A Moonshot AI acabou de soltar o maior modelo open source do mundo

Enquanto a Anthropic cobra caro pelo Claude Opus e a OpenAI mantém o GPT-5.6 Sol trancado a sete chaves, uma startup chinesa de Pequim resolveu jogar na mesa 2,8 trilhões de parâmetros. De código aberto. Com janela de contexto de 1 milhão de tokens. E benchmarks que fazem engenheiro de ML derrubar o café no teclado.

O Kimi K3, da Moonshot AI, foi lançado hoje (16 de julho de 2026) e já entrou no Hacker News como o post mais votado do dia. Não é pra menos: estamos falando de um modelo que compete diretamente com Claude Opus 4.6 e GPT-5.4 Pro, mas que você pode baixar, rodar e modificar.

Eu acompanho a evolução dos modelos chineses desde o DeepSeek V2, e posso dizer: a cada seis meses o gap entre China e EUA diminui. Com o K3, a conversa mudou de “quando eles vão alcançar” para “será que já passaram?”.

O que exatamente é o Kimi K3

O Kimi K3 é o modelo flagship da Moonshot AI, empresa fundada em 2023 por Yang Zhilin, ex-pesquisador da Carnegie Mellon que trabalhou com Transformer XL e XLNet. A Moonshot já tinha chamado atenção com o Kimi K2 (1 trilhão de parâmetros), mas o K3 é um salto brutal.

Para contextualizar: o Claude Opus 4.6 tem um BenchLM score de 84.0 e está na posição #7 do ranking global. O Kimi K3 chegou com 82.0, na posição provisória logo abaixo, com apenas 52 dos 313 benchmarks publicados. Ou seja, a nota final pode subir.

Arquitetura: o que mudou do K2 para o K3

O K2 já era um MoE respeitável: 1 trilhão de parâmetros, 32 bilhões ativos por token, 384 experts roteados, Multi-head Latent Attention e ativação SwiGLU. O K3 mantém a base MoE, mas a Moonshot introduziu inovações que ainda não foram detalhadas por completo no paper:

Hybrid Linear Attention: uma variante que combina atenção linear com mecanismos tradicionais. A ideia é reduzir o custo computacional em sequências longas (aquele contexto de 1M tokens precisa de truques pesados para não explodir a VRAM).

Kimi Residual Attention: um mecanismo proprietário que, segundo a Moonshot, melhora a retenção de informação em janelas de contexto muito grandes. Pense nisso como um “atalho” que permite ao modelo revisitar informações do início do prompt sem perder performance.

Native 4-bit Training: o K3 foi treinado nativamente em precisão de 4 bits em parte do pipeline. Isso é diferente de quantizar depois do treino (o que todo mundo faz). Treinar em 4 bits é significativamente mais difícil, mas permite modelos maiores com o mesmo hardware.

Expert Routing avançado: o sistema de roteamento dos experts foi reformulado para lidar com o aumento de escala. Com 2,8T de parâmetros e (provavelmente) mais de 500 experts, o roteamento precisa ser cirúrgico para evitar que tokens caiam sempre nos mesmos experts.

# Pseudocódigo simplificado do MoE routing
def moe_forward(x, experts, router, top_k=2):
    # Router calcula scores para cada expert
    scores = router(x)  # shape: [batch, num_experts]

    # Seleciona top-k experts por token
    top_scores, top_indices = scores.topk(top_k, dim=-1)

    # Normaliza os scores selecionados
    weights = F.softmax(top_scores, dim=-1)

    # Executa apenas os experts selecionados
    output = sum(w * experts[i](x) for w, i in zip(weights, top_indices))
    return output

A beleza do MoE é que, apesar dos 2,8T de parâmetros totais, apenas uma fração é ativada por token. No K2 eram 32B ativos. O K3 provavelmente usa algo entre 40B e 60B ativos por token (a Moonshot ainda não confirmou o número exato).

Benchmarks: onde o K3 brilha (e onde tropeça)

O BenchLM.ai já indexou 52 benchmarks do K3. Os números mais impressionantes:

Por categoria, o K3 se destaca em:

• Agentic tasks: score 89.0 (15 benchmarks). Aqui é onde o K3 realmente mostra a que veio. Tarefas que exigem planejamento, execução multi-step e uso de ferramentas.
• Knowledge: score 87.0 (10 benchmarks). Conhecimento factual e enciclopédico.
• Multimodal: rank #24 de 112 modelos, com score 72.5. Forte em screenshots, documentos e gráficos.
• Coding: evidência mista. Alguns benchmarks mostram performance excepcional, outros ficam abaixo do Claude.

Os pares diretos do K3 no ranking BenchLM (faixa 81.0 a 84.0):

Dois pontos que vale prestar atenção: primeiro, o K3 ainda não tem benchmarks publicados em Math, Multilingual e Instruction Following. Essas categorias podem puxar a nota pra cima ou pra baixo. Segundo, o score é provisório porque o BenchLM exige cobertura mínima de benchmarks não-gerados (ou seja, não vale a empresa rodar os benchmarks dela mesma).

K3 Max vs K3 Swarm Max: qual a diferença?

A Moonshot lançou duas variantes:

K3 Max é o modelo “padrão” para chat, coding e tarefas de agente. É o que você vai usar no dia a dia: conversas, análise de documentos, geração de código.

K3 Swarm Max é a variante otimizada para processamento paralelo em larga escala. O nome “Swarm” sugere que ele foi pensado para orquestração multi-agente, onde múltiplas instâncias do modelo trabalham juntas em subtarefas. Se você já trabalhou com frameworks como CrewAI ou AutoGen, pense no K3 Swarm como um modelo que já nasceu sabendo trabalhar em equipe.

A documentação ainda é escassa nos detalhes, mas testadores beta reportam que o K3 Swarm Max mantém coerência muito melhor em sessões longas de coding (12 a 13 horas de execução contínua). Isso é relevante para quem usa agentes de código tipo o Cursor, Windsurf ou Claude Code.

Preço: a parte que dói (ou não)

Aqui é onde a Moonshot joga o jogo dela. Comparação de preços por 1M de tokens:

O K3 custa 5x menos que o Claude Opus no input e 5x menos no output. Se compararmos com o K2.6 da própria Moonshot, houve um aumento, mas o K3 é um modelo de classe completamente diferente.

Para uma startup que precisa rodar milhares de chamadas de API por dia, essa diferença de preço é a diferença entre viabilidade e falência. Uma tarefa que custa $75 no Claude custa $15 no K3. Multiplique por 10 mil chamadas diárias e o CFO vai te abraçar.

Além disso, como o modelo é open-weight com licença Modified MIT, você pode rodar localmente. Com a quantização nativa de 4 bits, o K3 pode (teoricamente) rodar em hardware mais acessível do que outros modelos de 2T+. Eu ainda não vi benchmarks de inference local, mas a comunidade já está trabalhando em versões quantizadas para GPUs consumer.

1 milhão de tokens de contexto: pra que serve?

Uma janela de contexto de 1 milhão de tokens equivale a, aproximadamente:

• 750 mil palavras (3 a 4 romances completos)
• Um repositório inteiro de código médio
• 10 horas de transcrição de reunião
• Meses de logs de sistema

Na prática, isso abre possibilidades que modelos com 128K ou 200K de contexto simplesmente não conseguem:

Análise de codebase inteira: você pode jogar todo o código-fonte de um projeto e perguntar “onde está o bug de race condition no módulo de pagamento?”. Sem truncar, sem resumir, sem perder contexto.

Due diligence automatizada: advogados e analistas podem alimentar contratos inteiros, atas de reunião e documentos regulatórios e pedir uma análise cruzada. Com 1M de tokens, o modelo vê tudo de uma vez.

Debugging de sessões longas: agentes de código que rodam por horas precisam manter contexto do que já fizeram. Com 1M de tokens, o K3 pode manter uma “memória de trabalho” muito maior que a concorrência.

Mas (sempre tem um mas) janela de contexto grande não significa que o modelo use todo esse espaço igualmente bem. O problema do “lost in the middle” ainda existe: modelos tendem a prestar mais atenção no início e no fim do prompt, “esquecendo” informações no meio. O Kimi Residual Attention que a Moonshot menciona pode ser a solução deles pra isso, mas vai precisar de testes independentes pra confirmar.

A corrida dos modelos chineses: contexto maior

O Kimi K3 não existe no vácuo. Nos últimos 12 meses, a China produziu uma série de modelos que balançaram o mercado:

DeepSeek V3 e R1: mostraram que é possível treinar modelos competitivos com uma fração do custo dos labs americanos. O R1, em particular, popularizou a ideia de “reasoning models” na China.

Qwen 3.7 Max (Alibaba): com score 83.0 no BenchLM, é o modelo chinês mais bem rankeado, e recentemente foi integrado ao Apple Intelligence.

Tencent Hy3: 295 bilhões de parâmetros, lançado sob licença Apache 2.0.

O padrão é claro: enquanto OpenAI e Anthropic mantêm seus melhores modelos fechados (ou com acesso limitado via API), os labs chineses estão apostando em open source/open-weight como estratégia de mercado. E está funcionando. O ecossistema de ferramentas e fine-tunings ao redor de modelos chineses cresce a cada mês.

Para devs: como testar o K3 agora

Se você quer botar a mão no K3 hoje, tem algumas opções:

Via API da Moonshot:

curl -X POST "https://api.moonshot.cn/v1/chat/completions" \
  -H "Authorization: Bearer $MOONSHOT_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "kimi-k3-max",
    "messages": [
      {"role": "user", "content": "Explique MoE routing em 3 parágrafos"}
    ],
    "temperature": 0.7
  }'

Via web app: acesse kimi.com e selecione o K3 no seletor de modelos. A versão web é gratuita com limites de uso.

Via Kimi Code: a Moonshot tem uma IDE própria que usa o K3 como backend. Pense nela como um Cursor/Windsurf chinês.

Rodando localmente (em breve): como o modelo é open-weight, espere versões quantizadas no Hugging Face nas próximas semanas. Com 2,8T de parâmetros, vai precisar de hardware sério (provavelmente 4x A100 80GB no mínimo para inference, mesmo quantizado).

O que isso significa para o mercado

Três reflexões:

O preço dos modelos vai cair. Quando um modelo de 82 pontos no BenchLM custa $3/$15, fica difícil justificar $15/$75 pelo Claude Opus. A Anthropic e a OpenAI vão precisar reduzir preços ou entregar valor que justifique o premium (melhor qualidade, menor latência, compliance, suporte enterprise).

Open source está ganhando. O Llama 3 da Meta abriu o caminho, mas os chineses estão pavimentando a estrada. Kimi K3, Qwen, DeepSeek: todos open-weight, todos competitivos. Para empresas que precisam de controle total sobre o modelo (data sovereignty, fine-tuning, compliance regulatório), essa é a melhor era da história.

A barreira de entrada para IA caiu de novo. Um dev solo com $100 de créditos na API da Moonshot pode construir coisas que, dois anos atrás, só labs com milhões de dólares conseguiam. 1 milhão de tokens de contexto, performance de nível Opus, preço acessível: o K3 é mais uma prova de que a comoditização dos LLMs é inevitável.

Se você está construindo produtos com IA, vale testar o K3 em paralelo com seu provider atual. No mínimo, você vai ter um benchmark de preço pra negociar com a Anthropic ou OpenAI. No máximo, vai descobrir que o modelo chinês resolve seu caso de uso por uma fração do custo.

A corrida dos LLMs está longe de acabar. Mas uma coisa ficou clara hoje: quem está correndo mais rápido não está em São Francisco.

—

Fonte de inspiração: Kimi K3 is now live (Hacker News, 658 pontos)