AI tarafından oluşturulan özet: Temmuz 2026'da Moon Shadow, Kimi K3 modelini açık kaynak hale getirdi ve ilk kez 401 katkıda bulunanın listesini duyurdu. Şirketin en son değerlemesi 31,5 milyar dolar oldu, ekip yaklaşık 300 kişiden oluşuyor ve ortalama yaşı 30'un altında; kişi başı 700 milyon dolarlık değerlemeyi taşıyor. Temel ekip, algoritma sorumlusu Zhou Xinyu, mimar Wu Yuxin ve CTO Zhang Yutao'dan oluşan üç kurucudan ve清华, CMU gibi üst düzey üniversitelerden gelen diğer kritik üyelerden oluşuyor. Ekip, MoBA karışık blok dikkat mekanizması, Mooncake ayrıştırılmış çıkarım mimarisi ve Muon optimizatörü gibi temel teknolojilerde birçok yenilik gerçekleştirdi ve ilgili başarılar, FAST 2025'en en iyi makale ödülü gibi onurlarla ödüllendirildi. Bu genç teknofilliler ekibi,扁平 yönetimiyle tanınır ve "uzun, hızlı, tasarruf" mühendislik verimliliğini uç noktaya taşımıştır ve Çin'in büyük model alanındaki önemli bir güçtür.

Yazan: Lei Feng Wang

27 Temmuz'da, Ay'ın Karanlık Yüzü tüm niyetini göstererek, tam performanslı 2,8T model Kimi K3'ü tamamen açık kaynak hale getirdi. Teknik raporun sonunda, ilk kez Kimi K3'ün arkasındaki gerçek katkıda bulunanların listesini açıkladılar; 401 üye olduğunu saydık; bu, Ay'ın Karanlık Yüzü'nün yetenekli ekibinin tam bir görünümdür.

Başlangıçta sadece birkaç milyon dolar değerinde olan bir startup ekibinden, bugün gerçek anlamda “yerel büyük modelin ışığı” haline gelen Ay’ın Karanlık Yüzü, küresel masada Claude Fable 5 ve GPT-5.6 Sol gibi en üst düzey modellerle “baş etme” yeteneğine sahip nadir bir teknik ekip haline geldi.

K3'nin piyasaya sürülmesiyle, Ay'ın Karanlık Yüzü'nün en son değerlemesi 31,5 milyar ABD dolarına, yaklaşık 210 milyar Çin yuanına ulaştı ve bu 210 milyar değerlemeyi destekleyen, son derece genç bir ekip.

Kamuoyuna açık bilgilere göre, Ay'ın Karanlık Yüzü yaklaşık 300'den fazla kişiden oluşuyor ve ortalama yaşı 30'un altında. Bunların %80'i I tipi. Bunu hesapladığınızda, kişi başı yaklaşık 700 milyon Çin yuanı değerlemeyi taşıyor.

Ay'ın Karanlık Yüzü'nün organizasyon yapısı çok düzdür. Ay'ın Karanlık Yüzü'nün beş kurucusu vardır ve her biri doğrudan 40-50 kişiyle bağlantı kurar. İçişlerinde "rütbe yok, KPI yok, departman duvarları yok" olarak bilinir ve çalışanlar her zaman patronlarını zorlayabilir. 2025 başındaki bir yansıma toplantısında, bir çalışan radikal bir öneri sunmuş, Yang ZhiLin bu öneriyi dinledikten sonra öneriden daha radikal bir adım atmış ve doğrudan K1'i bırakıp K2'ye geçmiştir.

Bu esneklik, şirketin “ruhu”nda da aynı şekilde yansııyor. Popsiklinin rock tutkunu olması, toplantı odalarını Rolling Stones, Nirvana, Radiohead gibi efsanevi grupların adlarıyla isimlendirmesine neden oluyor ve hatta Kimi'nin üyelik paketlerini bile Adagio (yumuşak), Allegro (hızlı) gibi müzik terimleriyle adlandırıyor.

Ayın Karanlık Yüzü, hesaplama gücü ve verilerin giderek homojenleştiği günümüzde, "tat"ın farklılaşma engelini oluşturan temel itici kuvvet olduğuna inanır. Bu tat, sadece model geliştirme üzerinde değil, aynı zamanda yeteneklere karşı gösterdiği seçicilik ve arzuda da derin bir yansıma bulur.

Ayın Karanlık Yüzü, CEO'ları işe almayı sever ve özellikle "girişimci ışığı" veya "kumarbaz genleri" olan kişilere büyük ilgi gösterir. Yayınlanmış verilere göre, şirket içinde en az 50 kişi bir girişim kurmuş veya bir girişimde çalışmış durumda. Geçen yıl, Ayın Karanlık Yüzü'nün yeni işe aldığı kişilerin 100'den fazlası içsel önerilerle katılmıştır.

Bugün, listeye göre kapsamlı bir araştırmayla K3 katkıda bulunanların tüm güvenilir bilgilerini burada bir araya getirdik. Bu üst düzey teknik ekipmanın temel arka planı ve güçlü yetenekleri tamamen ortaya konmuştur.

01 Kimi Teknoloji Sisteminin Temel Taşı

Zhou Xinyu, Moonshot'un temel ortak kurucularından biridir ve aynı zamanda algoritma ekibinin sorumlusudur.

Zhou Xinyu ve Yang Zhilin daha önce birbirlerini tanıyorlardı; ilginç bir ayrıntı, Zhou Xinyu'nun Çin Hua Üniversitesi Splay grubunun gitaristi olduğunu, davulcusunun ise tam olarak Yang Zhilin olduğunu gösteriyor.

Moonlight'a katılmadan önce, Zhou Xinyu, Megvii'de algoritmaların üretkenliği ve mobil model araştırmaları üzerinde çalıştı. O, o dönemde Megvii'nin temel bilimsel araştırmalarından sorumlu olan ve şimdi Jieyue Xingchen'in baş bilim insanı olan Zhang Xiangyu ile sıkı bir şekilde iş birliği yaptı ve hafif ağların büyük eseri ShuffleNet'i ana yazar olarak kendisi yazdı.

Zhou Xinyu'nun odak alanı büyük modellerin algoritmalarını endüstriyel ölçekle üretmektir; en ileri laboratuvar algoritmalarını yüksek verimlilik ve düşük maliyetle büyük ölçekli üretim sistemlerine dönüştürme konusunda uzmandır. Ayrıca karışık mimari optimizasyonunda da yetkin olup, Reddit topluluğundaki teknik tartışma (AMA) sırasında Kimi K3 KDA karışık mimarisinin NoPE MLA ile karşılaştırıldığında avantajlarını ilk kez analiz ederek, bu mimarinin ön eğitim ve pekiştirmeli öğrenmede daha az hesaplama gücü tüketip daha hızlı olduğunu kanıtlamıştır.

Wu Yuxin, Ayın Karanlık Yüzü'nün ortak kurucularından biridir. Aynı zamanda yapay zeka alanında önde gelen bir uzman ve ünlü mimardır; derin öğrenme, bilgisayarlı görme (CV) ve büyük dil modelleri (LLM) alt yapı ve altyapıları konularında derin bir uzmanlığa sahiptir.

Wu Yuxin ve Yang Zhilin aynı eğitim arka planına sahiptir; lisans derecelerini Tsinghua Üniversitesi Bilgisayar Mühendisliği Bölümü'nden tamamlamış ve ardından ABD'deki Carnegie Mellon Üniversitesi'ne (CMU) devam etmişlerdir. Wu Yuxin, Meta AI Araştırma Laboratuvarı'nda (FAIR) araştırma mühendisi olarak çalışırken, bilgisayarlı görüşte birçok dönüm noktası teknolojisi üzerinde öncülük etmiş ve katkıda bulunmuştur.

Ayın Karanlık Yüzü'nü Yang Zhilin ile kurmadan önce, Wu Yuxin zaten derin öğrenme ve bilgisayarlı görme alanlarında iki endüstri standardı düzeyinde büyük başarı elde etmişti:

Bir tanesi Detectron2'nin ana kurucuları ve geliştiricilerinden biri olarak, bu proje küresel bilgisayar görüşü araştırmacı ekosistemini doğrudan yeniden şekillendirdi ve binlerce görsel büyük model ve nesne tespit projesinin "evrensel altyapısı" haline geldi.

Daha yaratıcı olarak, 2018 yılında önde gelen akademisyen He Kaiming ile birlikte Group Normalization üzerine önemli bir çalışma yayımladı ve ECCV 2018 En İyi Makale Onur Ödülü adaylığına layık görüldü.

Bu klasik çalışma, küçük örneklerdeki geleneksel Batch Normalization'un ölümcül sınırlarını doğrudan aşmıştır. Alt düzeyde sadece birkaç satırlık yenilikle "küresel AI eğitim kurallarını yeniden yazma" yeteneği, Wu Yuxin'e açık kaynak dünyasında büyük bir teknik çekicilik kazandırmıştır.

Ayın karanlık tarafında, temeli atan kişi odu. Büyük modellerin mimarisi ve eğitim verimliliği optimizasyonuna derinlemesine katıldı ve aynı zamanda küresel PyTorch geliştirici konferansına katılarak, Kimi'nin küresel açık kaynak altyapısına yaptığı temel katkıları dünyaya açık bir şekilde analiz etti.

Wu Yuxin'in uzmanlık alanı, Kimi'nin bir sonraki nesil çok modalli uzun metin sınırlarını zorlarken son parçayı tamamlamıştır. Yüksek performanslı derin öğrenme sistemlerini optimize etme konusundaki becerisi, büyük modellerin trilyonlarca parametre altında daha kararlı çalışmasını, daha hızlı hesaplamasını ve daha az bellek tüketmesini sağlamayı hedefler; bu da Kimi'nin uzun metinlerde ve yüksek paralellikte kaygan bir deneyim sunmasının teknik duvarıdır.

MoCo v1'in derin öğrenme tarihindeki kilit eseri olarak bir yazarı olarak, Kimi'ye sadece en güçlü beyni (doğal dil anlama) değil, aynı zamanda gerçek fiziksel dünyayı derinlemesine anlayan bir göz (çok modallı görsel) de kazandırıyor.

Zhang Yutao, Moonshot'un ortak kurucularından biridir ve aynı zamanda Moonshot'un CTO'sudur. Yang Zhilin ile aynı清华 mezunudur ve Qwen'in kurucusu Tang Jie, onun hocasıdır.

2016 yılında, Zhang Yutao ve Yang Zhilin, "Xunhuan Intelligence" adlı şirketi ortak olarak kurdu; ardından, Zhang Yutao ve Yang Zhilin, "Ayın Karanlık Yüzü"nü birlikte kurdu. Eğer Yang Zhilin, "Ayın Karanlık Yüzü"'nün "navigatörü" ise, Zhang Yutao, "akıl" adlı büyük geminin güç sisteminin en üst düzeye getirilmesinden sorumlu baş mühendistir. Kimi'nin uzun metinlerde, karmaşık akıl yürütmede ve Agent görevlerinde atılımsal bir ilerleme kaydetmesinde Zhang Yutao'nun katkısı büyük olmuştur.

Moonshot'a katılmadan önce, bilgi haritalama ve heterojen veri entegrasyonu alanlarında birkaç "endüstri düzeyinde" önemli başarı bırakmıştı.

En çok bilinen teknik katkılarından biri, teknik sorumlu olarak AMiner bilimsel büyük veri analiz platformunun geliştirilmesini yönetmektir. Bugün milyonlarca akademisyene hizmet veren bu platformun arkasındaki temel heterojen veri entegrasyon teknolojisi, Zhang Yutao'nun Tsinghua Üniversitesi'nde doktora çalışması sırasında katkıda bulunduğu temel yetenekleri içerir. “Nasıl milyonlarca bilgi makine tarafından alınır, anlaşılarak aranır?” sorusuna yönelik derin anlayış, Kimi'nin uzun metin işleme yeteneğinin teknik temelini doğrudan oluşturur.

Akademik katkıları kapsamında, KDD ve CIKM gibi bilgisayar bilimlerinin önde gelen konferanslarında yüksek alıntı alan birçok makale yayımlamıştır. Bilgi haritalarını kullanarak AI'ya "mantıksal bir anlayış" kazandırmada uzman olmanın yanı sıra, döngüsel akıl döneminde "Bin Döngü Sıfır Örnek AI Platformu"nun geliştirilmesini öncülük etmiş ve endüstri ölçekli modellerin şirket hizmeti senaryolarında ölçeklenebilir bir şekilde uygulanmasını sağlamıştır.

Zhang Yutao, uzmanlık alanı olarak AI'nın "konuşabilme"den "iş yapabilme"ye geçişinin her aşamasını doğru şekilde öngörmüştür. Uzun bağlam penceresi teknolojisi ve dinamik ağ mimarisi üzerinde odaklanarak, AI'nın büyük veri kümelerinde "uykusuz" kalmasını sağlama sorununu çözmüştür.

2026 yılının Temmuzundaki en son teknoloji zirvesinde, sektörün mühendislikleşmesinin üç teknoloji akımını net bir şekilde özetledi: 2023 yılında “nasıl sorulur” üzerine odaklanan Prompt dönemi, 2024 yılında “yeterli bilgi verilmesi” üzerine odaklanan Context dönemiyle gelişti ve 2026 yılında büyük modeller resmen Harness mühendisliğinin yeni aşamasına girdi. Şimdi, ekibini “AI’nın sorun yaşadığında kendi kendine döngüsel olarak düzeltebileceği çalışma ortamını nasıl kurarız” sorusunu çözmeye yönlendiriyor.

Xu Xinnan, Moonshot AI'nın mühendislik başkanı ve AI altyapı sorumlusu.

Tam yığın altyapı geliştirme deneyimine sahiptir ve daha önce MegEngine (Tianyuan) derin öğrenme çerçevesi ve milyarlarca vektör arama sistemi üzerinde çalışmıştır. Şu anda, Ay'ın Karanlık Yüzünün büyük modellerinin eğitim, çıkarım ve altyapı mimarisini yönetmektedir.

Kimi'nin uzun metin iş akışları için büyük model çıkarım tarafında, o ve ekibi, KV Cache'e dayalı ayrılmış çıkarım mimarisi Mooncake'yi birlikte tasarladı. Bu sonuç, ön doldurma (Prefill) ve dekodlama (Decode) aşamalarını tamamen ayırarak milyonlarca uzun bağlamın bellek ve I/O yükünü hafifleterek, depolama alanında en üst düzey konferans FAST 2025'in En İyi Makale Ödülünü kazandı.

Aynı zamanda MoBA (Karışık Blok Dikkat) mekanizmasının temel yazarlarından biri olarak, blok düzeyindeki dikkat bölümlendirmesi sayesinde Kimi'nin eğitim ve çıkarım süreçlerinde büyük maliyet azalması ve verimlilik artışı sağlamıştır.

Model eğitim tarafında, Moonlight ve alt katman optimizatörü Muon açık kaynak projelerine katıldı ve matris ortogonalleştirme yöntemini geleneksel AdamW yerine kullanarak, dağıtılmış eğitimde trilyonlarca parametreli modellerin hesaplama maliyetini düşürdü.

Bu, büyük ölçekli uzun metin trafiği altında dağıtık depolama ve çıkarım uygulamaları serisine dayanarak, GOSIM China küresel açık kaynak etkinliğinde konuşma yapma daveti almıştır. Uzmanlık alanı, daha az FLOPs kaybı ve KV Cache kullanımıyla yüksek akıllı uzun metin çıkarımını desteklemeye odaklanan tam yığın büyük model mimarisidir.

Ayın Karanlık Yüzü çıkarım sistemi sorumlusu olarak, FAST 2025 en iyi makalesinin ana yazarıdır ve Kimi uzun metin çıkarım mimarisinin mühendislik uygulamasında temel teknik isimdir. Kimi k1.5, Kimi-VL, K2'den Kimi Linear, Kimi-Audio'a ve MoBA, Muon, AttnRes gibi temel mimari makalelere kadar, adı altı nesil teknoloji başarısında yer alır; tüm çalışmaları aynı temel hedefe odaklanır: sistem tasarımıyla verimlilik kazanmak ve büyük modellerin gerçekten erişilebilir olmasını sağlamak.

Ayın Karanlık Yüzü'ne katılmadan önce He Weiran, yüksek verimli hesaplama alanında yıllardır uzmanlaşmıştı. Tsinghua Üniversitesi Bilgisayar Mühendisliği bölümünden mezun olan He, erken dönemlerde çip yerleşimi ve alt seviye performans optimizasyonu üzerinde çalıştı;旷视 döneminde özgün AI çipleri ve düşük bit genişliğinde sinir ağları üzerinde yoğunlaştı ve daha sonra Ayın Karanlık Yüzü'nün ortak kurucularından Zhou Xinyu ile aynı dönemde çalıştı—Zhou Xinyu, klasik OCR metin tespit çözümü EAST'in ilk mucidi.

2023'te Ay'ın Karanlık Yüzünü ziyaret ettikten sonra, yıllarca birikmiş sistem mühendisliği deneyimini trilyon parametreli büyük modelin çıkarım hizmetlerine uyguladı.

En temsili başarısı, KVCache ayrılmış çıkarım mimarisi olan Mooncake'dir. Bu sistem, geleneksel çıkarım hizmeti mimarisini değiştirerek, büyük modellerin en çok GPU belleği tüketen bellek önbelleğini ayırıp merkezi olarak yönlendirir. Küresel önbellek yeniden kullanımını ve ince ayarlı yönlendirme sayesinde, hesaplama kapasitesi değişmeden Kimi'nin talep kapasitesi %75'ten fazla artar. 2024 QCon konferansında, bu mimari ve sürekli mühendislik iyileştirmeleri sayesinde Kimi çıkarım kümesinin birim maliyetinin bir yıl içinde 20 kat azaldığını açıkladı.

Şubat 2025'te, Mooncake ile ilgili makale, FAST konferansında Eric Riedel En İyi Makale Ödülü'nü kazandı—bu, depolama sistemleri alanındaki en önemli ödüllerden biridir. Mühendislik değerini daha iyi gösteren nokta, makalenin resmi olarak ödüle layık görülmesinden önce, bu mimarinin Kimi üretim ortamındaki binlerce düğümde stabil bir şekilde çalışması ve her gün yüz milyarlarca token'lık kullanıcı isteklerini işlemesidir.

K3 teknik raporu belirli bireysel görevleri açıklamasa da, birçok temel ilerleme, ekibinin teknoloji mirasını sürdürmektedir: KDA+MLA karışık mimarisindeki geleneksel önek önbellek bozulma sorunu için, ekip vLLM topluluğuna resmi uyum sağlama uygulaması katkıda bulunmuştur; milyonlarca token uzun istekler için, kümeler önbellek farkındalıklı yönlendirme ve zamanlama stratejileri kullanarak önbellek yeniden kullanım verimliliğini maksimize etmektedir. Sonuç olarak K3, Claude Fable 5’in sadece %38’i kadar bir çıkarım maliyeti sunmuştur; KVCache optimizasyonu, önek önbelleği ve maliyet kontrolü tam olarak Mooncake sisteminin temel konularıdır.

Çip yerleşiminden trilyon parametreli büyük modellerin çıkarımına kadar He Weiran'ın teknik yolu her zaman net: Sistem verimliliğini zorlamak, daha düşük hesaplama maliyetleri için mühendislik tasarımı kullanmak. Eğer en üst düzey algoritma araştırmacıları Kimi'nin kapasite sınırını yükselttiyse, o ve ekibi bu premium kapasiteyi somutlaştırmış ve daha fazla normal kullanıcının erişebilir ve güvenilir şekilde kullanmasını sağlamıştır.

02 Orta Seviye Saldırı · Gerçekleşen Temel Eleman

Du Yulun, Ayın Karanlık Yüzünde önceden eğitme (pretraining) ve ölçeklendirme (scaling) yönlerinde görev yapıyor.

Amerika Birleşik Devletleri Illinois Üniversitesi, Urbana-Champaign kampüsü ve Carnegie Mellon Üniversitesi'nden yapay zeka alanında mezun oldu. Daha sonra CycleAI'ye katıldı ve araştırmacı, AI Lab sorumlusu olarak görev yaptı; Moonshot'un temel teknoloji kurucularından biridir.

Model tabanının ön eğitim ve ölçeklendirme yönü için sorumlu olarak, teknik katkıları Kimi'nin tüm ana çekirdek flagman tabanlarını ve VL, Audio gibi çoklu modallilik serisini kapsayan mimari tasarımlarıyla tamamen örtüşmektedir.

Alt teknoloji atılımlarında, "Attention Residuals", "MoBA (Mixed Block Attention)" ve ön-eğitim optimizatörü makalesi "Muon is Scalable for LLM Training" için ortak yazar. Çalışmalarının temelini, blok düzeyindeki dikkat bölünmesi ve eğitim akışının yeniden yapılandırması ile çok derin ağlarda sinyal zayıflamasını hafifletmek ve trilyon ölçekli modellerin dağıtılmış eğitim verimliliğini önemli ölçüde artırmak oluşturuyor.

Mühendislik açık kaynak düzeyinde, MoonshotAI'nin resmi açık kaynak projesinin aktif çekirdek katkıda bulunanıdır. Kod işbirliği kayıtlarına göre, Du Yulin, algoritma uzmanı Su Jianlin ve çıkarım sistemi sorumlusu He Weiran ile sık sık işbirliği yapmış ve kod incelemelerinde birlikte çalışmıştır; üçlü, Kimi'nin milyonlarca uzun metin ve tüm modalliklerin verimli akışını destekleyen alt yapısal teknoloji döngüsünü oluşturmuştur.

Zhang Yu, Ayın Karanlık Yüzü'nün temel mimarıdır ve büyük dil modellerinin verimli, ölçeklenebilir ve donanım dostu mimari tasarımına odaklanır. Transformer olmayan ve doğrusal dikkat yönüne öncülük eden Zhang Yu, uzun metinlerin "ne kadar uzunsa o kadar yavaş ve aşırı maliyetli" mühendislik sihirbazlığını aşmak için çaba göstermektedir.

Akademik ve mühendislik uygulamalarında Zhang Yu, bol bol başarılar elde etti. Hem Kalan Bağlantılar《Attention Residuals》makalesinin ortak birinci yazarı hem de Ay'ın Karanlık Yüzünün verimli model mimarisinin temel geliştiricisi.

Kimi Linear modelini açık kaynaklı olarak geliştiren bu kişi, lineer dikkat mekanizmasını ilk kez çok uzun bağlam görevlerinde başarıyla uygulayarak devrim niteliğinde bir verimlilik atlaması gerçekleştirdi. Bunun yanı sıra,知乎 gibi teknik topluluklarda paylaştığı “Kimi Linear Geliştirme Yolculuğu” adlı içerik, hâlâ sayısız büyük model veri mühendisi tarafından okunması gereken bir rehber olarak kabul ediliyor.

7B model alt yapısında kırılma sağlayarak, bir savaşla trilyon parametreli büyük modeli küresel birinci gruba sokan Zhang Yu, akademik ve endüstri dünyaları arasında kolayca dolaşırken, en üst düzey akademik konferanslarda ve açık kaynak topluluklarında birçok güçlü kod bıraktı.

Bu serinin temelinde, temel teknoloji üzerindeki derin uzmanlığı yatıyor: yüksek verimli model mimarisi tasarımı konusunda, model derinliğinin genişletilmesi sürecindeki iletişim ve bellek darboğazlarını optimize etmeye odaklandı; eğitim dinamiklerini ve verimliliği artırma konusunda, temeldeki kalan akışını yeniden yapılandırarak, büyük modellerde PreNorm nedeniyle ortaya çıkan gradyan sönümleme ve gizli durum patlaması sorunlarını kökten çözdü.

Lai Guokun, Yang Zhilin'in Tsinghua ve Carnegie Mellon Üniversitesi çift mezunudur.

Kimi ekibi arasında en fazla makaleye sahip araştırmacılarından biri olup, onlarca makalesi vardır; hem Ayın Karanlık Yüzü'nün "Talant Kulübü" temsilcilerinden biridir, hem de Kimi K3'ün temel katkıda bulunanları arasındadır ve akademik dünyada "tanımlayıcı" düzeyde başarılar elde etmiş bir efsanedir.

Moonshot'a katılmadan önce, Lai Guokun, NLP (doğal dil işleme) alanında iki endüstri standardı düzeyinde büyük başarı elde etmişti.

Birisi, dünyanın en büyük makine okuma anlama veri kümelerinden biri olan "RACE veri kümesini" geliştirdi; RACE veri kümesi, Çinli öğrencilerin İngilizce sınav sorularıyla AI'yi eğitmek için doğrudan kullanıldı ve küresel makine okuma anlama için bir ölçüt haline geldi.

Daha da ilginç olan, lisans döneminde yazdığı, açıklayıcı öneri için açık faktör modelleri adlı makalesi, on yıl sonra 2024'te SIGIR Zaman Testi Ödülü'nü kazandı; bu, bilgi arama alanında, on yıl önce yayınlanan ve zamanın testini geçerek endüstride kalıcı etki yaratan makalelere verilen en üst düzey ödüllerden biridir.

Ayın Karanlık Yüzünde, lisans düzeyinde "gelecek on yılın teknoloji yolunu tanımlama" yetisine sahip olanlar tekil değildir.

Lai Guokun'un uzmanlık alanı, Kimi'nin temel yetenekleriyle tam olarak uyumlu; örneğin, "makine okuma anlama" konusunda uzman olup, AI'nın uzun belgeleri anlayıp sorulara cevap vermesini sağlayan teknoloji, Kimi'nin uzun metin yeteneğinin temelini oluşturur.

CMU sırasında araştırma odaklarından biri, ayrıca sinir ağ arama üzerine çalışarak AI'nın daha iyi ağ yapılarını otomatik olarak tasarlamasını sağlamayı hedefledi. Ayrıca, AI'nın yalnızca içerik önermekle kalmayıp, kullanıcılara neden bu içerik önerildiğini açıklayan yorumlanabilir öneri sistemleri üzerinde çalıştı.

Guan Haiqing, Kimi ekibinin erken dönem temel geliştiricilerinden biridir ve Kimi'nin tüm nesil temel projelerinin geliştirme ve güncellemelerine tamamen katılmıştır.

Kamuoyu tarafından doğrulanabilir katılım projeleri arasında Kimi k1.5 teknik raporu, Kimi K2 teknik raporu, Dikkat Kalanı (AttnRes) temel mimari makalesi ve Kimi K3 teknik raporu yer alıyor. AttnRes, Kimi K3'ün iki temel mimari yeniliğinden biridir.

İmza izlerine göre, Kimi'nin k1.5'ten K3'e kadar olan tüm nesil lider versiyonlarının tam döngüsünü kapsıyor ve çok nesil ürünün temel araştırma ve geliştirme aşamalarına katılmıştır; Kimi teknik ekibinin sürekli temel katılımcısıdır. Şu anda açık kanallarda hangi pozisyonda veya hangi ayrıntılı araştırma ve geliştirme görevlerinde olduğu açıklanmamıştır.

Chen Guangyu, 2009 yılında doğan 17 yaşındaki, X üzerinde Elon Musk'ı "Impressive" diyerek açıkça etkilemiş olan, Ay'ın Karanlık Yüzü'nün en genç araştırmacısı olabilir.

Ay'ın Karanlık Yüzünde, 2,8 trilyon parametrelik devrimci Kimi K3 modeli tanıtıldığında, o, teknik uzman Su Jianlin ve diğerleriyle birlikte, Kimi K3 temel mimarisini oluşturan "Attention Residuals" adlı eserin ortak birinci yazarı haline gelmişti.

Dikkat kalıntıları (Attention Residuals) mekanizmasına katıldı ve on yıl boyunca derin öğrenme alanında standart olan kalıntı bağlantılarını doğrudan değiştirdi; "öğrenilebilir derin dikkat" kullanarak modelin akıllıca "arkaya dönmesini" sağladı. Bu temel yeniden yapılandırma, modelin ölçeklenebilirlik verimliliğini doğrudan %25 artırdı ve Çinli şirketlerin trilyon ölçekli üst düzey hesaplama mücadelesinde daha düşük maliyetle daha hızlı ilerlemesini sağladı. Gölge Ay'a katılması hikayesi çok büyüleyici. Bir yıl önce, o hâlâ Transformer'in ne olduğunu bilmiyordu; bir hackeratonda "insanın üçüncü mekanik yardımcı eli" fikrini ortaya atması nedeniyle Silicon Valley'deki bir startup tarafından keşfedildi. 7 hafta sonra, Kimi ekibi tarafından tamamen fark edildi ve şirketin temel araştırma grubuna istisnai olarak dahil edildi. İşe başladığı ilk haftada, tüm kuralları çiğneyerek Kimi'nin 48 saatlik sınırı zorlayan hackeratonda genel birinci oldu.

Kimi teknik raporunda, Du Angang'ın adı her zaman ilk sırada yer alıyor. O, Ayın Karanlık Yüzünün çok modlu sisteminin temel isimlerinden biri ve Kimi teknik raporunda beş nesil boyunca tüm toplantıları katılan nadir araştırmacılardan biri. İki kez takıma ait imza sırasının ilk sırasını kazandı ve bu da Kimi K3'teki temel katkılarının görsel alanda olduğunu gösteriyor.

Moonshot'a katılmadan önce, Du Angang, bilgisayarlı görüş alanında iki önemli temel oluşturmuştu.

Birisi su altı mikroskopik görsel yönde derinleşmiştir. Lisans ve yüksek lisansını Çin Deniz Üniversitesi Su Altı Görsel Laboratuvarı'nda yedi yıl boyunca geçirmiş, çok zor olan plankton mikroskopik görüntü sınıflandırma konusunda uzmanlaşmıştır—bulanık görüntüde, örneklerin kıt olduğu ve türler arasındaki farkların son derece ince olduğu mikroskopik görüntülerde, AI'nın denizdeki en küçük yaşam formlarını doğru şekilde tanımasını sağlamaktadır.

2020 yılında, Global OCEANS dergisinde birinci yazar olarak ilgili araştırmayı yayımladı ve ikinci dereceden özelliklerle modelleyerek ince ayrıntılı sınıflandırma sorununu çözdü; bu, laboratuvarın on yıllık bu yöndeki araştırmalarında, tek master öğrencisi tarafından birinci yazar olarak gerçekleştirilen sonuçtur.

Onun曠視科技 dönemi üretimi, endüstride daha büyük bir etkiye sahiptir. Katıldığı çoklu poz tahmini araştırması, bilgisayarlı görme alanının en üst düzey konferansı ECCV 2020'de kabul edildi ve makaleye toplamda 300'den fazla atıfta bulunuldu, bu da insan poz tahmini alanında önemli bir referans haline geldi. Bu çalışmanın ortak yazarları listesinde, Sun Jian ve Zhang Xiangyu gibi görme alanının öncü isimleri ile daha sonra Ay'ın Karanlık Yüzü'nün ortak kurucusu Zhou Xinyu yer alıyor.

Kimi'ye katıldıktan sonra, görsel kodlayıcı tasarımı, çok modlu hizalama ve görsel ajan teknolojilerine odaklanmıştır; özellikle yüksek çözünürlüklü görüntülerin anlaşılmasını, uzun zaman serisi videoların analizini ve çok modlu pekiştirmeli öğrenmeyi ustaca icra eder. Bu, Kimi'nin doğuştan gelen çok modlu yeteneklerinin temel teknolojik altyapısını oluşturur. Bunun yanı sıra, yetenekleri büyük modellerin eğitim altyapısına kadar uzanır—optimizasyon stabilitesinden ajan veri sentezine kadar—alt düzey görsel algoritmalarından model eğitimi ve üst düzey ajan uygulamalarına kadar tam bir yığın yeteneği oluşturur.

2025 yılında ilk yazar olarak Kimi-VL açık kaynak çoklu modelli modeli yayınladı, kendi geliştirdiği MoonViT görsel kodlayıcıyı doğrudan çok yüksek çözünürlüklü girdileri destekleyecek şekilde tasarladı ve 128K uzun bağlam yeteneğiyle Kimi'ye uzun videoları ve uzun belgeleri okuma çoklu modelli uzun metin anlama yeteneği kazandırdı; bu da Kimi'nin tüm çoklu modelli yeteneklerinin teknik temelini oluşturdu.

K2 aşamasında, MuonClip optimizatörünün geliştirilmesine derinlemesine katıldı ve QK-Clip mekanizmasıyla büyük modellerin eğitimi sırasında ortaya çıkan dalgalanma sorununu çözdü; 15,5 trilyon Token’lık devasa ölçekli eğitimi “sıfır kayıp tepe” ile destekleyerek eğitim için gerekli hesaplama maliyetini ve riski büyük ölçüde düşürdü. K3 aşamasında ise liderliğini yaptığı akıllı ajan veri sentezleme hattı, modelin kaliteli eğitim verilerini kendi kendine üretmesini sağladı ve K3’ün programlama ve akıllı ajan gibi zorlu görevlerde küresel birinci sıraya ulaşmasında kritik veri desteği sundu.

Kimi için, katkısı çoklu modallite yeteneklerinin tüm gelişim yolculuğunu kapsar.

Qu Bowen (Bowen Qu / Brian Qu), çok modallı büyük modellerle ilgili araştırma odaklı Model Son Eğitim Takımı'nda yer alıyor. Lisans derecesini Hua Zhong Bilim ve Teknoloji Üniversitesi Elektronik Bilgi ve İletişim Fakültesi'nden, yüksek lisans derecesini Pekin Üniversitesi Elektronik Fakültesi'nden tamamladı. Araştırma alanları, çok modallı pekiştirmeli öğrenme, görsel-dil modeli, AI ajanları ve AIGC içerik kalitesi değerlendirmesini kapsar.

Moonshot'a katıldığında, Qu Bo Wen'in temel çalışmaları Kimi serisi modellerin çoklu modallık yeteneklerinin geliştirilmesi üzerine odaklanmıştır, Kimi-K2.5 projesine derinlemesine katılmıştır ve yerel çoklu modallık güçlendirilmiş öğrenme yönünde araştırma yapmıştır. Kimi-K2.5, Moonshot tarafından çıkarılan yerel çoklu modallık akıllı sistem modelidir ve toplam parametre boyutu 1T, etkin parametre boyutu 32B'dir.

Qu Bowen, geleneksel çok modelli modellerin önce görsel denetimli ince ayarını tamamlayıp ardından pekiştirmeli öğrenmeye başlaması yerine, sıfırdan görsel denetimli ince ayar yapılmadan sadece metin tabanlı çıkarım modeliyle başlayıp doğrudan görsel pekiştirmeli öğrenme yoluyla görsel çıkarım yeteneği kazanmayı hedefleyen bir özgün çok modalli pekiştirmeli öğrenme sistemi geliştirdi. Bu yaklaşım, düşük kaliteli görsel verilerin modelin orijinal dil çıkarım yeteneğini bozmasını önler.

Qu Bowen'in araştırmaları, AIGC içerik kalitesi değerlendirme yönünde başladı ve ilgili sonuçlar ICME 2024, CVPRW 2024 gibi uluslararası konferanslarda sırayla yayınlandı. ICME 2024'te yayınlanan ilgili makale, o dönemde AI tarafından üretilen görüntülerin değerlendirilmesinde sadece görsel estetik ve netlik üzerinde durulup, üretilen içerik ile kullanıcı talimatları arasındaki uyumun göz ardı edildiği sorununa yönelik olarak, metin ipuçlarını üretilen görüntülerin kalite değerlendirme sistemine dahil etme çözümü önerdi ve hem görsel kaliteyi hem de talimat uyumunu kapsayan bir değerlendirme standardı oluşturdu; bu da AI tarafından üretilen içeriklerin değerlendirilmesinin kapsamlılığını ve insan algısıyla uyumunu artırdı.

Qu BoWen, Kimi serisinin çok modlu sürümlerinin katkıda bulunanları listesinde yer alıyor. Genç bir araştırmacı olarak, Qu BoWen'in araştırma yolu, değerlendirme sistemlerinin kurulmasından modele yeteneklerin inşasına ve ardından ileri seviye akıllı ajan yeteneklerinin geliştirilmesine kadar uzanıyor; elde edilen sonuçlar, endüstriyel gerçek ihtiyaçlarla sıkı bir şekilde uyumlu olup, üretim seviyesindeki modellerin sürdürülebilir güncelleştirmelerine doğrudan hizmet ediyor.

Kimi K3'ün 400'den fazla katkıda bulunanı listesinde, Lu Enzhe en önde yer almayan isimdi, ancak hamleleri olağanüstü hassasti. Her bir sonucu, büyük modellerin uygulanmasının temel sorunlarına isabet etti ve Kimi'nin verimli hesaplama altyapısının kritik kurucusuydu.

Lu Enzhe'nin araştırma alanı, üç kelimeyle tam olarak özetlenebilir: uzun, hızlı, verimli. Temel hedefi, büyük modellerin daha uzun metinleri daha düşük maliyetle ve daha hızlı işlemesini sağlamaktır. Kimi için, sorumlu olduğu alan, eğitimden çıkarıma kadar olan tüm zincir verimliliğidir.

Şubat 2025'te, MoBA karışık blok dikkat mekanizmasını birinci yazar olarak yayımladı; MoE'nin uzman seçimi fikrini dikkat katmanlarına aktararak, modelin istekleri işlerken yalnızca en ilgili bağlam bloklarını hesaplamak için çağırmasını sağladı. %95 seyreltme oranında tam dikkatle aynı performansı sağlayarak, milyon token'lık çıkarım için %6,5 hızlanma ve on milyon token'lık çıkarım için %16 hızlanma sağladı ve Kimi'nin uzun bağlam yeteneğinin temel mimarisini doğrudan güçlendirdi.

Yayınlandığı gün, bu makale DeepSeek'in NSA makalesiyle aynı anda ortaya çıktı ve o yıl içindeki büyük model alanındaki en çok dikkat çeken teknoloji çatışması oldu; NeurIPS 2025'te Spotlight makalesi olarak kabul edilmeden önce, bu çözüm zaten Kimi üretim ortamında yaklaşık bir yıl boyunca uzun bağlam kullanıcı isteklerini kararlı bir şekilde taşıdı.

Ayrıca, MoBA'dan Kimi Linear'a kadar olan KDA dikkat mekanizmasında, katıldığı mimari tasarım boyunca donanım çıkarım verimliliği üzerinde sürekli çaba gösterdi; eğitim tarafında, katıldığı Muon optimizatörünün dağıtık uygulaması ile bellek kullanımını en aza indirip iletişim maliyetini verimli hale getirdi ve büyük modellerin eğitim hesaplama maliyetini somut olarak azalttı. AttnRes ve K1.5, K2, Kimi-VL gibi çok nesil teknik raporları da dahil olmak üzere, makalesi verimli büyük modellerin tam zincir teknolojisini kapsar.

Takım içinde, MoBA makalesinin iletişim yazarlarından biri olan Chiu Jiezhong ile sabit bir ikili oluşturur, biri ileri doğru ilerlerken diğeri yönü belirler ve harika bir uyum içinde çalışırlar.

Wang Yuzhi, Moonshot AI'nın bir araştırmacısıdır ve Kimi serisi teknik raporlarında en çok yer alan imza sahiplerinden biridir.

2025 yılının Ocak ayında K1.5'den 2026 yılının Temmuzunda Kimi K3'e kadar, ismi bu şirketin neredeyse tüm teknik belgelerinde yer alıyor; görsel, ses, dikkat mimarileri, eğitim optimizatörleri, bayrak gemisi modelleri ve öncü AI risk yönetimi çerçevelerini kapsıyor.

Xi'an Elektronik Bilim ve Teknoloji Üniversitesi'nden lisans, Tsinghua Üniversitesi Elektronik Mühendisliği Bölümü'nden doktora mezunudur; Kuangshi Enstitüsü'ne katıldıktan sonra araştırmacı mühendis olarak görev yapmıştır; 2024'ten bu yana Ay'ın Karanlık Yüzü'nde araştırmacı olarak çalışmaktadır.

Moonshot'a katılmadan önceki araştırmaları, hesaplamalı fotoğrafçılık ve temel görsel algıya odaklanmıştı. Temel başarıları arasında, ilk yazar olarak ECCV 2020'de yayımlanan mobil RAW görüntü gürültü azaltma makalesi yer alır; bu yön, hala mobil görüntüleme alanında bir referans çalışmasıdır; Megvii ekibi üyesi olarak NTIRE 2019 Gerçek Görüntü Gürültü Azaltma Yarışması'nın raw-RGB kategorisinde küresel birinci olmuştur; ortak yazar olarak OCR alanında klasik çalışma olan EAST (CVPR 2017, 2500'den fazla alıntı) üzerinde çalışmıştır.

Ayın karanlık tarafı süresince, on teknik belgeye imza atmıştır: k1.5, K2, K3, Kimi-VL, Kimi-Audio, MoBA, Muon, Kimi Linear, Attention Residuals dört mimari ve verimlilik makalesi ve öncü AI risk yönetimi çerçevesi.

Dikkat edilmesi gereken nokta, şirketin dört tamamını da yazar listesinde yer almasıdır; bu kapsama genişliği, yaklaşık dört yüz kişilik katkıda bulunanlar listesinde nadiren görülür. K3'teki özel sorumlulukları şu anda kamuoyuna açık değildir.

Mao Shaoguang, Kimi Agent teknoloji çizgisinin temel isimlerinden biridir ve K2, K2-Thinking, K2.5, K3 dört nesil lider ürünün geliştirilmesine tamamen katılmıştır; aynı zamanda Agent sektöründeki iki ana paradigmadaki dönüşümleri tam olarak yaşamış nadir araştırmacılardan biridir.

Ayın Karanlık Yüzü'ne katılmadan önce, o, ülkedeki ilk grup Agent uygulaması yapan kişilerden biriydi.

Çinghua Üniversitesi Bilgisayar Mühendisliği yüksek lisans mezunu, okul sıralamasında %0,2'nin içinde yer alarak ulusal burs kazanmış; ardından Çin Hong Kong Üniversitesi'nde araştırma asistanı ve Microsoft Asia Research Institute ses grubunda staj yapmıştır. Mezun olduktan sonra yaklaşık altı yıl Microsoft'ta çalışmış, araştırma mühendisinden başlayarak üst düzey geliştirme mühendisi olmuştur.

2023 yılında TaskMatrix.AI'nin geliştirilmesine katıldı ve ChatGPT'ye milyonlarca API yeteneği entegre edildi; ardından Solo Performance Prompting yöntemini birlikte önerdi, bu yöntem tek bir modelin çoklu akıllı sistemlerin işbirliğini simüle etmek için çoklu rolleri üstlenmesini sağlar; ilgili teknoloji Microsoft 365 Word'e uygulanmıştır.

O, Agent'in "çerçeve dönemi"dir—tüm yetenekler dış araçlarla birleştirilir ve Prompt ile yönlendirilir; ve o, bu teknoloji yolunun doğrudan gözlemcisi ve kurucusudur.

Ancak bu yolu kendi elleriyle geçen Mao Shaoguang, eski modelin sınırlarını ilk olarak fark etti. Haziran 2025'te Zhihu'da bir endüstri içsel itirafı yazdı: "Bu yön giderek daha az ilginç hale geliyor, biraz daha hızlı çöküş hissi veriyor."

2025 yılı Şubat ayında Moonshot'a katıldıktan sonra, tamamen "Model, Agent"端到端 yoluna geçti. Sadece dört ay içinde Kimi'nin ilk Agent ürünü olan Kimi Researcher'ın teslimine katıldı:

Herhangi bir işlem öncesi ayarlamadan, tamamen uçtan uca pekiştirmeli öğrenme ile eğitilmiş, tek görevde ortalama 23 adımlık çıkarım yapmış, 206 web sayfasını kendi başına tarayarak, standart atıflarla birlikte on bin kelimelik araştırma raporu üretebilir ve HLE referansında %26,9 oranına ulaşarak o dönemdeki dünya rekorunu kırmıştır. Ayrıca bu ürünün resmi teknik tanıtımının iki imzalı yazarından biridir.

Sonrasında K2'den K3'e dört nesil bayrak gemisi geliştirme sürecine tamamen dahil oldu. HLE endeksi, %8,6'dan %26,9'a kadar yükseldi; bu neredeyse tamamen güçlendirilmiş öğrenme ile sürülen performans eğrisi, yeni teknoloji yolunun bir raporudur.

Büyük modeller için dış API entegrasyonu ile yetenek genişletmeden, modelin araçları doğrudan kullanmayı ve karmaşık görevleri kendi başına tamamlamayı öğrenmesine kadar, Mao Shaoguang'ın son on yıllık kariyer yolu, Agent endüstrisinin “montaj ve birleştirme”den “doğal ve özgün gelişim”e doğru tam bir dönüşümünü yansıtmaktadır. Eski paradigmayı doğrudan yaşamış ve yeni bir yol çizmiş olan o, endüstri hakkındaki görüşlerini en sağlam uygulama sonuçlarıyla desteklemektedir.

Qin Ruoyu, Tsinghua Üniversitesi Bilgisayar Mühendisliği Bölümü MADSys Laboratuvarı'nda doktora öğrencisidir ve Zhang Mingxing doçent danışmanlığında çalışmaktadır. Araştırmaları, büyük ölçekli dağıtık büyük dil modelleri için çıkarım hizmetleri ve pekiştirmeli öğrenme rollout sistemleri olmak üzere verimli makine öğrenimi sistemleri üzerine odaklanmaktadır.

Qin Ruoyu ve Ayın Karanlık Yüzü ekibi tarafından geliştirilen Mooncake, KVCache'e dayalı bir çözümlenmiş çıkarım mimarisidir. Bu mimari, Prefill ve Decode aşamalarını ayrı kümelerde çalıştırmakta ve GPU kümelerindeki boşta kalan CPU, bellek ve SSD kaynaklarını dağıtılmış bir önbellek havuzuna entegre etmektedir. Bu başarı, depolama alanındaki en üst düzey konferans FAST 2025'te Erik Riedel En İyi Makale Ödülü'nü kazanmıştır.

Mooncake, üretim seviyesinde bir hizmet platformudur ve makale özeti başta açıkça "Mooncake, Kimi için hizmet veren platformdur" şeklinde belirtilmiştir. Gerçek iş yükü altında, Mooncake Kimi'nin istek işleme kapasitesini %75 artırır; uzun bağlam senaryolarında etkili istek işleme kapasitesi %59 ile %498 arasında artış gösterir. Şu anda bu sistem binlerce düğümde dağıtılmıştır ve günlük işlemilen token miktarı 100 milyardan fazladır.

2024 yılında, Ayın Karanlık Yüzü ve Tsinghua MADSys Laboratuvarı, Mooncake projesini (açık kaynak deposu: kvcache-ai/Mooncake) açık kaynak olarak yayınladı; şu ana kadar projenin GitHub Star sayısı 6.000’i geçti. İlgili veriler ve bilgiler arXiv makalesi (numara 2407.00079), Tsinghua Bilgisayar Mühendisliği websitesi duyurusu ve proje açık kaynak deposundan incelenebilir.

Mooncake sonrası, Qin Ruoyu'nun araştırmaları mantıksal sistemler yönünde derinleşti. İlk yazar olarak tamamladığı Seer makalesi OSDI 2026'ya seçildi; bu çalışma, pekiştirmeli öğrenmedeki rollout performans darboğazlarını, rollout bölme, bağlam algılayan zamanlama ve gruplu spekülatif dekodlama teknikleriyle ele alarak, end-to-end rollout verimliliğini en fazla 2,04 kat artırırken, kuyruk gecikmelerini %72 ile %94 oranında azalttı. Başka bir ilk yazar makalesi olan Prefill-as-a-Service ise, KVCache'in veri merkezleri arasında paylaşılmasını sağlayan bir sonraki nesil mantıksal mimari tasarımını öne sürdü.

Qin Ruoyu, K3 projesinin katkıda bulunanlar listesinde de yer alıyor. Büyük modellerin ürün performansı, iki faktörün birlikte desteklemesiyle sağlanır: model geliştirme, modelin kapasite sınırını belirler; sistem mühendisliği ise yüksek paralellik senaryolarında hizmetin kullanılabilirliğini ve işletim maliyetini belirler.

Mevcut büyük modeller endüstrisindeki rekabet, eğitim yeteneği yarışından hizmet mühendisliği yeteneği üzerine kaymaktadır. Doktora öğrencisi Qin Ruoyu, çalışmalarını doğrudan üretim senaryolarına odaklayarak ve sonuçlarını gerçek iş sistemlerine uygulayarak, bu alanda en üst düzey konferansların en iyi makaleleri düzeyinde başarılar elde etmiştir.

Ayın Karanlık Yüzü Kimi ekibinin temel araştırma üyeleri, hesaplamalı biyoloji, öneri sistemleri ve büyük modeller olmak üzere üç alanda araştırma yapmış ve Kimi'nin tüm nesil temel modellerinin teknolojik gelişimine tamamen katılmıştır.

Önceden Tsinghua Üniversitesi Çapraz Bilimler Enstitüsü'nde He Jianyang ekibinde AI ile ilaç geliştirme yönünde araştırma yaptı. 2020 ile 2021 yılları arasında katıldığı grip ilacı yeniden amaçlandırma çerçevesi çalışması, bioRxiv ön baskı ve dergi《Signal Transduction and Targeted Therapy》'da sırayla yayınlandı; ayrıca nükleokapsit proteini ile ilgili sonuçlar 《Protein & Cell》 dergisinde yayınlandı.

2022 ile 2023 yılları arasında Yuan Enming, Huawei Noah's Ark Laboratuvarı'nda öneri sistemleri yönünde araştırma yapmış ve çalışmaları birçok uluslararası üst düzey akademik konferansta yer almıştır. Bunlardan birincil yazar olarak tamamladığı çok davranışlı dizi önerisi ile ilgili makale, SIGIR 2022'ye seçilmiştir; ek olarak ortak çalışmalarının bazıları CIKM 2022 ve WWW 2023'e seçilmiştir.

Ayın Karanlık Yüzü'ne katıldığında, Yuan Enming, Kimi'nin birçok nesil temel model ve teknoloji projelerine derinlemesine katkıda bulundu; kamuoyu tarafından doğrulanabilir imzalı projeler arasında Kimi k1.5 Güçlendirilmiş Öğrenme Teknik Raporu, MoBA Teknik Araştırması, Kimi-VL Teknik Raporu, Kimi K2 Büyük Model Teknik Raporu, Kimi Linear Teknik Raporu, Kimi K2.5 Çoklu Modlu Model Teknik Raporu ve Kimi K3 Bayrak Büyük Model Teknik Raporu yer alıyor.

Katılımı, pekiştirmeli öğrenme eğitimi, çoklu modallilik, temel model mimarisi ve uzun bağlam sistemleri gibi birçok temel teknik yöne yayılmış olup, Kimi'nin k1.5'ten K3'e kadar olan üç nesil lider modelinin tamamını kapsar ve ekip içinde en geniş teknik kapsama sahip temel araştırma geliştirme üyesidir.

Yuan Enming'in Ayın Karanlık Yüzündeki spesifik pozisyonu ve ayrıntılı araştırma sorumlulukları şu anda kamuoyuna açıklanmamıştır. Kamuoyunda yer alan imza izlerine göre, çok disiplinli araştırma arka planı, onun büyük modellerin birçok teknik yönüne katılımını sağlamıştır ve Kimi teknoloji sisteminin geliştirme sürecinde önemli bir sürekli katılımcıdır.

Xu Weixin, şu anda Moonshot AI araştırmacısı olup, büyük modellerin temel altyapısı, verimli eğitim mekanizmaları ve Attention mekanizması optimizasyonu alanlarında çalışmaktadır.

Xu Weixin, Kimi'nin birçok nesil temel model ve alt yapı teknolojilerine derinlemesine katkıda bulunmuştur; adı, k1.5'ten K3'e kadar olan tüm ürün geliştirme döngüsünü kapsayan açıkça atıf yapılan projelerde yer almaktadır. Ayın Karanlık Yüzü, K3'ün duyurulmasından sonra üç temel kendi geliştirilmiş teknolojisini açıklamıştır: Muon optimizasyonu, Kimi Linear doğrusal dikkat ve Attention Residuals dikkat kalıntısı. Xu Weixin, şu ana kadar doğrulanabilir şekilde, bu üç temel teknolojiye ait makalelerde adı yer alıp, katkı sıralamasında ilk 15'te olan tek kişidir ve K3 mimarisinin performans yükseltmesini destekleyen temel geliştiricilerden biridir.

Özel başarılar açısından, 2025 yılında yayınlanan Muon Optimizer makalesinde yazar listesinde 8. sırada yer almıştır; bu optimizasyon yönteminin hesaplama verimliliği, AdamW'nin yaklaşık iki katıdır ve ardından açığa çıkarılan Moonlight eğitim uygulamasına da katılmıştır;

2025 yılında yayınlanan Kimi Linear teknik makalesinde 15. sırada yer almıştır; önerilen KDA mekanizması, KV Cache boyutunu en fazla %75 azaltabilir ve milyon token senaryolarında dekodlama verimliliğini en fazla 6 kat artırır;

2026 yılında yayınlanan Attention Residuals makalesinde (K3'ün iki temel mimari yeniliğinden biri), üç ortak birinci yazarın ardından ilk temel katkıda bulunan olarak 4. sırada yer aldı ve ilgili teknoloji Kimi K3 temel model mimarisine derinlemesine entegre edildi.

Ayrıca, imzası Kimi k1.5 takviyeli öğrenme teknik raporunda, Kimi-VL teknik raporunda, Kimi K2 ve K2.5 teknik raporlarında ve en son Kimi K3 bayrak modeli teknik raporunda katkıda bulunanlar listesinde yer alıyor; katkı alanı temel model, çok modallı ve takviyeli öğrenme gibi birçok temel araştırma yönünü kapsıyor. MoBA makalesinin yazar listesinde onun imzasının bulunmadığı açıkça belirtilmelidir; ikisi arasında kamuoyu tarafından doğrulanabilir bir araştırma bağlantısı yoktur.

Ayrıca, OccDepth 3B semantik sahne tamamlama, PVD-AL aktif öğrenme distilasyonu ve ACCV 2024 gizli SDF yeniden yapılandırma gibi birçok 3B görsel yönündeki araştırmalara katılmıştır; akademik başarıları model sıkıştırma, 3B yeniden yapılandırma ve semantik sahne anlama gibi çeşitli alt alanları kapsar.

Kamu imza izlerine göre, Xu Weixin'in araştırma yolu, uç model dağıtımı ve üç boyutlu görsel algılamadan başlayarak büyük modellerin alt yapı yeniliklerine doğru genişlemiş, uzun süre verimli hesaplama yönünde yoğunlaşmış ve teknoloji kapsamı geniş olup, Ay'ın Karanlık Yüzü'nün alt yapı yığınının sürekli geliştirilmesinde temel katılımcıdır.

Du Chenzhuang, Ayın Karanlık Yüzü'nün temel araştırmacısıdır ve takımda pekiştirmeli öğrenme ve akıl yürütme kapasitesi genişletme konularında anahtar bir güçtür.

Lisans derecesini Pekin Hava ve Uzay Üniversitesi'nden Bilgi Yönetimi ve Bilgi Sistemleri bölümünden aldı, ardından büyük model uzmanlarının Hwangpu Askeri Akademisi'si olan Tsinghua Üniversitesi Çapraz Bilimler Enstitüsü'nde doktora yaptı.

Qinghua döneminde, yapay zeka alanında ünlü akademisyen Zhao Xing altında çalıştı ve prestijli MARS Lab'ına (Çoklu Mod ve Özerk Akıl Yürütme Laboratuvarı) katıldı; çoklu modlu makine öğrenimi, pekiştirmeli öğrenme ve büyük dil modellerinin pekiştirme mekanizmalarına odaklandı.

Doktora eğitim sürecinde, o temel yazar olarak ses getiren "ChatDB" mimarisini geliştirdi ve "büyük modelleri sembolik hafıza modülü olarak veritabanları kullanarak güçlendirmek" fikrini öne sürerek, o dönemde AI akademik ve endüstri dünyasında büyük ilgi çekti.

Endüstriyel düzeyde büyük sistemlerin pratik deneyimini erken kazanmak için, doktora eğitimini sürdürüyorken Beijing Haihua Yapay Zeka Enstitüsü'nde stajyer olarak çalıştı ve temel sistemi sıfırdan kurma konusunda derinlemesine katıldı. Bu, multimodal ve takviyeli öğrenme alanlarında deneyim biriktirmesini ve sistem ile algoritma temelli bir alt yapı görüşü kazanmasını sağladı.

Mezun olduktan sonra Ay'ın Karanlık Yüzü'ne katıldı ve temel modellerin teknik raporlarında sıklıkla yer aldı. Güçlendirilmiş öğrenmenin ölçeklendirme yasalarını inceleyen önemli makale olan "Kimi k1.5: LLM'lerle Güçlendirilmiş Öğrenmeyi Ölçeklendirme"ye doğrudan katkıda bulundu ve Kimi K2 ile K2.5 gibi ana model serilerinin teknik raporlarında da temel katkıda bulunan biri olarak yer aldı.

Ayrıca, Kimi-VL Teknik Raporu adlı Kimi çok modalli görsel büyük modelinin geliştirilmesinde temel ortak yazar olarak, büyük modellerin karmaşık görseller, grafikler ve gerçek dünya görsel bilgilerini algılama ve çok modalli derin çıkarım yeteneklerini artırma konusunda odaklandı.

Du Chenzhuang'un ana odak noktası, büyük ölçekli büyük dil modelleri (LLM) eğitimi mühendisliğidir ve trilyon seviyesindeki modellerin (MoE mimarisi) süper kümelerde kaynak tahsisi, kararlı eğitim ve uç sistem optimizasyonu üzerine odaklanır; ayrıca takviyeli öğrenme ve çok modallık entegrasyonu üzerine çalışır ve modelin karmaşık uzun çıkarım görevlerinde kendinden denetimli ve takviyeli öğrenme yoluyla akıllı üst sınırları aşmasını sağlar ve görsel bilgi ile dil modelleri arasında verimli alt seviye entegrasyonu gerçekleştirir.

Yanru Chen, Ayın Karanlık Yüzü'nün temel araştırmacısıdır ve büyük modellerin temel mimarisi, uzun metin teknolojisi, hesaplama gücü optimizasyonu ve çok modallı mühendislik alanında araştırma ve uygulama yapmaktadır.

Attention Residuals makalesinin ortak yazarı olarak, büyük modellerin derinlik yönünde bilgi akışını yeniden yapılandırmaya katılmış ve çok derin ağların eğitim verimliliğinin düşük olması ve bilgi akışının kesilmesi gibi sektörün kritik sorunlarını başarıyla çözmüştür.

Uzun metin temel teknolojisinde, MoBA (Karışık Blok Dikkat) ortak yazarı olarak, Kimi'nin en temel mekanizmalarının geliştirilmesini öncülük etti ve blok düzeyindeki dikkat bölümlendirme yoluyla, milyonlarca uzun bağlamın ön eğitim ve çıkarım aşamasında aşırı hesaplama maliyetini doğrudan çözdü; bu da Kimi'nin uç düzeyde maliyet azaltma ve verimlilik artırma temelini oluşturdu.

Ayrıca, "Muon is Scalable for LLM Training" adlı makalenin ortak yazarıdır ve önemli açık kaynak projesi Moonlight ile alt temel Muon optimizatörünün geliştirilmesine derinlemesine katılmıştır; matris ortogonalizasyonu yoluyla geleneksel AdamW'yi zorlamış ve dağıtık eğitimde trilyon parametreli modellerin hesaplama maliyetini etkili bir şekilde azaltmıştır.

Kıdemli modelin yenilenmesi sırasında, Kimi'nin önceki temel modellerini (k1.5, K2, K2.5, K3) tüm geliştirme yaşam döngüsüyle derinlemesine entegre ederek, büyük ölçekli pekiştirmeli öğrenme ve trilyonlarca parametre genişlemesi altında modelin kararlılığını ve kaynak tahsisini çözdü.

Ayrıca, Kimi'nin çok modalli hat (Linear, VL, Audio) teknolojik çabalarında, geleneksel olmayan Transformer yapılarına dayalı doğrusal dikkat yeniliklerini aktif olarak araştırdı ve Kimi'nin görsel ve sesli çok modalli teknoloji raporlarının mühendislik tabanlı uygulanmasında öncülük etti, çok modalli bilgi akışlarının temel düzeyde birleştirilmesindeki verimlilik darboğazlarını verimli bir şekilde çözdü.

Liu Shaowei, Tsinghua Üniversitesi'nin üst düzey bilgisayar sistemleri laboratuvarı olan MADSys laboratuvarının temel üyesidir ve Ay'ın Karanlık Yüzü'nün temel altyapı (Infra) ekibinin öncü uzmanıdır.

Kimi'nin trilyonlarca parametreye sahip olmasına rağmen API fiyatının çok düşük olduğunu görünce, arkasında onun ve ekibinin "asgari miktarlı hesaplama sanatı" için çabaladığını fark edersiniz. O, trilyonlarca parametreli büyük modellerin en düşük maliyetli çıkarımı, yerel nicelleştirme ve büyük ölçekli dağıtık hesaplama topolojisi tasarımı alanında uzun yıllardır çalışmaktadır.

Küresel en sert AI açık kaynak topluluğu olan Reddit LocalLLaMA'da, Kimi'nin resmi uzmanı olarak, "Kimi infra team: Quantization is not a compromise, it's the next paradigm" adlı teknik analiz uzun yazısını yayımladı. Bu uzun yazı, Kimi K2 ve K2.5'in alt katmanındaki son derece sert Native INT4 yerel kuantizasyon formatını derinlemesine ortaya koydu.

O, MoBA (Karışık Blok Dikkat Mekanizması)'nın temel ortak yazarı olmanın yanı sıra, önemli açık kaynak projesi Moonlight ve alt temel Muon optimizatörünün dağıtık mimarisinin geliştirilmesine derinlemesine katıldı ve matris ortogonalleştirme yoluyla trilyon parametreli büyük modellerin dağıtık eğitimindeki hesaplama maliyetini büyük ölçüde azalttı.

O, aynı zamanda Ay'ın Karanlık Yüzü'nün önemli açık kaynak projesi KTransformers'in temel başlatıcısı ve kod bakım sorumlularından biridir ve heterojen kümelerde trilyonlarca MoE modelinin karışık çıkarımını gerçekleştirmek için hesaplama engelini aşmıştır.

Chen Guanduo, Ayın Karanlık Yüzü'nün Infra ekibinin temel araştırmacısıdır. "Sistem + Algoritma" alanında güçlü çapraz geliştirme yeteneklerine sahiptir ve araştırma alanları büyük modellerin altyapısı (Infra), verimli dikkat mekanizması mimarisi, büyük modellerin ince ayar hızlandırılması ve büyük ölçekli depolama ile arama optimizasyonuna odaklanmıştır.

O, lisans ve yüksek lisans derecelerini Fudan Üniversitesi Bilgisayar Mühendisliği Bölümü'nden tamamlamıştır ve dağıtık sistemler ile alt yapı alanlarında sağlam bir profesyonel temel kazanmıştır. Daha sonra, yüksek performanslı hesaplama ve büyük modeller altyapısı alanlarında ünlü akademisyenler Yuan Binhang ve Luo Siqiang altında eğitim almak için Nanyang Teknoloji Üniversitesi ve Hong Kong Bilim ve Teknoloji Üniversitesi'ne gitmiştir ve öncü akademik bakış açıları ile araştırma geliştirme deneyimleri biriktirmiştir.

Moonshot'a resmi olarak katılmadan önce, üst düzey internet şirketlerinin temel çekirdek departmanlarında derin bir birikim kazanmıştı. ByteDance veritabanı sistemi geliştirme ekibinde ve Meituan altyapı ekibinde araştırma stajyeri olarak, endüstriyel düzeyde yüksek paralellik ve büyük ölçekli dağıtık sistemlerin geliştirilmesi ve mimari optimizasyonuna derinlemesine katılmıştı.

Süre boyunca, temel yazar olarak iki büyük sonuç sundu. Alt katman depolama üzerinde, Oasis adlı çalışmayı geliştirdi ve yayınladı; bu çalışma, büyük ölçekli aralık sorgularında alt katman veritabanlarının indeks darboğazını doğrudan çözen en iyi ayrıştırılmış bölme öğrenme filtresini önerdi;

Uygulama katmanında, o, "üretme ve sıralama" yöntemini kullanarak büyük modellerin insanın karmaşık niyetlerini anlama ve SQL veritabanı sorgularına dönüştürme (Metin-to-SQL) doğruluğunu büyük ölçüde artırdı.

Chen Guanduo, 2025 yılında Mart'ta Ayın Karanlık Yüzü'ne resmen katıldı. Infra ekibinin kilit üyesi olarak, Ayın Karanlık Yüzü'nün ana büyük modeli Kimi K2 ve Kimi K2.5'in ortak yazarlarından biri olmanın yanı sıra, büyük model ince ayar hızlandırma, verimli dikkat mimarisi ve hatta son ağ mimarisi yeniden yapılandırması gibi alanlarda yoğun bir şekilde teknik atılımlar sağladı.

Büyük modellerin ince ayarının fazla GPU belleği tüketmesi sorununu çözmek için Chen Guanduo, hesaplama açısından verimli bir LoRA ince ayar yöntemi öneren “Ce-lora” adlı bir makaleyi öncülük ederek yayınladı. Bu teknoloji, büyük modellerin parametre ince ayarı sırasında GPU belleği kullanımını ve hesaplama maliyetini azaltarak altyapı katmanındaki eğitim verimliliğini doğrudan artırıyor ve büyük modellerin ince ayarı için bir “GPU belleği zayıflatma tekniği” olarak kabul ediliyor.

Uzun metinlerin hesaplama karmaşıklığının kareye katlanma sorununu çözmek için, Kimi Linear mimarisini geliştirip açık kaynak topluluğunda büyük bir etki yarattı. Bu, güçlü temsil yeteneğini korurken uzun metin hesaplama karmaşıklığını büyük ölçüde azaltan ifade gücü yüksek ve verimli bir doğrusal dikkat mimarisidir. KV Cache (anahtar-değer önbelleği) kullanımını en fazla %75 oranında azaltmış ve milyonlarca metin uzunluğunda 6 kat daha yüksek dekodlama verimliliği sağlamıştır; bu, Kimi'nin uzun metin teknolojisi engellerine sürekli odaklanmasının temelidir.

O, aynı zamanda "Attention Residuals"ın ortak yazarlarından biridir.

En alt katman depolama filtresinden, hesaplama açısından verimli ince ayar algoritmalarına kadar, devrimci bir sonraki nesil Transformer ağ mimarisine kadar, Chen Guanduo'nun kariyer yolu, büyük modellerin "sadece parametreleri artırmak"tan "aşırı hesaplama verimliliği ve mühendislik uygulaması"na doğru olan mevcut endüstri paradigmalarıyla mükemmel şekilde uyum sağlıyor.

Sonuç

K3'ün araştırma ve geliştirme ekibi geleneksel olarak sade ve gizemli olmuştur; verileri inceledikçe, tüm üyelerin tam rollerini ve tam kariyer geçmişlerini ayrı ayrı belirlemek zor olmuştur. Ancak bu ağır listenin üzerinden cevaplar ortaya çıkmıştır: Neden Ay'ın Karanlık Yüzü? Neden insan başına 700 milyon dolarlık süper değerlemeyi destekleyebiliyorlar?

Ortalama yaşı 30’un altında olan bu gençler, gerçek anlamda hesaplama ekonomisini anlayan sistem mimarlarıdır. En üst düzey konferanslarda en iyi makale ödülünü kazanan depolama planlamadan, dikkat mekanizmasını yeniden yapılandıran temel yeniliklere kadar, “uzun, hızlı, tasarruflu” mühendislik verimliliğini uç noktaya getirdiler.

Ayın Karanlık Yüzü, üst seviye algoritmalarından alt seviye donanıma kadar tam bir yığın entegrasyonu sayesinde "hesaplama gücü homojenliği" efsanesini kırmanın temel engelini oluşturur.

İlginç bir ayrıntı daha, tüm liste sonunda Kimi K3 de tamamen araştırma ve geliştirme ekibinin önemli bir üyesi haline geldi. Yaratıcı ve yaratılan, aynı listede yanyana durmaya başladı; Çin'in büyük modellerinin "altın çağı" zaten gürültüyle başlamıştır.