Kimi K3 යනු 2.8 ට්රිලියන් පරාමිතීන් ගෙන ඇති නවතම AI මාදිලියක්. මූලිකව Arena කේතග්රාහක තරඟාවලියේ සියලුම වසා තබා තිබූ මාදිලිවලට වඩා ඉහළ ස්ථානයක් ලබා දී, විශාල ප්රචණ්ඩතාවක් පෙන්වා දුන්නා. දැන් ඒකේ බර (weights) නිකුත් කිරීමට සූදානමක් ඇති බව Moonshot AI විසින් ප්රකාශ කළේය. බර නිකුත් වීමේදී ඔබේ inference pipeline එකට විදේශීය බ්ලොක් එකක් ඇතුළත් වේ – එය සැපයුම්-ශෘංඖල (supply‑chain) සිදුවීමක්, benchmark උත්සවයක් නොවේ.
මෙම නව මාදිලිය Mixture‑of‑Experts (MoE) වර්ගයකි; 896 විශේෂඥයන්ගෙන් 16ක් එක් ටෝකනයක් සඳහා සක්රිය වේ. KDA (Kimi Delta Attention) රේඛීය අවධානය, 1M ටෝකන් පරිමාණ කන්ටෙක්ස්ට් ජනෙලයක් සහ දෘශ්ය (vision) ආදාන සපයන හැකියාව ඇත. එම හැකියාවන් ආරක්ෂක ගුණාංග නොව, කුසලතා විස්තරයකි.
බර ලබා ගැනීමට පෙර, කණ්ඩායම “10‑මිනිත්තු සැපයුම්‑ශෘංඖල ගේට්” කියන පියවර පහක් නිර්දේශ කරයි. ඒවා පහත පරිදි සාරාංශ කරමු:
- ප්රමාවලික ගොනු (Provenance file) – බාගත කිරීමට පෙර SHA‑256, ගොනු ප්රමාණය, බලපත්රය, මූලාශ්ර URL ආදිය manifest.json එකේ ලියා තබන්න. අඩු වීමක් හෝ අස්ථානගත වීමක් හදුනා ගන්න.
- බාගත කිරීමේ තහවුරු කිරීම – sha256sum භාවිතයෙන් බර ගොනුවේ හැෂ් එක ගොනුවේ ඇත්තේද කියා සමාන කර බලන්න. අසමාන නම් බාගත කිරීම නතර කරන්න.
- Inference sandbox – බර එක container එකක් තුළ, ජාල සම්බන්ධතා නැති, රහස් මවුන්ට් නොකළ, පඬි-පෙරළිය (read‑only) පරිසරයක් තුළ ලෝඩ් කරන්න. බාහිර සම්බන්ධතා උත්සාහයක් දැක්වූ විට එය අවහිර කර ලොග් ගන්න.
- Prompt‑injection පරීක්ෂාව – K3 දෘශ්ය ආදාන සපයන නිසා, රූප‑එම්බෙඩ් කළ උපදෙස්ද තර්ජන මට්ටමට එකතු වේ. පරිශීලක‑උඩුගත කරන රූප පෙර පරීක්ෂා කිරීම අත්යවශ්ය.
- කන්ටෙක්ස්ට් ජනෙලය පරිභෝගය – 1M ටෝකන් ජනෙලය GPU මත වැඩි මතක හා කාලය වැය කරයි. එක් ඉල්ලීමකට ටෝකන් සීමාවක් සකසා, අභ්යන්තර හා බාහිර සේවාදායකයින්ට එය හඳුන්වා දෙන්න.
මෙම පියවරයන් සැපයුම්‑ශෘංඖලයේ අභ්යන්තර පාලනය, අඛණ්ඩතාව, සහ ආරක්ෂක සීමා පරීක්ෂා කරනවාය. ඒත් ඒවා සම්පූර්ණ ආරක්ෂක පරීක්ෂාවක් නොවේ; ප්රතිකාරක (adversarial) ප්රතිචාර, විෂබීජ (toxic) ප්රතිදානය, හෝ දත්ත පිටවීම (data exfiltration) වැනි ගැටළු මෙහි සලකා බැලෙන්නේ නැත.
ශ්රී ලංකාවට ඇති වැදගත්කම
ශ්රී ලංකාවේ AI පර්යේෂකයින්, විශ්වවිද්යාල සිසුන්, සහ තාක්ෂණික ආයතන සඳහා Kimi K3 හි බර නිකුත් වීම අලුත් අවස්ථාවකි. ප්රථමයෙන්, 2.8 ට්රිලියන් පරාමිතීන් සහ 1M ටෝකන් කන්ටෙක්ස්ට් ජනෙලය ඇති මාදිලියක්, දේශීය පරිසරයන්හි පරිපාලන‑ශක්තිමත් AI යෙදුම් නිර්මාණයට මාර්ගයක් සලසයි. දෙවැනිව, සැපයුම්‑ශෘංඖල පරීක්ෂා ක්රියාමාර්ගය ආරක්ෂක පිරික්සුමට මූලික පදක්කමක් වන අතර, දේශීය සංවර්ධකයන්ට “Secure AI Ops” පිළිබඳ ප්රායෝගික අත්දැකීම් ලබා දේ. තෙවැනිව, බර නිකුත් කිරීමෙන් පසු open‑source වෙළඳපොළේ (Hugging Face) බාගත කිරීමේදී, ශ්රී ලංකාවේ data‑center කාර්ය මණ්ඩලය GPU සම්පත් පරිච්ඡේදනය, token‑budget සැකසීම, සහ sandbox පරිසර සැකසීම ආදී ක්රියාවලීන් හඳුනා ගත හැකිය. මෙය දේශීය AI ආරම්භකයන්ට ලාභදායී ව්යාපාරික නිෂ්පාදන (AI‑based analytics, image‑recognition සේවා) නිර්මාණයට අවශ්ය පදනමක් සපයයි.
කොටසක, Kimi K3 නිකුත් කිරීමේදී පසුපසින් පවතින සැපයුම්‑ශෘංඖල පරීක්ෂා ක්රමවේදය, ශ්රී ලංකාවේ AI ආරක්ෂාකාරී සංවර්ධනයේ නව මාර්ගයක් ලෙස සැලකිය යුතුය. මේ නිසා තාක්ෂණික කණ්ඩායම් ඉදිරියට ආරක්ෂිත, වේගවත්, සහ විශ්වාසනීය AI සේවා සැපයීමට හැකියාව ලැබේ.
ඉදිරියේදී Kimi K3 බර නිකුත් වීමත්, එයට අදාළ ආරක්ෂක පියවරයන් අනුගමනය කිරීමත්, ශ්රී ලංකාවේ AI පර්යේෂණ හා ව්යාපාරික නවෝත්පාදන සඳහා වැදගත් පියවරයක් වනු ඇත.
