O Kimi K3.1 Pro, da Moonshot, superou o GPT-6 Astra e o Claude Fable 5.1 no Artificial Analysis Intelligence Index. O resultado coloca o modelo como o mais bem avaliado entre os desenvolvidos na China nesse índice.
Havia uma expectativa de que o modelo tivesse dificuldades após OpenAI e Anthropic ampliarem as restrições à destilação por laboratórios chineses.
Essa técnica usa respostas de uma IA para treinar outra. Mesmo nesse cenário, o desempenho ficou acima das expectativas, inclusive entre os críticos mais duros da Moonshot.
A empresa também retirou dados ligados à exploração de falhas de segurança durante o treinamento. Ainda assim, os resultados indicam que a mudança teve pouco efeito sobre o desempenho geral.
O que muda no Kimi K3.1 Pro
O Kimi K3.1 Pro mantém elementos da estrutura do Kimi K3, mas usa muito mais capacidade de processamento na etapa posterior ao treinamento inicial.
Essa fase foi otimizada para criação de conteúdo 3D, cálculos financeiros avançados e tarefas realizadas por agentes de IA, que executam ações em várias etapas.
O modelo tem 2,8 trilhões de parâmetros, os valores numéricos que fazem parte de seu funcionamento. A cada token processado, 104 bilhões ficam ativos.
A taxa de ativação informada é de cerca de 1,8%. Tokens são as unidades de texto usadas pela IA, como palavras ou partes delas.
A janela de contexto nativa é de 1 milhão de tokens. Esse limite define quanto conteúdo pode ser considerado de uma vez durante o processamento.
Toda a rede usa NoPE, sigla para uma abordagem sem representações específicas de posição. Com isso, o modelo dispensa as camadas tradicionais de RoPE, usadas para indicar a posição dos tokens.
A proposta é permitir um contexto maior e mais flexível, melhorar a aplicação do aprendizado a novas situações e reduzir o uso de processamento.
O Kimi K3.1 Pro também usa pesos em MXFP4 e ativações em MXFP8. Esses formatos numéricos reduzem a precisão dos cálculos para aproveitar melhor o hardware.
O treinamento já considera essa redução de precisão. Os preços por milhão de tokens são de US$ 2 para entrada, US$ 10 para saída e US$ 0,20 para conteúdo reaproveitado do cache.
Isso equivale a aproximadamente R$ 10,67, R$ 53,35 e R$ 1,07, respectivamente. As três tarifas são 33% menores que as do Kimi K3. A disponibilização dos pesos do modelo está prevista para 4 de novembro.
Como o modelo processa textos longos
Modelos desse tipo usam uma sequência de blocos chamados transformers. Cada bloco tem dois componentes principais: uma camada de atenção e uma rede de processamento chamada Feed-Forward Network, ou FFN.
A camada de atenção calcula as relações entre as palavras. Na frase Paris é a capital da França, por exemplo, ela relaciona capital e França e associa Paris à resposta.
Essa relação, por si só, não representa o significado completo de Paris ou França. Parte das informações usadas nessa etapa fica no cache KV, uma memória temporária que evita repetir cálculos.
Na atenção convencional, esse cache cresce conforme aumenta a quantidade de conteúdo. O custo dos cálculos de atenção, por sua vez, cresce de forma quadrática, o que torna o processamento mais pesado.
A FFN usa os pesos do modelo e operações matemáticas para formar representações internas do conteúdo. Essas representações são chamadas de ativações ou estados ocultos e mudam à medida que os tokens passam pelas camadas.
No caso da palavra França, o processamento envolve informações associadas ao país. O Kimi K3.1 Pro usa o Kimi Delta Attention, ou KDA, um mecanismo híbrido de atenção linear.
A estrutura alterna estados recorrentes e uma camada de atenção global na proporção de três para um. Nas três etapas recorrentes, o processamento mantém um resumo atualizado das informações mais relevantes.
O tamanho desse estado não aumenta com o texto, pois informações antigas são substituídas. Esse método reduz o uso de memória, mas pode perder detalhes específicos, como um número de telefone na página 100 de um documento.
A quarta etapa usa uma camada chamada Gated Multi-Head Latent Attention. Ela mantém uma representação compactada de todo o contexto para permitir a consulta a detalhes que os estados recorrentes podem ter perdido.
Quando necessário, essa representação é expandida durante a consulta e depois volta à forma compactada. O padrão se repete ao longo da rede: três etapas KDA, com resumos atualizados, seguidas de uma etapa de atenção global, com um registro completo do contexto.
Como três das quatro etapas usam estados de tamanho fixo, o cache KV fica muito menor. A configuração informada tem 69 camadas e inclui 24 camadas Gated Multi-Head Latent Attention, com uma delas após cada grupo de três camadas.
Kimi K3.1 Pro marca 55 pontos no índice
O Kimi K3.1 Pro alcançou 55 pontos no Artificial Analysis Intelligence Index. O Claude Fable 5.1, da Anthropic, e o GPT-6 Astra, da OpenAI, ficaram com 53 pontos.
O modelo da Moonshot aparece logo abaixo do Claude Opus 5.5, do Claude Sonnet 5.5 e do Muse Wonder Full, da Meta.
Kimi K3.1 Pro launches at 4th on the Artificial Analysis Intelligence Index scoring 55, making large gains in agentic performance; it will be the leading open-weights model once its weights are published@Kimi_Moonshot's new reasoning model gains 11 points over Kimi K3 (max,… pic.twitter.com/BphLwAbST0
— Artificial Analysis (@ArtificialAnlys) October 23, 2026
No Code Arena, o Kimi K3.1 Pro ocupa a oitava posição, empatado com o Claude Opus 5.
Kimi K3.1 Pro weights will be released on November 4, with cyber-related training data removed pic.twitter.com/RDOHckqa9P
— AiBattle (@AiBattle_) October 23, 2026
Moonshot retirou dados ligados à exploração de falhas
A Moonshot informou que identificou e removeu dados ligados à exploração de falhas de segurança nas etapas intermediárias de treinamento e no aprendizado por reforço, em que o modelo é ajustado com base em avaliações dos resultados.
A decisão veio após uma versão sem essa remoção resolver 90,5% das tarefas internas de exploração de falhas no kernel Linux, no Node.js e no Exim.
Mesmo após a retirada dos dados, o Kimi K3.1 Pro marcou 81% no xdev-bench-hard, resultado que indica um efeito limitado da mudança nesse teste.
