Kimi Linear vient de battre l’attention complète sur son propre terrain

Kimi Linear a offert à Moonshot AI un résultat que les chercheurs travaillant sur l’attention linéaire poursuivaient depuis des années : une qualité rapportée supérieure à celle de l’attention complète dans trois contextes exigeants. L’entreprise affirme que son architecture a dominé les tests à contexte court, les évaluations à contexte long et l’apprentissage par renforcement dans des conditions d’entraînement comparables.

Les chiffres d’efficacité renforcent ce défi. Moonshot rapporte jusqu’à 75 % de cache clé-valeur en moins et un décodage 6,3 fois plus rapide avec un contexte d’un million de tokens. Ces gains proviennent du remplacement de la plupart des couches d’attention globale par Kimi Delta Attention, tout en conservant quelques couches globales.

Cette conception hybride met l’attention complète, et plus précisément Multi-Head Latent Attention, sous pression. L’attention complète est restée le choix le plus sûr en matière de qualité malgré ses coûts croissants en mémoire et en calcul. Moonshot soutient que les concepteurs de modèles n’ont plus besoin d’accepter ce compromis.

Les preuves sont substantielles, mais pas définitives. Les comparaisons proviennent des propres expériences de Moonshot, avec une même famille de modèles et son système d’entraînement interne. Les poids ouverts, les kernels et le code de serving rendent ces affirmations inhabituellement vérifiables, mais le comportement en production dépend encore de la fiabilité logicielle et des conditions matérielles.

Kimi Linear modifie le compromis de l’attention

Moonshot ne présente pas Kimi Linear comme un compromis plus petit. L’entreprise présente cette architecture comme un remplacement plus puissant de l’attention complète.

Le rapport technique décrit un modèle mixture-of-experts comptant 48 milliards de paramètres au total et 3 milliards de paramètres actifs. Les paramètres actifs sont le sous-ensemble utilisé pour chaque token, qui détermine en grande partie le calcul requis lors de l’inférence.

Le modèle combine Kimi Delta Attention, ou KDA, avec Multi-Head Latent Attention, ou MLA. KDA est un mécanisme d’attention linéaire récurrente qui maintient un état de taille fixe au lieu de stocker chaque clé et chaque valeur précédentes.

MLA est une forme compressée d’attention globale associée aux conceptions de modèles de DeepSeek. Elle réduit les besoins en cache par rapport à l’attention multi-tête conventionnelle, mais son cache continue de croître avec la séquence.

Moonshot utilise trois couches KDA pour chaque couche MLA. Les couches globales préservent un accès direct à l’ensemble du contexte, tandis que les couches linéaires traitent la plupart des tokens au moyen de mises à jour d’état récurrentes.

Ce ratio est important, car l’attention linéaire pure reste confrontée à un problème de capacité mémoire. Un état fixe doit compresser une séquence entière dans une représentation limitée. Les détails peuvent entrer en collision, s’estomper ou devenir difficiles à récupérer à mesure que les entrées grandissent.

L’attention complète évite ce goulot d’étranglement spécifique en préservant les représentations des tokens précédents. Chaque nouveau token peut se comparer directement à l’historique stocké, même si le cache qui en résulte augmente avec la longueur du contexte.

Kimi Linear ne prétend pas que cette contrainte d’état fini a disparu. À la place, l’architecture répartit le travail entre deux mécanismes. KDA fournit un traitement local et récurrent efficace, tandis que des couches MLA périodiques restaurent l’accès global.

Moonshot a entraîné ses principaux modèles de comparaison sur 1 400 milliards de tokens avec la même recette. Selon le rapport, Kimi Linear a surpassé la référence full-MLA dans chacune des évaluations de préentraînement à contexte court répertoriées.

Son score MMLU-Pro a atteint 51,0, contre 47,2 pour full MLA. Kimi Linear a également obtenu 73,8 sur MMLU, tandis que MLA a atteint 71,6.

La tendance s’est étendue à HellaSwag, ARC-Challenge, Winogrande et Big-Bench Hard. Les écarts individuels variaient, mais Moonshot n’a rapporté aucune baisse à contexte court dans la comparaison présentée.

Ce résultat inverse l’argument habituel contre l’attention linéaire. Historiquement, les équipes adoptaient des méthodes linéaires parce qu’elles réduisaient les coûts d’inférence, non parce qu’elles amélioraient systématiquement la qualité sur les benchmarks conventionnels.

Des travaux tels que linear transformers ont établi cet argument computationnel il y a des années. Réorganiser les calculs d’attention pouvait rendre le traitement autorégressif linéaire par rapport à la longueur de la séquence et maintenir un état récurrent de taille constante.

La qualité restait le problème le plus difficile. L’attention Softmax pouvait établir des connexions précises et dépendantes du contenu à travers une séquence. Les premières alternatives linéaires perdaient souvent en précision, surtout lorsque les tâches exigeaient une récupération exacte ou des associations complexes.

Kimi Linear modifie donc davantage qu’un classement de benchmark. Il apporte des éléments montrant qu’un hybride soigneusement conçu peut faire progresser l’efficacité et la qualité dans la même direction.

Ces éléments créent la tension centrale de l’article. Si des tests indépendants confirment les résultats de Moonshot, l’attention complète cessera d’être le choix par défaut automatique pour les modèles à contexte long sensibles à la qualité.

Pourquoi le décodage à contexte long met l’attention complète sous pression

L’avantage décisif apparaît pendant la génération, lorsque chaque token supplémentaire oblige un modèle à attention complète à revisiter un cache en expansion.

Un cache clé-valeur stocke les représentations d’attention des tokens précédents. Il évite à un modèle de recalculer l’intégralité de son historique à chaque étape de décodage.

Le cache continue néanmoins de croître à mesure que la conversation, le document ou la trajectoire de l’agent s’allonge. Cette croissance consomme la mémoire des accélérateurs et réduit le nombre de requêtes qu’un serveur peut traiter simultanément.

MLA compresse déjà considérablement ce cache. Moonshot rapporte néanmoins que Kimi Linear réduit son utilisation jusqu’à 75 % supplémentaires par rapport à sa référence full-MLA.

La raison tient au mélange de couches. Seul un quart des couches d’attention utilise MLA et nécessite un cache dépendant de la longueur de séquence. Les trois couches KDA maintiennent des états récurrents dont la taille ne s’accroît pas avec chaque token.

Cette distinction devient importante pour les charges de travail dominées par le décodage. Les agents de programmation de longue durée, les systèmes de recherche et les assistants utilisant des outils peuvent générer des trajectoires étendues après avoir reçu de grandes entrées.

Un benchmark de contexte conventionnel met souvent l’accent sur le prefill, c’est-à-dire le traitement initial d’une entrée. Les charges de travail d’agents ajoutent une autre contrainte, car la génération peut se poursuivre à travers de nombreuses étapes de raisonnement et réponses d’outils.

Moonshot a mesuré le temps par token de sortie pour des longueurs de décodage croissantes. À un million de tokens, le rapport indique 1,84 milliseconde pour Kimi Linear et 11,48 millisecondes pour MLA.

C’est la base de l’avantage rapporté de 6,3 fois. L’écart était plus faible pour les longueurs plus courtes, puis s’est creusé à mesure que le cache MLA exerçait davantage de pression sur la mémoire et le batching.

La comparaison ne signifie pas que chaque déploiement produira six fois plus de tokens par seconde. Le résultat de Moonshot reflète une configuration matérielle, une configuration de modèle, un régime de batching et une implémentation spécifiques.

Le débit diffère aussi de la latence d’une requête unique. Un cache plus petit permet à un serveur d’accueillir des lots plus grands, ce qui peut accroître le débit total même lorsque le calcul individuel change moins radicalement.

Le rapport montre un avantage de prefill plus modeste. Avec une longueur d’entrée d’un million de tokens, Kimi Linear aurait traité le prompt 2,9 fois plus rapidement que MLA.

Ces mesures expliquent pourquoi l’architecture vise les agents plutôt que le seul résumé de documents. Un système qui lit une fois et répond brièvement tire moins de valeur d’un décodage à état constant.

Un système qui raisonne de façon répétée, appelle des outils, reçoit des observations et continue de générer fait face à une courbe de coûts différente. Son historique s’allonge durant la tâche, précisément lorsque la pression sur le cache devient plus difficile à gérer.

Cette pression touche les développeurs de modèles, les plateformes d’inférence et les acheteurs d’entreprise. Les développeurs doivent décider si l’attention globale partout justifie encore son coût de serving.

Les plateformes d’inférence ont besoin de kernels et d’ordonnanceurs qui comprennent l’état d’attention récurrente. Les acheteurs d’entreprise ont besoin de preuves que la réduction de l’utilisation mémoire se maintient avec des exigences réalistes de concurrence, de récupération et de fiabilité.

Pour le travail à forte intensité de connaissances, le contexte long nécessite également une organisation, plutôt qu’une simple capacité brute. Une base de connaissances interrogeable peut sélectionner les éléments pertinents avant qu’un modèle ne les traite.

Kimi Linear n’élimine pas ce besoin architectural. Il modifie le coût du traitement et de l’extension du contexte fourni par l’application.

La pression à court terme pèse donc le plus lourdement sur les concepteurs d’agents IA de longue durée. Ils disposent désormais d’une implémentation ouverte qui revendique une meilleure qualité, parallèlement à une courbe de coûts de décodage plus plate.

Comment Kimi Linear utilise une mémoire récurrente plus intelligente

KDA améliore l’attention linéaire en contrôlant plus finement ce que sa mémoire récurrente efface et préserve.

Kimi Delta Attention étend Gated DeltaNet, une architecture antérieure qui combine des portes de décroissance avec une mise à jour de mémoire fondée sur la règle delta. L’article Gated DeltaNet a rapporté des gains par rapport à Mamba2 et DeltaNet dans des tâches de récupération et de langage.

Une règle delta met à jour la mémoire en fonction de l’erreur de prédiction. En termes simplifiés, le modèle tente de remplacer une association clé-valeur obsolète au lieu d’ajouter continuellement de nouvelles informations.

Ce comportement de mise à jour aide à empêcher la mémoire de devenir une somme incontrôlée de tout ce qui a été vu auparavant. Il donne aussi à l’état récurrent un moyen de réviser des associations antérieures.

Gated DeltaNet ajoute un mécanisme de décroissance qui détermine la vitesse à laquelle la mémoire s’estompe. Toutefois, une seule porte peut encore s’appliquer de manière trop large à un état comportant de nombreux canaux distincts.

KDA rend ce contrôle plus granulaire. Ses portes plus fines peuvent permettre à différentes parties de l’état d’oublier à des rythmes différents, selon le token actuel et les projections apprises.

Cela compte, car le contexte utile n’expire pas uniformément. Un indice temporaire de formatage peut vite devenir inutile, tandis qu’une contrainte utilisateur ou une définition de fonction doit rester disponible.

L’architecture donne au modèle davantage de contrôle sur cette allocation. Sa mémoire récurrente reste finie, mais il peut utiliser cette capacité de manière plus sélective.

Moonshot a également conçu un algorithme d’entraînement par blocs pour KDA. Le découpage en blocs permet au modèle de traiter des groupes de tokens en parallèle pendant l’entraînement, plutôt que d’appliquer chaque mise à jour récurrente séquentiellement.

Le rapport utilise une structure de transition spécialisée diagonale-plus-faible-rang. Cette forme mathématique rend le calcul par blocs plus efficace tout en préservant le comportement prévu de la règle delta.

Ce travail d’implémentation est essentiel. Une architecture à la complexité séduisante peut néanmoins échouer si ses kernels introduisent suffisamment de surcharge pour effacer le bénéfice théorique.

Les mesures de prefill de Moonshot indiquent que KDA ajoute une latence négligeable par rapport à l’hybride Gated DeltaNet testé dans le rapport. Pourtant, il a fourni de meilleurs résultats de benchmark que cette référence.

La comparaison avec Gated DeltaNet révèle aussi pourquoi l’attention globale reste présente dans la conception. Kimi Linear et l’hybride Gated DeltaNet étaient proches dans les évaluations à contexte court, Kimi étant généralement en tête.

Avec un contexte de 128 000 tokens, l’hybride Gated DeltaNet a obtenu une moyenne de 51,2 dans la suite à contexte long de Moonshot. Full MLA a atteint une moyenne de 52,2, tandis que Kimi Linear est monté à 54,5.

La voie de l’efficacité pure n’a donc pas dominé la qualité à contexte long. Le résultat plus solide est venu de l’association de KDA avec des couches MLA périodiques et du traitement positionnel choisi par Moonshot.

Sur RULER, une suite synthétique qui teste la récupération et la manipulation dans de longs contextes, Kimi Linear a obtenu 84,3. Full MLA a obtenu 81,3, tandis que l’hybride Gated DeltaNet a obtenu 80,5.

Kimi Linear a également dominé RepoQA avec 68,5, contre 63,0 pour les deux références. RepoQA évalue les réponses aux questions sur des dépôts logiciels, ce qui le rend pertinent pour les systèmes de programmation et de recherche de code.

Il n'a pas dominé toutes les tâches à long contexte. MLA a obtenu 36,1 sur LongBench v2, contre 35,0 pour Kimi Linear. MLA a également mené l'évaluation Frames, avec 60,5 contre 58,8.

Ces exceptions comptent. Elles montrent que KDA n'a pas supprimé tous les avantages de l'attention complète, y compris au sein de l'évaluation de Moonshot.

Le résultat global reste toutefois favorable à l'hybride. Plus important encore, ses plus grands gains d'efficacité apparaissent là où la référence à attention complète devient la plus coûteuse.

Voici comment Kimi Linear fonctionne, sans en faire un tutoriel produit. Il traite la mémoire récurrente et l'accès global aux tokens comme des ressources complémentaires, puis les répartit couche par couche.

Cette répartition est le mécanisme à l'origine du renversement. Moonshot n'a pas cherché à faire imiter l'attention complète par l'attention linéaire partout. L'entreprise a conservé suffisamment d'attention globale pour couvrir le point faible de la mémoire récurrente.

L'apprentissage par renforcement teste un autre type de mémoire

Les résultats de Moonshot en apprentissage par renforcement suggèrent que l'architecture peut supporter de longues trajectoires générées, et pas seulement retrouver des faits dans de grands prompts.

L'apprentissage par renforcement introduit un test différent du préentraînement. Le modèle génère des réponses, reçoit des récompenses et s'ajuste vers les comportements qui obtiennent de meilleurs scores selon l'objectif d'entraînement.

Pour les modèles de raisonnement, ces sorties peuvent devenir longues. Un modèle peut explorer des calculs, réviser des étapes intermédiaires ou produire des séquences étendues d'utilisation d'outils avant d'arriver à une réponse.

Moonshot a comparé Kimi Linear à MLA complet en utilisant l'apprentissage par renforcement avec des récompenses vérifiables. RLVR utilise des résultats qui peuvent être contrôlés automatiquement, comme l'exactitude d'une réponse mathématique.

L'entreprise indique que les deux modèles ont utilisé le même algorithme et les mêmes hyperparamètres. Moonshot a évalué leurs progrès sur des tests de mathématiques incluant AIME 2025 et MATH 500.

Selon l'article, Kimi Linear a maintenu de meilleures performances tout au long du processus d'entraînement. Son avantage est apparu à la fois dans la précision d'entraînement et dans les courbes d'évaluation sur données retenues.

Ce résultat importe, car l'état fixe de l'attention linéaire aurait pu peiner face à un raisonnement prolongé. Des étapes antérieures importantes pourraient disparaître à mesure que la séquence générée s'allonge.

Les courbes de Moonshot suggèrent que les contrôles de mémoire de KDA, combinés à des couches globales périodiques, ont préservé suffisamment d'état utile pour les charges de raisonnement testées.

Le rapport ne fournit pas de réplication indépendante de cette conclusion. Il utilise également le jeu de données interne de Moonshot pour l'entraînement mathématique, que les chercheurs externes ne peuvent pas inspecter entièrement.

Des hyperparamètres identiques améliorent l'équité, mais ne tranchent pas toutes les comparaisons. Un effort d'ajustement spécifique à l'architecture pourrait modifier les résultats absolus ou réduire l'écart.

Une autre interprétation mérite d'être considérée. L'architecture Kimi Linear pourrait apporter un avantage d'optimisation au système d'entraînement de Moonshot, plutôt qu'un avantage universel de qualité.

Cela resterait utile, mais rendrait l'affirmation plus limitée. D'autres tailles de modèles, mélanges de données, conceptions de récompenses et cadres d'entraînement pourraient produire des classements différents.

La configuration de mixture-of-experts à 48 milliards de paramètres complique également la généralisation. Un modèle avec 3 milliards de paramètres actifs ne se comporte pas exactement comme un modèle dense de même taille active.

Ses couches d'experts contiennent une capacité totale bien plus importante que ne le suggère le nombre de paramètres actifs. Les résultats pourraient dépendre de l'interaction entre les experts clairsemés et la pile d'attention hybride.

Les développeurs devraient donc distinguer trois questions. KDA améliore-t-il le modèle de Moonshot, l'attention linéaire hybride améliore-t-elle des architectures comparables, et améliore-t-elle une charge de production donnée ?

L'article apporte des éléments encourageants pour la première question et une piste de recherche crédible pour la deuxième. Seule une évaluation au niveau de la charge de travail peut répondre à la troisième.

Pour un agent d'entreprise, la précision des benchmarks ne suffit pas. Le système doit conserver les instructions, citer les bons éléments de preuve, gérer les échecs d'outils et rester stable lors d'interactions répétées.

Une architecture à état récurrent peut également être plus difficile à inspecter. L'attention complète expose un cache directement lié aux tokens précédents, tandis que KDA compresse l'historique dans des matrices d'état apprises.

Cette compression est la source de son efficacité. Elle rend aussi les défaillances moins intuitives lorsque le modèle oublie ou écrase un élément important.

L'apprentissage par renforcement renforce donc l'argument de Moonshot sans clore le débat. Il montre que l'architecture est restée compétitive dans un régime d'entraînement à sorties longues qui sollicite directement la mémoire.

Le code ouvert rend les affirmations testables, et la pile logicielle ajoute des risques

La publication ouverte de Kimi Linear abaisse la barrière de vérification, mais la justesse de l'implémentation devient désormais une composante de la justesse du modèle.

Moonshot a publié des checkpoints préentraînés et affinés par instruction en même temps que l'article. L'entreprise a également publié le kernel KDA et une implémentation pour le moteur d'inférence vLLM.

Le dépôt officiel décrit un déploiement vLLM compatible avec OpenAI, avec une longueur maximale de modèle de 1 048 576 tokens. Il documente le même ratio de trois couches KDA pour une couche MLA.

Les chercheurs peuvent inspecter l'architecture, exécuter des évaluations contrôlées et comparer la consommation mémoire. Les équipes d'infrastructure peuvent profiler les kernels plutôt que de se fier uniquement aux graphiques d'un rapport.

Les poids du modèle permettent également de tester précisément les défaillances. Les évaluateurs peuvent varier l'emplacement des preuves, introduire des faits concurrents ou prolonger la génération après un long préremplissage.

Cette ouverture est particulièrement importante pour un nouveau mécanisme d'attention. De petites erreurs dans la disposition des états, les limites de blocs, la mise en cache ou le traitement par lots peuvent corrompre discrètement le comportement à long contexte.

Un rapport de bug vLLM ultérieur illustre ce risque. Le rapport a identifié une erreur apparente de disposition de l'état récurrent affectant le préremplissage KDA par blocs dans plusieurs versions de vLLM.

Le signalement a constaté que les prompts courts restaient cohérents tandis que la récupération dans un long contexte échouait. Un test d'aiguille renvoyait du texte de remplissage voisin au lieu de la phrase demandée.

Le problème a été marqué comme résolu, mais son existence porte une leçon plus large. Une architecture de modèle évaluée par benchmark et un chemin de service en production ne sont pas le même artefact.

Le service à attention complète bénéficie de plusieurs années d'optimisation, de tests et d'expérience opérationnelle. KDA nécessite des kernels plus récents et une logique de gestion d'état sur plusieurs backends matériels.

vLLM expose désormais un module Kimi Linear, ce qui améliore l'accessibilité. La compatibilité ne garantit pas des performances ou une fiabilité identiques selon les versions.

Les équipes qui évaluent le modèle devraient figer les versions logicielles exactes. Elles devraient tester la récupération après long préremplissage, le décodage par lots, la mise en cache des préfixes et le comportement des états aux limites de blocs.

Elles devraient également mesurer la concurrence réelle. Le plus grand bénéfice de débit présenté dans l'article dépend en partie de l'utilisation de la mémoire économisée pour des lots plus importants.

Si une application ne sert qu'une seule requête à faible volume, le gain opérationnel peut différer. Une plateforme d'agents à forte concurrence pourrait bénéficier bien davantage du cache plus compact.

Le matériel compte également. Les kernels spécialisés peuvent se comporter différemment selon les architectures NVIDIA ou les accélérateurs alternatifs. La disponibilité des kernels peut déterminer si l'efficacité théorique atteint la production.

La validation la plus solide combinerait des tests de qualité indépendants avec des mesures de service de bout en bout. Les évaluateurs devraient indiquer le matériel, la précision, la taille des lots, la longueur d'entrée, la longueur de sortie et le commit logiciel.

Ils devraient également comparer avec MLA optimisé plutôt qu'avec la seule attention multi-têtes conventionnelle. Moonshot a choisi MLA comme référence, ce qui rend la réduction de cache revendiquée plus exigeante.

La publication mérite d'être saluée pour avoir rendu ce travail possible. De nombreuses affirmations architecturales arrivent sans poids ni code efficace, laissant les observateurs externes incapables de reproduire le résultat central.

Néanmoins, des artefacts ouverts ne rendent pas automatiquement les conclusions de l'article valides. Ils transforment une affirmation d'entreprise en proposition d'ingénierie falsifiable.

Ce qu'il faut surveiller après la publication de Kimi Linear

Le prochain verdict dépend de réplications indépendantes, d'un support de service stable et d'une adoption dans des modèles de production plus importants.

Le premier signal sera la réplication des benchmarks dans des conditions d'entraînement comparables. Des équipes indépendantes doivent comparer KDA hybride à l'attention complète avec des nombres de paramètres, des données et des budgets d'entraînement équivalents.

Les comparaisons d'inférence seule ne peuvent pas isoler la contribution de l'architecture. Un modèle peut différer par la qualité des données, le routage des experts, l'optimisation ou le post-entraînement.

Les études les plus utiles entraîneront plusieurs architectures à partir de zéro. Elles devraient couvrir la modélisation du langage à contexte court, la récupération à long contexte, les tâches de code et l'apprentissage par renforcement.

Des gains constants renforceraient l'affirmation centrale de Moonshot. Des résultats mitigés suggéreraient que Kimi Linear fonctionne le mieux à certaines échelles ou avec certaines recettes d'entraînement.

Le deuxième signal est la fiabilité du service sur les versions de vLLM et les plateformes matérielles. Les tests à long contexte devraient devenir des contrôles de régression de routine pour la gestion des états KDA.

Un support stable rendrait l'architecture crédible pour les agents de production. Des défaillances répétées d'état ou de kernel affaibliraient l'argument, quels que soient les résultats du modèle présentés dans l'article.

Les équipes devraient surveiller si les outils de déploiement prennent en charge la réutilisation des préfixes, la quantification, le décodage spéculatif et le traitement continu par lots sans sacrifier la justesse de KDA. Ces fonctionnalités façonnent l'économie réelle du service.

Le troisième signal est l'adoption architecturale. L'approbation la plus forte serait l'apparition de KDA dans de plus grands systèmes Moonshot ou dans des familles de modèles indépendantes.

L'adoption montrerait que Moonshot considère la conception extensible au-delà d'un seul checkpoint de recherche. Son utilisation externe indiquerait que d'autres équipes peuvent reproduire ses avantages en entraînement et en inférence.

Les déploiements plus importants exposeront également la conception à des charges de travail plus difficiles. Les tâches multi-agents, la programmation à l'échelle d'un dépôt, la synthèse de recherche et l'utilisation prolongée d'outils peuvent solliciter la mémoire différemment des suites académiques.

Les lecteurs ne devraient pas réduire cette histoire à une affirmation de vitesse multipliée par six. Ce chiffre représente le point de décodage à long contexte le plus favorable dans la configuration rapportée par Moonshot.

L'évolution plus importante est une contestation crédible du statut de l'attention complète comme choix par défaut privilégiant la qualité. Kimi Linear combine l'efficacité récurrente avec un accès global suffisant pour éviter le compromis habituel.

Pour les développeurs, la question pratique est précise : l'architecture préserve-t-elle les preuves et les instructions dont votre application a besoin tout au long d'une longue génération ?

Pour les équipes d'infrastructure, la question porte sur la capacité réellement exploitable. Le cache réduit se traduit-il par des lots sûrs plus importants, une latence moindre ou moins d'accélérateurs sous un trafic représentatif ?

Pour les acheteurs d'entreprise, la fiabilité devrait primer sur les étiquettes architecturales. Demandez aux fournisseurs des tests de récupération à long contexte, les versions logicielles, les hypothèses de concurrence et une analyse des défaillances.

Kimi Linear donne désormais à l'industrie quelque chose de concret à tester. Exécutez-le sur vos prompts réels les plus longs, prolongez la sortie et vérifiez ce qui subsiste. Si les résultats indépendants confirment le rapport de Moonshot, l'attention complète aura besoin d'une défense plus solide que la seule habitude.