চীনের Kimi K2 Thinking ওপেন সোর্স এআইয়ে নতুন গতি এনেছে, গুরুত্বপূর্ণ পরীক্ষায় GPT 5-কে ছাড়িয়েছে

শক্তিশালী একটি ওপেন মডেল শীর্ষ পর্যায়ের মডেলগুলোকে চ্যালেঞ্জ জানাচ্ছে

Moonshot AI প্রকাশ করেছে Kimi K2 Thinking, একটি ওপেন-ওয়েটস মডেল, যার লক্ষ্য সরাসরি যুক্তিনির্ভর ব্যবস্থার সর্বোচ্চ স্তর। কোম্পানিটির দাবি, ধাপে ধাপে যুক্তি প্রয়োগ, ওয়েব ব্রাউজিং এজেন্ট এবং সফটওয়্যার প্রকৌশল পরিমাপ করে—এমন একাধিক কঠিন মূল্যায়নে মডেলটি শীর্ষস্থানীয় মালিকানাধীন ব্যবস্থাগুলোর চেয়ে ভালো করেছে। K2 Thinking পাওয়া যাচ্ছে Moonshot-এর প্ল্যাটফর্ম ও Kimi.com-এ। স্ব-হোস্টিংয়ের জন্য এর ওজনের ফাইলগুলো পাবলিক হাবগুলোতে প্রকাশ করা হয়েছে Modified MIT License-এর আওতায়। এতে বাণিজ্যিক ব্যবহার অনুমোদিত, তবে খুব বড় পরিসরে ব্যবহারের ক্ষেত্রে সংক্ষিপ্ত স্বীকৃতি দিতে হবে।

মডেলটির নকশায় বড় পরিসরের সঙ্গে দক্ষতার সমন্বয় করা হয়েছে। K2 Thinking-এ Mixture of Experts স্থাপত্য রয়েছে, যার মোট প্যারামিটার এক ট্রিলিয়ন বলে জানানো হয়েছে; তবে তৈরি হওয়া প্রতিটি টোকেনের জন্য সক্রিয় হয় প্রায় ৩২ বিলিয়ন প্যারামিটার। এটি ২৫৬,০০০ টোকেনের কনটেক্সট উইন্ডো সমর্থন করে এবং quantization aware training ব্যবহার করে নেটিভ INT4 ইনফারেন্সের জন্য প্রশিক্ষিত। এই ব্যবস্থায় ল্যাটেন্সি ও মেমরির প্রয়োজন কমে, যা এর প্রতিযোগিতামূলক দামের ব্যাখ্যা দেয়। শুধু কাঁচা স্কোরের বাইরেও, এই প্রকাশনা ওপেন মডেলগুলোকে এজেন্টসুলভ আচরণের দিকে এগিয়ে নিচ্ছে। ২০০ থেকে ৩০০টি ধারাবাহিক কলজুড়ে K2 Thinking দীর্ঘমেয়াদি পরিকল্পনা ও কাঠামোবদ্ধ টুল ব্যবহার দেখায়। পাশাপাশি এটি স্বচ্ছ যুক্তির ধাপও দিতে পারে, যাতে ব্যবহারকারীরা মধ্যবর্তী ধাপগুলো পরখ করতে পারেন। কম খরচের সঙ্গে যুক্ত এই সক্ষমতাগুলো বদ্ধ প্রতিদ্বন্দ্বীদের ওপর চাপ বাড়াচ্ছে।

K2 Thinking কী এবং এটি কীভাবে কাজ করে

K2 Thinking তৈরি করা হয়েছে Mixture of Experts ট্রান্সফরমার হিসেবে। বিশেষায়িত একাধিক বিশেষজ্ঞ মডিউলের একটি বড় সমষ্টির পেছনে রয়েছে একটি রাউটার, যা প্রতিটি টোকেনের জন্য অল্প কয়েকটি মডিউল বেছে নেয়। এতে সক্ষমতা অক্ষুণ্ন রেখেই গণনাসংক্রান্ত কাজ কমে। Moonshot-এর বর্ণনা অনুযায়ী, এতে রয়েছে ৬১টি স্তর, ৩৮৪টি বিশেষজ্ঞ মডিউল, প্রতিটি টোকেনের জন্য বেছে নেওয়া হয় আটটি বিশেষজ্ঞ, রয়েছে ৬৪টি অ্যাটেনশন হেড, ৭১৬৮-এর হিডেন ডাইমেনশন এবং ১,৬০,০০০ শব্দের ভোকাবুলারি। একেক সময়ে সক্রিয় থাকে প্রায় ৩২ বিলিয়ন প্যারামিটার, ফলে মোট সক্ষমতা অনেক বেশি থাকলেও ইনফারেন্স সামলানো যায়। অ্যাটেনশন মেকানিজমটি multi head latent attention এবং SwiGLU অ্যাক্টিভেশনভিত্তিক বলে বর্ণনা করা হয়েছে। এই পদ্ধতিতে কনটেক্সটের বিষয়বস্তুর জন্য সবচেয়ে প্রাসঙ্গিক বিশেষজ্ঞগুলোর ওপর প্রশিক্ষণ ও ইনফারেন্স কেন্দ্রীভূত হয়, যা থ্রুপুট ও নির্ভুলতা—দুটিই বাড়ায়।

স্পার্স বিশেষজ্ঞ ও দক্ষতা

Mixture of Experts মডেলকে প্রতিটি টোকেনের জন্য সব প্যারামিটার চালু না করেই এক ট্রিলিয়ন প্যারামিটার পর্যন্ত বড় হতে দেয়। বাস্তবে, এর অর্থ হলো মডেলটি আরও গভীর যুক্তি এবং বিস্তৃত জ্ঞান দেখাতে পারে, অথচ মেমরির ব্যবহার ও প্রতিটি ধাপের সময় বর্তমান অ্যাকসেলারেটরগুলোর সামর্থ্যের মধ্যে থাকে। ২৫৬k কনটেক্সট উইন্ডোর মাধ্যমে মডেলটি বড় কোডবেস বা দীর্ঘ গবেষণা-নথি গ্রহণ করতে পারে, তারপর টুল ব্যবহারের সময় বহু ধাপ ধরে পরিকল্পনা করতে পারে। এ নকশা এজেন্টের কাজের জন্য বিশেষভাবে উপযোগী, যেখানে একটি ব্যবস্থা ডজনখানেক বা শতাধিক কাজের মধ্য দিয়ে অনুসন্ধান, পাঠ, লেখা ও ফলাফল যাচাই করতে পারে।

নেটিভ INT4 ও quantization aware training

Moonshot K2 Thinking-কে quantization aware পদ্ধতিতে প্রশিক্ষণ দিয়েছে, যাতে এটি ওজন সংরক্ষণ ও ইনফারেন্সের জন্য নেটিভ INT4-এ চলতে পারে। INT4-এ প্রতিটি প্যারামিটার মানের জন্য উচ্চতর নির্ভুলতার ফরম্যাটের বদলে চার বিট ব্যবহার করা হয়, যা মেমরির প্রয়োজন কমায় এবং তৈরি করার গতি বাড়ায়। কোম্পানিটির হিসাবে, উচ্চতর নির্ভুলতার তুলনায় মানের সামান্য ক্ষতি নিয়ে তৈরির গতি প্রায় দ্বিগুণ হয়; সব বেঞ্চমার্ক স্কোরই INT4-এ চালিয়ে জানানো হয়েছে। খরচ ও ব্যবহার-সুযোগের জন্য এটি গুরুত্বপূর্ণ। কমিউনিটির পরীক্ষকেরা উচ্চক্ষমতার ডেস্কটপ সিস্টেমে মডেলটি চালানোর কথা জানিয়েছেন। Moonshot vLLM, SGLang ও KTransformers-এর মতো ইঞ্জিন ব্যবহারের পরামর্শ দেয়। মডেলটি OpenAI ও Anthropic-এর সঙ্গে সামঞ্জস্যপূর্ণ API-ও সমর্থন করে, ফলে আগে থেকেই এ ধরনের পদ্ধতি ব্যবহার করা দলগুলোর জন্য এটি সংযুক্ত করা সহজ হয়।

যেসব বেঞ্চমার্কে এগিয়ে K2 Thinking

প্রকাশ্য পরীক্ষাগুলোতে মডেলটির ফল একে সহজলভ্য সেরা যুক্তিনির্ভর ব্যবস্থাগুলোর কাতারে স্থান দিয়েছে, আর কয়েকটিতে এটি শীর্ষে রয়েছে। জানানো স্কোরগুলোর মধ্যে আছে টুলসহ Humanity’s Last Exam-এ ৪৪.৯ শতাংশ, শুধু টেক্সটের সেটিংয়ে ২৩.৯ শতাংশ এবং কঠিন সেটিংয়ে ৫১.০ শতাংশ; ওয়েব ব্রাউজিং এজেন্টের BrowseComp-এ ৬০.২ শতাংশ; টুল ব্যবহার করে সফটওয়্যারের বাগ ঠিক করার SWE Bench Verified-এ ৭১.৩ শতাংশ; LiveCodeBench v6-এ ৮৩.১ শতাংশ; এবং Seal 0-তে ৫৬.৩ শতাংশ। গণিত ও বিজ্ঞানে মডেলটি টুল ছাড়া AIME25-এ ৯৪.৫ শতাংশ, Python চালানোর অনুমতি থাকলে AIME25-এ ৯৯.১ শতাংশ, টুল ছাড়া HMMT25-এ ৮৯.৪ শতাংশ এবং বৈজ্ঞানিক জ্ঞানের পরীক্ষা GPQA Diamond-এ প্রায় ৮৫ থেকে ৮৬ শতাংশ পেয়েছে। Frames-এ ৮৭.০, FinSearchComp T3-তে ৪৭.৪ এবং SWE Multilingual-এ ৬১.১ স্কোরও জানানো হয়েছে। এসবের অনেক ক্ষেত্রেই K2 Thinking GPT 5-এর সমান বা তার চেয়ে ভালো করেছে, আর BrowseComp স্কোরে Claude Sonnet 4.5-এর চেয়ে বড় ব্যবধানে এগিয়ে রয়েছে।

এজেন্টভিত্তিক অনুসন্ধান ও ব্রাউজিংয়ের কাজ

BrowseComp যাচাই করে, একটি মডেল পরিকল্পনা করতে, ওয়েবে অনুসন্ধান চালাতে, লিংক অনুসরণ করতে, পাওয়া তথ্য সমন্বয় করতে এবং উত্তর যাচাই করতে পারে কি না। K2 Thinking-এর ৬০.২ শতাংশ BrowseComp স্কোর GPT 5-এর জানানো ৫৪.৯ শতাংশকে ছাড়িয়েছে এবং Claude Sonnet 4.5-এর ২৪.১ শতাংশের চেয়ে অনেক বেশি। তথ্য সংগ্রহ, পরিকল্পনা এবং টুল ব্যবহারের সময় ধারাবাহিকতা যাচাই করা Seal 0 ও Frames-এও মডেলটি ভালো করেছে। এ ফল মডেলটির নকশাগত লক্ষ্যগুলোর সঙ্গে মেলে। পর্যায়ক্রমে যুক্তি প্রয়োগের সুবিধায় মডেলটি বিরতি নিয়ে ভাবতে, টুল কল করতে এবং তারপর নিজের পরিকল্পনা হালনাগাদ করতে পারে। ২০০ থেকে ৩০০টি ধারাবাহিক কলের সমর্থন বহু ধাপজুড়ে অবস্থা ধরে রাখতে সাহায্য করে, আর বড় কনটেক্সট উইন্ডো কাজের প্রয়োজনীয় তথ্য মেমরিতে রাখে।

কোডিং ও সফটওয়্যার প্রকৌশল

SWE Bench Verified মূল্যায়ন করে, একটি মডেল রিপোজিটরির সমস্যা পড়ে প্যাচ তৈরি করতে এবং পরীক্ষায় উত্তীর্ণ হতে পারে কি না। K2 Thinking টুলসহ ৭১.৩ শতাংশ স্কোর পেয়েছে, যা ওপেন-ওয়েটস ব্যবস্থার জন্য ভালো ফল। LiveCodeBench v6-এ এটি ৮৩.১ শতাংশ এবং SWE Multilingual-এ ৬১.১ শতাংশ পেয়েছে। কমিউনিটির প্রদর্শনীতে দেখা যায়, একটি মাত্র প্রম্পট থেকে এটি গেম ও পূর্ণাঙ্গ ওয়েব অ্যাপসহ কার্যকর প্রকল্প তৈরি করতে পারে, তারপর টুল ব্যবহারের ধারাবাহিকতার মাধ্যমে সংশোধনও করতে পারে। দীর্ঘ কনটেক্সট কোডের মধ্যে পথ খুঁজে পেতে সাহায্য করে, আর INT4 ইনফারেন্স দীর্ঘ উন্নয়ন সেশনে ল্যাটেন্সি কম রাখে।

দাম, প্রবেশাধিকার ও লাইসেন্স

K2 Thinking প্রকাশ করা হয়েছে Modified MIT License-এর আওতায়। বাণিজ্যিক ব্যবহার অনুমোদিত, আর খুব বড় পরিসরে ব্যবহার করলে সংক্ষিপ্ত স্বীকৃতি দিতে হবে। চ্যাটের জন্য মডেলটি Kimi.com-এ চালু আছে, আর Kimi Open Platform-এ API-এর মাধ্যমেও ব্যবহার করা যায়। স্ব-হোস্টিংয়ের জন্য দলগুলো Hugging Face-এর মতো পাবলিক মডেল হাব থেকে ওজনের ফাইল পেতে পারে: huggingface.co/moonshotai/Kimi-K2-Thinking। প্ল্যাটফর্মের নথিপত্র পাওয়া যাবে platform.moonshot.ai-এ।

বদ্ধ বিকল্পগুলোর চেয়ে কম দাম রাখার লক্ষ্য নেওয়া হয়েছে। Moonshot-এর তালিকাভুক্ত দাম হলো ক্যাশ হিটের ক্ষেত্রে প্রতি ১০ লাখ টোকেনে প্রায় ০.১৫ ডলার, ক্যাশ মিসের ক্ষেত্রে প্রতি ১০ লাখ টোকেনে প্রায় ০.৬০ ডলার এবং আউটপুটের ক্ষেত্রে প্রতি ১০ লাখ টোকেনে প্রায় ২.৫০ ডলার। এর তুলনায় GPT 5-এর দাম প্রতি ১০ লাখ ইনপুট টোকেনে প্রায় ১.২৫ ডলার এবং প্রতি ১০ লাখ আউটপুট টোকেনে ১০ ডলার। K2 Thinking-এর নেটিভ INT4 সমর্থন চালানোর খরচ কমায়, আর Mixture of Experts ব্যবস্থায় নেটওয়ার্কের কেবল একটি অংশ একসঙ্গে চলে। Kimi.com-এ স্ট্যান্ডার্ড চ্যাট মোডে হালকা ব্যবহারের জন্য সীমিতসংখ্যক টুল রয়েছে। তাই Agent মোড চালু না হওয়া পর্যন্ত সাইটের ফল এজেন্টভিত্তিক বেঞ্চমার্কের ফলের সঙ্গে নাও মিলতে পারে।

এআই প্রতিযোগিতায় এর গুরুত্ব

ওপেন মডেলগুলো সেরা বদ্ধ ব্যবস্থাগুলোর সঙ্গে ব্যবধান কমিয়ে আনছে। K2 Thinking-এর বেঞ্চমার্কে জয় দেখাচ্ছে, যুক্তি, কোডিং ও এজেন্টের কাজের উচ্চ পর্যায়ে ওপেন গবেষণাও এখন প্রতিদ্বন্দ্বিতা করতে পারে। এতে মালিকানাধীন প্রযুক্তি সরবরাহকারীদের ওপর শুধু শীর্ষ স্কোর নয়, বরং নির্ভরযোগ্যতা, নিরাপত্তার টুল, এন্টারপ্রাইজ সহায়তা এবং সমন্বিত পণ্যের মাধ্যমে নিজেদের আলাদা করার চাপ তৈরি হচ্ছে। এন্টারপ্রাইজগুলোর জন্য ওপেন ওয়েটস তথ্য, কমপ্লায়েন্স ও স্থাপনার পরিসরের ওপর নিয়ন্ত্রণ এনে দেয়। ডেভেলপারদের জন্য প্রতি টোকেনে বাড়তি দাম না দিয়েই উন্নত এজেন্টসুলভ আচরণ নিয়ে পরীক্ষা চালানোর সুযোগ তৈরি করে।

চীনের ক্রমবর্ধমান এআই উপস্থিতি

চীনের গবেষণাগারগুলো দ্রুত এগোচ্ছে এবং আলোচনায় তাদের উপস্থিতি বাড়ছে। DeepSeek, Qwen, MiniMax ও Kimi-র মতো নাম সামনে এসেছে, আর তাদের মডেল প্রকাশের গতি নিয়মিত। MiniMax-এর আগের মডেলটি ওপেন বেঞ্চমার্কে দ্রুত অগ্রগতির গতি ও কম খরচের মানদণ্ড তৈরি করেছিল। দীর্ঘমেয়াদি যুক্তি ও এজেন্ট-সংক্রান্ত টুল ব্যবহারে K2 Thinking এবার আরও এগিয়ে যাচ্ছে। বিশ্লেষকেরা বলছেন, চীনা দলগুলো দ্রুত প্রতিক্রিয়ার চক্র তৈরি করছে, test time scaling-এর ওপর জোর দিচ্ছে এবং মডেল প্রকাশের ধারাবাহিকতাকে সুবিধা হিসেবে কাজে লাগাচ্ছে—যদিও কিছু কাজে এখনো সেরা বদ্ধ মডেলগুলো এগিয়ে। প্রতিযোগিতা চ্যাট থেকে সরে এজেন্ট বুদ্ধিমত্তার দিকেও যাচ্ছে, যেখানে একটি ব্যবস্থা পরিকল্পনা করতে, টুল ব্যবহার করতে এবং জটিল লক্ষ্য পূরণ করতে পারে। K2 Thinking সরাসরি এ পরিবর্তনকে লক্ষ্য করে তৈরি।

সক্ষমতা ও বাস্তব উদাহরণ

Moonshot-এর প্রদর্শনী ও ব্যবহারকারীদের পরীক্ষা দেখায়, মডেলটি কীভাবে দীর্ঘমেয়াদি কাজ সমাধান করে। একটি প্রদর্শনীতে সিস্টেমটি ডক্টরাল পর্যায়ের গণিতের একটি প্রশ্ন সমাধান করে। এ জন্য এটি বিশটিরও বেশি যুক্তি ও টুল ব্যবহারের ধাপে গবেষণাপত্র পড়ে, সূত্র বের করে, Python কোড চালায় এবং ফল যাচাই করে; এরপর চূড়ান্ত সমাধান দেয়। আরেকটি প্রদর্শনীতে দেখা যায়, অভিনেতা Jimmy Gary Jr.-কে শনাক্ত করতে এবং তাঁর একটি নির্দিষ্ট চলচ্চিত্রে অভিনয়ের বিষয়টি নিশ্চিত করতে মডেলটি বারবার অনুসন্ধান করছে। এ কাজে বহু ওয়েবপেজে সতর্কতার সঙ্গে সূত্র যাচাই করতে হয়েছে। কোডিং সেশনে পরীক্ষকেরা জানিয়েছেন, K2 Thinking একবারেই Space Invaders-ধাঁচের একটি কার্যকর গেম তৈরি করতে পারে, তারপর ধারাবাহিক টুল কলের মাধ্যমে সেটিকে আরও উন্নত করতে পারে। অন্যরা দেখিয়েছেন, এটি পূর্ণাঙ্গ ওয়েবসাইটের কাঠামো তৈরি, ফ্রন্ট-এন্ড উপাদান নির্মাণ, এমনকি ফাইল ও মেনু ব্যবস্থাপনার জন্য ডেস্কটপধাঁচের ইন্টারফেসও তৈরি করতে পারে।

ডেভেলপাররা যা দেখছেন

ডেভেলপার ফোরামের স্বাধীন পরীক্ষকেরা গতি ও নিয়ন্ত্রণের মধ্যে ভারসাম্যের কথা বলেছেন। অভিজ্ঞ একজন ব্যবহারকারী সাধারণ ক্রেতাদের নাগালে থাকা হার্ডওয়্যারে মডেলটি চালিয়ে দীর্ঘ টুল-চেইন ও বড় প্রম্পটজুড়ে স্থিতিশীল আচরণ পেয়েছেন বলে জানিয়েছেন। পর্যালোচকের মতে, নেটিভ INT4 ব্যবস্থায় মান স্থিতিশীল রেখেই গতি বেড়েছে।

আমার পরীক্ষায় এটি ধারাবাহিকতা না হারিয়ে সর্বোচ্চ ৩০০টি পরপর টুল কল সামলেছে, যা আগের মডেলগুলোর তুলনায় বড় উন্নতি।

একই পরীক্ষক বড় কোড প্রকল্প সামলানোর জন্য ২৫৬k কনটেক্সট উইন্ডো, বহুভাষিক কোডিংয়ের শক্তি এবং ফ্রন্ট-এন্ডের কাজে ব্যবহারিক সুবিধার কথা উল্লেখ করেছেন। উচ্চক্ষমতার ডেস্কটপে সেটিংস অনুযায়ী প্রতি সেকেন্ডে কয়েক দশক থেকে কয়েক শ টোকেন তৈরি হয়েছে বলে জানানো হয়েছে, ফলে উন্নয়নকাজে এজেন্টের ধারাবাহিক ধাপগুলো যথেষ্ট দ্রুত মনে হয়।

বিশেষজ্ঞের দৃষ্টিভঙ্গি

ওপেন মডেল ও এজেন্ট ব্যবস্থা নিয়ে কাজ করা এআই গবেষক Nathan Lambert-এর মতে, উচ্চক্ষমতার পর্যায়ে ওপেন ওয়েটসের জন্য K2 Thinking একটি মোড় ঘোরানো পদক্ষেপ। চীনভিত্তিক গবেষণাগারগুলোর দ্রুত মডেল প্রকাশের গতিও তিনি তুলে ধরেছেন।

পারফরম্যান্সের দিক থেকে বদ্ধ মডেলগুলোর সর্বোচ্চ স্তরের সবচেয়ে কাছাকাছি পৌঁছানো ওপেন মডেল হিসেবে এই প্রকাশনাকে দেখা হচ্ছে।

কিছু ক্ষেত্রে বদ্ধ মডেল এগিয়ে থাকলেও, ওপেন ক্ষেত্রে নতুন ব্যবস্থা ও তার পরবর্তী সংস্করণ দ্রুত প্রকাশের সুবিধার কথাও Lambert উল্লেখ করেছেন।

ওপেন মডেল দ্রুত প্রকাশিত হয়। চীনা গবেষণাগারগুলো পশ্চিমা গবেষণাগারগুলোর তুলনায় অনেক দ্রুত তাদের মডেল প্রকাশ করে।

K2 Thinking-কে এখনো যা প্রমাণ করতে হবে

বেঞ্চমার্কে নেতৃত্ব দেওয়া মানেই উৎপাদনে সব দিক দিয়ে শ্রেষ্ঠ হওয়া নয়। খুব দীর্ঘ কনটেক্সটে তথ্য মনে রাখার ক্ষমতা মাঝে মাঝে কমে যায় বলে কিছু ব্যবহারকারী জানিয়েছেন, যা বড় কনটেক্সটের ব্যবস্থাগুলোর সাধারণ চ্যালেঞ্জ। বেঞ্চমার্কে টুল ব্যবহারের অনুমোদিত সীমা ও যুক্তির জন্য টোকেনের সীমাও একেক রকম, তাই প্রতিটি দল test time scaling কতটা ব্যবহার করেছে, তার ওপর তুলনার ফল নির্ভর করতে পারে। এক সেশনে শত শত টুল কল চালানো হোস্টিংয়ের ক্ষেত্রেও চ্যালেঞ্জ তৈরি করে, কারণ সরবরাহকারীদের আরও বেশি অবস্থা, নেটওয়ার্ক কল এবং বড় লগ সামলাতে হয়।

সংস্করণগুলোর মধ্যে স্থিতিশীলতা, নির্দিষ্ট সেটিংসে ফল পুনরুৎপাদনের সক্ষমতা এবং বিদ্যমান কর্মপ্রবাহের সঙ্গে মানানসই নিরাপত্তা টুলিংয়ের দিকে এন্টারপ্রাইজগুলো নজর রাখবে। যুক্তির ধাপ দেখানোর সুবিধা একটি সহায়ক অগ্রগতি, কারণ এতে দলগুলো মধ্যবর্তী ধাপ পরীক্ষা করতে পারে। তবে কতটা চিন্তার ধাপ লগ করা হবে এবং কখন সংবেদনশীল বিষয় আড়াল করা হবে, তা পরিচালকদের ঠিক করতে হবে। সবশেষে, মডেলটির উন্মুক্ত নকশা কমিউনিটিকে দ্রুত পরিবর্তন ও উন্নয়নের সুযোগ দেয়, যা একটি শক্তি; তবে এর ফলে গতি, মেমরির ব্যবহার ও মানের মধ্যে ভিন্ন সমঝোতাসহ বহু সংস্করণও সামনে আসবে। প্রাথমিক ফল আশাব্যঞ্জক। বিভিন্ন ভাষা, ক্ষেত্র ও হার্ডওয়্যারে আরও পরীক্ষা হলে ডেভেলপাররা জানতে পারবেন, K2 Thinking কোন কাজে সবচেয়ে শক্তিশালী।

মূল কথা

• Moonshot AI বাণিজ্যিক ব্যবহার অনুমোদনকারী Modified MIT License-এর আওতায় ওপেন ওয়েটস হিসেবে Kimi K2 Thinking প্রকাশ করেছে।
• মডেলটিতে Mixture of Experts নকশা রয়েছে, যার মোট প্যারামিটার এক ট্রিলিয়ন এবং প্রতিটি টোকেনে সক্রিয় থাকে প্রায় ৩২ বিলিয়ন।
• Quantization aware training থেকে পাওয়া নেটিভ INT4 ইনফারেন্স মান ধরে রেখে খরচ ও ল্যাটেন্সি কমায়।
• টুলসহ Humanity’s Last Exam-এ K2 Thinking-এর স্কোর ৪৪.৯ শতাংশ এবং BrowseComp-এ ৬০.২ শতাংশ; এজেন্টভিত্তিক ওই পরীক্ষায় এটি GPT 5-কে ছাড়িয়েছে।
• কোডিংয়ের স্কোরের মধ্যে আছে SWE Bench Verified-এ ৭১.৩ শতাংশ এবং LiveCodeBench v6-এ ৮৩.১ শতাংশ।
• সিস্টেমটি ২৫৬k কনটেক্সট উইন্ডো সমর্থন করে এবং ধারাবাহিকভাবে ২০০ থেকে ৩০০টি টুল কল চালাতে পারে।
• ক্যাশ হিটে প্রতি ১০ লাখ টোকেনে দাম প্রায় ০.১৫ ডলার, ক্যাশ মিসে ০.৬০ ডলার এবং আউটপুটে ২.৫০ ডলার—GPT 5-এর দামের চেয়ে অনেক কম।
• Kimi.com-এ, Kimi Open Platform-এ API-এর মাধ্যমে এবং Hugging Face-এর মতো পাবলিক হাবে মডেলটি পাওয়া যাচ্ছে।
• Kimi, DeepSeek, Qwen ও MiniMax-সহ চীনের ওপেন মডেলগুলো দ্রুত প্রকাশনা ও উচ্চতর বেঞ্চমার্ক স্কোরের প্রতিযোগিতা এগিয়ে নিচ্ছে।
• দীর্ঘ কনটেক্সটে নির্ভরযোগ্যতা, দীর্ঘ টুল-চেইনের হোস্টিং সহায়তা এবং উৎপাদনের সীমাবদ্ধতায় বাস্তব কার্যকারিতা—এসব বিষয়ে নজর রাখতে হবে।