Les deux versions sont alignées bloc par bloc, dans l’ordre du texte : titre, l’essentiel, puis paragraphe par paragraphe. Quand la traduction a fusionné ou scindé un paragraphe, la case correspondante reste vide — on ne rapproche jamais deux passages au jugé.
On Hugging Face and GitHub, Xiaohongshu has put a large piece of its technical foundation in public view. Its dots3-note preview is a mixture-of-experts model with 280 billion total parameters, 16 billion activated parameters and a 512K context window. It understands text, vision and voice, and is being released overseas under the Apache 2.0 license.
Sur Hugging Face et GitHub, Xiaohongshu a rendu publique une importante composante de sa base technique. Son dots3-note preview est un modèle à mélange d’experts doté de 280 milliards de paramètres au total, dont 16 milliards activés, et d’une fenêtre de contexte de 512K. Il comprend le texte, l’image et la voix, et est publié à l’international sous licence Apache 2.0.
The release is more than a standalone model drop for a platform with over 300 million monthly users. Xiaohongshu’s core product depends on search, recommendations and content creation, while its users ask for help with restaurants, trips and everyday choices. The company’s own framing, as reported by Pandaily, is that a model can become the machine tool beneath those capabilities rather than merely another feature on top.
Cette publication va au-delà de la simple mise à disposition d’un modèle pour une plateforme qui compte plus de 300 millions d’utilisateurs mensuels. Le produit central de Xiaohongshu repose sur la recherche, les recommandations et la création de contenus, tandis que ses utilisateurs demandent de l’aide pour choisir des restaurants, préparer des voyages ou prendre des décisions du quotidien. Selon la présentation de l’entreprise rapportée par Pandaily, un modèle peut devenir l’outil sous-jacent de ces capacités plutôt qu’une simple fonctionnalité supplémentaire.
Early evaluations point to a mixed but usable picture. The model is reported to perform competitively on reasoning, agent and multimodal tasks, beating some larger models on ARC-AGI-3 and personal-assistant tasks. It still lags frontier models in terminal operation and complex programming, so the preview is not presented as a universal replacement. The dots3 series also includes earlier work that received a full score at IMO 2026, with versions called jazz and aria still to come.
Les premières évaluations dressent un tableau contrasté, mais exploitable. Le modèle afficherait des performances compétitives en raisonnement, dans les tâches d’agent et les tâches multimodales, dépassant certains modèles plus grands sur ARC-AGI-3 et les tâches d’assistant personnel. Il reste derrière les modèles de pointe dans l’utilisation du terminal et la programmation complexe ; l’aperçu n’est donc pas présenté comme un remplacement universel. La série dots3 comprend également des travaux antérieurs ayant obtenu la note maximale à l’IMO 2026, tandis que des versions appelées jazz et aria doivent encore arriver.
What changes in practice? For Xiaohongshu, a capable in-house model could make search and recommendation more closely reflect the platform’s own content and the changing context behind a user’s request. It could also reduce reliance on external model suppliers as AI moves into the product’s core chain. That remains a possibility, not a demonstrated deployment: the model’s results still need to translate into affordable, stable calls inside real services.
Qu’est-ce que cela change en pratique ? Pour Xiaohongshu, un modèle interne performant pourrait permettre à la recherche et aux recommandations de mieux refléter les contenus propres à la plateforme ainsi que le contexte évolutif d’une demande. Il pourrait également réduire la dépendance à l’égard de fournisseurs de modèles externes, à mesure que l’IA s’intègre à la chaîne de produits centrale. Cela reste une possibilité et non un déploiement démontré : les résultats du modèle doivent encore se traduire par des appels abordables et stables au sein de services réels.
Open sourcing gives the preview a way to gather testing, feedback and ecosystem support. Huawei Ascend’s day-zero adaptation shows how quickly that ecosystem can respond, while two included evaluations focus on multi-turn search and cross-stage task execution. The model is therefore both a technical release and a signal that Xiaohongshu wants to build underlying AI capability, not only consume it.
La mise en open source donne à l’aperçu un moyen de recueillir des tests, des retours et le soutien d’un écosystème. L’adaptation de Huawei Ascend dès le jour de la sortie montre la rapidité avec laquelle cet écosystème peut réagir, tandis que deux évaluations incluses portent sur la recherche en plusieurs tours et l’exécution de tâches en plusieurs étapes. Le modèle constitue donc à la fois une publication technique et le signal que Xiaohongshu veut développer des capacités d’IA sous-jacentes, et pas seulement en consommer.