> ## Content Index
> Fetch the complete content index at: https://globalfeed.ai/llms.txt
> Use this file to discover other available public pages before exploring further.

# Applied Compute, Kimi K3'ün tam eğitimini açtı: replika başına GPU ihtiyacı yüzde 40 düştü
- URL: https://globalfeed.ai/applied-compute-kimi-k3un-tam-egitimini-acti-replika-basina-gpu-ihtiyaci-yuzde-40-dustu/
- Published: 2026-08-29T05:55:39.000Z
- Updated: 2026-08-30T15:27:07.000Z
- Description: 3 trilyon parametrelik açık ağırlıklı Kimi K3'ün ince ayarı AC2'de: özel aktivasyon operatörleri GPU başına ~90 GB bellek kurtarıyor, MXFP4 çıkarımı 4 yerine 2 düğümle dönüyor.
- Author: GlobalFeed Editor
- Tags: Applied Compute, kimi, açık kaynak, model eğitimi, dil-tr, elle

Applied Compute, Moonshot'ın 3 trilyon parametrelik açık ağırlıklı modeli Kimi K3'ün tam ince ayar eğitimini kendi ajan bulutu AC2'de açtı ve arkasındaki mühendislik raporunu yayımladı. Şirketin bellek iyileştirmeleri, eğitim replikası başına gereken GPU sayısını yaklaşık yüzde 40 azaltıyor; açık modellerin sınır ölçeğinde eğitimi için önemli bir maliyet eşiği.

Rapora göre kazanımın büyük kısmı üç yerden geliyor. SiTU-GLU aktivasyonları için yazılan özel operatörler, ara tensörleri saklamak yerine geri yayılımda yeniden hesaplayarak GPU başına yaklaşık 90 GB yüksek bant genişlikli bellek kurtarıyor; bu, toplam GPU belleğinin üçte birine denk. Adam güncellemelerinin parça parça akıtılması, ana bilgisayar belleğinde parametre başına 12 bayttan 4 bayt tıraşlıyor. Çıkarım tarafında MXFP4 düşük hassasiyetli rollout motorları, bf16'nın 4 düğümüne karşılık 2 B300 düğümüyle yetiniyor; ölçülen KL sapması bf16'nın kendi eğitim-çıkarım farkıyla karşılaştırılabilir düzeyde, çünkü aktif parametrelerin yalnızca yüzde 47'si (104 milyarın 49 milyarı) düşük hassasiyete iniyor.

Raporda daha az göz önünde duran işler de var: çevrimiçi ağırlık aktarımında Block Attention Residuals önbelleğinin rollout'ları bozduğu görülmüş ve her güncellemede yeniden hesaplanır olmuş; 28 terabaytlık kontrol noktası yazımı, Linux sayfa önbelleğini O\_DIRECT ile atlayınca Weka'da 2,2, NFS'te 4,4 kat hızlanmış.

Şirket sonucu somut bir örnekle veriyor: 50 eğitim adımı ve tek günde, kodlama ajanı 300 milyar parametrelik daha küçük bir modelin günler süren eğitimle ulaştığı başarıma erişmiş. İyileştirmelerin Kimi K3'e özgü olmadığı, platformdaki diğer modellere de taşındığı belirtiliyor.

Kaynak: [Applied Compute raporu](https://www.appliedcompute.com/research/frontier-scale-rl-with-kimi-k3?ref=globalfeed.ai)