ملخص مُنشأ بالذكاء الاصطناعي: في يوليو 2026، أطلقت "ماون آف ذا مون" نموذج Kimi K3 مفتوح المصدر وكشفت لأول مرة عن قائمة تضم 401 مساهمًا. بلغ التقييم الأخير للشركة 31.5 مليار دولار أمريكي، ويضم الفريق أكثر من 300 شخص، بمتوسط عمر أقل من 30 عامًا، أي أن كل فرد يتحمل تقييمًا قدره 700 مليون دولار. ويشمل الفريق الأساسي الثلاثة مؤسسين مشتركين: زهو شين يو، المسؤول عن الخوارزميات، وو يو شين، مهندس البنية، وتشانغ يو تاو، المدير التقني، بالإضافة إلى مجموعة من الكفاءات الأساسية من جامعات مرموقة مثل تسينغهوا وCMU. وقد حقق الفريق ابتكارات متعددة في التقنيات الأساسية مثل آلية الانتباه المختلطة MoBA، وهندسة الاستنتاج المنفصلة Mooncake، ومُحسّن Muon، وحصلت النتائج ذات الصلة على جوائز بارزة مثل أفضل ورقة بحثية في مؤتمر FAST 2025 للتخزين. ويُعرف هذا الفريق الشاب من الهواة بأسلوب إدارته المستوي، حيث يحقق كفاءة هندسية قصوى وفق مبدأ "الطول، السرعة، التوفير"، ليصبح قوة مهمة في مجال النماذج الكبيرة بالصين.

كاتب المقال، المصدر:雷锋网

في 27 يوليو، أطلقت Moonshot جميع جهودها، وأصدرت بالكامل نموذج Kimi K3 بسعة 2.8T بحالة كاملة. وفي نهاية التقرير الفني، كشفوا لأول مرة عن قائمة المساهمين الفعليين وراء Kimi K3، وعدناها فوجدنا 401 عضوًا، ويمكن القول إن هذا يمثل ظهورًا شاملاً لفريق مواهب Moonshot.

من فريق ناشئ كان تقييمه ببضعة مليارات من الدولارات فقط، إلى أن أصبح اليوم بحق "أضواء النموذج الكبير المحلي"، أصبحت لونغ يين آن مين فريقًا تقنيًا نادرًا على الطاولة العالمية قادرًا على مواجهة النماذج الرائدة مثل Claude Fable 5 وGPT-5.6 Sol.

مع إصدار K3، ارتفع التقييم الأخير لـ "الجانب المظلم للقمر" إلى 31.5 مليار دولار، أي ما يقارب 210 مليار يوان صيني، ويدعم هذا التقييم البالغ 210 مليار يوان فريق شاب جدًا.

وفقًا للمعلومات العامة، يبلغ عدد موظفي "الجانب المظلم للقمر" حوالي 300 شخص، ومتوسط أعمارهم أقل من 30 عامًا، و80% منهم من الأشخاص من نوع I. إذا تم حساب ذلك، فهذا يعني أن كل موظف يتحمل تقريبًا تقييمًا قدره 700 مليون يوان صيني.

شكل منظمة "الجانب المظلم للقمر" مسطح للغاية. هناك خمسة مؤسسين لـ "الجانب المظلم للقمر"، وكل مؤسس يتواصل مباشرة مع 40-50 شخصًا تقريبًا. تشتهر الشركة داخليًا بـ "غياب التصنيفات الوظيفية، وغياب مؤشرات الأداء، وغياب الحواجز الإدارية"، حيث يمكن للموظفين تحدي مديريهم في أي وقت. هناك تفصيل واحد: خلال اجتماع تقييم مبكر عام 2025، قدم موظف اقتراحًا جذريًا، وبعد أن استمع يانغ زهيلين، قام بعمل أكثر جذرية من الاقتراح، فقرر التخلي عن K1 والانتقال مباشرة إلى K2.

يتجلى هذا التنوع غير التقليدي أيضًا في "روح" الشركة. حيث قام يانغ زهيلين، وهو من محبي الروك، بتسمية غرف الاجتماعات بأسماء فرق موسيقية أسطورية مثل Rolling Stones و Nirvana و Radiohead، وحتى حزم عضوية Kimi تم تسميتها بمصطلحات موسيقية مثل Adagio و Allegro.

تؤمن لونغ يي أنّه في عصر يزداد فيه تشابه القوة الحسابية والبيانات، فإن "الذوق" هو المحرك الأساسي لبناء حواجز تميّز. هذا الذوق لا يتجلى فقط في تحسين النماذج، بل ينعكس بعمق أيضًا في انتقائية ورغبة الشركة في المواهب.

تحب "الجانب المظلم للقمر" توظيف المدراء التنفيذيين، وتشعر بانجذاب كبير للأفراد الذين يمتلكون "هالة رائد أعمال" أو "جينات مقامر". ووفقاً للبيانات العامة، فإن الشركة تضم على الأقل 50 شخصاً أسسوا أو انضموا إلى شركات ناشئة. وفي العام الماضي، كان أكثر من 100 من الموظفين الجدد الذين تم توظيفهم في "الجانب المظلم للقمر" قد تم توظيفهم عبر التوصيات الداخلية.

اليوم، ووفقًا للقائمة، قمنا بتحري شامل وعميق لجمع جميع المعلومات الموثوقة المتعلقة بمساهمي K3 هنا. يتم عرض الخلفية الأساسية والقدرات التقنية الصلبة لهذه الفرقة الرائدة من المتخصصين.

01 كيمي: الحجر الأساسي للنظام التقني

تشو شين يو هو أحد المؤسسين المشاركين الأساسيين لـ Moonshot، وهو أيضًا مسؤول فريق الخوارزميات.

كان تشou شين يو ويانغ زهي لين على معرفة منذ زمن طويل، وتفاصيل مثيرة للاهتمام واحدة هي أن تشou شين يو كان عازف الجيتار في فرقة Splay التابعة لجامعة تسينغهوا، بينما كان المُضرب هو يانغ زهي لين.

قبل انضمامه إلى مونث أوف داركنيس، عمل تشou شين يو في Megvii على إنتاج الخوارزميات ودراسة نماذج الأجهزة المحمولة. وقد تعاون عن كثب مع تشانغ شيانغ يو، المسؤول الرئيسي عن الأبحاث الأساسية في Megvii آنذاك والعالم الرئيسي الحالي في Jiepao Xingchen، كمؤلف أساسي كتب مباشرة شبكة ShuffleNet الخفيفة.

يركز تشou هسين يو على تعميم خوارزميات النماذج الكبيرة، ويتخصص في تحويل الخوارزميات المختبرية الأكثر تقدمًا إلى أنظمة إنتاج ضخمة بكفاءة عالية وتكلفة منخفضة. كما أنه متمرس في تحسين الهياكل المختلطة، حيث كان أول من حلل هيكل Kimi K3 KDA المختلط مع NoPE MLA في مناقشة تقنية (AMA) على Reddit، وأثبت أن هذا الهيكل أكثر كفاءة في استخدام الموارد الحسابية وأسرع في التدريب المسبق والتعلم المعزز.

وو يوشين هو أحد المؤسسين المشاركين لـ Moonshot. كما أنه خبير رائد ومهندس نجم في مجال الذكاء الاصطناعي، ولديه خبرة عميقة جدًا في البنية التحتية والهندسة الأساسية للتعلم العميق، ورؤية الحاسوب (CV)، ونماذج اللغة الكبيرة (LLM).

وو يوشين ويانغ زهيلين يحملان خلفية تعليمية متشابهة، حيث تخرجا من قسم علوم الحاسوب في جامعة تشينغهوا، ثم سافرا إلى جامعة كارنيغي ميلون (CMU) في الولايات المتحدة للمزيد من الدراسة. عمل وو يوشين كمهندس بحث في مختبر أبحاث ميتا أيه آي (FAIR)، حيث قاد وأسهم في عدة تقنيات محورية في مجال الرؤية الحاسوبية.

قبل تأسيسه لـ "الجانب المظلم للقمر" مع يانغ زهيلين، كان وو يوشين قد أنتج بالفعل نتيجتين رائدتين في مجال التعلم العميق ورؤية الحاسوب:

واحد كونه أحد المُنشئين والمطورين الرئيسيين لـ Detectron2، أعاد هذا المشروع تشكيل البيئة الأكاديمية العالمية للرؤية الحاسوبية، ليصبح "الأساس العام" لآلاف النماذج البصرية ومشاريع الكشف عن الأهداف حول العالم.

بشكل أكثر إبداعًا، نشر في عام 2018 مع العالم البارز هيكايمن ورقة بحثية كبيرة حول Group Normalization، وحصل على ترشيح لأفضل ورقة بحثية في ECCV 2018 (Best Paper Honorable Mention).

هذا العمل الكلاسيكي كسر بشكل مباشر الحدود القاتلة لـ Batch Normalization في التدريب على عينات صغيرة. لقد منحت قدرة وو يوشين على "إعادة كتابة قواعد تدريب الذكاء الاصطناعي عالميًا" باستخدام ابتكارات أساسية لا تتجاوز سطرين أو ثلاثة، نفوذًا تقنيًا كبيرًا له في عالم البرمجيات المفتوحة المصدر.

في ظل القمر، كان هو الشخص الذي وضع الأساس. لقد شارك بعمق في تحسين بنية النماذج الكبيرة وكفاءة التدريب، كما حضر شخصيًا مؤتمر مطوري PyTorch العالمي، حيث فكّك بشكل مفصل أمام العالم المساهمة الأساسية لـ Kimi في البنية التحتية المفتوحة المصدر عالميًا.

تُكمل تخصص وو يوشين القطعة الأخيرة من الأحجية اللازمة لدفع Kimi إلى حدود النماذج متعددة الوسائط الطويلة من الجيل التالي. فهو خبير في تحسين أنظمة التعلم العميق عالية الأداء، ويعالج كيفية جعل النماذج الكبيرة تعمل بثبات أكبر، وحساب أسرع، واستهلاك أقل للذاكرة عند وجود تريليونات المعلمات، وهو ما يشكل الحائط التقني الذي يضمن تجربة سلسة لـ Kimi تحت أحمال النصوص الطويلة والطلب العالي المتزامن.

بصفته أحد المؤلفين الأساسيين لـ MoCo v1، العمل الرائد في التعلم العميق، جعل Kimi لا يمتلك فقط أكثر العقول قوة في الصناعة (فهم اللغة الطبيعية)، بل ينمو أيضًا عينًا قادرة على فهم عميق للعالم المادي الحقيقي (الرؤية متعددة الوسائط).

تشانغ يوتاو هو أحد المؤسسين المشاركين لـ Moonlight Dark Side، كما أنه الرئيس التنفيذي للتقنية في Moonlight Dark Side. وهو زميل دراسي مع يانغ زهيلين من جامعة تسينغهوا، ويعتبر تانغ جيه، مؤسس Zhipu، أستاذه.

في عام 2016، أسس تشانغ يوتاو ويانغ زهيلين "سيكلو إنيليجنس"، ثم أسسا معًا "الجانب المظلم للقمر". إذا كان يانغ زهيلين هو "الملاح" لـ "الجانب المظلم للقمر"، فإن تشانغ يوتاو هو المهندس الرئيسي المسؤول عن ضبط نظام الدفع لسفينة "الذكاء" إلى أقصى حد. لا يمكن لـ Kimi تحقيق تطور هائل في معالجة النصوص الطويلة، والاستدلال المعقد، وتنفيذ مهام الوكلاء دون جهود تشانغ يوتاو.

قبل انضمامه إلى مونث أوف داركنيس، ترك عدة إنجازات "صناعية" بارزة في مجالات خرائط المعرفة ودمج البيانات المتنوعة.

أحد أكثر العلامات التقنية شهرةً له هو قيادته كمسؤول تقني لتطوير منصة تحليل البيانات الضخمة AMiner. تحتوي التقنية الأساسية لدمج البيانات المتنوعة التي تدعم هذه المنصة، التي تخدم الآن ملايين الباحثين حول العالم، على القدرات الأساسية التي شارك في بنائها تشانغ يوتاو أثناء دراسته للدكتوراه في جامعة تسينغهوا. هذه الرؤية العميقة حول "كيفية امتصاص الآلات وفهمها واسترجاعها للمعرفة الضخمة" تشكل الأساس التقني لقدرة Kimi على معالجة النصوص الطويلة جدًا.

في مجال الإسهام الأكاديمي، نشر العديد من الأوراق عالية الاستشهاد في مؤتمرات الحوسبة الرائدة مثل KDD و CIKM. إنه ليس فقط خبيرًا في تمكين الذكاء الاصطناعي من "المنطق" من خلال رسومات المعرفة، بل قاد أيضًا تطوير "منصة الذكاء الاصطناعي بصفر عينات ألفية" خلال فترة الذكاء الدائري، مما مكن من تطبيق واسع النطاق لنماذج الصناعة في سيناريوهات خدمات الشركات.

تخصص تشانغ يوتاو في التنبؤ بدقة بكل نقطة انتقال الذكاء الاصطناعي من "القدرة على التحدث" إلى "القدرة على الأداء". وهو يركز على تعزيز تقنيات نوافذ السياق الطويلة وهياكل الشبكة الموسعة ديناميكيًا، لحل كيفية الحفاظ على "يقظة" الذكاء الاصطناعي في كميات هائلة من المعلومات.

في قمة التكنولوجيا الأحدث في يوليو 2026، قام بتحليل واضح للمسارات التقنية الثلاثة لهندسة الصناعة: كان عام 2023 عصر "كيف تسأل" في Prompt، وتطور عام 2024 إلى عصر "توفير معلومات كافية" في Context، وفي عام 2026، دخلت النماذج الكبيرة رسميًا مرحلة هندسة Harness الجديدة. حاليًا، يقود فريقه معركة النهاية لـ "كيفية بناء بيئة التشغيل، بحيث يمكن للذكاء الاصطناعي إصلاح مشكلاته ذاتيًا في حلقة مغلقة".

تشو هسين ران هي نائبة الرئيس الهندسية ومسؤولة البنية التحتية للذكاء الاصطناعي في مون كيشوت أي آي.

لديه خبرة في تطوير الطبقات الأساسية الشاملة، وسبق أن قاد تطوير إطار عمل التعلم العميق MegEngine (Tianyuan) ونظام استرجاع المتجهات بمليارات العناصر في Megvii. حاليًا، يقود تصميم البنية العامة لتدريب النماذج الكبيرة واستنتاجها وبنية تحتية لشهر الظلام.

في جانب الاستدلال للنماذج الكبيرة، وبالنسبة لسيناريوهات أعمال Kimi النصية الطويلة، قام هو وفريقه بتصميم هندسة استدلال منفصلة تتمحور حول KV Cache تُسمى Mooncake. وقد حصل هذا الإنجاز على جائزة أفضل ورقة بحثية في مؤتمر FAST 2025 المتخصص في التخزين، نظرًا لفصله التام بين مرحلة التمهيد (Prefill) ومرحلة التفكيك (Decode)، مما خفّف الضغط على ذاكرة GPU وضغط I/O الناتج عن سياقات فائقة الطول بملايين العناصر.

في الوقت نفسه، كأحد المؤلفين الأساسيين لآلية MoBA (الانتباه المختلط للكتل)، حقق تحسينًا كبيرًا في خفض التكاليف وزيادة الكفاءة في كيمي على جانبي التدريب والاستنتاج من خلال تقسيم الانتباه على مستوى الكتل.

في جانب تدريب النموذج، شارك في تطوير المشروع مفتوح المصدر Moonlight ومحسّنه الأساسي Muon، مستخدمًا استبدال التوحيد المصفوفي بـ AdamW التقليدي، مما خفّض تكلفة قوة الحوسبة لنماذج تضم تريليونات المعلمات أثناء التدريب الموزع.

بفضل هذه السلسلة من الممارسات في التخزين الموزع والاستدلال تحت حركة مرور نصوص طويلة ضخمة، تم دعوته لإلقاء خطاب في مؤتمر GOSIM China العالمي للبرمجيات المفتوحة. تظل تخصصاته مركزة دائمًا على بنية النماذج الكبيرة الكاملة، وتسعى إلى دعم استدلال النصوص الطويلة عالية الذكاء باستخدام أقل قدر ممكن من فقدان FLOPs واستهلاك KV Cache.

بصفته المسؤول عن نظام الاستدلال لـ Moonshot، فهو المؤلف الأساسي للورقة البحثية الفائزة بجائزة أفضل ورقة في مؤتمر FAST 2025، وهو أحد الركائز التقنية الأساسية في تنفيذ هندسة الاستدلال الطويل للنص في Kimi. من Kimi k1.5 وKimi-VL وK2 إلى Kimi Linear وKimi-Audio، ثم إلى الأوراق البحثية الأساسية مثل MoBA وMuon وAttnRes، فإن اسمه مدرج في جميع الإنجازات التقنية الستة، وكل أعماله تدور دائمًا حول هدف واحد مركزي: تبادل التصميم النظامي بكفاءة، لجعل النماذج الكبيرة في متناول الجميع.

قبل انضمامه إلى مونث أوف داركنيس، كان هه وي ران قد تخصص لسنوات عديدة في مجال الحوسبة عالية الأداء. تخرج من قسم علوم الحاسوب في جامعة تشينغهوا، وركز في مراحله المبكرة على تخطيط الدوائر المتكاملة وتحسين الأداء الأساسي؛ وفي فترة عمله في Megvii، قاد جهوده في تطوير شرائح الذكاء الاصطناعي الخاصة به وشبكات عصبية ذات عرض منخفض، وعمل جنبًا إلى جنب مع تشو شين يو، المؤسس المشارك لاحقًا في مونث أوف داركنيس — حيث كان تشو شين يو هو المخترع الأول للحل الكلاسيكي للكشف عن النصوص OCR المعروف باسم EAST.

بعد انضمامه إلى مونث أوف داركنيس في عام 2023، طبق خبرته الطويلة في هندسة الأنظمة على خدمة الاستدلال للنماذج الكبيرة ببارامترات تريليونية.

أبرز إنجازاته هو هيكل الاستدلال المنفصل KVCache، Mooncake. لقد كسرت هذه النظام التصميم التقليدي لخدمات الاستدلال، حيث فصلت ذاكرة التخزين المؤقت الأكثر استهلاكًا للذاكرة البصرية للنماذج الكبيرة وركزت على تنسيقها، من خلال إعادة استخدام التخزين المؤقت الشامل والترحيل الدقيق، ورفعت قدرة استيعاب طلبات Kimi بأكثر من 75٪ دون تغيير حجم قوة الحوسبة. كشف في مؤتمر QCon 2024 أن هذا الهيكل مع التحسينات الهندسية المستمرة أدى إلى انخفاض تكلفة وحدة تجمع استدلال Kimi بأكثر من 20 مرة خلال عام.

في فبراير 2025، فازت ورقة بحثية متعلقة بـ Mooncake بجائزة إيريك ريدل لأفضل ورقة بحثية في مؤتمر FAST — وهي واحدة من أعلى الجوائز في مجال أنظمة التخزين. وأكثر ما يبرز قيمتها الهندسية هو أن هذا الهيكل كان يعمل بالفعل بثبات على آلاف العقد في بيئة إنتاج Kimi قبل أن تُمنح الورقة الجائزة رسميًا، حيث تعالج ملايين الطلبات اليومية من المستخدمين.

على الرغم من أن تقرير تقنية K3 لم يكشف عن التوزيع الفردي المحدد، إلا أن العديد من الإنجازات الأساسية تتماشى مع مسار تقني فريقه: ففي مواجهة مشكلة فشل ذاكرة التخزين المؤقت للبادئات التقليدية في بنية KDA+MLA، قدم الفريق تنفيذًا رسميًا متوافقًا لمجتمع vLLM؛ وفيما يتعلق بطلبات الطول التي تصل إلى ملايين الرموز، استخدمت العقدة استراتيجية توجيه وجدولة تعتمد على الذاكرة المؤقتة لتعظيم كفاءة إعادة استخدام الذاكرة المؤقتة. وأخيرًا، كانت نتيجة K3 هي تكلفة الاستدلال التي تبلغ فقط 38% من تكلفة Claude Fable 5، حيث إن تحسين KVCache، والذاكرة المؤقتة للبادئات، والتحكم في التكلفة، هي جميعها قضايا جوهرية في نظام Mooncake.

من تخطيط الدوائر المتكاملة إلى استنتاج النماذج الضخمة بحجم تريليونات، كانت مسار هوي ران التقني دائمًا واضحًا: التركيز الشديد على كفاءة النظام، واستبدال تكلفة الحساب الأقل من خلال التصميم الهندسي. إذا كان باحثو الخوارزميات الرائدة هم من رفعوا حدود قدرات Kimi، فإن ما قام به هو وفريقه هو ترجمة هذه القدرات الرائدة إلى واقع ملموس، بحيث يمكن لمزيد من المستخدمين العاديين استخدامها بسهولة واستقرار.

02 قياديون أساسيون · عناصر أساسية للتنفيذ

دو يو لون مسؤول عن التدريب المسبق والتوسيع في مون أوف داركنيس.

تخرج من جامعة إيلينوي في أوربانا-شامبين و جامعة كارنيغي ميلون في تخصص الذكاء الاصطناعي. ثم انضم إلى سيكلو إنترليجنس، حيث شغل مناصب باحث ومسؤول مختبر الذكاء الاصطناعي، وهو أحد الأعضاء المؤسسين الرئيسيين للتكنولوجيا في مون أوف داركنيس.

بصفته المسؤول الرئيسي عن التدريب المسبق للنموذج الأساسي والتوجيه المتعلق بالتوسع، فإن إسهاماته التقنية تغطي بالكامل البنية الأساسية الأساسية لجميع إصدارات Kimi، بالإضافة إلى تصميم هياكل متعددة الوسائط كاملة مثل VL وAudio.

في إطار التقدم التقني الأساسي، هو مؤلف مشترك لأوراق بحثية حول "Attention Residuals" و"MoBA (Mixed Block Attention)" و"Muon is Scalable for LLM Training". يركز عمله على تخفيف مشكلة تدهور الإشارة في الشبكات فائقة العمق من خلال تقسيم الانتباه على مستوى الكتل وإعادة هيكلة تدفق التدريب، مما يحسن بشكل ملحوظ كفاءة التدريب الموزع للنماذج الضخمة بحجم تريليونات.

على مستوى الهندسة المفتوحة المصدر، هو مساهم أساسي نشط في المشروعات المفتوحة المصدر الرسمية لـ MoonshotAI. ووفقًا لسجلات التعاون في الكود، فإن دو يو لون يتعاون بشكل متكرر مع خبير الخوارزميات سو جيان لين ومسؤول نظام الاستنتاج هه وي ران، حيث يشكل الثلاثة معًا الحلقة التقنية الأساسية التي تدعم Kimi في معالجة نصوص طويلة بمستوى ملايين الكلمات وتدفق فعال عبر جميع الوسائط.

تشانغ يو هو المهندس المعماري الأساسي لـ Moonshot، ويركز على تصميم هياكل فعالة وقابلة للتوسع وصديقة للعتاد لنماذج اللغة الكبيرة. كرائد في مسارات غير Transformer وانتباه خطي، فهو يسعى لتجاوز لعنة الهندسة القائلة بأن النصوص الطويلة تصبح أبطأ وأكثر تكلفة كلما طالت.

في المجال الأكاديمي والتطبيقي الهندسي، حقق تشانغ يو إنجازات واسعة. فهو ليس فقط أحد المؤلفين الرئيسيين المشتركين في ورقة البحث "Attention Residuals" حول التوصيلات المتبقية، بل أيضًا المؤلف الرئيسي لتطوير البنية النموذجية الفعالة لـ Moonshot.

النموذج المفتوح المصدر Kimi Linear الذي قاده، كان أول نموذج يطبق آلية الانتباه الخطي بنجاح على مهام سياق طويل جدًا، مما أدى إلى تحسن هائل في الكفاءة. بالإضافة إلى ذلك، لا يزال "رحلة تطوير Kimi Linear" الذي شاركه على منصات تقنية مثل Zhihu، يُعتبر دليلاً إلزاميًا لعدد لا يحصى من مهندسي بيانات النماذج الكبيرة.

من كسر الحدود في تنفيذ نموذج 7B، إلى دعم نموذج ضخم بتريليون معامل في معركة واحدة ليصل إلى الصف الأول عالميًا، يتحرك زhang يو بسلاسة بين العالم الأكاديمي والعالم الصناعي، وتاركًا خلفه العديد من الشفرات القوية في المؤتمرات الأكاديمية الرائدة ومجتمعات مفتوحة المصدر.

هذه الإنجازات سببها عمق تخصصه في التقنيات الأساسية: في تصميم هياكل النماذج الفعالة، ركز على تحسين عوائق الاتصال والذاكرة أثناء توسيع عمق النموذج؛ وفي تحسين ديناميكيات التدريب والكفاءة، قام بإعادة هيكلة تدفق البقايا الأساسي، مما حل جذريًا مشكلة تخفيف التدرجات وانفجار الحالة المخفية الناتجة عن PreNorm في النماذج الكبيرة.

لاي غووكون خريج مشترك من جامعة تسينغهوا وجامعة كارنيغي ميلون لليانغ زهيلين.

إنه أحد أكثر الباحثين في فريق Kimi إنتاجًا من حيث عدد الأوراق البحثية، مع أكثر من عشر أوراق بحثية، وهو ليس فقط أحد الشخصيات البارزة في "نادي العبقريات" التابع لـ Moonshot، بل أيضًا أحد المساهمين الرئيسيين في Kimi K3، وأكثر من ذلك، هو أستاذ يمتلك إنجازات "تعريفية" في الأوساط الأكاديمية.

قبل انضمامه إلى مونث آف دارك، ترك لاي غووكون نتيجتين رائدتين بمستوى معيار الصناعة في مجال معالجة اللغة الطبيعية (NLP).

واحدة منهما هي إنشاء أحد أكبر مجموعات بيانات فهم الآلة للنص عالميًا، وهي مجموعة بيانات RACE، والتي تُدرّب نماذج الذكاء الاصطناعي مباشرة باستخدام أسئلة امتحانات اللغة الإنجليزية للطلاب الصينيين، وأصبحت معيارًا عالميًا لفهم الآلة للنص.

الأكثر إثارةً أن ورقة بحثية كتبها أثناء دراسته الجامعية بعنوان "Explicit factor models for explainable recommendation" حصلت في عام 2024، بعد مرور عشر سنوات، على جائزة SIGIR لاختبار الزمن، وهي واحدة من أعلى التكريمات في مجال استرجاع المعلومات، وتُمنح حصريًا للأوراق المنشورة منذ عشر سنوات والتي أثبتت صمودها أمام اختبار الزمن وأحدثت تأثيرًا دائمًا في الصناعة.

هؤلاء الأشخاص الذين يمتلكون القدرة على "تحديد مسار التكنولوجيا للعقد القادم" أثناء مرحلة البكالوريوس ليسوا استثناءً في مونث أوف داركنيس.

تتماشى تخصصات لاي غووكون بشكل ممتاز مع القدرات الأساسية لـ Kimi، مثل مهارته في "فهم الآلة للنصوص"، والتي تهدف إلى تمكين الذكاء الاصطناعي من فهم الوثائق الطويلة والإجابة على الأسئلة، وهي بالضبط الأساس التقني لقدرة Kimi على التعامل مع النصوص الطويلة.

كان تدريب النماذج الكبيرة المسبقة أحد محاور بحثه خلال فترة عمله في جامعة كارنيغي ميلون، بالإضافة إلى تركيزه على بحث عمليات البحث عن البنية العصبية، حيث درس كيفية تمكين الذكاء الاصطناعي من تصميم هياكل شبكة أفضل تلقائيًا، وكذلك أنظمة التوصية القابلة للتفسير، التي تمكن الذكاء الاصطناعي من عدم مجرد توصية المحتوى، بل أيضًا إخبار المستخدمين لماذا تم توصية هذا المحتوى.

غوهايتشينغ (Haiqing Guo) هو أحد الأعضاء الأساسيين المبكرين في فريق كيمي من شهر الظلام، ويعتبر من أعضاء الفريق المؤسسين، وشارك بالكامل في تطوير وتحديث مشاريع كيمي الأساسية عبر الأجيال المختلفة.

تشمل المشاريع القابلة للتحقق العام تقرير تقنية Kimi k1.5، وتقرير تقنية Kimi K2، والورقة البحثية للهيكل الأساسي AttnRes، وتقرير تقنية Kimi K3. ويُعد AttnRes أحد الابتكارين الهيكليين الأساسيين في Kimi K3.

من مسار التوقيع، يغطي دوره دورة التحديث الكاملة من Kimi k1.5 إلى K3، ويشمل مشاركته مراحل التطوير الأساسية عبر عدة أجيال من المنتجات، وهو مشارك أساسي مستمر في فريق تكنولوجيا Kimi. لم يتم الكشف حاليًا عن منصبه المحدد أو توزيع مهام التطوير التفصيلية عبر القنوات العامة.

تشن غوانغ يو هو على الأرجح أصغر باحث في الجانب المظلم للقمر، مولود في 2009، عمره 17 عامًا، شاب أثار إعجاب إيلون ماسك على X ليُعلق علنًا: "Impressive".

عندما أطلقت لونغ يو أن ميان 2.8 تريليون معلمة من طراز Kimi K3 المذهل، كان قد تساوى مع خبراء التكنولوجيا مثل سو جيانلين وغيرهم كمؤلف مشترك أول لورقة "Attention Residuals" التي أسست البنية الأساسية لـ Kimi K3.

آلية البقايا الانتباهية (Attention Residuals) التي شارك في تطويرها قامت مباشرة بتعديل الاتصالات البقائية القياسية التي استُخدمت في مجال التعلم العميق لمدة عشر سنوات، حيث استخدم "انتباهًا عميقًا قابلًا للتعلم" لتمكين النموذج من "النظر للخلف" بذكاء، وقد أدى هذا إعادة الهيكلة الأساسية إلى رفع كفاءة توسيع النموذج بنسبة 1.25 مرة، مما مكن الشركات الصينية من التحرك بسرعة أكبر بتكلفة أقل في معركة القوة الحاسوبية الضخمة التي تصل إلى تريليونات. قصة انضمامه إلى Moonshot هي قصة غريبة حقًا. قبل عام، لم يكن يعرف حتى ما هو Transformer، لكنه اكتُشف من قبل شركة ناشئة في وادي السيليكون بسبب فكرة طرحها في أحد أحداث الهكرثون تتعلق بـ"اليد الميكانيكية المساعدة الثالثة للإنسان". بعد سبعة أسابيع، لاحظ فريق Kimi قدراته تمامًا وتم قبوله بشكل استثنائي في مجموعة البحث الأساسية للشركة. وفي الأسبوع الأول لانضمامه، كسر جميع القواعد المعتادة وفاز بالمركز الأول في سباق الهكرثون الداخلي لـ Kimi الذي استمر 48 ساعة.

في تقرير تقني Kimi، يظهر اسم دو أنغانغ دائمًا في المقدمة. إنه أحد الأعمدة الأساسية في النظام متعدد الوسائط لـ Yue Zhi An Mian، وأحد النادرين الذين حضروا جميع الدورات الخمس في تقرير Kimi التقني. وقد حصل على المرتبة الأولى في التسمية الجماعية للفريق مرتين، مما يشير إلى أن مساهمته الأساسية في Kimi K3 تتركز في مجال الرؤية.

قبل انضمامه إلى مونث آف دارك، كان دو أنغ أنغ قد وضع بالفعل أسسًا قوية في مجال الرؤية الحاسوبية.

التركيز على اتجاه الرؤية الدقيقة تحت الماء. درست لمدة سبع سنوات في مختبر الرؤية تحت الماء بجامعة الصين البحرية، وركّزت على تصنيف صور الميكروسكوب للعضويات العائمة، وهي مهمة شديدة الصعوبة: تمكين الذكاء الاصطناعي من التعرف بدقة على أصغر الكائنات الحية في المحيط ضمن صور ميكروسكوبية ضبابية، ونادرة العينات، وفرق بين الأنواع دقيق جدًا.

في عام 2020، نشر البحث ذا الصلة في Global OCEANS كمؤلف أول، حيث استخدم نمذجة الميزات من الدرجة الثانية لحل مشكلة التصنيف الدقيق، وهي النتيجة الوحيدة في عقد من الأبحاث في هذا المجال بالمختبر التي تمت بقيادة طالب ماجستير كمؤلف أول.

الأكثر تأثيرًا في الصناعة هو إنتاجه خلال فترة عمله في Megvii. تم قبول البحث الذي شارك فيه حول تقدير الوضعيات المتعددة من قبل مؤتمر ECCV 2020 الرائد في مجال الرؤية الحاسوبية، وقد تمت الإشارة إلى الورقة أكثر من 300 مرة، مما جعلها مرجعًا مهمًا في مجال تقدير وضعية الجسم. ويشمل قائمة زملاء هذا العمل شخصيات رائدة في مجال الرؤية مثل سون جيان وتشانغ شيانغيو، بالإضافة إلى تشو شين يو، المؤسس المشارك لشركة Moonshot AI لاحقًا.

بعد انضمامه إلى Kimi، تخصص في تصميم مشفرات البصرية، ومحاذاة متعددة الوسائط، وتقنيات الوكلاء البصريين، ويشتهر بشكل خاص بفهم الصور عالية الدقة، وتحليل الفيديوهات الطويلة الزمنية، والتعلم المعزز متعدد الوسائط، وهي التقنيات الأساسية التي تشكل قاعدة قدرات Kimi متعددة الوسائط الأصلية. بالإضافة إلى ذلك، تمتد كفاءاته إلى بنية تحتية تدريب النماذج الكبيرة — من استقرار المُحسّنات إلى توليد بيانات الوكلاء، مما يشكل قدرة شاملة تغطي الخوارزميات البصرية الأساسية، وتدريب النماذج، وتطبيق الوكلاء على المستوى العلوي.

في عام 2025، نشر كيمي-VL كنموذج متعدد الوسائط مفتوح المصدر كمؤلف أول، حيث طوّر مُشفّرًا بصريًا خاصًا به يُدعى MoonViT يدعم بشكل أصلي مدخلات بدقة فائقة، ويعمل مع قدرة سياقية طويلة تصل إلى 128K، مما منح كيمي لأول مرة القدرة على فهم النصوص الطويلة متعددة الوسائط من خلال قراءة مقاطع الفيديو الطويلة والمستندات الطويلة، ووضع الأساس التقني لقدرات كيمي متعددة الوسائط الكاملة.

في المرحلة K2، شارك بعمق في تطوير مُحسّن MuonClip، وعمل بالتزامن مع آلية QK-Clip لحل مشكلة التذبذب في تدريب النماذج الكبيرة، مما مكّن تحقيق "ذروة خسارة صفرية" في تدريب بحجم 15.5 تريليون رمز، وخفض بشكل كبير تكلفة قوة الحوسبة والمخاطر المرتبطة بالتدريب؛ وفي المرحلة K3، قاد خط أنابيب توليد البيانات الذكية، مما سمح للنموذج بتوليد بيانات تدريب عالية الجودة بشكل ذاتي، وقدم دعماً حاسماً للبيانات لتمكين K3 من الدخول إلى الفئة الأولى عالمياً في المهام الصعبة مثل البرمجة والوكلاء.

For Kimi, his contributions span the entire evolution path of multimodal capabilities.

瞿博文 (Bowen Qu / Brian Qu) ينتمي إلى فريق التدريب بعد النموذج، وتخرج من كلية الإلكترونيات والمعلومات والاتصالات بجامعة علم وتقنية هوازه، وحصل على درجة الماجستير من كلية الإلكترونيات بجامعة بكين. تتركز أبحاثه على مجالات النماذج متعددة الوسائط، وتشمل تحديدًا التعلم المعزز متعدد الوسائط، ونماذج الرؤية واللغة، والوكلاء الذكاء الاصطناعي، وتقييم جودة المحتوى generado بالذكاء الاصطناعي.

بعد انضمامه إلى Moonshot، ركّز تشيو بوفين على بناء القدرات متعددة الوسائط لسلسلة نماذج Kimi، وشارك بعمق في مشروع Kimi-K2.5، كما شارك في تطوير اتجاه التعلم المعزز متعدد الوسائط الأصلي. Kimi-K2.5 هو نموذج وكيل متعدد الوسائط أصلي أطلقته Moonshot، بحجم إجمالي للمعلمات يبلغ 1 تريليون ومعلمة مُفعّلة بـ 32 مليار.

يُشرف تشو بون ون على نظام التعلم المعزز متعدد الوسائط الأصلي، الذي يتجاوز المسار التقليدي للنماذج متعددة الوسائط المتمثل في إكمال الدقة الخاضعة للإشراف البصري أولاً، ثم البدء في التعلم المعزز، ويقترح خطة تدريب تبدأ من نموذج استدلال نصي خالٍ تمامًا دون دقة خاضعة للإشراف البصري، وتحصل مباشرة على قدرات الاستدلال البصري من خلال التعلم المعزز البصري، مما يتجنب تداخل بيانات البصرية منخفضة الجودة مع قدرة الاستدلال اللغوي الأصلية للنموذج.

بدأ تشيو بوفين بحثه في مجال تقييم جودة المحتوى المُنشأ بالذكاء الاصطناعي، وتم نشر نتائجه في مؤتمرات دولية مثل ICME 2024 وCVPRW 2024. وفي الورقة المنشورة في ICME 2024، قام بمعالجة المشكلة القائمة حينها في أن أنظمة تقييم الصور المُنشأة بالذكاء الاصطناعي كانت تركز فقط على الجمال البصري والوضوح، مع إهمال مدى توافق المحتوى المُنشأ مع تعليمات المستخدم، واقترح دمج عبارات النص التوجيهية في نظام تقييم جودة الصور المُنشأة، مما أدى إلى بناء معيار تقييم يغطي كلاً من الجودة البصرية ودرجة الامتثال للتعليمات، وعزز شمولية تقييم المحتوى المُنشأ بالذكاء الاصطناعي وتوافقه مع الإدراك البشري.

ظهر تشو بوفين أيضًا في قائمة المساهمين في الإصدارات متعددة الوسائط من سلسلة Kimi. كباحث شاب، امتد مسار بحث تشو بوفين من بناء أنظمة التقييم إلى بناء قدرات النموذج، ثم إلى تطوير قدرات الوكلاء المتقدمة، حيث تتماشى نتائجه بشكل وثيق مع الاحتياجات العملية للصناعة وتدعم مباشرة تحسين وترقية النماذج الإنتاجية.

في قائمة أكثر من 400 مساهم في Kimi K3، ليس لوه إنزه من بين المساهمين الذين تظهر أسماؤهم في المقدمة، لكنه يُظهر دقة استثنائية في إنجازاته. كل إنجاز له يصيب النقاط الأساسية لتطبيق النماذج الكبيرة، وهو أحد المهندسين الرئيسيين لبناء نظام الحوسبة العالي الكفاءة لـ Kimi.

يمكن تلخيص اتجاهات بحث لو إنزهي بثلاث كلمات: طول، سرعة، ترشيد. الهدف الأساسي هو تمكين النماذج الكبيرة من معالجة نصوص أطول بتكاليف أقل وسرعة أعلى. بالنسبة لـ Kimi، فهو مسؤول عن تحسين الكفاءة عبر كامل سلسلة التدريب والاستنتاج.

في فبراير 2025، نشر بصفته المؤلف الأول آلية MoBA للانتباه المختلط، والتي نقلت فكرة اختيار الخبراء من MoE إلى طبقة الانتباه، مما يسمح للنموذج عند معالجة الطلبات باستدعاء كتل السياق الأكثر صلة فقط للحساب. وحققت الأداء المساوي للانتباه الكامل عند كثافة نادرة تبلغ 95٪، مما أدى إلى تسريع الاستدلال بمليون رمز بنسبة 6.5 مرة، ومليون رمز بنسبة 16 مرة، مما وضع الأساس الصلب للقدرة الفائقة على معالجة السياق الطويل في Kimi.

في يوم الإصدار، ظهرت هذه الورقة بالتزامن مع ورقة DeepSeek الخاصة بـ NSA، وتصبح أهم حادثة تصادم تقني في دائرة النماذج الكبيرة المحلية لهذا العام؛ وأكثر ما يبرز قيمتها الهندسية هو أن هذا الحل كان قد تحمّل بالفعل طلبات المستخدمين الطويلة في بيئة إنتاج Kimi بشكل مستقر لقرابة عام قبل أن يتم قبوله كورقة Spotlight في NeurIPS 2025.

بالإضافة إلى ذلك، من انتباه KDA من MoBA إلى Kimi Linear، فقد تمسك بتصميم الهيكلية طوال الوقت لتحسين كفاءة الاستدلال على الأجهزة؛ وفي جانب التدريب، فقد ساهم في تحقيق توزيعي لمُحسّن Muon يحقق أفضل استخدام للذاكرة وأقل تكلفة اتصال، مما قلل فعليًا تكلفة قوة الحوسبة لتدريب النماذج الكبيرة. وبإضافة تقارير التقنيات المتعددة مثل AttnRes وK1.5 وK2 وKimi-VL، فإن أوراقه تغطي بالكامل سلسلة التقنيات الكاملة للنماذج الكبيرة الفعالة.

في الفريق، هو شريك ثابت مع تشيو جيه تشونغ، أحد المؤلفين المُستَلمين لورقة MoBA، حيث يُنفّذ أحدهما الهجوم بينما يُوجّه الآخر الاتجاه، بتناغم تام.

وان يوتشي هو باحث في مونشوت أي آي، وأحد أكثر الأسماء الموقعة ظهورًا في تقارير سلسلة كيمي.

من K1.5 في يناير 2025 إلى Kimi K3 في يوليو 2026، ظهر اسمه في تقريبًا كل وثيقة تقنية这家公司، ويشمل ذلك الرؤية، الصوت، هياكل الانتباه، مُحسّنات التدريب، النماذج الرائدة، وحتى إطارات إدارة مخاطر الذكاء الاصطناعي المتقدمة.

هو حاصل على درجة البكالوريوس من جامعة تشيانغسي للإلكترونيات والعلوم، ودرجة الدكتوراه من قسم الهندسة الإلكترونية بجامعة تشينغهوا، وعمل كمهندس بحثي في معهد ميجي بعد انضمامه؛ وقد انضم إلى مونث أوف داركنيس في عام 2024 كباحث ولا يزال في هذا المنصب حتى الآن.

قبل انضمامه إلى مونث آف دارك، ركّز بحثه على التصوير الحسابي والرؤية الأساسية. من بين إنجازاته البارزة: نشر ورقة بحثية كمؤلف أول في ECCV 2020 حول تقليل الضوضاء في صور RAW على الهواتف المحمولة، وهي من الأعمال المرجعية حتى اليوم في مجال الصور المتنقلة؛ كعضو في فريق Megvii، فاز بالمركز الأول عالميًا في تحدي NTIRE 2019 لتنقية الصور الواقعية في مسار raw-RGB؛ كمؤلف مشترك، شارك في العمل الكلاسيكي في مجال التعرف الضوئي على الحروف (OCR) وهو EAST (CVPR 2017، مع أكثر من 2500 اقتباس).

خلال فترة القمر المظلم، شارك في توقيع عشرة وثائق تقنية، تشمل: k1.5 وK2 وK3 وKimi-VL وKimi-Audio وMoBA وMuon وKimi Linear وورقتين بحثيتين حول هندسة وكفاءة Attention Residuals، بالإضافة إلى إطار عمل متقدم لإدارة مخاطر الذكاء الاصطناعي.

تجدر الإشارة إلى أنه مدرج كمؤلف في جميع المقالات الأربعة للشركة المتعلقة بالهياكل والكفاءة، وهو نطاق تغطية نادر في قائمة المساهمين التي تضم حوالي أربعمائة شخص. لا توجد معلومات عامة متاحة حاليًا عن مسؤولياته المحددة في K3.

ماو شاوغوان هو عنصر أساسي في خط تكنولوجيا Kimi Agent، وشارك بالكامل في تطوير الجيلين الثاني والثالث والرابع والخامس من المنتجات الرائدة: K2 وK2-Thinking وK2.5 وK3، وهو أيضًا أحد النادرين في الصناعة الذين شهدوا بالكامل التحولين النموذجيين في مجال العوامل (Agents).

قبل انضمامه إلى شهر الظلام، كان واحدًا من أوائل الممارسين في البلاد الذين طبّقوا الوكلاء.

خريج ماجستير في علوم الحاسوب من جامعة تسينغهوا، حيث حلّ في المرتبة العليا بنسبة 0.2% خلال الدراسة وحصل على منحة دراسية وطنية، وعمل لاحقًا كمساعد بحث في جامعة الصين في هونغ كونغ، ثم كمتدرب في مجموعة الصوت بمعهد مايكروسوفت الآسيوي للبحوث. بعد التخرج، عمل لدى مايكروسوفت لمدة ست سنوات تقريبًا، حيث تطوّر من مهندس في المعهد إلى مهندس بحث وتطوير متقدم.

شارك في تطوير TaskMatrix.AI في بداية عام 2023، لربط ChatGPT بقدرات مئات الآلاف من واجهات برمجة التطبيقات؛ ثم قدم معًا طريقة Solo Performance Prompting، التي تسمح لنموذج واحد بأداء أدوار متعددة لمحاكاة التعاون بين الوكلاء المتعددين، وتم تطبيق هذه التقنية في Microsoft 365 Word.

كان ذلك عصر "إطار الوكيل" — حيث تعتمد جميع القدرات على أدوات خارجية مدمجة وعلى التوجيه عبر الأوامر، وهو شخص شهد وساهم في تطوير هذا النهج التقني.

لكن ما شاو غوانغ، الذي مرّ بنفس الطريق، كان أول من أدرك حدود النموذج القديم. في يونيو 2025، كتب على زهي هو: "هذا الاتجاه أصبح أقل إثارة بشكل متزايد، ويبدو وكأنه يتسارع نحو الانهيار".

بعد انضمامه إلى Moonshot في فبراير 2025، تحول تمامًا إلى المسار الشامل "النموذج كـ Agent". وشارك خلال أربعة أشهر فقط في إطلاق أول منتج Agent من Kimi: Kimi Researcher:

تم تدريبه بالكامل عبر التعلم المعزز من البداية إلى النهاية دون أي افتراضات أو إجراءات مسبقة، حيث يُنجز متوسط 23 خطوة استدلال في مهمة واحدة، ومسح ذاتي لـ 206 صفحة ويب، ويمكنه إنتاج تقارير بحثية تصل إلى عشرة آلاف كلمة مع استشهادات منظمة، وحقق 26.9% على معيار HLE، مُحطمًا أعلى مستوى عالمي في ذلك الوقت. كما أنه أحد المؤلفين المُسجّلين الرسميَّين للسرد التقني الرسمي للمنتج.

بعد ذلك، شارك بعمق في تطوير الجيلين الرابع والخامس من المنتجات الرائدة من K2 إلى K3. ارتفع مؤشر HLE من 8.6% إلى 26.9%، وهذه المنحنى الأداء الذي يُدار تقريبًا بالكامل بواسطة التعلم المعزز، هو تقرير إنجازات طريقته التقنية الجديدة.

من توسيع قدرات النماذج الكبيرة عبر واجهات برمجة التطبيقات الخارجية، إلى جعل النموذج يتعلم داخليًا كيفية استخدام الأدوات وإكمال المهام المعقدة بشكل مستقل، فإن مسار ك毛紹光 المهني على مدار العقد الماضي يرسم بدقة المسار الكامل لصناعة الوكلاء من "التركيب والتجميع" إلى "النمو الذاتي الأصيل". لقد شارك مباشرة في النموذج القديم، وخرج بعدها بمسار جديد، مما يدعم أحكامه حول الصناعة بأكثر النتائج واقعية وملموسة.

تشين رويو هو طالب دكتوراه في مختبر MADSys بقسم علوم الحاسوب بجامعة تشينغهوا، ويُشرف عليه الأستاذ المساعد تشانغ مينغ شينغ. تتركز أبحاثه على أنظمة التعلم الآلي الفعالة، وتشمل بشكل محدد خدمة الاستنتاج لنماذج اللغة الكبيرة الواسعة النطاق وأنظمة التوسيع للتعلم المعزز.

ماونكاك، الذي طورته تشين رويو بالتعاون مع فريق مون سايد أوف ذا مون، هو هيكل استنتاج مفكك يركز على KVCache. يقوم هذا الهيكل بفصل مرحلتي Prefill وDecode لتشغيلهما على مجموعات مستقلة، مع دمج موارد CPU والذاكرة وSSD غير المستخدمة في مجموعات GPU كخزان ذاكرة موزع. وقد حصل هذا الإنجاز على جائزة إريك ريدل لأفضل ورقة بحثية من مؤتمر FAST 2025 المتخصص في التخزين.

Mooncake هو منصة خدمة إنتاجية مطبقة فعليًا، ويُذكر صراحة في ملخص البحث أن "Mooncake هي منصة تقديم Kimi". تحت أحمال العمل الحقيقية، يمكن لـ Mooncake زيادة كمية طلبات Kimi بنسبة 75%؛ وفي سيناريوهات السياق الطويل، تزيد القدرة الفعالة على معالجة الطلبات بنسبة 59% إلى 498%. حاليًا، تم نشر هذا النظام على آلاف العقد، ويُعالج أكثر من 100 مليار رمز يوميًا.

في عام 2024، أطلقت "لunar Dark Side" بالتعاون مع مختبر MADSys في جامعة تسينغهوا مشروع Mooncake مفتوح المصدر (مستودع مفتوح المصدر: kvcache-ai/Mooncake)، وحتى الآن تجاوز عدد نجوم المشروع على GitHub 6000 نجمة. يمكن الاطلاع على البيانات والمعلومات ذات الصلة في ورقة arXiv (الرقم 2407.00079) وإعلان موقع قسم الحوسبة في جامعة تسينغهوا ومستودع المشروع المفتوح المصدر.

بعد مون كيك، استمرت أبحاث تشين رويو في التعمق في اتجاه أنظمة الاستدلال. تم قبول ورقة Seer التي أعدّها كمؤلف أول في OSDI 2026، وهي عمل يعالج عوائق الأداء في التعلم المعزز من خلال تقنيات تقسيم التوسيع، والجدولة المستندة إلى السياق، وفك التشفير التخميني المجموعي، مما يحقق زيادة قصوى بنسبة 2.04 ضعف في إنتاجية التوسيع من طرف إلى طرف، وانخفاضًا في التأخير الذيل الطويل بنسبة 72٪ إلى 94٪. كما تقدم ورقة أخرى كمؤلف أول بعنوان Prefill-as-a-Service بتصميم مبتكر للبنية التحتية المستقبلية للاستدلال يعتمد على مشاركة KVCache عبر مراكز البيانات.

ظهر تشين رويو أيضًا في قائمة المساهمين في مشروع K3. أداء منتج النموذج الكبير يعتمد على قدرتين مشتركتين: يحدد تطوير النموذج الحد الأقصى للقدرة، بينما يحدد هندسة النظام مدى توفر الخدمة وتكاليف التشغيل في سيناريوهات التزامن العالي.

المنافسة الحالية في صناعة النماذج الكبيرة تنتقل تدريجيًا من مقارنة قدرات التدريب إلى مقارنة قدرات هندسة الخدمات. كطالب دكتوراه، يتمكن تشين رويو من إنتاج نتائج على مستوى أفضل أوراق مؤتمرات رائدة في هذا المجال، وذلك بفضل تركيز بحثه المباشر على السيناريوهات الإنتاجية وتطبيق نتائجه في أنظمة أعمال حقيقية.

أعضاء فريق كيمي الأساسيون في البحث والتطوير، مع مسارات بحثية تمتد عبر ثلاث مجالات رئيسية: البيولوجيا الحسابية، وأنظمة التوصية، والنماذج الكبيرة، وشاركوا بشكل كامل في التطور التقني لأجيال نموذج كيمي الأساسية.

في مراحله المبكرة، عمل في مجموعة تشيان يانغ البحثية في معهد المعلومات المتقاطعة بجامعة تشينغهوا، حيث أجرى أبحاثًا في مجال الذكاء الاصطناعي للأدوية. بين عامي 2020 و2021، نُشرت دراسته حول إطار إعادة توجيه أدوية الإنفلونزا أولاً على منصة bioRxiv كطبعة ما قبل النشر، ثم في المجلة العلمية "Signal Transduction and Targeted Therapy"، كما نُشرت نتائج أخرى مرتبطة بفصل البروتين النووي في مجلة "Protein & Cell".

من 2022 إلى 2023، عمل يوان إن مينغ في مختبر نوح في هواوي، مع تركيز بحثه على أنظمة التوصية، حيث شملت نتائجه عدة مؤتمرات أكاديمية عالمية رائدة. حيث تم قبول ورقة بحثية كتبها كمؤلف أول حول التوصية باستخدام تسلسلات السلوك المتعدد في مؤتمر SIGIR 2022، كما تم قبول نتائج تعاونية أخرى في مؤتمري CIKM 2022 وWWW 2023.

بعد انضمامه إلى مونث آف دارك، شارك يوان إن مين بعمق في تطوير نماذج ومشاريع تقنية كيمي الأساسية عبر الأجيال، وتشمل المشاريع المُعلنة والقابلة للتحقق من صحتها: تقرير تقنية التعلم المعزز لـ Kimi k1.5، البحث التقني MoBA، تقرير تقنية Kimi-VL، تقرير التقنية لنموذج Kimi K2 الكبير، تقرير تقنية Kimi Linear، تقرير التقنية لنموذج Kimi K2.5 متعدد الوسائط، وتقرير التقنية لنموذج Kimi K3 الرائد.

يشمل نطاق مشاركته عدة اتجاهات تقنية أساسية مثل تدريب التعلم المعزز، وقدرات متعددة الوسائط، هندسة النموذج الأساسي، وأنظمة السياق الطويل، ويعبر بشكل كامل عن دورة تطوير الأجيال الثلاثة من النماذج الرائدة لـ Kimi من k1.5 إلى K3، وهو أحد أعضاء الفريق الأساسيين الذين يغطون نطاقًا واسعًا من الجوانب التقنية.

حتى الآن، لم يتم الكشف عن المنصب المحدد أو التوزيع الدقيق للبحث الذي يشغله يوان إن مينغ في مونث أوف داركنس. ومن خلال المسارات المنشورة المُ署ّمة، فإن خلفيته البحثية متعددة التخصصات تدعم قدرته على المشاركة في عدة اتجاهات تقنية نموذجية كبيرة، وهو مشارك مستمر مهم في عملية تطوير نظام كيمي.

تشين وي شين هو باحث حالي في مونكشوت أي آي (Moonshot AI)، وتركز أبحاثه على البنية الأساسية للنماذج الكبيرة، وآليات التدريب الفعالة، وتحسين آلية الانتباه.

شارك هسوي شين بشكل عميق في تطوير النماذج الأساسية والتقنيات الأساسية لسلسلة Kimi، وتشمل المشاريع المُعلَنة باسمه دورة تطوير المنتج الكاملة من K1.5 إلى K3. بعد إصدار K3، كشفت شركة Moonshot الرسمية عن ثلاث تقنيات أساسية مطورة داخليًا — مُحسّن Muon، الانتباه الخطي Kimi Linear، وباقي الانتباه Attention Residuals — ويُعد هسوي شين المُساهم الوحيد القابل للتحقق، والذي تم ذكر اسمه في جميع الأوراق الثلاثة المتعلقة بهذه التقنيات الأساسية، مع ترتيبه ضمن أول 15 مساهمًا في كل منها، وهو أحد أعضاء فريق التطوير الأساسي الذين دعموا ترقية أداء بنية K3.

فيما يتعلق بالإنجازات الملموسة، يظهر اسمه في المرتبة الثامنة ضمن قائمة المؤلفين في ورقة بحثية حول مُحسّن Muon الصادرة في فبراير 2025، والذي يحقق كفاءة حسابية تقارب ضعف كفاءة AdamW، كما شارك في تطوير تنفيذ التدريب Moonlight المفتوح المصدر المرافق لاحقًا؛

في ورقة بحثية تقنية عن Kimi Linear نُشرت في أكتوبر 2025، احتل المرتبة 15، حيث تقدم الآلية KDA المقترحة خفضًا يصل إلى 75% في حجم KV Cache، وزيادة تصل إلى 6 مرات في إنتاجية الترميز في سيناريوهات المليون رمز؛

في ورقة بحثية "Attention Residuals" المنشورة في مارس 2026، والتي تعد واحدة من الابتكارين الرئيسيين في الهيكل الأساسي لـ K3، يحتل المرتبة الرابعة بعد الثلاثة مؤلفين مشتركين، وهو أول مساهم رئيسي، وقد تم دمج التقنية ذات الصلة بشكل عميق في هيكل النموذج الأساسي لـ Kimi K3.

إضافةً إلى ذلك، ظهر اسمه في قائمة المساهمين في تقارير تقنية Kimi k1.5 للتعلم المعزز، وتقرير Kimi-VL التقني، وتقارير Kimi K2 وK2.5 التقنية، بالإضافة إلى أحدث تقرير تقني لنموذج Kimi K3 الرائد، حيث شارك في مجالات تطوير أساسية متعددة تشمل النموذج الأساسي، والمتعددة الوسائط، والتعلم المعزز. يجب التوضيح أن اسمه غير مدرج في قائمة مؤلفي ورقة MoBA، ولا توجد أي علاقة تطويرية قابلة للتحقق علنًا بينهما.

إلى جانب ذلك، شارك في عدة أبحاث في مجال الرؤية ثلاثية الأبعاد، بما في ذلك استكمال المشهد الثلاثي الأبعاد الدلالي OccDepth، وتدريج التعلم النشط PVD-AL، وإعادة بناء SDF الضمني في ACCV 2024، حيث تغطي إنجازاته الأكاديمية مجالات فرعية متعددة مثل ضغط النماذج، وإعادة البناء ثلاثية الأبعاد، وفهم المشهد الدلالي.

من مسار التوقيع العام، تمتد مسار بحث هسو وي شين من نشر النماذج على الحافة وفهم الرؤية ثلاثية الأبعاد إلى الابتكار في البنية الأساسية للنماذج الكبيرة، مع تخصص طويل الأمد في الحوسبة الفعالة، ويشمل نطاق تقنيه واسعًا، وهو مشارك مستمر أساسي في تطوير طبقة البنية التحتية لـ Moonshot.

دو تشينتشوانغ هو باحث أساسي في مونث أوف داركنيس، وهو القوة الأساسية في الفريق المسؤول عن التعلم المعزز وتوسيع قدرات الاستدلال.

حصل على درجة البكالوريوس من جامعة بكين للطيران والفضاء في تخصص إدارة المعلومات وأنظمة المعلومات، ثم التحق بمعهد الدراسات المتقاطعة في جامعة تسينغهوا، المعروف بـ"ال黄埔軍校" لمواهب النماذج الكبيرة، للحصول على درجة الدكتوراه.

خلال فترة دراسته في تسينغهوا، درس تحت إشراف الأكاديمي البارز في مجال الذكاء الاصطناعي، تشاو شينغ، وانضم إلى مختبر MARS (مختبر التعددية النمطية والاستدلال الذاتي) حيث بدأ بالتركيز على التعلم متعدد النماذج، والتعلم المعزز، وآليات تعزيز النماذج اللغوية الكبيرة.

خلال دراسته للدكتوراه، قام كمؤلف أساسي بتطوير هيكل "ChatDB" الذي أحدث ضجة كبيرة، حيث اقترح بشكل ابتكاري "استخدام قاعدة البيانات كوحدة ذاكرة رمزية لتعزيز النماذج الكبيرة"، مما أثار انتشارًا واسعًا في الأوساط الأكاديمية والصناعية للذكاء الاصطناعي في ذلك الوقت.

للحصول على خبرة عملية مبكرة في أنظمة صناعية كبيرة، انضم أثناء دراسته للدكتوراه إلى معهد بكين هواهوا للذكاء الاصطناعي كمتدرب، وشارك بعمق في مشروع بحثي صعب يشمل بناء النظام الأساسي من الصفر. وقد مكنه ذلك من اكتساب خبرة كبيرة في مجالات التعددية النمطية والتعلم المعزز، وعزز رؤيته الأساسية التي تجمع بين النظام والخوارزميات.

بعد تخرجه، انضم إلى مونث أوف داركنيس، وظهر بشكل متكرر في التقارير التقنية للنماذج الأساسية. شارك مباشرة في ورقة البحث البارزة التي تستكشف قوانين توسيع التعلم المعزز، "Kimi k1.5: Scaling Reinforcement Learning with LLMs"، كما لعب دورًا أساسيًا كمساهم رئيسي في التقارير التقنية للنماذج الرائدة مثل Kimi K2 وK2.5.

كما شارك بعمق كمؤلف مشترك أساسي في تطوير النموذج البصري متعدد الوسائط Kimi، تقرير Kimi-VL التقني، مع التركيز على تحسين قدرة النموذج الكبير على إدراك وتنفيذ استدلالات متعددة الوسائط عميقة بشأن الصور المعقدة والرسوم البيانية ومعلومات العالم الحقيقي البصرية.

يتركز اهتمام دو تشينتشوان على هندسة تدريب نماذج اللغة الكبيرة (LLM) على نطاق واسع، مع التركيز على جدولة الموارد، والتدريب المستقر، وتحسين الأنظمة عند الحدود لنماذج ضخمة بحجم تريليونات المعلمات (بنية MoE) على مجموعات فائقة؛ بالإضافة إلى دمج التعلم المعزز والمتعدد الوسائط، حيث يدرس كيفية تحقيق نقلة نوعية في الحدود الذكية للنماذج عبر التعلم الذاتي والتعلم المعزز في مهام الاستدلال الطويلة والمعقدة، وتحقيق دمج فعال على مستوى الأساس بين المعلومات البصرية ونماذج اللغة.

يانرو تشين هي باحثة أساسية في ميني ماكس، وتتخصّص في تطوير وتنفيذ البنية الأساسية للنماذج الكبيرة، وتقنيات النصوص الطويلة، وتحسين الحوسبة، وهندسة متعددة الوسائط.

بصفته أحد المؤلفين المشتركين لورقة "Attention Residuals"، شارك في إعادة هيكلة تدفق المعلومات في الاتجاه العميق للنماذج الكبيرة، ونجح في التغلب على نقاط الألم الصناعية المتمثلة في كفاءة التدريب المنخفضة وانقطاع تدفق المعلومات في الشبكات فائقة العمق.

في تقنيات النصوص الطويلة، كونه أحد مؤلفي MoBA (الانتباه المختلط للكتل)، قاد وشارك في تطوير الآليات الأساسية الأكثر تميزًا في Kimi، حيث حلّ، من خلال تقسيم الانتباه على مستوى الكتل، مشكلة استهلاك الطاقة الحسابية المفرط في مراحل التدريب المسبق والاستدلال للسياقات الطويلة التي تصل إلى الملايين، ليصبح الأساس الأساسي لخفض التكاليف وزيادة الكفاءة القصوى في Kimi.

في الوقت نفسه، هو أحد المؤلفين المشتركين للورقة البحثية "Muon is Scalable for LLM Training"، وشارك بعمق في تطوير مشروع Moonlight المفتوح المصدر البارز ومحسّن Muon الأساسي الخاص به، حيث تحدى منهجية AdamW التقليدية من خلال معالجة التماثل المصفوفي، مما قلل بشكل فعال من تكاليف الحوسبة في تدريب النماذج الضخمة بحجم تريليونات المعلمات على نطاق موزع.

في تطوير النموذج الرئيسي، قام بدمج عميق لدورة حياة تطوير النماذج الأساسية السابقة لـ Kimi (k1.5 و K2 و K2.5 و K3)، وحل مشكلات الاستقرار وتوزيع الموارد تحت التعلم المعزز على نطاق واسع وتوسيع المعلمات إلى تريليونات.

بالإضافة إلى ذلك، خلال العمل على تطوير تقنيات Kimi متعددة الوسائط (Linear، VL، Audio)، استكشف بنشاط ابتكارات في الانتباه الخطي غير التقليدية، وقاد تنفيذ هندسي لتقارير تقنيات Kimi متعددة الوسائط البصرية والصوتية، وحلّ بكفاءة عوائق الكفاءة في دمج تدفقات المعلومات متعددة الوسائط على المستوى الأساسي.

ليو شاويي هو عضو أساسي في مختبر MADSys التابع لمختبرات النظام الحاسوبي الرائدة في جامعة تشينغهوا، كما أنه خبير رائد في فريق البنية التحتية الأساسي في مون أوف داركنيس.

عندما تتعجب من أن كيمي يمتلك تريليونات المعاملات مع سعر واجهة برمجة التطبيقات منخفض جدًا، فهذا يعود إلى جهوده وفريقه الدؤوبة في "فن التكميم المطلق". فهو يركز باستمرار على تحقيق استنتاجات منخفضة التكلفة للغاية لنماذج ضخمة بحجم تريليونات، وتصميم توبولوجيا الحوسبة الموزعة الواسعة النطاق والكمّية الأصلية.

على أكثر مجتمعات الذكاء الاصطناعي المفتوح المصدر صرامة في العالم، Reddit LocalLLaMA، نشر سابقاً مقالاً تقنياً طويلاً بصفته خبيراً رسمياً من Kimi بعنوان "Kimi infra team: Quantization is not a compromise, it's the next paradigm"، أثار ضجة كبيرة بين المهووسين في الخارج. وقد كشف هذا المقال الطويل بشكل عميق عن تنسيق التكميم الأصلي Native INT4 المتطوّر جداً في قلب Kimi K2 وK2.5.

إنه ليس فقط أحد المؤلفين المشتركين الأساسيين لـ MoBA (آلية الانتباه المختلطة للكتل)، بل شارك أيضًا بعمق في تطوير البنية التحتية الموزعة لمشروع المصدر المفتوح البارز Moonlight ومحسن Muon الأساسي، حيث قام بضغط كبير في تكاليف الحوسبة أثناء التدريب الموزع للنماذج الضخمة بتريليونات المعلمات من خلال معالجة التعميد المصفوفي.

إنه أيضًا أحد المؤسسين الرئيسيين ومسؤولي صيانة الكود لمشروع KTransformers المفتوح المصدر البارز لـ Moonlight، وقد قام شخصيًا بتجاوز حواجز الحوسبة لتنفيذ الاستنتاج المختلط لنماذج MoE بحجم تريليونات المعلمات على تجمعات متنوعة.

تشن غواندو هو باحث أساسي في فريق البنية التحتية لـ Moonshot. يتمتع بقدرة متميزة على البحث والتطوير العابر بين الأنظمة والخوارزميات، وتركز أبحاثه بشدة على بنية النماذج الكبيرة، وهندسة آليات الانتباه الفعالة، وتسريع ضبط النماذج الكبيرة، وتحسين التخزين والاسترجاع على نطاق واسع.

حصل على درجة البكالوريوس والماجستير من قسم علوم الحاسوب في جامعة فودان، حيث بنى أساسًا متينًا في مجال الأنظمة الموزعة والهياكل الأساسية. بعد ذلك، تابع دراسته في جامعة نان يانغ التقنية وجامعة العلوم والتكنولوجيا في هونغ كونغ، حيث درس تحت إشراف الأكاديميين البارزين يوان بينهانغ ولو سيشيانغ في مجالات الحوسبة عالية الأداء وبنية النماذج الكبيرة، واكتسب رؤى أكاديمية متطورة وخبرة في التطوير.

قبل انضمامه الرسمي إلى مونث أوف داركنيس، قام بعمق التخصص في أقسام الأساسيات الأساسية لدى كبرى شركات الإنترنت الرائدة. عمل كمتدرب بحثي في فريق تطوير أنظمة قواعد البيانات في ByteDance وفريق البنية التحتية في Meituan، حيث شارك بعمق في تطوير وتحسين هندسة أنظمة موزعة كبيرة النطاق وعالية التوازي على مستوى الصناعة.

خلال هذه الفترة، قام كمؤلف أساسي بإطلاق نتائج مهمتين مباشرة. في طبقة التخزين الأساسية، قام بتطوير ونشر "Oasis"، والذي اقترح مرشحًا مثاليًا لفصل التعلم غير المتقاطع،解决了大规模范围查询时的索引瓶颈；

في تطبيق الطبقة، نشر "Gar" من خلال منهجية "الإنشاء والترتيب"، مما عزز بشكل كبير دقة النماذج الكبيرة في فهم النوايا البشرية المعقدة وتحويلها إلى عبارات استعلام قاعدة بيانات SQL (Text-to-SQL).

انضم تشين غواندوو رسميًا إلى مونث أوف داركنيس في مارس 2025. كعنصر أساسي في فريق البنية التحتية، ليس فقط أنه المؤلف المشترك الرئيسي للنموذج الكبير الرائد لـ مونث أوف داركنيس Kimi K2 وKimi K2.5، بل قدم أيضًا إنجازًا تقنيًا مكثفًا في مجالات مثل تسريع تدقيق النماذج الكبيرة، وهياكل الانتباه الفعالة، وحتى إعادة هيكلة البنية الشبكية النهائية.

لحل مشكلة استهلاك الذاكرة الرسومية المفرط أثناء الدقة الدقيقة للنماذج الكبيرة، قاد تشين غواندوي نشر ورقة بحثية بعنوان "Ce-lora"، واقترح طريقة دقة دقيقة فعالة من حيث الحساب. من خلال تقليل استهلاك الذاكرة الرسومية والتكلفة الحسابية أثناء دقة المعاملات للنماذج الكبيرة، رفعت هذه التقنية مباشرة معدل الإنتاجية في طبقة البنية التحتية، وتُعد تقنية "تخفيف وزن الذاكرة الرسومية" للدقة الدقيقة للنماذج الكبيرة.

لمواجهة مشكلة الانفجار التربيعي في تعقيد الحسابات مع النصوص الطويلة، شارك في تطوير ونشر بنية "Kimi Linear" التي أثارت ضجة في مجتمع مفتوح المصدر. إنها بنية انتباه خطية ذات قدرة تعبيرية وكفاءة عالية، تقلل بشكل كبير من تعقيد الحسابات للنصوص الطويلة مع الحفاظ على قدرة النموذج التمثيلية القوية، حيث نجحت في خفض استهلاك KV Cache (ذاكرة التخزين المؤقت للمفاتيح والقيم) بنسبة تصل إلى 75%، وحققت سرعة تفريغ تبلغ 6 مرات عند معالجة نصوص بطول مليون حرف، وهي الأساس الصلب الذي يدعم استمرار Kimi في تعميق تطوير تقنيات النصوص الطويلة.

He is also one of the co-authors of "Attention Residuals".

من مرشحات التخزين الأساسية إلى خوارزميات الدقة الدقيقة الفعالة من حيث الحساب، وحتى بنية شبكة Transformer الجيل القادم الثورية، فإن مسار مهنة تشين غواندوي يتوافق تمامًا مع النموذج الصناعي الحالي الذي ينتقل من "التركيز فقط على زيادة المعلمات" إلى "السعي وراء كفاءة حسابية قصوى وتطبيق هندسي فعلي" في نماذج الذكاء الاصطناعي الكبيرة.

خاتمة

فريق تطوير K3 معروف بسرية وهدوءه، وفي عملية مراجعة البيانات، كان من الصعب علينا تحديد الأدوار المحددة والسيرة الذاتية الكاملة لجميع الأعضاء. لكن من خلال هذه القائمة الثقيلة، أصبح الجواب واضحًا الآن: لماذا "الجانب المظلم للقمر"؟ ولماذا يمكنهم دعم تقييم فائق قدره 700 مليون دولار للفرد؟

هؤلاء الشباب، الذين لا يتجاوز متوسط أعمارهم 30 عامًا، هم مهندسو أنظمة يفهمون حقًا اقتصاد القوة الحسابية. من جدولة التخزين التي حصلت على أفضل ورقة بحثية في مؤتمرات رائدة، إلى الابتكارات الأساسية لإعادة هيكلة آليات الانتباه، فقد وصلوا إلى أقصى درجات الكفاءة الهندسية في "الطول، السرعة، والكفاءة".

إن هذا التكامل الكامل من الخوارزميات العليا إلى الأجهزة الأساسية هو ما يمنح "الجانب المظلم للقمر" الحواجز الأساسية لكسر لعنة "تجانس القوة الحسابية".

تفاصيل أخرى مثيرة للاهتمام هي أنه في نهاية القائمة الشاملة، أصبح Kimi K3 أيضًا عضوًا مهمًا في فريق التطوير. بدأ المُنشئ والمُنشأ على نفس القائمة، جنبًا إلى جنب، وقد حان بالفعل عصر "الذهبية" للنماذج الكبيرة الصينية.