Kimi Linear ha appena battuto la Full Attention sul suo stesso terreno

Kimi Linear ha dato a Moonshot AI un risultato inseguito per anni dai ricercatori della linear attention: una qualità riportata superiore alla full attention in tre contesti impegnativi. L'azienda afferma che la sua architettura abbia primeggiato nei test a contesto breve, nelle valutazioni a contesto lungo e nel reinforcement learning a parità di condizioni di addestramento.

I numeri sull'efficienza rendono la sfida ancora più netta. Moonshot riporta fino al 75% in meno di utilizzo della key-value cache e una decodifica 6,3 volte più veloce con un contesto di un milione di token. Questi vantaggi derivano dalla sostituzione della maggior parte dei layer di global attention con Kimi Delta Attention, mantenendo al contempo alcuni layer globali.

Questo design ibrido mette sotto pressione la full attention, in particolare la Multi-Head Latent Attention. La full attention è rimasta la scelta più sicura in termini di qualità nonostante i crescenti costi di memoria e calcolo. Moonshot sostiene che chi costruisce modelli non debba più accettare questo compromesso.

Le prove sono sostanziali ma non definitive. I confronti provengono dagli esperimenti interni di Moonshot, usando una sola famiglia di modelli e il suo sistema di addestramento interno. Open weights, kernel e codice di serving rendono le affermazioni insolitamente verificabili, ma il comportamento in produzione dipende ancora dalla correttezza del software e dalle condizioni hardware.

Kimi Linear cambia il compromesso dell'Attention

Moonshot non presenta Kimi Linear come un compromesso ridotto. Presenta l'architettura come un sostituto più potente della full attention.

Il technical report descrive un modello mixture-of-experts con 48 miliardi di parametri totali e 3 miliardi di parametri attivi. I parametri attivi sono il sottoinsieme usato per ciascun token, che determina in larga misura il calcolo richiesto durante l'inferenza.

Il modello combina Kimi Delta Attention, o KDA, con Multi-Head Latent Attention, o MLA. KDA è un meccanismo di linear attention ricorrente che mantiene uno stato di dimensione fissa invece di memorizzare ogni key e value precedente.

MLA è una forma compressa di global attention associata ai design dei modelli DeepSeek. Riduce i requisiti di cache rispetto alla convenzionale multi-head attention, ma la sua cache continua a crescere con la sequenza.

Moonshot usa tre layer KDA per ogni layer MLA. I layer globali preservano l'accesso diretto all'intero contesto, mentre i layer lineari gestiscono la maggior parte dell'elaborazione dei token tramite aggiornamenti dello stato ricorrente.

Questo rapporto è importante perché la linear attention pura affronta ancora un problema di capacità della memoria. Uno stato fisso deve comprimere un'intera sequenza in una rappresentazione limitata. I dettagli possono sovrapporsi, svanire o diventare difficili da recuperare man mano che gli input crescono.

La full attention evita questo specifico collo di bottiglia preservando le rappresentazioni dei token precedenti. Ogni nuovo token può confrontarsi direttamente con la cronologia memorizzata, anche se la cache risultante cresce con la lunghezza del contesto.

Kimi Linear non finge che questo vincolo dello stato finito sia scomparso. L'architettura assegna invece compiti diversi a due meccanismi. KDA fornisce elaborazione locale e ricorrente efficiente, mentre i layer MLA periodici ripristinano l'accesso globale.

Moonshot ha addestrato i suoi principali modelli di confronto su 1,4 trilioni di token con la stessa ricetta. Secondo il report, Kimi Linear ha superato la baseline full-MLA in ogni valutazione di pretraining a contesto breve elencata.

Il suo punteggio MMLU-Pro ha raggiunto 51,0, rispetto a 47,2 per full MLA. Kimi Linear ha inoltre ottenuto 73,8 su MMLU, mentre MLA ha raggiunto 71,6.

Il trend si è esteso a HellaSwag, ARC-Challenge, Winogrande e Big-Bench Hard. I margini individuali variavano, ma Moonshot non ha riportato alcuna perdita a contesto breve nel confronto elencato.

Questo risultato ribalta la consueta argomentazione contro la linear attention. Storicamente, i team accettavano i metodi lineari perché riducevano i costi di inferenza, non perché migliorassero con costanza la qualità nei benchmark convenzionali.

Ricerche come i linear transformers hanno stabilito il caso computazionale anni fa. Riordinare i calcoli dell'attention poteva rendere l'elaborazione autoregressiva lineare rispetto alla lunghezza della sequenza e mantenere uno stato ricorrente di dimensione costante.

La qualità è rimasta il problema più difficile. La softmax attention poteva creare connessioni precise e dipendenti dal contenuto lungo una sequenza. Le prime alternative lineari spesso perdevano accuratezza, soprattutto quando i compiti richiedevano recupero esatto o associazioni complesse.

Kimi Linear cambia quindi più di una classifica di benchmark. Fornisce evidenza che un ibrido progettato con cura possa spostare efficienza e qualità nella stessa direzione.

Questa evidenza crea la tensione centrale dell'articolo. Se test indipendenti confermeranno i risultati di Moonshot, la full attention smetterà di essere l'impostazione predefinita automatica per i modelli a contesto lungo sensibili alla qualità.

Perché la decodifica a contesto lungo mette sotto pressione la Full Attention

Il vantaggio decisivo emerge durante la generazione, quando ogni token aggiuntivo costringe un modello full-attention a rivisitare una cache in espansione.

Una key-value cache memorizza le rappresentazioni di attention dei token precedenti. Evita che un modello ricalcoli l'intera cronologia a ogni passaggio di decodifica.

La cache continua però a crescere man mano che la conversazione, il documento o la traiettoria dell'agente si allungano. Questa crescita consuma la memoria degli acceleratori e riduce il numero di richieste che un server può elaborare insieme.

MLA comprime già sostanzialmente questa cache. Moonshot riporta tuttavia che Kimi Linear riduce l'uso della cache fino a un ulteriore 75% rispetto alla sua baseline full-MLA.

Il motivo risiede nella combinazione dei layer. Solo un quarto dei layer di attention usa MLA e richiede una cache dipendente dalla lunghezza della sequenza. I tre layer KDA mantengono stati ricorrenti le cui dimensioni non si espandono con ogni token.

Questa distinzione diventa importante per i carichi di lavoro dominati dalla decodifica. Agenti di coding a lunga esecuzione, sistemi di ricerca e assistenti che usano strumenti possono generare traiettorie estese dopo aver ricevuto input di grandi dimensioni.

Un benchmark di contesto convenzionale spesso enfatizza il prefill, l'elaborazione iniziale di un input. I carichi di lavoro degli agenti aggiungono un ulteriore onere perché la generazione può proseguire attraverso molti passaggi di ragionamento e risposte degli strumenti.

Moonshot ha misurato il tempo per token di output a lunghezze di decodifica crescenti. A un milione di token, il report indica 1,84 millisecondi per Kimi Linear e 11,48 millisecondi per MLA.

Questa è la base del vantaggio riportato di 6,3 volte. Il divario era minore a lunghezze più brevi, poi si ampliava quando la cache MLA esercitava maggiore pressione su memoria e batching.

Il confronto non significa che ogni deployment produrrà sei volte più token al secondo. Il risultato di Moonshot riflette una configurazione hardware specifica, una configurazione del modello, un regime di batching e un'implementazione.

Il throughput differisce inoltre dalla latenza di una singola richiesta. Una cache più piccola consente a un server di contenere batch più grandi, aumentando il throughput totale anche quando il calcolo individuale cambia meno drasticamente.

Il report mostra un vantaggio di prefill più modesto. Con una lunghezza di input di un milione di token, Kimi Linear avrebbe elaborato il prompt 2,9 volte più velocemente di MLA.

Queste misurazioni spiegano perché l'architettura si rivolge agli agenti anziché alla sola sintesi dei documenti. Un sistema che legge una volta e risponde brevemente trae meno valore dalla decodifica a stato costante.

Un sistema che ragiona ripetutamente, chiama strumenti, riceve osservazioni e continua a generare affronta una curva di costo diversa. La sua cronologia cresce durante il compito, proprio quando la pressione sulla cache diventa più difficile da gestire.

Questa pressione raggiunge gli sviluppatori di modelli, le piattaforme di inferenza e gli acquirenti aziendali. Gli sviluppatori devono decidere se la global attention ovunque giustifichi ancora il suo costo di serving.

Le piattaforme di inferenza hanno bisogno di kernel e scheduler che comprendano lo stato della recurrent attention. Gli acquirenti aziendali necessitano di prove che il minore utilizzo della memoria resista a requisiti realistici di concorrenza, retrieval e affidabilità.

Per il lavoro ad alta intensità di conoscenza, il contesto lungo richiede anche organizzazione, non soltanto capacità grezza. Una base di conoscenza ricercabile può selezionare le prove rilevanti prima che un modello le elabori.

Kimi Linear non elimina questa necessità architetturale. Cambia il costo dell'elaborazione e dell'estensione di qualunque contesto fornisca l'applicazione.

La pressione nel breve termine ricade quindi soprattutto sui costruttori di agenti AI a lunga esecuzione. Ora dispongono di un'implementazione aperta che afferma una qualità migliore insieme a una curva dei costi di decodifica più piatta.

Come Kimi Linear usa una memoria ricorrente più intelligente

KDA migliora la linear attention controllando con maggiore precisione ciò che la sua memoria ricorrente cancella e preserva.

Kimi Delta Attention estende Gated DeltaNet, un'architettura precedente che combina decay gates con un aggiornamento della memoria basato sulla delta rule. Il paper su Gated DeltaNet ha riportato miglioramenti rispetto a Mamba2 e DeltaNet nei compiti di retrieval e linguaggio.

Una delta rule aggiorna la memoria in base all'errore di previsione. In termini semplificati, il modello cerca di sostituire un'associazione key-value obsoleta invece di aggiungere continuamente nuove informazioni.

Questo comportamento di aggiornamento aiuta a evitare che la memoria diventi una somma incontrollata di tutto ciò che è stato visto in precedenza. Offre inoltre allo stato ricorrente un modo per rivedere associazioni precedenti.

Gated DeltaNet aggiunge un meccanismo di decadimento che determina la rapidità con cui la memoria svanisce. Tuttavia, un singolo gate può ancora applicarsi in modo troppo ampio a uno stato con molti canali distinti.

KDA rende questo controllo più granulare. I suoi gate più dettagliati possono consentire a diverse parti dello stato di dimenticare a velocità diverse, in base al token corrente e alle proiezioni apprese.

Ciò conta perché il contesto utile non scade in modo uniforme. Un segnale temporaneo di formattazione può diventare rapidamente irrilevante, mentre un vincolo dell'utente o la definizione di una funzione dovrebbero rimanere disponibili.

L'architettura offre al modello maggiore controllo su questa allocazione. Mantiene comunque una memoria ricorrente finita, ma può usare tale capacità in modo più selettivo.

Moonshot ha inoltre progettato un algoritmo di addestramento chunkwise per KDA. Il chunking consente al modello di elaborare gruppi di token in parallelo durante l'addestramento invece di applicare ogni aggiornamento ricorrente in sequenza.

Il report utilizza una struttura di transizione specializzata diagonal-plus-low-rank. Questa forma matematica rende il calcolo chunkwise più efficiente preservando al contempo il comportamento previsto della delta rule.

Questo lavoro di implementazione è essenziale. Un'architettura con una complessità interessante può comunque fallire se i suoi kernel introducono un overhead sufficiente a cancellarne il vantaggio teorico.

Le misurazioni di prefill di Moonshot indicano che KDA aggiunge una latenza trascurabile rispetto all'ibrido Gated DeltaNet testato nel report. Eppure ha fornito risultati di benchmark migliori di quella baseline.

Il confronto con Gated DeltaNet rivela anche perché la global attention rimane nel design. Kimi Linear e l'ibrido Gated DeltaNet erano vicini nelle valutazioni a contesto breve, con Kimi generalmente in vantaggio.

Con un contesto di 128.000 token, l'ibrido Gated DeltaNet ha ottenuto una media di 51,2 nella suite a contesto lungo di Moonshot. Full MLA ha ottenuto una media di 52,2, mentre Kimi Linear ha raggiunto 54,5.

La strada della pura efficienza non ha quindi dominato la qualità a contesto lungo. Il risultato più solido è arrivato abbinando KDA a MLA periodico e usando il trattamento posizionale scelto da Moonshot.

Su RULER, una suite sintetica che testa retrieval e manipolazione su contesti lunghi, Kimi Linear ha ottenuto 84,3. Full MLA ha ottenuto 81,3, mentre l'ibrido Gated DeltaNet ha ottenuto 80,5.

Kimi Linear ha inoltre guidato RepoQA con 68,5, rispetto a 63,0 per entrambe le baseline. RepoQA testa la capacità di rispondere a domande su repository software, rendendolo rilevante per i sistemi di coding e ricerca nel codice.

Non ha primeggiato in ogni attività a contesto lungo. MLA ha ottenuto 36,1 su LongBench v2, rispetto a 35,0 per Kimi Linear. MLA ha inoltre guidato la valutazione Frames con 60,5 contro 58,8.

Queste eccezioni sono importanti. Mostrano che KDA non ha eliminato ogni vantaggio della full attention, nemmeno all'interno della valutazione di Moonshot.

Il risultato aggregato ha comunque favorito l'ibrido. Ancora più importante, i maggiori guadagni di efficienza sembrano emergere dove la baseline di full attention diventa più costosa.

Ecco come funziona Kimi Linear, senza trasformare il testo in un tutorial sul prodotto. Tratta la memoria ricorrente e l'accesso globale ai token come risorse complementari, allocandole livello per livello.

Questa allocazione è il meccanismo alla base dell'inversione. Moonshot non ha fatto sì che l'attenzione lineare imitasse la full attention ovunque. Ha mantenuto abbastanza attenzione globale da coprire il punto più debole della memoria ricorrente.

Il Reinforcement Learning testa un diverso tipo di memoria

I risultati di Moonshot nel reinforcement learning suggeriscono che l'architettura possa sostenere lunghe traiettorie generate, non limitarsi a recuperare fatti da prompt di grandi dimensioni.

Il reinforcement learning introduce un test diverso rispetto al preaddestramento. Il modello genera risposte, riceve ricompense e si aggiorna verso comportamenti che ottengono risultati migliori secondo l'obiettivo di addestramento.

Per i modelli di ragionamento, questi output possono diventare lunghi. Un modello può esplorare calcoli, rivedere passaggi intermedi o produrre sequenze estese di utilizzo di strumenti prima di arrivare a una risposta.

Moonshot ha confrontato Kimi Linear con MLA completo utilizzando reinforcement learning con ricompense verificabili. RLVR usa risultati controllabili automaticamente, come la correttezza di una risposta matematica.

L'azienda afferma che entrambi i modelli hanno utilizzato lo stesso algoritmo e gli stessi iperparametri. Moonshot ha valutato i loro progressi su test matematici, inclusi AIME 2025 e MATH 500.

Secondo il paper, Kimi Linear ha mantenuto prestazioni migliori durante il processo di addestramento. Il suo vantaggio è emerso sia nelle curve di accuratezza in addestramento sia in quelle di valutazione hold-out.

Questo risultato è rilevante perché lo stato fisso dell'attenzione lineare avrebbe potuto faticare con il ragionamento prolungato. Passaggi precedenti importanti potrebbero scomparire man mano che la sequenza generata si espande.

Le curve di Moonshot suggeriscono che i controlli di memoria di KDA, combinati con livelli globali periodici, abbiano preservato uno stato utile sufficiente per i carichi di lavoro di ragionamento testati.

Il rapporto non fornisce una replica indipendente di questa conclusione. Utilizza inoltre il set interno di addestramento matematico di Moonshot, che i ricercatori esterni non possono ispezionare completamente.

Iperparametri corrispondenti migliorano l'equità, ma non risolvono ogni confronto. Un impegno di ottimizzazione specifico per l'architettura potrebbe modificare i risultati assoluti o ridurre il divario.

C'è un'altra interpretazione da considerare. L'architettura Kimi Linear potrebbe offrire un vantaggio di ottimizzazione per il sistema di addestramento di Moonshot, anziché un vantaggio universale di qualità.

Sarebbe comunque utile, ma renderebbe l'affermazione più circoscritta. Altre dimensioni dei modelli, miscele di dati, configurazioni delle ricompense e framework di addestramento potrebbero produrre classifiche diverse.

Anche la configurazione mixture-of-experts da 48 miliardi di parametri complica la generalizzazione. Un modello con 3 miliardi di parametri attivi non si comporta esattamente come un modello denso della stessa dimensione attiva.

I suoi livelli di esperti racchiudono una capacità totale molto maggiore di quanto suggerisca il conteggio dei parametri attivi. I risultati potrebbero dipendere dall'interazione tra esperti sparsi e lo stack di attenzione ibrida.

Gli sviluppatori dovrebbero quindi separare tre domande. KDA migliora il modello di Moonshot, l'attenzione lineare ibrida migliora architetture comparabili e migliora uno specifico carico di lavoro di produzione?

Il paper fornisce prove incoraggianti per la prima domanda e una pista di ricerca credibile per la seconda. Solo una valutazione a livello di carico di lavoro può rispondere alla terza.

Per un agente enterprise, l'accuratezza nei benchmark non basta. Il sistema deve preservare le istruzioni, citare le prove corrette, gestire i fallimenti degli strumenti e restare stabile nelle interazioni ripetute.

Un'architettura a stato ricorrente può inoltre essere più difficile da ispezionare. La full attention espone una cache legata direttamente ai token precedenti, mentre KDA comprime la cronologia in matrici di stato apprese.

Questa compressione è la fonte della sua efficienza. Rende però meno intuitivi anche i fallimenti quando il modello dimentica o sovrascrive qualcosa di importante.

Il reinforcement learning rafforza quindi l'argomentazione di Moonshot senza chiudere il caso. Mostra che l'architettura è rimasta competitiva in un regime di addestramento a output lunghi che sottopone direttamente la memoria a stress.

Il codice aperto rende le affermazioni verificabili, e lo stack software aggiunge rischi

Il rilascio aperto di Kimi Linear riduce la barriera alla verifica, ma ora la correttezza dell'implementazione diventa parte della correttezza del modello.

Moonshot ha rilasciato checkpoint preaddestrati e ottimizzati per le istruzioni insieme al paper. Ha inoltre pubblicato il kernel KDA e un'implementazione per il motore di inferenza vLLM.

Il repository ufficiale descrive un deployment vLLM compatibile con OpenAI, con una lunghezza massima del modello di 1.048.576 token. Documenta lo stesso rapporto di tre a uno tra livelli KDA e MLA.

I ricercatori possono ispezionare l'architettura, eseguire valutazioni controllate e confrontare il consumo di memoria. I team infrastrutturali possono profilare i kernel anziché affidarsi soltanto ai grafici di un rapporto.

I pesi del modello consentono inoltre test mirati dei fallimenti. I valutatori possono variare la posizione delle prove, introdurre fatti in conflitto o prolungare la generazione dopo un lungo prefill.

Questa apertura è particolarmente importante per un nuovo meccanismo di attenzione. Piccoli errori nel layout dello stato, nei confini dei chunk, nella cache o nel batching possono corrompere silenziosamente il comportamento a contesto lungo.

Un successivo bug report di vLLM illustra questo rischio. Il rapporto ha identificato un apparente errore nel layout dello stato ricorrente che interessava il prefill a chunk di KDA in diverse versioni di vLLM.

Il segnalante ha riscontrato che i prompt brevi restavano coerenti, mentre il recupero in contesti lunghi falliva. Un test needle restituiva testo di riempimento vicino invece della frase richiesta.

Il problema è stato contrassegnato come risolto, ma la sua esistenza offre una lezione più ampia. Un'architettura di modello sottoposta a benchmark e un percorso di serving in produzione non sono lo stesso artefatto.

Il serving con full attention alle spalle anni di ottimizzazione, test ed esperienza operativa. KDA richiede kernel più recenti e logica di gestione dello stato su più backend hardware.

vLLM ora espone un modulo Kimi Linear, migliorandone l'accessibilità. La compatibilità non garantisce prestazioni o affidabilità identiche tra diverse release.

I team che valutano il modello dovrebbero fissare versioni software esatte. Dovrebbero testare il recupero dopo long prefill, la decodifica in batch, il prefix caching e il comportamento dello stato attraverso i confini dei chunk.

Dovrebbero inoltre misurare la concorrenza effettiva. Il maggiore vantaggio di throughput del paper dipende in parte dall'uso della memoria risparmiata per batch più grandi.

Se un'applicazione serve una sola richiesta a basso volume, il guadagno operativo potrebbe essere diverso. Una piattaforma di agenti ad alta concorrenza potrebbe beneficiare molto di più della cache più piccola.

Anche l'hardware conta. I kernel specializzati possono comportarsi diversamente tra architetture NVIDIA o acceleratori alternativi. La disponibilità dei kernel può determinare se l'efficienza teorica arriva in produzione.

La validazione più solida combinerebbe test di qualità indipendenti con misurazioni end-to-end del serving. I valutatori dovrebbero riportare hardware, precisione, dimensione del batch, lunghezza dell'input, lunghezza dell'output e commit software.

Dovrebbero inoltre confrontarsi con MLA ottimizzato, anziché con la sola attenzione multi-head convenzionale. Moonshot ha scelto MLA come baseline, rendendo più impegnativa la riduzione della cache dichiarata.

Il rilascio merita credito per aver reso possibile questo lavoro. Molte affermazioni architetturali arrivano senza pesi o codice efficiente, lasciando gli esterni impossibilitati a riprodurre il risultato centrale.

Tuttavia, artefatti aperti non rendono automatiche le conclusioni del paper. Trasformano un'affermazione aziendale in una proposizione ingegneristica falsificabile.

Cosa osservare dopo il rilascio di Kimi Linear

Il prossimo verdetto dipende da repliche indipendenti, supporto di serving stabile e adozione in modelli di produzione più grandi.

Il primo segnale è la replica dei benchmark in condizioni di addestramento corrispondenti. I team indipendenti devono confrontare KDA ibrida con full attention utilizzando conteggi di parametri, dati e budget di addestramento equivalenti.

I confronti solo di inferenza non possono isolare il contributo dell'architettura. Un modello può differire per qualità dei dati, instradamento degli esperti, ottimizzazione o post-addestramento.

Gli studi più preziosi addestreranno più architetture da zero. Dovrebbero coprire modellazione linguistica a contesto breve, recupero a contesto lungo, attività sul codice e reinforcement learning.

Guadagni coerenti rafforzerebbero l'affermazione centrale di Moonshot. Risultati misti suggerirebbero che Kimi Linear funziona meglio a determinate scale o con particolari ricette di addestramento.

Il secondo segnale è l'affidabilità del serving tra release di vLLM e piattaforme hardware. I test a contesto lungo dovrebbero diventare controlli di regressione di routine per la gestione dello stato KDA.

Un supporto stabile renderebbe l'architettura credibile per gli agenti di produzione. Fallimenti ripetuti dello stato o dei kernel indebolirebbero il caso, indipendentemente dai risultati del modello nel paper.

I team dovrebbero osservare se gli strumenti di deployment supportano riutilizzo dei prefissi, quantizzazione, speculative decoding e batching continuo senza sacrificare la correttezza di KDA. Queste funzionalità determinano l'economia reale del serving.

Il terzo segnale è l'adozione architetturale. L'approvazione più forte sarebbe la comparsa di KDA in sistemi Moonshot più grandi o in famiglie di modelli non correlate.

L'adozione dimostrerebbe che Moonshot considera il design scalabile oltre un singolo checkpoint di ricerca. L'utilizzo esterno indicherebbe che altri team possono riprodurne i vantaggi in addestramento e inferenza.

I deployment più grandi esporranno inoltre il design a carichi di lavoro più impegnativi. Attività multi-agente, coding su scala di repository, sintesi della ricerca e uso prolungato di strumenti possono stressare la memoria in modo diverso rispetto alle suite accademiche.

I lettori non dovrebbero ridurre la storia a un'affermazione di velocità sei volte superiore. Questa cifra rappresenta il punto di decodifica a contesto lungo più favorevole nella configurazione riportata da Moonshot.

Lo sviluppo più rilevante è una sfida credibile allo status della full attention come impostazione predefinita orientata innanzitutto alla qualità. Kimi Linear combina l'efficienza ricorrente con sufficiente accesso globale da evitare il compromesso consueto.

Per gli sviluppatori, la domanda pratica è specifica: l'architettura preserva le prove e le istruzioni di cui la vostra applicazione ha bisogno durante una lunga generazione?

Per i team infrastrutturali, la domanda riguarda la capacità utilizzabile. La cache ridotta si traduce in batch sicuri più grandi, latenza inferiore o meno acceleratori con traffico rappresentativo?

Per gli acquirenti enterprise, l'affidabilità dovrebbe venire prima delle etichette architetturali. Chiedete ai fornitori test di recupero a contesto lungo, versioni software, ipotesi di concorrenza e analisi dei fallimenti.

Kimi Linear offre ora al settore qualcosa di concreto da testare. Eseguitelo sui vostri prompt reali più lunghi, prolungate l'output e verificate cosa resta. Se i risultati indipendenti corrisponderanno al rapporto di Moonshot, la full attention avrà bisogno di una difesa più solida della semplice familiarità.