چرا Moonshot عمداً توانایی‌های هکری مدل Kimi AI جدید خود را ضعیف کرد

شرکت Moonshot AI، یک استارتاپ مقر اصلی‌اش در پکن که پشت ربات گفتگوی Kimi قرار دارد، مدل Kimi K3.1 Pro را در شنبه 24 اکتبر 2026 معرفی کرد و آن را توصیف کرد به‌عنوان قادرترین مدل با وزن‌های باز خود در دسته پارامترهای 3 تریلیون. در کنار این راه‌اندازی، شرکت اعلام کرد که عمداً قدرت مدل را برای کمک در وظایف هکری کاهش داده است، حرکتی نادر از سوی یک توسعه‌دهنده هوش مصنوعی برای محدود کردن قابلیت‌های خود مدل.

آنچه Moonshot حذف کرد

بر اساس گفته‌ی Moonshot، شرکت داده‌های مربوط به سایبر را از مجموعه آموزش و محیط‌های یادگیری تقویتی که برای ساخت K3.1 Pro استفاده شد حذف کرد، در حالی که مهارت‌های برنامه‌نویسی عمومی مدل را برقرار نگاه داشت. شرکت هدف خود را اینگونه بیان کرد: "ما هدف داریم وزن‌های باز را منتشر نکنیم که می‌توانند مرز مطلق قابلیت سایبری را گسترش دهند."

مبادله‌ی مزایا قابل اندازه‌گیری است، بر اساس گزارش خود Moonshot. در یک معیار داخلی که توانایی مدل را برای پیدا کردن و استفاده از نقاط ضعف نرم‌افزار در یک محیط کنترل‌شده آزمایش می‌کند، K3.1 Pro نمره 81.0% را کسب کرد، در مقابل 90.5% برای نسخه‌ی مشابهی از مدل که بدون فیلتر کردن داده‌های سایبری ساخته شده بود. در یک معیار صنعتی جداگانه، مدل فیلتر شده‌ی Moonshot همچنان نمرات بسیار بالاتری نسبت به پیشین‌اش Kimi K3 در وظایف مربوط به سایبر کسب کرد.

آزمایش‌های مستقل داستان پیچیده‌تری را تعریف می‌کنند

ارزیاب‌های خارجی شماره‌های خود را منتشر کرده‌اند. Artificial Analysis Cyber Index نمره‌ی کلی K3.1 Pro را 64% بیان کرد، بالاتر از مدل DeepSeek V4.1 Flash که 57% است اما پایین‌تر از مدل بسته‌ی GPT-6 Sol که 69% است. این نشان‌دهنده‌ی یک جهش 23 نقطه‌ای بالاتر از نمره‌ی اولیه‌ی Kimi K3 که 41% بود در همان شاخص است. ارزیاب‌ها همچنین متوجه شدند که K3.1 Pro هیچ امتناع ایمنی در طول آزمایش نداشت، برخلاف برخی از رابط‌های API عمومی رقیب که برخی درخواست‌های مربوط به امنیت را رد کردند.

سایت تحلیل Implicator.ai سؤالات مطرح کرد درباره‌ی اینکه آیا حذف داده‌های سایبری واقعاً قابل تأیید است. آن یادآور شد که شواهد اصلی Moonshot از یک آزمایش داخلی منتشر نشده می‌آید و اینکه حدود آنچه «داده‌های آموزشی مربوط به سایبر» محسوب می‌شود ذاتاً مبهم است. سایت همچنین اشاره کرد که DeepSeek V4.1-Flash نمره‌ای بالاتر از K3.1 Pro کسب کرد (85.7% در مقابل 81.0%) در همان معیار داخلی Moonshot که برای استدلال بر کارایی فیلتر کردن خود استفاده شد، مما مقایسه را پیچیده می‌کند. همچنین افزود که مواد منتشر شده‌ی Moonshot به اینکه آیا قابلیت حذف شده می‌تواند بعداً از طریق تنظیم دقیق توسط توسعه‌دهندگان خارجی پس از انتشار وزن‌های باز بازیابی شود، اشاره نکردند.

چرا این حالا اتفاق می‌افتد

این اطلاعیه در پس‌زمینه‌ی نگرانی رسمی رو‌به‌افزایش درباره‌ی حملات سایبری با کمک هوش مصنوعی می‌آید. وزارت‌های تجارت و علوم چین در 16 اکتبر 2026 اصلاحات کنترل صادرات را پیشنهاد کردند که 23 فناوری مربوط به هوش مصنوعی را تحت پوشش قرار می‌دهند، که صادرات سیستم‌های هوش مصنوعی که قادر به تولید یا تغییر خودکار کدهای بدافزار باشند را منع می‌کنند، با استناد به نگرانی‌های امنیت ملی و هدف نگاهداری قابلیت‌های حساس هوش مصنوعی تحت کنترل انسانی. یک دسته جداگانه و کمتر سختگیرانه (به جای ممنوعیت) ابزارهای هوش مصنوعی که قادر به ساخت خودکار استکشاف‌های کاری برای نقاط ضعف شناخته‌شده یا کشف چندین نقطه ضعف بالا اهمیت پنهان‌شده در پروژه‌های نرم‌افزار بزرگ باشند را محدود می‌کند. نظر دهی عام درباره‌ی این پیش‌نویس تا 15 نوامبر 2026 ادامه خواهد یافت.

محدودیت‌های سایبری خودتحمیلی Moonshot می‌تواند به‌عنوان پاسخی به این جهت تنظیمی خوانده شود، اگرچه شرکت به‌طور صریح این دو را به یکدیگر پیوند نزده است. Moonshot برنامه‌ریزی کرده است تا وزن‌های باز K3.1 Pro را - فایل‌هایی که اجازه می‌دهند توسعه‌دهندگان خارجی مدل را بر روی سیستم‌های خود اجرا و تغییر دهند - تا 4 نوامبر 2026 منتشر کند.

الگوی بزرگ‌تر Moonshot: وزن‌های باز پس از «لحظه‌ی DeepSeek» خود

K3.1 Pro پس از Kimi K2 می‌آید، مدل با وزن‌های باز تریلیون پارامتری که Moonshot در 11 جولای 2025 منتشر کرد، که به‌طور گسترده به‌عنوان «لحظه‌ی DeepSeek با وزن‌های باز» توصیف شد - ارجاع به شوک در اوایل 2025 زمانی که مدل R1 DeepSeek نشان داد که آزمایشگاه‌های چینی می‌تواند عملکرد هوش مصنوعی مرزی غربی را برابری کند. سایت نظر Interconnects.ai استدلال کرد که Kimi K2 نشان داد که سازمان‌های چینی متعدد، نه تنها DeepSeek، اکنون در حال رسیدن به قابلیت نزدیک به مرز با مدل‌های کارآمد و با وزن‌های باز هستند.

Moonshot استدلال کرده است که انتشار وزن‌های مدل به‌طور باز، حتی با قابلیت سایبری کاهش‌یافته، فایده‌ی امنیتی خاص خود را دارد: سازمان‌ها می‌توانند نرم‌افزار را خود بررسی و آزمایش کنند به‌جای اعتماد تنها به سرویس میزبان‌شده توسط فروشنده. این استدلال در کنار تسلیم‌کردن اینکه تقابل این است که وزن‌های باز، پس از انتشار، نمی‌توانند توسط Moonshot بعداً مسترجع یا بیشتر محدود شوند، قرار می‌گیرد.