Fransa'daki camiler için güvenlik çağrısı haberi yapay zeka ile okuyucuya ulaştı.
Okuyucular uzun metinler yerine sistemin ürettiği kısa özetleri tüketiyor.
Dijital yayıncılık alanında faaliyet gösteren Habokado, içerik tüketim alışkanlıklarını değiştirecek yeni bir yapay zeka tabanlı özetleme özelliğini kullanıcıların erişimine sundu. Bu yenilikçi sistem, güncel haberleri ve önemli gelişmeleri saniyeler içinde analiz ederek okuyuculara net bir biçimde aktarıyor. Platformun ilk test alanlarından biri olan Fransa'daki camilere yönelik güvenlik çağrısı haberi, bu teknolojinin pratik yönünü açıkça gözler önüne seriyor.
Geleneksel haber okuma alışkanlıklarının yerini almaya başlayan sistem, uzun ve karmaşık metinleri anında tarayarak en can alıcı noktaları ayıklıyor. Kullanıcılar ekranda dakikalar harcamak yerine, olayın özünü ve arka planını kısa bir bakışta kavrayabiliyor. Fransa'daki ibadethanelerin güvenliğiyle ilgili kritik çağrıyı ele alan bu akış, özellikle mobil cihazlarda bilgiye ulaşma hızını artırıyor.
Yapay zeka modellerinin haber metinlerini işleme yeteneği, editöryal süreçleri de kökten dönüştürüyor. Habokado altyapısında çalışan bu mekanizma, kaynak metinlerdeki gereksiz detayları ayıklayarak okuyucuya saf bilgi sunmayı hedefliyor. Söz konusu güvenlik çağrısı gibi hassas ve toplumsal etki doğuran olaylar, sistemin tarafsız ve hızlı özetleme kapasitesi sayesinde daha geniş kitlelere ulaşıyor.
Günümüz dijital çağında bilgi kirliliğiyle mücadelenin en etkili yollarından biri olarak gösterilen yapay zeka özetleri, kullanıcıların zamandan tasarruf etmesini sağlıyor. Fransa'daki ibadethane güvenliği ekseninde şekillenen bu gelişme, haberlerin tüketim hızını artırırken doğruluk payından ödün vermemeyi amaçlıyor. Habokado'nun bu hamlesi, gelecekte tüm haber akışı platformlarının benzer yapay zeka araçlarını entegre etmesine zemin hazırlıyor.
Yeni sistemin sunduğu pratik deneyim, özellikle yoğun tempoda yaşayan ve gündemi yakından takip etmek isteyen kitleler için büyük bir kolaylık yaratıyor. Fransa örneğinde olduğu gibi toplumsal yansımaları olan olaylar, yapay zeka süzgecinden geçerek okuyucuya ulaştırılıyor. Habokado, bu adımla birlikte içerik sunumunda hız ve anlaşılırlık standartlarını bir üst seviyeye taşıyor.
AI YORUMU
Yapay zeka tabanlı özetleme araçları, habercilikte bilgiye erişim süresini dramatik biçimde kısaltırken içeriklerin derinliğini koruma konusunda yeni tartışmaları beraberinde getiriyor. Habokado'nun Fransa'daki güvenlik çağrısı gibi hassas toplumsal konuları bu sistemle sunması, teknolojinin doğru ellerde ne kadar işlevsel olabileceğini gösteriyor. Ancak sistem, bağlamı tamamen aktarırken bazen nüans kayıplarına yol açma riski barındırıyor; bu yüzden kullanıcıların tam metne ulaşma imkanı her zaman korunmalıdır. Geleneksel uzun okuma alışkanlıkları gerilerken, bu tür hızlı tüketim araçlarının yaygınlaşması kaçınılmaz bir dönüşüm yaratıyor.
Block, insan sesleriyle eğitilen ve metin dönüştürme adımını ortadan kaldıran yeni yapay zeka sistemi Dessa’yı duyurdu. Model, full‑duplex yeteneğiyle aynı anda dinleyip konuşabiliyor ve MacBook Pro M4 Max’te yerel olarak çalışabiliyor. Demonstrasyonlarda doğal görünen etkileşimler sergilendi, ancak bazen tanıma hataları ve konu sapması gözlemlendi.
Dessa, metin verisi kullanılmadan tamamen sesle eğitildi
Model, aynı anda dinleyip konuşabiliyor – full‑duplex destek
Demo’da MacBook Pro M4 Max’te yerel çalıştırma ve hızlı yanıt süreleri gösterildi
Block tarafından geliştirilen Dessa, geleneksel sesli yapay zeka sistemlerinin aksine metin dönüştürme adımını atlıyor. Sistem, sadece insan konuşmalarını dinleyerek dil becerilerini öğreniyor, bu sayede ton, duygu ve ritm gibi nüansları doğrudan alabiliyor. Bu yaklaşım, sesli asistanlarda sık karşılaşılan “metne döküp geri sesle çevirme” sürecindeki kaybolan ayrıntıların önüne geçmeyi hedefliyor.
Model, full‑duplex çalışma prensibiyle dikkat çekiyor. Kullanıcı konuşmayı bitirene kadar beklemek yerine aynı anda dinleyip cevap veriyor. Bu, sohbetin doğal akışını koruyor ve kullanıcı sözünü kestiğinde hızlı geri bildirim sağlıyor. Block, Dessa’nın bu özelliğinin diyalog ritmine uyum sağlamasını ve “konuşma sırasında kısa geri bildirimler” sunmasını vurguluyor.
Sunumlar, modelin doğal bir ses deneyimi yaratabildiğini gösterse de, bazen kullanıcıyı yanlış tanımak veya konu dışına çıkmak gibi hatalar yapıyor. Bu, teknolojinin henüz mükemmel olmadığını gösteriyor.
Performans açısından, Block, Dessa’nın MacBook Pro M4 Max işlemcili modellerde yerel olarak çalışabileceğini ve gerçek zamanlıdan daha hızlı yanıt süresi elde ettiğini belirtiyor. Bu nedenle, geniş çaplı kullanım için daha fazla veri bekleniyor.
Şu anda Dessa, araştırma ön izlemesi aşamasında ve Block, modelin erişimini küçük bir yapay zeka güvenliği araştırmacısı grubuna sunmayı planlıyor. Şirket, modelin gelecekte daha geniş kitlelere açılacağına işaret ediyor. Ancak şu an için halka açık bir sürüm bulunmuyor.
Dessa’nın ses odaklı eğitimi, yapay zeka alanında yeni bir paradigma öneriyor. Metin dönüştürme adımının ortadan kalkması, sesli asistanların daha doğrudan ve duyarlı olmasını sağlayabilir. Bu, özellikle sesli arayüzlerin yaygın olduğu mobil ve ev otomasyonu uygulamaları için önemli bir adım olabilir.
Gelecek güncellemelerde, Block’un modelin tanıma doğruluğunu ve konu tutarlılığını artırmayı hedeflediğini duyurması bekleniyor. Bu gelişmeler, ses tabanlı yapay zeka sistemlerinin kullanıcı deneyimini iyileştirerek sektöre yeni bir yön verebilir.
AI YORUMU
Dessa, metin dönüştürme adımını ortadan kaldırarak sesli asistan teknolojisinde önemli bir evrim sunuyor. Modelin full‑duplex yeteneği, diyalog akışını doğal kılıyor, ancak tanıma hataları henüz düzeltilememiş durumda. Kullanıcılar için daha gerçekçi bir ses deneyimi yaratırken, geliştiriciler için de doğrudan sesle çalışabilme imkanı sunuyor. Önceki sürümlerdeki metin dönüştürme gecikmelerine kıyasla, Dessa’nın yerel çalışması gecikmeyi önemli ölçüde azaltıyor. Ancak, modelin boyutu ve performansı hakkında henüz net bilgiler olmadığı için, geniş çaplı üretim için zaman çizelgesi belirsiz kalıyor.
Fotoğraf: Elekes Andor · CC BY-SA 4.0 · Wikimedia Commons 
