Kimi K3 رو در روی Opus 5 تو ساخت دنیای سهبعدی
هوش مصنوعیClaude Opus 5خلاصهٔ کاملتر
به گفتهٔ نویسنده، این تست عمداً سخت طراحی شده: از روی یه عکس مرجع و فقط با یه پرامپت متنی، مدل باید یه دنیای سهبعدی کامل و قابل گشتوگذار بسازه. خروجی Claude Opus 5 بهترین چیزی بوده که تستر تا حالا روی این کار دیده — فیزیک بهتر، کیفیت بصری بالاتر و امکان تعامل با اشیای صحنه — ولی رسیدن بهش حدود ۲۰٪ سهمیهٔ هفتگی اشتراک کلاد، یعنی چیزی نزدیک ۱۰ دلار اعتبار، هزینه برداشته.
طرف مقابل، Kimi K3 (مدل open-weight از Moonshot AI) با همون پرامپت روی Klein اجرا شده؛ یه هارنس ایجنت متنباز با مجوز Apache 2.0 و بیش از ۶۵ هزار ستارهٔ گیتهاب که به مدل خاصی وابسته نیست و هم بهصورت CLI، هم افزونهٔ IDE و هم SDK کار میکنه. روند کارش سادهست: مدل رو انتخاب میکنی، reasoning effort رو روی high میذاری، عکس مرجع رو مستقیم تو ترمینال پیست میکنی و پرامپت رو میدی.
چیزی که این تست رو جالب میکنه ارکستراسیون چندایجنتیه: Kimi K3 قبل از شروع، هفت زیرایجنت بهعلاوهٔ یه ارکستریتور برنامهریزی کرده و Klein وضعیت و وظیفهٔ هر کدوم رو نشون میده. پاس اول خام بود — مثلاً چرخهای ماشین ساده و بیجزئیات — ولی تکرارهای بعدی آج لاستیک و جنس سقف و واقعگرایی دودکشها رو بهتر کردن. مهمتر از همه، مدل خودش فهمید ساختمونها نسبت به عکس مرجع خیلی از هم دورن و تو پاسهای بعدی نزدیکترشون کرد.
نویسنده میگه ارزش این آزمون تو همین حلقهٔ خوداصلاحیه، نه تو یه خروجی تکمرحلهای؛ چون هر بار یه عکس تازه استفاده میشه، مدل نمیتونه به چیزی که تو دادهٔ آموزشی حفظ کرده تکیه کنه و باید مقیاس، تناسب و روابط فضایی رو از یه تصویر تخت بازسازی کنه. جمعبندیش هم روشنه: برای تصمیمهای خلاقانه و طراحی، مدل بستهٔ فرانتیر هنوز جلوتره، ولی برای کار پیادهسازی و تکرار روی یه نقشهٔ مشخص، یه مدل باز مثل Kimi K3 گزینهٔ کاملاً جدی و خیلی ارزونتریه.
نکات کلیدی:
- Opus 5 خروجی باکیفیتتری داد ولی حدود ۲۰٪ سهمیهٔ هفتگی اشتراک کلاد رو مصرف کرد
- Kimi K3 روی هارنس متنباز Klein نتیجهٔ خامتر ولی قابلاستفاده و خیلی ارزونتر ساخت
- Klein با مجوز Apache 2.0 و بیش از ۶۵ هزار ستارهٔ گیتهاب، هم CLI هست هم افزونهٔ IDE هم SDK
- Kimi K3 هفت زیرایجنت و یه ارکستریتور ساخت و بین تکرارها خودش رو اصلاح کرد
- به گفتهٔ نویسنده: طراحی رو به مدل بسته بسپار، پیادهسازی تکراری رو به مدل باز
