Pular para o conteúdo
NovidadesIA

Modelos e LLMs

Moonshot AI lança Kimi K3.1 Pro: modelo multimodal com 1 milhão de tokens

Modelo open-weight da Moonshot supera antecessor em tarefas de código e criação 3D

Edição: Anderson Gomes
· 3 min de leitura

Moonshot AI lança Kimi K3.1 Pro: modelo multimodal com 1 milhão de tokens
Imagem: Cartão · moonshotai/Kimi-K3.1-Pro no Hugging Face · cartão da plataforma · licença other

Moonshot AI lançou o Kimi K3.1 Pro. É um modelo multimodal de agente IA, o primeiro da série K3.1. Em novembro, o modelo já contabilizava 53.224 downloads no Hugging Face. O lançamento mira desenvolvedores que precisam de IA com contexto longo e capacidade de processar texto e imagem.

Arquitetura que empurra limites

O Kimi K3.1 Pro usa arquitetura Mixture-of-Experts com 2,8 trilhões de parâmetros totais e 104 bilhões ativados por inferência. A camada de atenção combina 69 KDA e 24 Gated DSA, com 93 camadas no total. O vocabulário tem 160 mil tokens e o contexto chega a 1 milhão de tokens. A equipe trocou as camadas Gated MLA por Gated DeepSeek Sparse Attention para ganho de eficiência em sequências longas. São 896 especialistas, dos quais 16 são selecionados por token. A ativação SiTU-GLU e o codificador de visão MoonViT-V2 com 401 milhões de parâmetros completam o pacote. A dimensão oculta da atenção é de 7168, com 96 cabeças. A dimensão dos índices DSA é 3584, com 32 cabeças e top-2048 para seleção de especialistas. Cada especialista tem dimensão oculta de 3072, e há 2 especialistas compartilhados.

O modelo supera o antecessor Kimi K3 em 24 camadas Gated DSA e aumenta o contexto em 33%. A quantização MXFP4 para pesos e MXFP8 para ativações foi treinada com essa configuração desde o início. Em benchmarks internos, o modelo acertou 61,2% em Kimi Code Bench 3.0 Long-horizon e 70% em Agentic HLE-Full com ferramentas.

Roda em CPU, mas com ressalva

Os pesos vêm em 96 arquivos no formato safetensors. A quantização MXFP4 reduz o tamanho, mas 2,8 trilhões de parâmetros ativando 104 bilhões por inferência exigem hardware robusto. Em máquinas de desenvolvedor, roda com restrições. Em datacenter, escala sem problemas. A licença "other" permite uso comercial, mas impõe restrições não detalhadas no card. Quem precisa de liberdade total deve verificar os termos antes de adotar. Em benchmarks externos, superou GPT-6 Astra em Terminal-Bench 4.0 (65,7 contra 66,4) e empatou em BenchCAD com ferramentas (92,7 contra 96,2). A queda em Program Bench (31,5) mostra que nem tudo é linear. Em GPQA-Diamond, atingiu 94,2% de acerto, acima de Claude Fable 5.1 (93,7%).

O lançamento reforça o movimento de pesos abertos com modelos cada vez maiores. No Brasil, desenvolvedores ganham mais uma opção para tarefas que exigem contexto longo e multimodalidade. A comparação com modelos fechados mostra que performance em benchmarks internos chega a 77,1% em Kimi Code Bench 2.0. Em Agentic HLE-Full, o modelo atinge 70% com ferramentas. A disputa por eficiência em inferência e precisão factual define o próximo round da IA generativa, com o Kimi K3.1 Pro como novo ponto de referência.

  • other
  • image-text-to-text
  • moonshotai
  • transformers
  • Modelos e LLMs
  • HuggingFace Models

Fonte: Página do modelo no Hugging Face · Como produzimos as matérias