Um modelo de 2,8 biliões de parâmetros que se pode descarregar
A Moonshot AI publicou no Hugging Face os pesos do Kimi K3.1 Pro, o seu maior modelo. O repositório guarda o modelo em 96 fragmentos safetensors e não está restringido: não há pedido nem passo de aprovação entre um comando de descarga e o ficheiro. A Moonshot tinha dito que os pesos seguiriam o lançamento do modelo no final de outubro, e agora são públicos.
A empresa chama-lhe o seu “modelo mais capaz da classe 3T até à data”. É uma arquitetura de mistura de especialistas com 2,8 biliões de parâmetros no total, dos quais 104 mil milhões são ativados para cada token, e uma janela de contexto de 1 048 576 tokens.
O que está no ficheiro
A arquitetura tem 93 camadas, uma delas densa, com 896 especialistas dos quais 16 são selecionados por token, a par de dois especialistas partilhados. A atenção reparte-se por 69 camadas Kimi Delta Attention e 24 camadas Gated DeepSeek Sparse Attention — uma mudança face ao Kimi K3, que usava camadas Gated MLA de atenção completa, e que segundo a Moonshot torna mais eficiente o tratamento de contextos longos. A dimensão oculta de atenção é de 7 168 em 96 cabeças, e o vocabulário chega a 160 000 tokens.
O modelo aceita texto e imagem; um codificador de visão MoonViT-V2 de 401 milhões de parâmetros acompanha a parte de linguagem. Os pesos são distribuídos quantizados em MXFP4 com ativações MXFP8, treinados assim em vez de comprimidos depois, e a Moonshot remete para vLLM e SGLang para servir o modelo. O K3.1 Pro foi pós-treinado a partir do Kimi K3 com o que a empresa descreve como aprendizagem por reforço conjunta em larga escala em centenas de domínios.
As pontuações e de onde vêm
A Moonshot publica uma tabela comparativa com o Claude Fable 5.1, o GPT‑6 Astra, o Claude Opus 5.5, o DeepSeek-V4.1-Flash-1017 e o GLM-5.3. As notas de rodapé contam: a Moonshot executou o K3.1 Pro por si própria, na maioria das linhas através do Claude Code, enquanto os números dos concorrentes são os valores máximos que esses fornecedores declararam nos seus próprios textos, fichas de sistema e tabelas de classificação. É uma tabela de afirmações de fornecedores, montada por um deles.
Nessa base, o K3.1 Pro obtém 65,7 no Terminal-Bench 4.0 contra 66,4 do Claude Opus 5.5 — segundo por 0,7 pontos, e à frente do GPT‑6 Astra com 58,2 e do Claude Fable 5.1 com 57,9. Lidera o SWE Marathon v1.1 com 51,7 contra 46,3 do Opus 5.5, e o BrowseComp com 92,1 contra 91,5 do Astra.
Não lidera em tudo. O DeepSeek-V4.1-Flash-1017 leva o DeepSWE v1.1 com 77,0 contra 75,5, e o GPT‑6 Astra leva o GPQA-Diamond com 96,1 contra 94,2. No Humanity’s Last Exam a distância é maior: o K3.1 Pro faz 51,1 onde o Opus 5.5 chega a 59,8 e o Claude Fable 5.1 a 57,6, o que deixa o modelo aberto em último entre os sistemas de fronteira dessa linha. No OSWorld V2.1 fica nos 79,6, atrás do Opus 5.5 com 81,8 e do Fable 5.1 com 80,7.
A licença é o senão
Os pesos podem descarregar-se, mas pesos abertos não é o mesmo que código aberto. O K3.1 Pro sai sob a Kimi K3.1 Pro License, um documento que a empresa redigiu para este modelo em vez de Apache 2.0 ou MIT, e o Hugging Face regista o campo da licença simplesmente como “other”. Quem pensar construir sobre o modelo tem de ler esse texto em vez de se apoiar em condições que já conhece.
O que vigiar
O número útil será o primeiro número independente. Todos os valores da tabela da Moonshot vêm de um fornecedor, incluindo os da própria Moonshot, e o Terminal-Bench mantém uma classificação pública que a empresa já cita para os rivais. Uma entrada do K3.1 Pro nessa lista, executada por outrem, diria se a distância de 0,7 pontos para o Claude Opus 5.5 resiste a um ambiente que a Moonshot não escolheu.
