Kimi K3 Open Day: 2,8 biliões de parâmetros, agora com pesos abertos

A 27 de julho de 2026, a Moonshot AI realizou o Kimi K3 Open Day e anunciou três lançamentos interligados: os pesos do modelo Kimi K3, o anúncio técnico oficial e três tecnologias de infraestrutura: MoonEP, FlashKDA e AgentEnv. O evento apresentou o Kimi K3 não apenas como um novo modelo de grande escala, mas também como um lançamento que abrange o acesso ao modelo, a arquitetura e a infraestrutura de implementação.

A especificação principal é clara: o Kimi K3 é um modelo de pesos abertos com 2,8 biliões de parâmetros, construído sobre uma arquitetura de Mistura de Especialistas (MoE). A Moonshot AI divulgou importantes detalhes técnicos, incluindo 896 especialistas, 16 especialistas ativados por token, uma janela de contexto de 1M de tokens, KDA + AttnRes numa proporção de 3:1, MoonViT-V2 e uma melhoria reportada de 2,5x na eficiência de escalabilidade.

O termo pesos abertos é importante. Pesos abertos significa que os pesos treinados do modelo são disponibilizados sob condições definidas. Não significa automaticamente que o modelo seja totalmente de código aberto, o que normalmente implica um acesso mais amplo ao código-fonte, aos dados de treino, às ferramentas e aos pipelines de reprodução. Ainda assim, o acesso a pesos abertos pode mudar a forma como programadores e organizações implementam, inspecionam e desenvolvem em torno de um grande modelo de IA.

A Moonshot AI resumiu o valor desta abordagem afirmando que “os modelos de pesos abertos... reduzem a barreira ao acesso à inteligência, impulsionam a inovação e dão aos utilizadores maior controlo sobre os dados, a privacidade e a propriedade.”

O evento Open Day: três lançamentos principais

O Kimi K3 Open Day centrou-se em três categorias de lançamento.

Primeiro, a Moonshot AI lançou os pesos do modelo Kimi K3. Este é o anúncio central de pesos abertos. Para quem desenvolve soluções, o acesso aos pesos pode permitir uma implementação mais flexível do que uma API exclusivamente alojada, especialmente quando as equipas precisam de controlo sobre a infraestrutura, a latência, a privacidade ou a residência dos dados.

Segundo, a Moonshot AI publicou o relatório técnico do Kimi K3. Isto é importante porque os anúncios de grandes modelos não podem ser avaliados apenas pela contagem de parâmetros. A arquitetura, a estratégia de encaminhamento, a conceção para contexto longo, a capacidade multimodal e as alegações de eficiência determinam se um modelo é útil na prática.

Terceiro, a Moonshot AI lançou MoonEP, FlashKDA e AgentEnv. Estas tecnologias de infraestrutura visam a comunicação entre especialistas, o desempenho da atenção e a execução de agentes. A sua inclusão mostra que o Kimi K3 Open Day não foi apenas um lançamento de modelo; foi também um lançamento de infraestrutura para utilizar modelos de pesos abertos muito grandes de forma mais eficaz.

O modelo: especificações principais

O Kimi K3 é um modelo MoE com 2,8 biliões de parâmetros. Numa arquitetura de Mistura de Especialistas, apenas uma parte do modelo é ativada para cada token. Um encaminhador seleciona um subconjunto de especialistas, permitindo ao sistema combinar uma capacidade total muito elevada com menos computação ativa do que um modelo denso de dimensão semelhante.

Segundo a Moonshot AI, o Kimi K3 tem 896 especialistas, com 16 especialistas ativados por token. Esta conceção é central para o perfil de eficiência do modelo. Permite que o modelo retenha uma enorme capacidade global, utilizando simultaneamente ativação seletiva durante a inferência.

A janela de contexto de 1M de tokens é uma das especificações mais práticas. Um contexto longo pode suportar análise de documentos completos, revisão de grandes bases de código, raciocínio sobre múltiplos ficheiros, fluxos de trabalho com documentos jurídicos ou financeiros e tarefas de agentes mais longas, sem obrigar a dividir cada entrada em pequenos fragmentos.

O Kimi K3 também utiliza KDA + AttnRes numa proporção de 3:1, uma conceção de atenção híbrida associada à sua estratégia de contexto longo. O modelo inclui MoonViT-V2 como arquitetura de visão, indicando capacidade multimodal nativa em vez de um sistema puramente baseado em texto. A Moonshot AI também reportou uma melhoria de 2,5x na eficiência de escalabilidade, sugerindo que o Kimi K3 foi concebido não apenas para escala, mas também para uma economia mais prática de treino e inferência.

O lançamento de infraestrutura: MoonEP, FlashKDA e AgentEnv.

Os modelos de pesos abertos continuam a necessitar de sistemas robustos à sua volta. Os grandes modelos MoE dependem de comunicação eficiente, de kernels de atenção rápidos e de ambientes de execução seguros. O lançamento de infraestrutura da Moonshot AI responde diretamente a estas necessidades.

MoonEP: comunicação entre especialistas MoE

O MoonEP é uma biblioteca de comunicação para paralelismo de especialistas em MoE. Nos sistemas MoE, os tokens são encaminhados para diferentes especialistas, e esses especialistas podem estar distribuídos por vários dispositivos. Isto cria desafios de comunicação que podem limitar o débito e aumentar a latência.

Para o Kimi K3, com 896 especialistas e 16 ativados por token, o encaminhamento de especialistas é um grande problema de sistemas. O MoonEP foi concebido para melhorar a comunicação distribuída entre especialistas e reduzir os estrangulamentos na implementação de MoE em grande escala.

FlashKDA: atenção de contexto longo mais rápida

O FlashKDA é um kernel de atenção otimizado para KDA. O seu papel é especialmente importante para cargas de trabalho de contexto longo, em que o cálculo de pré-preenchimento pode tornar-se dispendioso. A Moonshot AI reportou que o FlashKDA proporciona uma aceleração de 1,72x a 2,22x no desempenho de pré-preenchimento em GPUs Nvidia H20, em comparação com referências de atenção linear flash.

Isto é importante porque uma janela de contexto de 1M de tokens só é útil se puder ser disponibilizada de forma eficiente. Kernels de atenção mais rápidos podem tornar mais prática, em produção, a análise de documentos longos, a revisão de código, os fluxos de trabalho de investigação e o raciocínio em várias etapas.

AgentEnv: sandbox para agentes de IA

O AgentEnv é um sistema de sandbox para agentes, desenvolvido em conjunto com a KVCache.ai. Disponibiliza um ambiente de sandbox isolado para agentes que precisam de executar etapas, testar ações, bifurcar estados, restaurar estados anteriores ou executar ramificações paralelas.

Os fluxos de trabalho de agentes envolvem frequentemente mais do que geração de texto. Podem utilizar ficheiros, ferramentas, execução de código e decisões em várias etapas. Uma sandbox ajuda a separar o comportamento do agente dos sistemas externos, ao mesmo tempo que apoia a experimentação. As funcionalidades de instantâneo, restauro e bifurcação do AgentEnv são úteis quando os agentes precisam de explorar vários caminhos antes de produzir um resultado final.

Porque são importantes os pesos abertos

O acesso a pesos abertos altera a relação entre fornecedores de modelos e quem desenvolve soluções. Uma API alojada fechada pode ser poderosa, mas a infraestrutura, o alojamento, o fluxo de dados e os limites operacionais continuam a ser controlados pelo fornecedor. Um modelo de pesos abertos dá às equipas qualificadas mais margem para implementar, adaptar, otimizar e integrar o modelo nos seus próprios sistemas.

Para as empresas, a maior vantagem é o controlo sobre a implementação e os dados. Documentos sensíveis, código interno, registos jurídicos, informações de clientes e materiais financeiros podem exigir infraestrutura privada. O acesso a pesos abertos pode suportar uma implementação local ou em nuvem privada, onde a governação de dados, a privacidade e a propriedade são requisitos centrais.

Para os programadores, o acesso a pesos abertos permite uma integração técnica mais profunda. As equipas podem otimizar pilhas de inferência, testar métodos de adaptação e criar fluxos de trabalho em torno dos pontos fortes do modelo. A escala MoE do Kimi K3, o contexto de 1M de tokens, a capacidade de visão MoonViT-V2 e os lançamentos de infraestrutura criam uma base para aplicações especializadas.

A distinção em relação ao código aberto continua a ser essencial. Pesos abertos não disponibilizam automaticamente os dados de treino, o pipeline de origem ou a receita completa de reprodução. No entanto, podem ainda reduzir barreiras práticas para equipas que necessitam de acesso ao modelo, implementação privada ou maior controlo sobre o desempenho e a privacidade.

O veredito: um lançamento de modelo e infraestrutura

O Open Day do Kimi K3 é melhor entendido como um lançamento coordenado em três camadas: acesso ao modelo, divulgação técnica e infraestrutura de implementação. O modelo MoE com 2,8 biliões de parâmetros é o centro do anúncio, mas o relatório técnico e as ferramentas de infraestrutura são cruciais para compreender o seu significado mais amplo.

As especificações oficiais são substanciais: 2,8T de parâmetros totais, 896 especialistas com 16 ativados por token, uma janela de contexto de 1M de tokens, KDA + AttnRes numa proporção de 3:1, MoonViT-V2 e uma melhoria reportada de 2,5x na eficiência de escalabilidade. MoonEP, FlashKDA e AgentEnv mostram que a Moonshot AI também está a responder às necessidades de sistemas para operar eficazmente grandes modelos de pesos abertos.

O Kimi K3 não é descrito como totalmente de código aberto; é de pesos abertos. Ainda assim, ao lançar os pesos, os detalhes técnicos e a infraestrutura de suporte, a Moonshot AI fez do Kimi K3 um acontecimento significativo no desenvolvimento de IA de pesos abertos em grande escala.

Perguntas frequentes (FAQ)

P: O que é o Kimi K3?

R: O Kimi K3 é um modelo de IA de Mistura de Especialistas com pesos abertos e 2,8 biliões de parâmetros da Moonshot AI, anunciado no Kimi K3 Open Day a 27 de julho de 2026.

P: O que significa pesos abertos?

R: Pesos abertos significa que os pesos treinados do modelo estão acessíveis sob condições de licenciamento definidas. Difere de código aberto, que normalmente implica um acesso mais amplo ao código-fonte, aos dados e aos pipelines de reprodução.

P: Que tecnologias de infraestrutura foram lançadas com o Kimi K3?

R: A Moonshot AI lançou MoonEP, FlashKDA e AgentEnv. O MoonEP suporta a comunicação MoE, o FlashKDA acelera a atenção KDA e o AgentEnv disponibiliza um sistema de sandbox para agentes de IA.

P: Quais são as especificações mais importantes do Kimi K3?

R: O Kimi K3 tem 2,8T de parâmetros totais, 896 especialistas com 16 ativados por token, uma janela de contexto de 1M de tokens, KDA + AttnRes numa proporção de 3:1, MoonViT-V2 e uma melhoria de 2,5x na eficiência de escalabilidade.

Transforme esta análise do Kimi K3 num PPT polido com o Pi, tornando claros e fáceis de apresentar os desenvolvimentos complexos de IA.