{"id":1571,"date":"2026-07-17T00:45:41","date_gmt":"2026-07-17T00:45:41","guid":{"rendered":"https:\/\/convly.ai\/?p=1571"},"modified":"2026-07-17T00:45:41","modified_gmt":"2026-07-17T00:45:41","slug":"kimi-k3-explained-2026","status":"publish","type":"post","link":"https:\/\/convly.ai\/pt\/kimi-k3-explained-2026\/","title":{"rendered":"Explica\u00e7\u00e3o da Kimi K3: o modelo aberto de 2,8 trilh\u00f5es de par\u00e2metros da Moonshot que supera o Opus 4.8"},"content":{"rendered":"<p>A Moonshot AI lan\u00e7ou o Kimi K3 em 16 de julho de 2026, e o dado principal \u00e9 dif\u00edcil de ignorar: 2,8 trilh\u00f5es de par\u00e2metros, o que a empresa afirma torn\u00e1-lo o maior modelo de c\u00f3digo aberto j\u00e1 lan\u00e7ado. Os pesos ainda n\u00e3o s\u00e3o p\u00fablicos \u2014 est\u00e3o programados para serem disponibilizados em 27 de julho \u2014, mas o modelo j\u00e1 est\u00e1 ativo nos aplicativos Kimi, no Kimi Code e na OpenRouter. Os resultados dos testes s\u00e3o, de fato, o verdadeiro destaque.<\/p>\n<p>No \u00cdndice de Intelig\u00eancia da Artificial Analysis, o K3 obt\u00e9m <strong>57<\/strong>. That puts it above Claude Opus 4.8 (56) and behind only GPT-5.6 Sol (59) and Claude Fable 5 (60) \u2014 the first time an open-weight model has been measured inside the frontier group rather than a tier below it. The twist is the price tag. K3 lists at $3.00 per million input tokens and $15.00 per million output, roughly three times what Kimi K2.6 charged. The era of frontier Chinese models at rock-bottom prices looks like it is ending. Here is what is real, what is vendor-reported, and where K3 actually fits.<\/p>\n<div class=\"convly-tldr\">\n<h3>Principais conclus\u00f5es<\/h3>\n<ul>\n<li><strong>2,8 trilh\u00f5es de par\u00e2metros, com 16 de 896 especialistas ativos.<\/strong> Uma arquitetura esparsa do tipo Mixture-of-Experts baseada no framework &#8220;Stable LatentMoE&#8221; da Moonshot \u2014 o maior modelo aberto anunciado at\u00e9 hoje.<\/li>\n<li><strong>57 no \u00cdndice de Intelig\u00eancia da AA<\/strong> \u2014 above Claude Opus 4.8 (56), below GPT-5.6 Sol (59) and Claude Fable 5 (60). The strongest open-weight score yet recorded.<\/li>\n<li><strong>Janela de contexto de 1 milh\u00e3o, vis\u00e3o nativa e racioc\u00ednio sempre ativado.<\/strong> O esfor\u00e7o m\u00e1ximo de racioc\u00ednio \u00e9 o padr\u00e3o; modos de baixo e alto esfor\u00e7o ser\u00e3o oferecidos em atualiza\u00e7\u00f5es futuras.<\/li>\n<li><strong>Duas novas pe\u00e7as arquiteturais:<\/strong> Aten\u00e7\u00e3o Delta Kimi (at\u00e9 6,3\u00d7 mais r\u00e1pida na decodifica\u00e7\u00e3o em contextos de um milh\u00e3o de tokens) e Res\u00edduos de Aten\u00e7\u00e3o (aproximadamente 25% maior efici\u00eancia no treinamento com custo adicional inferior a 2%).<\/li>\n<li><strong>J\u00e1 n\u00e3o \u00e9 mais barato.<\/strong> US$ 3,00 por entrada \/ US$ 15,00 por sa\u00edda por 1 milh\u00e3o de tokens (US$ 0,30 em acertos de cache) \u2014 cerca de tr\u00eas vezes o valor de US$ 0,95\/US$ 4,00 do K2.6 e exatamente igual ao pre\u00e7o listado do Claude Sonnet 5.<\/li>\n<li><strong>Pesos dispon\u00edveis a partir de 27 de julho de 2026.<\/strong> At\u00e9 l\u00e1, o modelo estar\u00e1 dispon\u00edvel apenas por meio de API \u2014 e, com aproximadamente 1,4 TB em precis\u00e3o de 4 bits, o termo \"aberto\" n\u00e3o significar\u00e1 \"execut\u00e1vel\" para quase ningu\u00e9m.<\/li>\n<\/ul>\n<\/div>\n<div id=\"ez-toc-container\" class=\"ez-toc-v2_0_84 counter-flat ez-toc-counter ez-toc-container-direction\">\n<label for=\"ez-toc-cssicon-toggle-item-6a5a5c1669623\" class=\"ez-toc-cssicon-toggle-label\"><span class=\"\"><span class=\"eztoc-hide\" style=\"display:none;\">Alternar<\/span><span class=\"ez-toc-icon-toggle-span\"><svg style=\"fill: #000000;color:#000000\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\" class=\"list-377408\" width=\"20px\" height=\"20px\" viewbox=\"0 0 24 24\" fill=\"none\"><path d=\"M6 6H4v2h2V6zm14 0H8v2h12V6zM4 11h2v2H4v-2zm16 0H8v2h12v-2zM4 16h2v2H4v-2zm16 0H8v2h12v-2z\" fill=\"currentColor\"><\/path><\/svg><svg style=\"fill: #000000;color:#000000\" class=\"arrow-unsorted-368013\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\" width=\"10px\" height=\"10px\" viewbox=\"0 0 24 24\" version=\"1.2\" baseprofile=\"tiny\"><path d=\"M18.2 9.3l-6.2-6.3-6.2 6.3c-.2.2-.3.4-.3.7s.1.5.3.7c.2.2.4.3.7.3h11c.3 0 .5-.1.7-.3.2-.2.3-.5.3-.7s-.1-.5-.3-.7zM5.8 14.7l6.2 6.3 6.2-6.3c.2-.2.3-.5.3-.7s-.1-.5-.3-.7c-.2-.2-.4-.3-.7-.3h-11c-.3 0-.5.1-.7.3-.2.2-.3.5-.3.7s.1.5.3.7z\"\/><\/svg><\/span><\/span><\/label><input type=\"checkbox\"  id=\"ez-toc-cssicon-toggle-item-6a5a5c1669623\"  aria-label=\"Alternar\" \/><nav><ul class='ez-toc-list ez-toc-list-level-1' ><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-1\" href=\"https:\/\/convly.ai\/pt\/kimi-k3-explained-2026\/#What_Kimi_K3_actually_is\" >O que realmente \u00e9 o Kimi K3<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-2\" href=\"https:\/\/convly.ai\/pt\/kimi-k3-explained-2026\/#The_architecture_how_you_train_28T_without_the_bill_exploding\" >A arquitetura: como treinar um modelo de 2,8 trilh\u00f5es de par\u00e2metros sem que os custos disparam<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-3\" href=\"https:\/\/convly.ai\/pt\/kimi-k3-explained-2026\/#Benchmarks_where_it_wins_where_it_doesnt\" >Benchmarks: onde ele se destaca e onde n\u00e3o se sai t\u00e3o bem<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-4\" href=\"https:\/\/convly.ai\/pt\/kimi-k3-explained-2026\/#The_price_story_the_cheap-Chinese-AI_era_is_ending\" >A hist\u00f3ria dos pre\u00e7os: a era da IA chinesa barata est\u00e1 chegando ao fim<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-5\" href=\"https:\/\/convly.ai\/pt\/kimi-k3-explained-2026\/#Intelligence_per_dollar_our_take\" >Intelig\u00eancia por d\u00f3lar: nossa an\u00e1lise<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-6\" href=\"https:\/\/convly.ai\/pt\/kimi-k3-explained-2026\/#%E2%80%9COpen_weights%E2%80%9D_does_not_mean_you_can_run_it\" >\"Pesos abertos\" n\u00e3o significa que voc\u00ea consiga execut\u00e1-lo<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-7\" href=\"https:\/\/convly.ai\/pt\/kimi-k3-explained-2026\/#Who_should_use_K3\" >Quem deve usar o K3<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-8\" href=\"https:\/\/convly.ai\/pt\/kimi-k3-explained-2026\/#FAQ\" >Perguntas frequentes<\/a><\/li><\/ul><\/nav><\/div>\n<h2><span class=\"ez-toc-section\" id=\"What_Kimi_K3_actually_is\"><\/span>O que realmente \u00e9 o Kimi K3<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>O K3 \u00e9 o modelo principal geral da Moonshot, n\u00e3o um especialista. Trata-se de uma mudan\u00e7a deliberada de dire\u00e7\u00e3o em rela\u00e7\u00e3o ao <a href=\"\/pt\/kimi-k2-7-code-explained-2026\/\">Kimi K2.7 Code<\/a>, que a empresa lan\u00e7ou separadamente, um m\u00eas antes, como vers\u00e3o exclusiva para programa\u00e7\u00e3o. O K3 foi projetado para realizar todas as tarefas: conversa\u00e7\u00e3o, processamento de documentos longos, vis\u00e3o computacional e \u2014 a parte que a Moonshot claramente prioriza \u2014 tarefas ag\u00eanticas de longo prazo, nas quais um modelo planeja, invoca ferramentas, l\u00ea os resultados e continua sua execu\u00e7\u00e3o.<\/p>\n<p>A escala \u00e9 o primeiro aspecto a ser compreendido, e a esparsidade \u00e9 o segundo. Dos 2,8 trilh\u00f5es de par\u00e2metros totais, apenas 16 dos 896 especialistas s\u00e3o ativados para cada token. \u00c9 isso que mant\u00e9m o custo e a lat\u00eancia de infer\u00eancia dentro de uma faixa vi\u00e1vel para uma API; um modelo denso de 2,8 trilh\u00f5es de par\u00e2metros seria economicamente invi\u00e1vel de executar. A troca envolve mem\u00f3ria: todos os 2,8 trilh\u00f5es de par\u00e2metros ainda precisam residir na VRAM, independentemente de serem ou n\u00e3o ativados.<\/p>\n<table class=\"convly-vs\">\n<thead>\n<tr>\n<th>Especifica\u00e7\u00f5es<\/th>\n<th>Kimi K3<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>Desenvolvedor<\/td>\n<td>Moonshot AI<\/td>\n<\/tr>\n<tr>\n<td>N\u00famero total de par\u00e2metros<\/td>\n<td>2,8 trilh\u00f5es (MoE)<\/td>\n<\/tr>\n<tr>\n<td>Ativos por token<\/td>\n<td>16 de 896 especialistas<\/td>\n<\/tr>\n<tr>\n<td>Janela de contexto<\/td>\n<td>1 milh\u00e3o de tokens<\/td>\n<\/tr>\n<tr>\n<td>Modalidade<\/td>\n<td>Texto e vis\u00e3o \u2192 texto<\/td>\n<\/tr>\n<tr>\n<td>Racioc\u00ednio<\/td>\n<td>Sempre ativo (esfor\u00e7o m\u00e1ximo por padr\u00e3o)<\/td>\n<\/tr>\n<tr>\n<td>Quantiza\u00e7\u00e3o<\/td>\n<td>Pesos MXFP4, ativa\u00e7\u00f5es MXFP8<\/td>\n<\/tr>\n<tr>\n<td>Pre\u00e7o da entrada<\/td>\n<td>US$ 3,00 \/ 1 milh\u00e3o (US$ 0,30 em acerto de cache)<\/td>\n<\/tr>\n<tr>\n<td>Pre\u00e7o da sa\u00edda<\/td>\n<td>US$ 15,00 \/ 1 milh\u00e3o<\/td>\n<\/tr>\n<tr>\n<td>Velocidade de sa\u00edda<\/td>\n<td>~62 tokens\/seg<\/td>\n<\/tr>\n<tr>\n<td>Lan\u00e7ado<\/td>\n<td>16 de julho de 2026<\/td>\n<\/tr>\n<tr>\n<td>Pesos abertos<\/td>\n<td>Programado para 27 de julho de 2026<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>As especifica\u00e7\u00f5es completas e os pre\u00e7os em tempo real est\u00e3o dispon\u00edveis na <a href=\"\/pt\/model\/kimi-k3\/\">ficha t\u00e9cnica do Kimi K3<\/a> em nosso <a href=\"\/pt\/models\/\">Banco de dados de modelos de IA<\/a>.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"The_architecture_how_you_train_28T_without_the_bill_exploding\"><\/span>A arquitetura: como treinar um modelo de 2,8 trilh\u00f5es de par\u00e2metros sem que os custos disparam<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Duas pesquisas pr\u00f3prias da Moonshot sustentam este lan\u00e7amento, ambas voltadas para o mesmo problema: escalar um transformador normalmente implica pagar mais por cada token adicional de contexto e por cada camada adicional de profundidade.<\/p>\n<p><strong>Aten\u00e7\u00e3o Delta Kimi (KDA)<\/strong> \u00e9 um mecanismo h\u00edbrido de aten\u00e7\u00e3o linear. O custo da aten\u00e7\u00e3o padr\u00e3o cresce quadraticamente com o comprimento da sequ\u00eancia \u2014 justamente por isso, contextos de um milh\u00e3o de tokens t\u00eam sido lentos e caros em todos os lugares onde foram implementados. A Moonshot relata que a KDA oferece at\u00e9 <strong>6,3\u00d7 mais rapidez na decodifica\u00e7\u00e3o<\/strong> em contextos de um milh\u00e3o de tokens \u2014 a diferen\u00e7a entre uma janela de 1 milh\u00e3o que existe apenas em uma ficha t\u00e9cnica e outra que voc\u00ea realmente usaria.<\/p>\n<p><strong>Res\u00edduos de Aten\u00e7\u00e3o (AttnRes)<\/strong> \u00e9 descrito como uma substitui\u00e7\u00e3o direta para conex\u00f5es residuais convencionais, melhorando o fluxo de sinal atrav\u00e9s das camadas de profundidade. A Moonshot relata aproximadamente <strong>25% maior efici\u00eancia no treinamento com custo adicional inferior a 2%<\/strong>. Juntamente com o framework Stable LatentMoE, o Gated MLA e uma nova fun\u00e7\u00e3o de ativa\u00e7\u00e3o (SiTU), a empresa afirma uma melhoria de cerca de <strong>2,5\u00d7 na efici\u00eancia geral de escalonamento em compara\u00e7\u00e3o com o Kimi K2<\/strong>.<\/p>\n<p>Esses n\u00fameros de efici\u00eancia s\u00e3o fornecidos pelo fabricante e ainda n\u00e3o foram reproduzidos de forma independente. Contudo, explicam a estrat\u00e9gia: n\u00e3o se chega aos 2,8 trilh\u00f5es simplesmente comprando mais GPUs do que o Google \u2014 restri\u00e7\u00f5es de exporta\u00e7\u00e3o tornam essa rota inacess\u00edvel a um laborat\u00f3rio chin\u00eas. Chega-se l\u00e1 tornando cada hora de uso de GPU mais produtiva.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Benchmarks_where_it_wins_where_it_doesnt\"><\/span>Benchmarks: onde ele se destaca e onde n\u00e3o se sai t\u00e3o bem<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Os resultados mais fortes do K3 concentram-se em tarefas ag\u00eanticas e de racioc\u00ednio, e n\u00e3o em conversa\u00e7\u00e3o pura.<\/p>\n<table class=\"convly-vs\">\n<thead>\n<tr>\n<th>Benchmark<\/th>\n<th>Kimi K3<\/th>\n<th>O que mede<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>GPQA Diamond<\/td>\n<td>93.5%<\/td>\n<td>Racioc\u00ednio cient\u00edfico em n\u00edvel de p\u00f3s-gradua\u00e7\u00e3o \u2014 melhor resultado publicado entre modelos de pesos abertos no momento do lan\u00e7amento<\/td>\n<\/tr>\n<tr>\n<td>BrowseComp<\/td>\n<td>91.2%<\/td>\n<td>Agentes de pesquisa web \u2014 melhor pontua\u00e7\u00e3o publicada no ranking no momento do lan\u00e7amento<\/td>\n<\/tr>\n<tr>\n<td>Terminal-Bench 2.1<\/td>\n<td>88.3%<\/td>\n<td>Tarefas de agente em linha de comando \/ shell<\/td>\n<\/tr>\n<tr>\n<td>MCP Atlas<\/td>\n<td>84.2%<\/td>\n<td>Uso de ferramentas via Protocolo de Contexto de Modelo (Model Context Protocol)<\/td>\n<\/tr>\n<tr>\n<td>MMMU-Pro<\/td>\n<td>81.6%<\/td>\n<td>Compreens\u00e3o multimodal<\/td>\n<\/tr>\n<tr>\n<td>DeepSWE<\/td>\n<td>67.5<\/td>\n<td>Engenharia de software<\/td>\n<\/tr>\n<tr>\n<td>\u00daltimo Exame da Humanidade (com ferramentas)<\/td>\n<td>56.0%<\/td>\n<td>Conjunto mais dif\u00edcil de racioc\u00ednio geral<\/td>\n<\/tr>\n<tr>\n<td>\u00cdndice de Intelig\u00eancia AA<\/td>\n<td>57<\/td>\n<td>Resultado composto \u2014 4\u00ba lugar entre 189 modelos acompanhados<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>Dois sinais independentes se destacam. Em testes cegos no Arena, desenvolvedores preferiram o Kimi em rela\u00e7\u00e3o a <em>todos<\/em> os principais modelos norte-americanos para codifica\u00e7\u00e3o front-end \u2014 incluindo Fable 5 e GPT-5.6 Sol. J\u00e1 na automa\u00e7\u00e3o de tarefas do mundo real, o K3 ficou em primeiro lugar em quatro dos oito benchmarks (incluindo Automation Bench, SpreadsheetBench 2 e BrowseComp), terminando em segundo lugar logo atr\u00e1s do Fable 5 na maioria dos demais.<\/p>\n<p>Resumo honesto: o K3 ainda fica atr\u00e1s do Fable 5 e do GPT-5.6 Sol no geral, mas supera praticamente todos os demais modelos j\u00e1 avaliados. Para um modelo de pesos abertos, isso nunca havia ocorrido antes.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"The_price_story_the_cheap-Chinese-AI_era_is_ending\"><\/span>A hist\u00f3ria dos pre\u00e7os: a era da IA chinesa barata est\u00e1 chegando ao fim<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Essa \u00e9 a parte que recebe menos cobertura e que importa mais. Laborat\u00f3rios chineses constru\u00edram sua reputa\u00e7\u00e3o ao subcotar APIs ocidentais em uma ordem de grandeza. O K3 n\u00e3o faz isso.<\/p>\n<table class=\"convly-vs\">\n<thead>\n<tr>\n<th>Modelo<\/th>\n<th>Entrada \/ 1 milh\u00e3o<\/th>\n<th>Sa\u00edda \/ 1 milh\u00e3o<\/th>\n<th>Acerto de cache<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td><strong>Kimi K3<\/strong><\/td>\n<td>$3.00<\/td>\n<td>$15.00<\/td>\n<td>$0.30<\/td>\n<\/tr>\n<tr>\n<td>Kimi K2.6 (antecessor)<\/td>\n<td>$0.95<\/td>\n<td>$4.00<\/td>\n<td>$0.16<\/td>\n<\/tr>\n<tr>\n<td>Claude Sonnet 5<\/td>\n<td>$3.00<\/td>\n<td>$15.00<\/td>\n<td>\u2014<\/td>\n<\/tr>\n<tr>\n<td>Claude Opus 4.8<\/td>\n<td>$5.00<\/td>\n<td>$25.00<\/td>\n<td>\u2014<\/td>\n<\/tr>\n<tr>\n<td>GPT-5.6 Sol<\/td>\n<td>$0.50<\/td>\n<td>$30.00<\/td>\n<td>\u2014<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>O K3 custa cerca de tr\u00eas vezes mais que seu antecessor e tem pre\u00e7o listado exatamente igual ao do Claude Sonnet 5. Em termos por tarefa, a diferen\u00e7a se reduz ainda mais: m\u00e9dias medidas indicam um custo de aproximadamente US$ 0,94 por tarefa para o K3, US$ 1,04 para o GPT-5.6 Sol e US$ 1,80 para o Opus 4.8. O K3 continua sendo mais barato \u2014 mas agora compete com base em valor nas margens, n\u00e3o por ser 10\u00d7 mais barato. O racioc\u00ednio de ponta parece ter um custo aproximadamente equivalente, independentemente de quem o treinou.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Intelligence_per_dollar_our_take\"><\/span>Intelig\u00eancia por d\u00f3lar: nossa an\u00e1lise<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>O pre\u00e7o bruto \u00e9 a m\u00e9trica errada. O que importa \u00e9 quanta capacidade cada d\u00f3lar compra. Usando o pre\u00e7o ponderado e as pontua\u00e7\u00f5es de intelig\u00eancia de nossa <a href=\"\/pt\/ai-price-performance-index-2026\/\">\u00cdndice de Desempenho-Custo de IA 2026<\/a>, eis onde o K3 se posiciona:<\/p>\n<table class=\"convly-vs\">\n<thead>\n<tr>\n<th>Modelo<\/th>\n<th>Intelig\u00eancia<\/th>\n<th>Custo combinado por $\/1 milh\u00e3o<\/th>\n<th>Intelig\u00eancia por d\u00f3lar<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td><strong>Kimi K3<\/strong><\/td>\n<td>57<\/td>\n<td>$9.00<\/td>\n<td>6.3<\/td>\n<\/tr>\n<tr>\n<td>Claude Opus 4.8<\/td>\n<td>55.7<\/td>\n<td>$15.00<\/td>\n<td>3.7<\/td>\n<\/tr>\n<tr>\n<td>GLM 5.2<\/td>\n<td>51.1<\/td>\n<td>$2.90<\/td>\n<td>17.6<\/td>\n<\/tr>\n<tr>\n<td>DeepSeek V4-Flash<\/td>\n<td>40.3<\/td>\n<td>$0.21<\/td>\n<td>192<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>Tr\u00eas conclus\u00f5es emergem dessa tabela. O K3 entrega cerca de <strong>1,7\u00d7 mais intelig\u00eancia por d\u00f3lar do que o Claude Opus 4.8<\/strong> e obt\u00e9m uma pontua\u00e7\u00e3o ligeiramente superior \u2014 uma oferta genuinamente melhor no extremo superior. Contudo, <a href=\"\/pt\/glm-5-2-explained-2026\/\">GLM 5.2<\/a> ainda oferece <strong>2,8\u00d7 mais capacidade por d\u00f3lar do que o K3<\/strong> at six points lower intelligence, and DeepSeek V4-Flash returns about <strong>30\u00d7 mais<\/strong>. O K3 \u00e9 o modelo aberto mais inteligente dispon\u00edvel; por\u00e9m, est\u00e1 longe de ser o de melhor custo-benef\u00edcio. Se voc\u00ea est\u00e1 pagando pre\u00e7os de ponta, deve ter certeza de que realmente precisa de racioc\u00ednio de ponta. Fa\u00e7a seus pr\u00f3prios c\u00e1lculos na <a href=\"\/pt\/ai-api-cost-calculator\/\">Calculadora de custo de API de IA<\/a>, ou consulte o ranking completo no <a href=\"\/pt\/llm-leaderboard\/\">quadro de classifica\u00e7\u00e3o de LLMs<\/a>.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"%E2%80%9COpen_weights%E2%80%9D_does_not_mean_you_can_run_it\"><\/span>\"Pesos abertos\" n\u00e3o significa que voc\u00ea consiga execut\u00e1-lo<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Quando os pesos forem disponibilizados em 27 de julho, espere uma onda de manchetes afirmando que qualquer pessoa poder\u00e1 executar um modelo de ponta em casa. Verifique primeiro os c\u00e1lculos.<\/p>\n<p>Com 2,8 trilh\u00f5es de par\u00e2metros em formato nativo de 4 bits (MXFP4), apenas os pesos ocupam cerca de <strong>1,4 TB<\/strong>. Adicione um cache KV dimensionado para algo pr\u00f3ximo ao contexto de 1 milh\u00e3o e voc\u00ea precisar\u00e1 de ainda mais espa\u00e7o. Realisticamente, isso equivale a cerca de <strong>16 GPUs da classe H200 distribu\u00eddas em dois n\u00f3s<\/strong> \u2014 centenas de milhares de d\u00f3lares em hardware, antes mesmo de considerar energia e infraestrutura de rede. Para compara\u00e7\u00e3o, o K2.7 Code, com 1 trilh\u00e3o de par\u00e2metros, exigia cerca de 595 GB e oito GPUs de 80 GB, j\u00e1 estando fora do alcance da maioria dos indiv\u00edduos.<\/p>\n<p>Ent\u00e3o, para quem realmente \u00e9 destinada essa libera\u00e7\u00e3o dos pesos? Implanta\u00e7\u00f5es soberanas, empresas regulamentadas que n\u00e3o podem enviar dados para uma API, laborat\u00f3rios de pesquisa e provedores de nuvem que hospedar\u00e3o o modelo para todos os demais. Isso ainda representa uma lacuna significativa em rela\u00e7\u00e3o a um modelo fechado \u2014 voc\u00ea pode audit\u00e1-lo, ajust\u00e1-lo fine-tuning e execut\u00e1-lo dentro de suas pr\u00f3prias instala\u00e7\u00f5es \u2014, mas n\u00e3o se trata de um cen\u00e1rio voltado para GPUs dom\u00e9sticas. Se deseja saber exatamente o que seu hardware consegue suportar, nossa <a href=\"\/pt\/llm-vram-calculator\/\">Calculadora de VRAM para LLMs<\/a> realiza os c\u00e1lculos por modelo, e o <a href=\"\/pt\/self-hosting-vs-api-calculator\/\">calculadora de autohospedagem versus API<\/a> mostra a partir de qual ponto possuir GPUs passa a ser mais vantajoso do que pagar por token.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Who_should_use_K3\"><\/span>Quem deve usar o K3<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p><strong>Use-o se<\/strong> voc\u00ea estiver executando cargas de trabalho ag\u00eanticas \u2014 automa\u00e7\u00e3o de navegador, cadeias multi-etapas de ferramentas, programa\u00e7\u00e3o com horizonte prolongado \u2014, nas quais suas pontua\u00e7\u00f5es nos benchmarks BrowseComp, Terminal-Bench e MCP Atlas se traduzem em menos falhas nas execu\u00e7\u00f5es. Tamb\u00e9m \u00e9 a escolha \u00f3bvia se voc\u00ea busca racioc\u00ednio de classe de ponta com um caminho credenciado para auto-hospedagem futura, ou se a qualidade do c\u00f3digo front-end for relevante (desenvolvedores o preferiram ao Fable 5 em testes cegos).<\/p>\n<p><strong>Evite-o se<\/strong> your work is ordinary chat, summarization, classification or retrieval. At $3\/$15 you would be paying frontier rates for tasks that GLM 5.2 or DeepSeek V4-Flash handle at a fraction of the cost. And skip it if you assumed &#8220;open&#8221; meant you could download it this week \u2014 the weights are still nine days out at the time of writing, and 1.4 TB when they arrive.<\/p>\n<p>O ponto mais amplo \u00e9 aquele que a tabela de benchmarks revela discretamente. Um modelo de pesos abertos acabou de obter uma pontua\u00e7\u00e3o acima do Claude Opus 4.8. Qualquer lacuna que existisse anteriormente entre IA aberta e fechada de ponta agora \u00e9 medida em poucos pontos de \u00edndice e alguns meses \u2014 n\u00e3o em gera\u00e7\u00f5es.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"FAQ\"><\/span>Perguntas frequentes<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<h3>O Kimi K3 \u00e9 melhor que o Claude Opus 4.8?<\/h3>\n<p>No Artificial Analysis Intelligence Index, sim \u2014 o K3 obt\u00e9m 57 pontos contra 56 do Opus 4.8, e custa US$ 3\/US$ 15 por milh\u00e3o de tokens, enquanto o Opus custa US$ 5\/US$ 25. Ainda assim, fica atr\u00e1s do GPT-5.6 Sol (59) e do Claude Fable 5 (60).<\/p>\n<h3>O Kimi K3 \u00e9 de c\u00f3digo aberto?<\/h3>\n<p>Os pesos est\u00e3o programados para libera\u00e7\u00e3o p\u00fablica em 27 de julho de 2026, seguindo o precedente da licen\u00e7a MIT modificada da Moonshot, adotado anteriormente em modelos Kimi anteriores. At\u00e9 l\u00e1, o K3 estar\u00e1 dispon\u00edvel apenas via API, por meio dos aplicativos Kimi, Kimi Code e OpenRouter.<\/p>\n<h3>Quanto custa o Kimi K3?<\/h3>\n<p>US$ 3,00 por milh\u00e3o de tokens de entrada, US$ 15,00 por milh\u00e3o de tokens de sa\u00edda e US$ 0,30 por milh\u00e3o em acertos de cache. Trata-se de aproximadamente tr\u00eas vezes o pre\u00e7o do Kimi K2.6 e id\u00eantico ao pre\u00e7o listado do Claude Sonnet 5.<\/p>\n<h3>Posso executar o Kimi K3 localmente?<\/h3>\n<p>Quase certamente n\u00e3o. Com 2,8 trilh\u00f5es de par\u00e2metros, os pesos em 4 bits ocupam cerca de 1,4 TB \u2014 o equivalente a aproximadamente 16 GPUs da classe H200 distribu\u00eddas em dois n\u00f3s, sem sequer considerar o cache KV necess\u00e1rio para seu contexto de 1 milh\u00e3o. Trata-se de um modelo para data center, n\u00e3o para desktop.<\/p>\n<h3>Qual \u00e9 o tamanho do Kimi K3?<\/h3>\n<p>2,8 trilh\u00f5es de par\u00e2metros totais em uma arquitetura Mixture-of-Experts, com apenas 16 das 896 especialistas ativas por token. A Moonshot afirma que isso o torna o maior modelo de c\u00f3digo aberto lan\u00e7ado at\u00e9 hoje.<\/p>","protected":false},"excerpt":{"rendered":"<p>A 2.8T-parameter open MoE scoring 57 on the AA Intelligence Index &#8211; above Claude Opus 4.8. The specs, the benchmarks, the new $3\/$15 pricing, and whether you can run it.<\/p>","protected":false},"author":1,"featured_media":1572,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"site-sidebar-layout":"default","site-content-layout":"","ast-site-content-layout":"default","site-content-style":"default","site-sidebar-style":"default","ast-global-header-display":"","ast-banner-title-visibility":"","ast-main-header-display":"","ast-hfb-above-header-display":"","ast-hfb-below-header-display":"","ast-hfb-mobile-header-display":"","site-post-title":"","ast-breadcrumbs-content":"","ast-featured-img":"","footer-sml-layout":"","ast-disable-related-posts":"","theme-transparent-header-meta":"","adv-header-id-meta":"","stick-header-meta":"","header-above-stick-meta":"","header-main-stick-meta":"","header-below-stick-meta":"","astra-migrate-meta-layouts":"default","ast-page-background-enabled":"default","ast-page-background-meta":{"desktop":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"ast-content-background-meta":{"desktop":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"footnotes":""},"categories":[3],"tags":[609,919,750,782,619,423,766],"class_list":["post-1571","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-llms","tag-chinese-ai","tag-kimi-k3","tag-llms","tag-moe","tag-moonshot-ai","tag-open-source-ai","tag-open-weights"],"_links":{"self":[{"href":"https:\/\/convly.ai\/pt\/wp-json\/wp\/v2\/posts\/1571","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/convly.ai\/pt\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/convly.ai\/pt\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/convly.ai\/pt\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/convly.ai\/pt\/wp-json\/wp\/v2\/comments?post=1571"}],"version-history":[{"count":1,"href":"https:\/\/convly.ai\/pt\/wp-json\/wp\/v2\/posts\/1571\/revisions"}],"predecessor-version":[{"id":1573,"href":"https:\/\/convly.ai\/pt\/wp-json\/wp\/v2\/posts\/1571\/revisions\/1573"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/convly.ai\/pt\/wp-json\/wp\/v2\/media\/1572"}],"wp:attachment":[{"href":"https:\/\/convly.ai\/pt\/wp-json\/wp\/v2\/media?parent=1571"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/convly.ai\/pt\/wp-json\/wp\/v2\/categories?post=1571"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/convly.ai\/pt\/wp-json\/wp\/v2\/tags?post=1571"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}