‏Kimi K3 در برابر Claude Fable 5 برای عامل‌های کدنویس

به گفتهٔ نویسنده، رقابت عامل‌های کدنویس یه رقیب تازه پیدا کرده: Kimi K3، مدل با وزن باز از Moonshot AI که با عددهایی وارد شده که اون رو هم‌ردهٔ Claude Fable 5 می‌ذاره، ولی با کسری از هزینه. K3 روی معماری Kimi K2 بنا شده — یه طراحی Mixture-of-Experts با بیش از یک تریلیون پارامتر کل که فقط حدود ۳۲ میلیارد پارامترش موقع استنتاج فعاله.

Claude Fable 5 در مقابل تازه‌ترین عضو خانوادهٔ Claude‌ـه که آنتروپیک مشخصاً برای بخش توسعه‌دهنده و جریان‌های عاملی هدف‌گذاریش کرده. تو مقاله اومده که برخلاف نسل‌های قبلی Claude که بیشتر با نثر و تحلیل شناخته می‌شدن، Fable 5 سنگینی‌شو گذاشته روی تولید کد، دیباگ و کار خودگردان عامل.

روی SWE-bench Verified که نزدیک‌ترین سنجهٔ عینی به توانایی کدنویسی عاملیه، K3 حدود ۶۵ تا ۶۷ درصد و Fable 5 حدود ۶۳ تا ۶۶ درصد می‌گیره — یعنی تو محدودهٔ خطا. روی HumanEval و MBPP هم هر دو تو اواخر ۸۰ تا اوایل ۹۰ می‌ایستن که دیگه به سقف خورده و برای تفکیک به‌درد نمی‌خوره.

جایی که تفاوت واقعی خودشو نشون می‌ده دقت استفاده از ابزاره، که نویسنده اون رو برای کار عاملی مهم‌تر از کیفیت خام کد می‌دونه. Fable 5 تو محیط‌های چندابزاری فراخوانی‌های بدشکل کمتری تولید می‌کنه، خروجی‌های تودرتوی ابزار رو بهتر مدیریت می‌کنه و JSON یکدست‌تری می‌ده. K3 تو سناریوهای ساده با یکی تا سه ابزار خوبه ولی تو ارکستراسیون پیچیده می‌لغزه؛ اگه عاملت بیشتر از پنج ابزار مجزا داره، Fable 5 قابل اتکاتره.

تو رفتار بلندمدت اما ورق تا حدی برمی‌گرده. کار عاملی گاهی ۲۰ تا ۵۰ نوبت طول می‌کشه و بیشتر مدل‌ها تو این مسیر دستور اصلی رو گم می‌کنن یا قدم‌های تمام‌شده رو تکرار می‌کنن. معماری K3 برای همین بهینه به‌نظر می‌رسه و انسجام کار رو بهتر از هم‌قیمت‌هاش نگه می‌داره. Fable 5 هم قویه ولی بیشتر «چک‌این» می‌کنه — سؤال روشن‌کننده می‌پرسه یا قبل از ادامه تأیید می‌خواد. نویسنده این رو ویژگی ایمنی می‌دونه که بسته به جریان کارت می‌تونه مزیت باشه یا مانع.

دربارهٔ پیمایش کدبیس، K3 بازیابی قطعه‌کدهای مرتبط از متن طولانی رو خوب انجام می‌ده ولی با زنجیره‌های وابستگی عمیق و تودرتو مشکل داره. Fable 5 در عوض ردیابی وابستگی و استدلال «اگه X رو عوض کنم چی می‌شکنه» رو صریح‌تر و کامل‌تر انجام می‌ده، که برای بازآرایی کد تو مونوریپوهای بزرگ به کار میاد.

نکتهٔ ساختاری دیگه وزن بازه: K3 رو می‌شه دانلود و خودمیزبانی کرد، فاین‌تیون کرد یا برای الزامات انطباق آفلاین برد — هرچند در عمل به چند GPU کلاس H100 نیاز داره. Fable 5 بسته و فقط از راه API در دسترسه. جمع‌بندی نویسنده اینه که هیچ‌کدوم به‌طور مطلق برنده نیستن و بهترین راهبرد استفاده از هر دو با مسیردهی بر اساس پیچیدگی و حساسیت هزینه‌ست.

نکات کلیدی:

• هر دو مدل تو SWE-bench Verified محدودهٔ ۶۳ تا ۶۷ درصد می‌گیرن؛ برتری روشنی در کار نیست
• K3 حدود پنج تا شش برابر ارزون‌تره و برای استقرارهای پرحجم گزینهٔ پیش‌فرضه
• Fable 5 تو جریان‌های چندابزاری خطای کمتری تو فراخوانی تابع داره
• K3 خودگردان‌تر پیش می‌ره؛ Fable 5 بیشتر برای تأیید مکث می‌کنه
• وزن باز K3 امکان خودمیزبانی و فاین‌تیون روی کد اختصاصی رو باز می‌ذاره