Hugging Face पर जारी Kimi-K3

 (huggingface.co)
1 पॉइंट द्वारा GN⁺ 3 시간 전 | 2 टिप्पणियां | WhatsApp पर शेयर करें
  • Kimi K3 2.8 ट्रिलियन parameters और 1,048,576-token context वाला open-weight native multimodal agent model है, जो लंबे coding sessions, knowledge work और reasoning को support करता है
  • Kimi Delta Attention(KDA), Attention Residuals और Stable LatentMoE को मिलाकर यह 896 experts में से हर token के लिए 16 को activate करता है, और Kimi K2 की तुलना में कुल scaling efficiency लगभग 2.5 गुना अधिक है
  • सार्वजनिक evaluation में इसने GPQA Diamond 93.5, Terminal-Bench 2.1 88.3, BrowseComp 91.2, OmniDocBench 91.1 दर्ज किया, लेकिन model-specific harness, inference settings और hardware differences को साथ में ध्यान में रखना चाहिए
  • MXFP4 weights·MXFP8 activations के साथ quantization-aware training की गई है, और इसे Transformers, vLLM, SGLang, Docker तथा OpenAI·Anthropic-compatible API से चलाया जा सकता है
  • multi-turn और tool calls में API द्वारा लौटाए गए पूरे assistant message को, जिसमें reasoning_content और tool_calls शामिल हैं, जस का तस वापस पास करना होगा; code और weights Kimi K3 License के तहत जारी हैं

Model architecture और scale

  • Kimi K3 लंबे coding sessions, knowledge work और reasoning के लिए design किया गया open-weight native multimodal agent model है
  • कुल parameters 2.8T हैं, active parameters 104B हैं, और इसमें 93 layers हैं
    • 1 Dense layer, 69 KDA layers और 24 Gated MLA layers इस्तेमाल किए गए हैं
    • Attention hidden dimension 7,168 है और attention heads 96 हैं
  • Stable LatentMoE 896 experts में से हर token के लिए 16 चुनता है और 2 shared experts का उपयोग करता है
    • Latent MoE dimension 3,584 है, और प्रति expert MoE hidden dimension 3,072 है
    • Kimi K2 की तुलना में कुल scaling efficiency लगभग 2.5 गुना बेहतर हुई है
  • Vocabulary size 160K है, context length 1,048,576 tokens है, और activation function SiTU-GLU है
  • Vision encoder के रूप में 401M parameters वाला MoonViT-V2 इस्तेमाल किया गया है
  • मुख्य capabilities में text, image और video understanding शामिल हैं, लेकिन model summary table के modality item में केवल Text और Image लिखे गए हैं

लंबे coding sessions और knowledge work

  • न्यूनतम human supervision के साथ लंबे engineering sessions जारी रखते हुए बड़े repositories को explore करता है और terminal tools को orchestrate करता है
    • GPU kernel optimization और compiler development को support करता है
    • vision का उपयोग करने वाले game development, CAD और chip design भी target में शामिल हैं
  • Agentic knowledge work में यह deep research के साथ interactive visualizations, widgets और dashboards बनाता है
    • motion design और video editing भी support scope में आते हैं
  • coding agent framework के रूप में Kimi Code CLI की सिफारिश की जाती है, और terminal में /model command से Kimi K3 चुना जा सकता है

Evaluation results

  • सभी Kimi K3 results reasoning_effort="max", temperature 1.0 पर measure किए गए
    • GPQA Diamond, HLE-Full और tool-less vision evaluation जैसे single-step tasks के लिए top-p 0.95 इस्तेमाल किया गया
    • agent tasks के लिए top-p 1.0 लागू किया गया
  • Reasoning और knowledge evaluation में GPQA Diamond 93.5, CritPt 23.4, AA-LCR 74.7 दर्ज हुए
    • HLE-Full बिना tools 43.5 और tools के साथ 56.0 है
  • Coding evaluation में ProgramBench 77.8, Terminal-Bench 2.1 88.3, FrontierSWE 81.2 दर्ज हुए
    • DeepSWE में Kimi Code harness पर 67.5 और mini-SWE-agent harness पर 67.3 है
    • SWE-Marathon 42.0, PostTrainBench 36.6, MLS-Bench-Lite 48.3, SciCode 58.7, Kimi Code Bench 2.0 72.9 दर्ज हुए
  • Agent evaluation में BrowseComp 91.2, DeepSearchQA F1 95.0, ResearchRubrics 76.2 दर्ज हुए
    • MCPMark-Verified 94.5, AutomationBench 30.8, SpreadsheetBench 2 34.8, OSWorld-Verified 84.8 हैं
    • Harvey Lab-AA 94.6, CorpFin v2 71.6, Finance Agent v2 54.4, Legal Research Bench 44.2 मापे गए
  • Vision evaluation में OmniDocBench 91.1, Video-MME 90.0, MMVU 82.1 दर्ज हुए
    • MMMU-Pro बिना tools 81.6 और tools के साथ 83.4 है
    • MathVision 94.3 से Python इस्तेमाल करने पर 97.8 तक बढ़ता है
    • ZeroBench pass@5 tools के साथ 23.0 से 41.0 तक बढ़ता है

Evaluation conditions और comparison limits

  • Comparison models में Claude Fable 5, GPT-5.6 Sol, Claude Opus 4.8, GPT-5.5, GLM-5.2 शामिल हैं, लेकिन evaluation harness हर model के लिए अलग हो सकता है
    • Kimi K3 मुख्य रूप से Kimi Code या Claude Code इस्तेमाल करता है
    • GPT series मुख्य रूप से Codex, और अन्य Claude·GLM models Claude Code या Terminus 2 आदि इस्तेमाल करते हैं
  • SWE-Marathon को final v1.1 से पहले, 9 जुलाई 2026 तक के tasks को H20 के लिए adjusted branch पर evaluate किया गया
    • Docker images, GPU performance baselines और reference oracle को H20 के लिए re-calibrate किया गया, लेकिन accuracy और anti-cheating validators नहीं बदले गए
    • Claude Fable 5 में 35% tasks पर fallback हुआ, जिससे measured performance पर नकारात्मक असर पड़ा हो सकता है
  • PostTrainBench official environment के H100 के बजाय H20 GPU पर maximum reasoning effort के साथ चलाए गए 3 results का average है
  • Kimi Code Bench 2.0 में cybersecurity और safety tasks शामिल हैं
    • Claude Fable 5 में 80 tasks में से 13 fallback और 1 refusal हुआ
    • GPT-5.6 Sol ने 10 और GPT-5.5 ने 3 tasks refuse किए
  • BrowseComp 91.2 वह result है जिसमें 300K tokens पर काम करने वाली context compression strategy इस्तेमाल की गई
    • अलग context management के बिना पूरे 1M-token window का उपयोग करने पर 90.4 दर्ज हुआ
  • Multimodal evaluation में ZeroBench को छोड़कर 3-run average इस्तेमाल किया गया
    • ZeroBench को official settings के अनुसार 5 बार चलाया गया
    • PerceptionBench atomic visual perception ability मापने वाला internal benchmark है

Native quantization

  • SFT stage से ही quantization-aware training लागू की गई
  • Weights के लिए MXFP4 और activations के लिए MXFP8 इस्तेमाल कर व्यापक hardware compatibility लक्ष्य बनाया गया

Deployment और चलाने का तरीका

  • kimi-k3 चुनकर Kimi API access किया जा सकता है, और यह OpenAI·Anthropic-compatible API देता है
  • Hugging Face Transformers में इसे pipeline("image-text-to-text", ...) या AutoModel.from_pretrained(...) से load किया जा सकता है
    • custom model code इस्तेमाल करने के लिए trust_remote_code=True जरूरी है
  • Local serving vLLM और SGLang को support करती है
    • दोनों engines OpenAI-compatible /v1/chat/completions endpoint पर text और image requests handle कर सकते हैं
  • Docker Model Runner में इसे docker model run hf.co/moonshotai/Kimi-K3 से चलाएं
  • Model HuggingChat, Google Colab और Kaggle पर भी इस्तेमाल किया जा सकता है

API usage में reasoning state को preserve करना

  • Kimi K3 में thinking mode हमेशा active रहता है और यह reasoning_content लौटाता है
  • top-level request field reasoning_effort "low", "high", "max" support करता है, और default "max" है
  • multi-turn conversations और tool calls को preserved thinking history approach के अनुरूप होना चाहिए
    • API द्वारा लौटाया गया assistant message messages में जस का तस वापस pass करना होगा
    • सिर्फ content ही नहीं, reasoning_content और tool_calls भी शामिल करने होंगे
  • Vision input, structured output, partial mode, tool selection, dynamic tool loading और context caching के लिए Kimi K3 Quickstart और Thinking Effort देखें

License

  • Code repository और model weights दोनों Kimi K3 License के तहत जारी हैं

संबंधित पढ़ाई

2 टिप्पणियां

 
treestae 1 시간 전

अच्छा होगा अगर देश में इसे उपलब्ध कराने वाली कोई कंपनी आ जाए।
 
GN⁺ 3 시간 전
Hacker News की राय

  • 3 ट्रिलियन parameter model की third-party मध्यवर्ती कीमत तय हो जाए, तो वास्तविक serving cost और यह अंदाज़ा लगाया जा सकेगा कि labs API tokens को subsidize कर रही हैं या नहीं
    MXFP4 native होने से लगभग 1.5TB VRAM चाहिए, जो 8×B200 की सीमा के आसपास है; context length और throughput optimization तक सोचें तो व्यावहारिक रूप से 16 cards की जरूरत लगती है
    Cybersecurity AISI benchmark में यह GLM 5.2 से ऊपर है, लेकिन state-of-the-art closed models से बड़ा gap है, इसलिए fine-tuning की जरूरत पड़ सकती है। यह भी उत्सुकता है कि Cursor इसे Kimi 2.6/2.7 fine-tuned Composer series और Grok 4.5 से सीधे compare कराने के लिए फिर से train करेगा या नहीं
    पूरी probability distribution सीखने वाली ठीक-ठाक knowledge distillation से छोटे models बनने की संभावना भी उम्मीद जगाती है। खासकर serving cost कम होने वाला DSV4-Kimi promising लगता है

    • GPU के बिना केवल 1.5~3TB RAM वाले dual/quad-socket Xeon servers पर मिलने वाली slow inference performance कैसी होगी, यह जानना दिलचस्प होगा। अगर 4~6 घंटे के लंबे tasks हों, तो 5~6 tokens per second भी उपयोग के हिसाब से काम आ सकते हैं
      used 4U server और 64GB ECC DIMM के 32 sticks से 3TB RAM बनाएं तो लागत 30,000 डॉलर से कम है, इसलिए वास्तविक GPU rigs से कीमत में बड़ा अंतर है। अभी full-precision weights या Unsloth के Q8/Q8-XL quantized versions नहीं हैं, लेकिन भरपूर context भी इस्तेमाल करना हो तो 1,536GB से आगे 2TB, और संभव हो तो 2.5~3TB चाहिए लगता है
      Q4 और Q6 knowledge और precision खोते हुए भी धीमे और भरोसेमंद न रहने वाले सबसे खराब compromise बन सकते हैं, इसलिए low-budget hardware पर smart लेकिन slow model चलाना हो तो Q8 जरूरी लगता है
    • मौजूदा fine-tuning आम तौर पर bnb 4-bit based model पर LoRA लगाकर होती है, लेकिन अब base format को GGUF में बदलने का समय लगता है। GGUF नए model architectures और अधिक aggressive quantization को सक्रिय रूप से support करता है
      https://github.com/woct0rdho/transformers5-qwen3.5-recipe पर proof of concept बनाया है; CPU offloading के बिना Qwen3.5-35B-A3B को 16GiB VRAM में, और DeepSeek-V4-Flash 284B-A13B को 90GiB VRAM में fine-tune किया जा सकता है। Strix Halo जैसे unified memory systems पर भी यह अच्छा चलता है
      फिर भी Kimi-K3 स्तर के model के लिए कई GPUs और nodes चाहिए होंगे, इसलिए single-GPU training की तुलना में हल करने को बहुत ज्यादा चीजें हैं
    • Anthropic और OpenAI के पास ऐसी optimization innovations हैं जो चीनी labs के पास नहीं हैं, इसलिए यह कीमत cost की upper bound तो दिखाती है, lower bound नहीं
    • MXFP4 native model होने से hardware angle भी रोचक है। यह 8×AMD MI355X node में आराम से fit हो जाता है, इसलिए token price और घटाने की संभावना है
    • training cost पता न हो तो ऐसे model को serve करने की केवल marginal cost का अनुमान लगाया जा सकता है; lab API tokens को subsidize कर रही है या नहीं, यह नहीं पता चलता। closed models का वास्तविक size भी नहीं जानते, और Fable 10 ट्रिलियन है या 1 ट्रिलियन parameters का, यह भी नहीं पता

  • इस release में कीमत से कहीं ज्यादा दिलचस्प हिस्सा customization है। startups भी weights download करके बदल और fine-tune कर सकती हैं, और असली फायदा cost से ज्यादा अपने data पर performance और intellectual property sovereignty में है। Kimi team की बड़ी उपलब्धि है

  • लगता है कि individuals के LLM चलाने के लिए hardware use case के हिसाब से ठीक से configured नहीं है। या तो unified memory में 5~10 tokens per second से काम चलाना पड़ता है, या सैकड़ों GB VRAM और 1kW से ज्यादा खपत वाले datacenter cards तक जाना पड़ता है
    TDP 180~250W में 128GB या 256GB VRAM वाला prosumer GPU नहीं है; ऐसी दो cards और common NVLink-level connection भी हो तो काफी उपयोगी होगा। Kimi K3 को local चलाने के लिए बहुत बड़ा homelab और खर्च चाहिए होगा, लेकिन GLM 5.2 को single session में करीब 100 tokens per second, और कई sub-agents इस्तेमाल करने पर करीब 60 tokens per second पर चला पाना अच्छा होगा

    • जिस Q8 large model की जरूरत है, वह maximum 128GB RAM वाले 3,995 डॉलर system में नहीं आएगा, और practical context space भी नहीं बचेगा। Qwen 3.5 122B Q8, DeepSeek V4 Flash Q8, Laguna S 2.1 Q8 को पूरे context सहित 170~190GB RAM चाहिए, इसलिए वे GPU-less 256GB dual-socket workstation या server में fit हो जाते हैं
      latest llama-server को --no-mmap के साथ चलाने पर measurements DeepSeek-V4-Flash Q4_K_XL 178,175MiB, Q8_K_XL 184,636MiB, Laguna-S-2.1 Q8_K_X 172,860MiB, Qwen3.5-122B-A10B Q8_K_XL 170,038MiB अनुमानित हैं
    • single-user LLM inference normal consumer hardware के लिए खास तौर पर fit नहीं है। load intermittent होता है, लेकिन weights हमेशा memory में रहने चाहिए; इसलिए weights को resident रखने वाला multi-user server, जिसमें केवल per-user KV cache जुड़ता है, कहीं ज्यादा efficient है और महंगे GPU cores भी ज्यादातर समय idle नहीं रहते
      इसके उलट desktop workload भी intermittent होता है, लेकिन required compute performance इतनी सस्ती हो गई है कि idle state में overkill hardware भी desk पर रखा जा सकता है
    • cryptocurrency boom के बाद GPU makers ने price discrimination के लिए VRAM से market segment करना शुरू किया। Nvidia ने consumer cards की memory छोटी सीमित रखी ताकि cloud operators उन्हें bulk में न उठा लें, और मूल रूप से समान hardware को PC और datacenter markets में बहुत अलग prices पर बेचकर दोनों तरफ का profit ले सका
    • models के लगातार बड़े होते जाने से लगता है कि हम PC revolution की उलटी दिशा में जा रहे हैं। frontier labs सिर्फ closed models देते हैं और gpt-oss जैसे कुछ exceptions छोड़कर open models चलाना कठिन बनाते हैं, फिर भी democratization की बात करते हैं—यह खास तौर पर अनुचित लगता है
    • ऐसे LLM को घर पर चलाना design-level breakthrough के बिना practical होना मुश्किल है। reasonable execution method केवल shared hardware पर बड़े batches में process करना है
      अगर कुछ हजार डॉलर का GPU खरीद सकता हूं, तो affluent tech enthusiast के रूप में खरीदूंगा, लेकिन मानना होगा कि यह sports car जैसी बेहद inefficient luxury है। असली दुर्भाग्य यह है कि trusted तरीके से shared hardware चलाने के लिए हमारे पास computing technology या political/social institutions नहीं हैं

  • लाइसेंस के अनुसार, अगर लाइसेंस धारक या उसकी affiliate कंपनियां model-as-a-service business चलाती हैं और लगातार 12 महीनों का कुल revenue 20 मिलियन डॉलर से अधिक हो जाता है, तो software या derivatives का व्यावसायिक उपयोग करने से पहले Moonshot AI के साथ अलग agreement करना होगा

    • यह शुरुआती Llama models में Meta द्वारा अपनाए गए तरीके जैसा लगता है। साथ ही, अगर software या derivatives का उपयोग ऐसे commercial product/service में किया जाता है जिसके monthly active users 100 मिलियन या monthly revenue 20 मिलियन डॉलर से अधिक है, तो user interface में Kimi K3 को साफ़ तौर पर दिखाना होगा—यह clause भी smart marketing है

  • https://app.fireworks.ai/models/fireworks/kimi-k3 पर उपलब्ध है, और pricing uncached input के लिए 3 डॉलर प्रति 1 मिलियन tokens, cached input के लिए 0.30 डॉलर, और output के लिए 15 डॉलर है

    • Fireworks का Kimi priority plan भी OpenRouter पर 3.75 डॉलर प्रति 1 मिलियन tokens में उपलब्ध है: https://openrouter.ai/moonshotai/kimi-k3#providers
      फिलहाल इसकी latency Moonshot की तुलना में काफी कम है, लेकिन usage भी बहुत कम है, इसलिए यह बना रहेगा या नहीं—देखना होगा। फिर भी same-day deployment प्रभावशाली है
    • Claude Opus 5 में uncached input 5 डॉलर, cached input 0.50 डॉलर, output 25 डॉलर है, और cache write पर 5 मिनट के लिए 25% व 1 घंटे के लिए 100% अतिरिक्त लागत भी लगती है
    • Fireworks के launch के कुछ ही घंटों में हम इसे अपने platform users को उपलब्ध करा सके। हालांकि उसने on-demand Flux model बंद कर दिया है, इसलिए अब image generation कहां करना है—यह अफ़सोस की बात है
    • Together.ai पर भी वही selling price उपलब्ध है, और Fireworks व Together को सबसे पहले check किया था

  • प्रतिस्पर्धा के कारण GLM 5.2 pricing 16 जून को launch होने के लगभग 1.5 महीने बाद करीब 45% घट गई, और अभी भी नए providers price competition कर रहे हैं: https://openrouter.ai/z-ai/glm-5.2#providers
    अर्थशास्त्र के हिसाब से price total cost से कम नहीं होनी चाहिए ऐसा नहीं है; वह marginal cost से कम नहीं होनी चाहिए। और किसी data center में GPU utilization कम हो तो यह मोटे तौर पर electricity cost के बराबर होता है। छोटे data centers में excess capacity और competition के कारण, जल्द ही कुछ provider tokens को electricity cost और GPU depreciation के संयुक्त स्तर से भी कम पर बेच सकते हैं—ऐसा अनुमान है

    • हो सकता है model यह हो कि tokens सस्ते बेचकर users का token data कहीं और resell किया जाए
    • 45% गिरावट का आंकड़ा संदिग्ध है। OpenRouter के सस्ते providers official Z.ai के FP8 के विपरीत FP4 इस्तेमाल करते हैं। Novita जैसे सस्ते FP8 providers भी हैं, लेकिन UI में यह temporary discount जैसा दिखता है और normal price official Z.ai के लगभग बराबर है
    • SemiAnalysis लगभग 2 trillion parameter model की लागत 1 डॉलर प्रति 1 मिलियन tokens से कम आंकता है। यह throughput और quantization पर निर्भर करता है, लेकिन अगर बड़े providers की cost पर्याप्त कम है, तो GLM 5.2 की मौजूदा lowest price 2.42 डॉलर पर भी बड़ा profit रह सकता है

  • Hugging Face पर “Tell me about yourself” पूछने पर Kimi K3 ने खुद को Anthropic द्वारा बनाया गया Claude बताया, जो दिलचस्प था

    • उसी सवाल पर उसने “Moonshot AI द्वारा विकसित Kimi” जैसा सामान्य जवाब भी दिया
    • ऐसे जवाबों का खास मतलब नहीं होता। Opus से Chinese में यही सवाल पूछें तो वह खुद को DeepSeek भी बता सकता है, क्योंकि training data मिला-जुला होता है और model hallucinate करता है
    • यह हैरानी की बात नहीं है। knowledge distillation आम है और सभी labs इसे जानबूझकर या अनजाने में इस्तेमाल करते हैं। ChatGPT के बाद के training corpora में हमेशा AI-generated content शामिल होता है

  • frontier models को preservation के लिए download करके रखने की सलाह है। 1.5TB भी सस्ते disk में रखकर torrent seed करें तो अधिक उपयोगी होगा
    जैसे पहले encryption algorithms को control करने की कोशिश हुई थी, वैसे models भी regulation से बंद किए जा सकते हैं; और public software तभी बचता है जब वह व्यापक रूप से distributed हो। समय के साथ techniques और hardware manufacturing में भारी investment के कारण practical execution संभव हो जाएगा, लेकिन अगर तब distribution illegal हो जाए और regulatory capture की लागत चुकानी पड़े, तो यह अफ़सोस की बात होगी

    • torrent file https://terminalbytes.com/kimi-k3-torrent/Kimi-K3.torrent पर है
      magnet address magnet:?xt=urn:btih:1e63a865fbf9b58decc8b71091db54d673c5da6f&dn=Kimi-K3&tr=udp%3A%2F%2Ftracker.opentrackr.org%3A1337%2Fannounce&tr=udp%3A%2F%2Ftracker.openbittorrent.com%3A6969%2Fannounce&tr=udp%3A%2F%2Fopen.stealth.si%3A80%2Fannounce&tr=udp%3A%2F%2Fexplodie.org%3A6969%2Fannounce&tr=udp%3A%2F%2Ftracker.torrent.eu.org%3A451%2Fannounce&tr=udp%3A%2F%2Fexodus.desync.com%3A6969%2Fannounce है
    • authorities आखिरकार ऐसे models चलाने के लिए hardware खरीद को ही restrict करेंगी
    • अब सस्ते disks भी नहीं रहे, और अस्पष्ट regulatory concerns के कारण सैकड़ों डॉलर खर्च करने का मन नहीं है

  • license की समीक्षा और actual hardware पर testing के बाद, providers के लिए Moonshot pricing से 60–70% सस्ता देना मुश्किल लगता है। थोड़ा कम किया जा सकता है, लेकिन processing speed को काफी sacrifice किए बिना GLM जैसे discounts मुश्किल लगते हैं
    Kimi के margins, यह मानते हुए भी कि GPU महंगे rental rates पर लिए गए हैं, करीब 40–50% अनुमानित हैं; अगर खुद का equipment हो तो और ज्यादा हो सकते हैं। लेकिन यह कुछ लोगों द्वारा अनुमानित Anthropic के 90%+ margins तक नहीं पहुंचता, और Anthropic API margin 80% भी संदिग्ध लगता है
    अगर electricity ही एकमात्र cost हो तो 80–90% भी संभव होगा, लेकिन अभी उपलब्ध tokens per second को देखते हुए यह आसान नहीं है। केवल B200 पर test किया है, B300 नहीं मिल पाया; और यह पहले से quantized model है तथा 1 million token context भी इस्तेमाल नहीं कर रहा, इसलिए immediate memory optimization की गुंजाइश भी कम दिखती है। अच्छा होगा अगर R100 access वाला कोई व्यक्ति cost verify कर दे
    बड़े providers को Kimi के साथ contract करना होगा, इसलिए जब तक Kimi top-tier open model है, बड़े discount की उम्मीद करना मुश्किल है

  • मूल लिंक 404 लौटा रहा है, इसलिए सोच रहा हूँ कि क्या इसे ब्लॉक किया गया है या self-censor किया गया है

    • कुछ मिनट पहले तक weights रिलीज़ का countdown page था और खत्म होने में 19 मिनट बचे थे, लेकिन अचानक 404 आने लगा
    • संभव है कि यह transition process में कोई technical issue हो। भले ही इसे लगभग कोई चला न पाए, अगर बहुत सारे users कई TB वाला model डाउनलोड करें तो Hugging Face पर क्या होगा, यह भी दिलचस्प होगा
      सरकारी नियंत्रण की वजह से अचानक गायब होने की संभावना को देखते हुए इसे archive करने की demand हो सकती है। चीन ने भी हाल में model export controls पर चर्चा शुरू की है, और अब जब वह पीछे रह गए models नहीं बल्कि cutting-edge models जारी करने लगा है, तो स्थिति अलग हो गई है
    • यह conspiracy theory जैसा लग सकता है, लेकिन अमेरिका या चीन के लिए अपना प्रभाव दिखाने का अच्छा मौका है, और अमेरिका की संभावना ज्यादा लगती है