Atria Dawn vs Kimi K3: Một tác nhân trọng số mở không bao giờ kết thúc, đối đầu với trần suy luận 44 điểm

Trước khi đi vào các bài đo lường, hãy dừng lại ở sự khác biệt về mục đích mà hai mô hình này hướng tới. Atria Dawn Preview là mô hình tác tử trọng số mở mới của Phòng thí nghiệm AI Thượng Hải — được công bố "đã hoạt động" vào ngày 14 tháng 9, xây dựng trên nền tảng GLM-5.2 MoE 744B, giấy phép MIT, ngữ cảnh 256K, chỉ hỗ trợ văn bản, có thể tải xuống ở định dạng BF16 và FP8, và được phục vụ tại api.atria-asi.ai mà không công bố giá. Kimi K3 là mẫu flagship 2,8 nghìn tỷ tham số của Moonshot AI — ra mắt ngày 16 tháng 7, giá 3,00/15,00 đô la Mỹ cho mỗi triệu token, ngữ cảnh 1M, đầu vào đa phương thức, trọng số mở theo giấy phép MIT sửa đổi kể từ ngày 27 tháng 7, và Chỉ số Trí tuệ Artificial Analysis độc lập là 44, khiến nó trở thành mô hình trọng số mở có điểm cao thứ hai trên bảng xếp hạng. Cả hai đều mở. Cả hai đều mang tính tác tử. Cả hai đều đến từ các phòng thí nghiệm Trung Quốc với các nhánh API quốc tế. Và khó có thể có hai mục tiêu khác biệt hơn thế: Kimi K3 là một giới hạn suy luận mà bạn có thể thuê hoặc tải về; Atria Dawn Preview là một vòng lặp cứ tiếp tục làm việc cho đến khi có thứ gì đó có thể kiểm chứng được.

Các nhãn nguồn là bộ khung của so sánh này. Điểm chỉ số, giá cả và ngữ cảnh của Kimi K3 là những dữ kiện độc lập — AA Index 44, $3/$15, cửa sổ 1M, trọng số Modified MIT. Các hàng benchmark của Atria Dawn Preview được nhà cung cấp báo cáo từ model card của nó, chưa được bất kỳ phòng thí nghiệm trung lập nào tái lập, và API quốc tế của nó không có giá công bố. Ở nơi lưới của thẻ đặt hai bên đối đầu trên một lĩnh vực chung, Atria Dawn Preview báo cáo dẫn đầu ở các bộ khám phá và sử dụng công cụ (AutomationBench 53.8, BrowseComp 92.5, DeepSearchQA 96.0, BFCL v4 77.0, CyberGym 86.5) trong khi xếp sau dòng Kimi K3 ở các hàng lập trình (SWE-bench Pro 59.6, Terminal-Bench 2.1 78.3, JobBench 50.3). Không có số liệu nào của Atria được xác minh độc lập.

Hai loại trọng số mở

Sự tương đồng bề ngoài — đều mở, đều của Trung Quốc, đều mang tính agentic — che giấu một sự rẽ nhánh thực sự. Kimi K3 là nỗ lực của Moonshot nhằm chứng minh rằng một mô hình trọng số mở có thể giữ vị trí tiên phong về trí tuệ thuần: tổng cộng 2.8T tham số, ngữ cảnh 1M, đầu vào hình ảnh và âm thanh gốc, giấy phép MIT sửa đổi, và điểm chỉ số độc lập là 44 mà chỉ GLM 5.3 vượt qua trong số các mô hình mở. Bạn có thể thuê nó với giá $3/$15 hoặc tải về và tự vận hành, và dù theo cách nào bạn cũng đang mua một cỗ máy suy luận.

Atria Dawn Preview không cố trở thành một cỗ máy suy luận theo nghĩa đó. Đây là một MoE tổng 744B — khoảng một phần tư kích thước của Kimi K3 — được tinh chỉnh cho một vòng lặp thay vì cho chỉ số: phân tích, thiết kế, sử dụng công cụ, viết và chạy mã, đọc kết quả thực nghiệm, phục hồi sau thất bại, lặp lại. Bốn trụ cột của phòng thí nghiệm (Discovery, Creation, Delivery, Cybersecurity) đều quy về vòng lặp đó. Nó có ngữ cảnh 256K (một phần tư 1M của Kimi K3), chỉ xử lý văn bản trong khi Kimi K3 nhận hình ảnh và âm thanh, và công bố thế mạnh của mình trên các bộ kiểm thử dài hạn thay vì suy luận một lần. Trên giấy tờ, nó trông như một mô hình yếu hơn hẳn; xét theo tiêu chí của chính nó, đây là một sản phẩm khác nhắm vào một dạng thất bại khác.

• Giá — Atria Dawn Preview chưa công bố (API quốc tế) so với Kimi K3 $3.00/$15.00 mỗi 1M

• Ngữ cảnh — Atria 256K chỉ văn bản so với Kimi K3 1M, đầu vào hình ảnh + âm thanh

• Kích thước — Atria 744B tổng MoE so với Kimi K3 2.8T tổng

• Kỷ lục độc lập — không có cho Atria so với Kimi K3, AA Index 44, đứng #2 nhóm trọng số mở

Tại sao bức tường 44 điểm lại ít quan trọng hơn vòng lặp

Nếu khối lượng công việc của bạn là một câu hỏi suy luận khó, thì cuộc so tài này không hề sít sao: con số 44 được đo độc lập của Kimi K3 là mức trần trọng số mở cao nhất trên bảng, và đó là khoảng cách độc lập hơn 13 điểm so với bất cứ điều gì Atria Dawn Preview có thể tuyên bố hôm nay. Mức giá cao hơn là có thật và $3/$15 của Kimi K3 chính là cái giá phải trả. Nhưng chỉ số này chủ yếu là suy luận ngắn, một lần — đúng cái chế độ mà một tác nhân ưu tiên vòng lặp đang cố thay đổi luật chơi. Những điểm mạnh được báo cáo của Atria Dawn Preview là BrowseComp, DeepSearchQA, AutomationBench, CyberGym: các bộ kiểm thử tầm xa, nơi mô hình được đọc, hành động và tự sửa sai qua nhiều lượt. Sự phân tách do nhà cung cấp báo cáo là dấu hiệu đặc trưng của một mô hình được tinh chỉnh cho thực thi lặp lại thay vì cho bảng xếp hạng — và nó cũng chưa được xác minh, đó là lý do điểm số trung lập đầu tiên sẽ quan trọng hơn tất cả những điều này.

Với một đội đã chạy Kimi K3, Atria Dawn Preview không phải là bản thay thế — các dòng lập trình của nó thua kém, ngữ cảnh chỉ bằng một phần tư, thành tích thì chưa được kiểm chứng. Với một đội mà nút thắt nằm ở chính vòng lặp — mô hình bỏ cuộc, hỏi lại, mất mạch trong một thí nghiệm dài — thì sản phẩm mới này nhắm thẳng vào đó, và trọng số MIT của nó nghĩa là bạn có thể tự mình tìm hiểu trên phần cứng của mình mà không phải trả mức giá của Moonshot. Cả hai đều nằm sau một khóa duy nhất trên một nền tảng định tuyến như OrcaRouter, nơi mức chuyển tiếp $3/$15 của Kimi K3 được tính với chênh lệch bằng không và tự động chuyển đổi dự phòng, và nơi Atria Dawn Preview sẽ có thể định tuyến ngay khi phòng thí nghiệm Thượng Hải công bố mức giá — nên một đánh giá đối đầu với khối lượng công việc thực tế của bạn chỉ tốn thời gian thiết lập, chứ không tốn thêm một hợp đồng thứ hai.

Phán quyết

Đừng nhầm mức trần độc lập 44 điểm là toàn bộ câu chuyện, và đừng nhầm bảng của một nhà cung cấp là một phán quyết — một cột có thể kiểm chứng ngay hôm nay, cột kia là tự báo cáo. Nếu bạn cần khả năng suy luận trọng số mở đã được chứng minh ở hàng đầu, Kimi K3 là mô hình đó; cửa sổ 1M, tính đa phương thức và điểm số trung lập của nó chính là lý do các đội trả $3/$15. Nếu vấn đề của bạn là một vòng lặp không bao giờ kết thúc, Atria Dawn Preview là một thí nghiệm chính đáng — mở, miễn phí để chạy, nhắm chính xác vào thất bại mà bạn đang gặp phải — đáng để đánh giá có kiểm soát phía sau cơ chế chuyển đổi dự phòng, và không hơn thế cho đến khi một phòng thí nghiệm trung lập thực sự chạy nó.