Moonshot AI lança Kimi K3.1 Pro, primeiro modelo da nova série K3.1

Moonshot AI apresentou o Kimi K3.1 Pro em 24 de outubro de 2026, primeiro modelo de sua nova série K3.1, junto com uma variante complementar mais rápida, chamada Kimi K3.1 Pro Highspeed. A empresa descreve o K3.1 Pro como seu modelo de pesos abertos mais capaz da classe 3T até hoje, com uma janela de contexto de 1 milhão de tokens.

Segundo o anúncio, o Kimi K3.1 Pro Highspeed oferece velocidade de duas a três vezes maior que a do Kimi K3.1 Pro, com recursos idênticos. Os dois modelos estão disponíveis em toda a família de produtos Kimi: no Kimi.ai e nos aplicativos móveis Kimi para iOS, Android e HarmonyOS; no aplicativo para desktop Kimi Work, versão 3.1.0 ou posterior, para Windows e Macs com Apple silicon; no Kimi Code, onde os usuários selecionam o modelo com o comando /model; e pela API Kimi, na qual os modelos aparecem como kimi-k3.1-pro e kimi-k3.1-pro-highspeed, com a opção de retenção zero de dados para clientes da API. Os administradores do Kimi Enterprise podem habilitar o K3.1 Pro para suas organizações; no lançamento, o acesso fica desativado por padrão.

Treinamento e desempenho divulgado

O K3.1 Pro é uma versão pós-treinada do Kimi K3, desenvolvida com um volume de computação para pós-treinamento substancialmente maior, segundo a Moonshot AI. Para viabilizar o aprendizado por reforço conjunto em larga escala em centenas de domínios subsequentes, a empresa afirmou ter otimizado todas as camadas da pilha: a estrutura de aprendizado por reforço, a inferência com contexto longo, a eficiência do treinamento, a infraestrutura de sandbox, o agendamento de execuções e uma plataforma compartilhada para verificações da qualidade dos ambientes.

A empresa informa que, no Terminal-Bench 4.0, que avalia agentes de programação em tarefas realistas de terminal com recursos limitados, o K3.1 Pro obteve 65,7%, superando o GPT-6 Astra, com 58,2%, e ficando pouco atrás do Claude Opus 5.5, com 66,4%. No Kimi Code Bench 3.0 Long-horizon, uma avaliação interna que abrange execução em várias etapas, uso de ferramentas e resolução de problemas de ponta a ponta, o K3.1 Pro obteve 61,2%, contra 55,95% do K3. No BenchCAD, que avalia a reconstrução 3D a partir de renderizações de múltiplas perspectivas por meio da geração de código CAD, o K3.1 Pro obteve 92,7% com ferramentas, aproximando-se do Claude Opus 5.5, com 96,2%, e do GPT-6 Astra, com 95,9%. O recurso 3D Make já está disponível no kimi.ai e no aplicativo Kimi, permitindo que os usuários visualizem e editem modelos 3D on-line e os baixem prontos para impressão 3D.

A Moonshot AI também informa uma pontuação de ponta de 64,4 no OfficeQA Pro v2, que avalia análises complexas de dados fiscais com base em documentos financeiros reais, e aponta ganhos em relação ao K3 em suas avaliações financeiras internas: 7,2 pontos em Financial Modeling, 11,6 pontos em Financial Research e um desempenho cerca de 4,2 vezes superior ao do K3 em Business Operation. No Kimi Hallu Bench Hard, um teste de estresse interno de precisão factual, a taxa de alucinações por afirmação do modelo caiu de 23,4% no K3 para 8,3%, enquanto a proporção de respostas com pelo menos um erro factual correspondeu a 42,4% da taxa registrada por seu antecessor. O blog observa que a avaliação foi criada deliberadamente para investigar situações propensas a erros e que as taxas divulgadas não representam as taxas gerais de erro no uso cotidiano.

Em um teste interno de programação de longo horizonte descrito no blog, o K3.1 Pro criou um simulador da dinâmica da caminhada humana com base no human-atlas, um modelo anatômico de código aberto do corpo humano composto por 296 componentes esqueléticos e 402 componentes musculares. Ao longo de 167 missões e 420 avaliações independentes, o modelo aprimorou iterativamente um controlador de caminhada; quando a modelagem de recompensa não conseguiu melhorar o movimento dos braços, executou sondagens em malha aberta da dinâmica do simulador, identificou e corrigiu 36 erros nos cálculos dos braços de momento dos músculos do ombro e treinou novamente o controlador.

Controles de cibersegurança e princípios para pesos abertos

A Moonshot AI afirmou ter observado uma melhora constante no desempenho em pesquisa de vulnerabilidades à medida que aumentava a escala do pós-treinamento e atribuiu essa tendência à presença de conteúdo relacionado a cibersegurança no corpus geral de treinamento intermediário e de tarefas relacionadas a cibersegurança na combinação de ambientes de aprendizado por reforço. Para o lançamento do K3.1 Pro com pesos abertos, a empresa afirmou ter identificado e removido dados relacionados a cibersegurança de ambas as etapas de treinamento, mantendo as tarefas gerais de programação necessárias para que o modelo fosse útil.

No xdev-bench-hard, avaliação interna da empresa composta por tarefas de descoberta e exploração de vulnerabilidades baseadas em código-fonte, elaboradas por especialistas, um ponto de verificação treinado sem essas medidas de redução de riscos resolve 90,5% dos problemas em pass@3, enquanto o K3.1 Pro final alcança 81,0%, informa o blog. A Moonshot AI afirmou que os resultados mostram que a remoção de dados reduz de forma significativa a capacidade cibernética em relação ao que o mesmo pipeline de treinamento produziria de outra forma e que a capacidade cibernética do K3.1 Pro continua abaixo da de modelos proprietários de ponta que estão disponíveis publicamente há pelo menos três meses.

O blog apresenta dois princípios que orientam o lançamento com pesos abertos. Primeiro, a empresa pretende não lançar pesos abertos que ampliem a fronteira absoluta das capacidades cibernéticas. Segundo, pretende aumentar progressivamente a capacidade cibernética disponível em modelos de pesos abertos, afirmando que o acesso não discriminatório oferece a mais equipes os meios para auditar o código que mantêm, inclusive em sistemas legados que raramente recebem análises de segurança específicas.

Configuração do modelo no Kimi Code

A documentação do Kimi Code detalha como os modelos são disponibilizados para desenvolvedores. A documentação lista seis IDs de modelo das famílias K3.1 Pro, K3, K2.8 Preview e K2.7 Code Highspeed; descreve o k3.1-pro como um modelo de ponta com 3 trilhões de parâmetros e uma janela de contexto de até 1.048.576 tokens para membros de níveis superiores; e informa que a versão Highspeed oferece os mesmos recursos, mas consome cerca do dobro da cota. Segundo a página, o K3.1 Pro já foi totalmente disponibilizado no Kimi Code.

Segundo a documentação, os modelos K3.1 Pro oferecem apenas o modo de pensamento, e as solicitações com esse modo desativado são rejeitadas com um erro HTTP 400. Ambos os novos modelos aceitam as configurações de reasoning_effort low, high ou max, sendo max o valor padrão, e aceitam entradas de imagem e vídeo. Nos novos planos de assinatura, o k3.1-pro exige o plano Plus ou superior, e a janela de contexto de 1 milhão de tokens é reservada para o plano Pro ou superior; já o k3.1-pro-highspeed exige o plano Pro ou superior. Nos planos antigos, os níveis correspondentes são Moderato e Allegretto.

A documentação recomenda iniciar uma nova sessão em vez de mudar para os novos modelos no meio de uma sessão, usar as APIs nativas Responses, de conclusão de chat ou de mensagens para obter os resultados mais estáveis e inserir os IDs exatos dos modelos em ferramentas de terceiros, pois um ID digitado incorretamente leva ao uso do K2.8 Preview sem modo de pensamento.

A empresa afirmou que os pesos completos do modelo Kimi K3.1 Pro serão disponibilizados até 4 de novembro de 2026.