Os pesos do Kimi K3.1 Pro saíram: 1,56 TB em disco e uma linha de licença de US$ 20 milhões

Durante os onze dias entre o lançamento da API e o download, a maior parte da cobertura de Kimi K3.1 Pro citou 5,6 terabytes de pesos BF16. O repositório que a Moonshot AI realmente publicou no Hugging Face em 4 de novembro de 2026 tem 1,56 TB, distribuídos em 96 shards safetensors. Não se trata de um modelo menor do que aquele sobre o qual todo mundo escreveu — é o mesmo mixture-of-experts de 2,8 trilhões de parâmetros derivado do Kimi K3, entregue na precisão para a qual a Moonshot o treinou para servir. A diferença entre os dois números é a primeira coisa que vale a pena entender sobre este lançamento, porque ela determina se uma máquina que você já tem consegue armazená-lo.

A segunda coisa é a licença, que não é Apache 2.0, não é MIT e não é aprovada pela OSI, apesar de um parágrafo inicial permissivo. Trata-se de um instrumento personalizado chamado Kimi K3.1-Pro License, e contém um limite de receita que transforma um download gratuito em uma negociação para um tipo específico de empresa. Ambos os fatos eram impossíveis de responder em 25 de outubro, quando os pesos eram uma promessa com uma lista de verificação anexada. Agora eles podem ser respondidos.

O que realmente chegou ao Hugging Face

O repositório é moonshotai/Kimi-K3.1-Pro, não tem controle de acesso e contém 111 arquivos. Noventa e seis deles são fragmentos de pesos; o restante são a configuração, o tokenizer, quatro arquivos Python para a arquitetura personalizada, o cartão do modelo e a licença. O tamanho total de todos os arquivos é 1.561 GB.

O motivo de caber em 1,56 TB em vez de 5,6 TB está escrito na ficha do modelo como uma linha de especificação, não como nota de rodapé: pesos MXFP4 com ativações MXFP8, aplicados por meio de treinamento com reconhecimento de quantização. Não se trata de uma quantização de 4 bits a posteriori que alguém executou depois do fato. É a precisão nativa de serving, e é por isso que o repositório traz a tag compressed-tensors e que não há um checkpoint BF16 ao lado dele. Se você estava se planejando com base em um download de 5,6 TB, estava se planejando com base em um número que a Moonshot nunca disponibilizou.

O restante da ficha técnica, para você dimensionar o trabalho:

• Parâmetros totais — 2,8T em uma mistura de especialistas, com 104B ativados por token

• Profundidade — 93 camadas, das quais uma é densa; a pilha de atenção é composta por 69 camadas KDA mais 24 camadas Gated DeepSeek Sparse Attention, uma mudança em relação às camadas Gated MLA de atenção completa do Kimi K3

• Especialistas — 896 no total, 16 selecionados por token, mais 2 compartilhados, em uma dimensão latente do MoE de 3.584

• Contexto — 1.048.576 tokens, sem alterações em relação ao Kimi K3

• Modalidade — entrada de texto e imagem, saída de texto; o codificador de visão é o MoonViT-V2 com 401M de parâmetros

• Vocabulário — 160K tokens

Apenas um desses números é novo em relação ao Kimi K3, e é a mudança na atenção. A Moonshot deixa explícito que esta é uma versão de pós-treinamento sobre a base K3, com aprendizado por reforço conjunto mais intenso em centenas de domínios, e não uma nova arquitetura. A substituição pelo Gated DSA está ali para eficiência em contextos longos, não para um salto de capacidade.

A licença tem três níveis, e o intermédio é o que importa.

A Licença Kimi K3.1-Pro abre da forma como você esperaria que uma licença permissiva abrisse: permissão para usar, copiar, modificar, mesclar, publicar, distribuir, sublicenciar e vender, para executar, implantar e fazer ajuste fino, e para criar obras derivadas. Depois, ela acrescenta condições, e é nas condições que residem as decisões.

• Seção 2, a condição de modelo como serviço — se você ou suas afiliadas administram um negócio que dá a terceiros acesso a inferência ou ajuste fino, e a receita do grupo exceder US$ 20 milhões em qualquer período consecutivo de 12 meses, você precisa de um contrato separado com a Moonshot antes do uso comercial. Duas exceções são importantes: produtos para usuários finais nos quais o modelo está incorporado dentro de um recurso ou estrutura de execução não são "modelo como serviço", e tampouco o é simplesmente repassar solicitações para modelos hospedados por terceiros.

• Secção 3, a cláusula de atribuição — produtos comerciais com mais de 100 milhões de utilizadores ativos mensais, ou mais de 20 milhões de dólares em receita mensal, devem exibir "Kimi K3.1-Pro" de forma destacada na interface. Isso é uma obrigação de marca, não um pagamento.

• Seção 4, as isenções — nenhuma das opções acima se aplica ao uso interno, definido como qualquer uso que não disponibilize o software, suas saídas ou suas capacidades subjacentes a terceiros, ou ao uso por meio dos produtos oficiais da Moonshot e de parceiros de inferência certificados.

A leitura prática é que implantações internas são gratuitas e irrestritas, e o mesmo vale para construir um produto sobre o modelo para seus próprios usuários. O que dispara a conversa dos US$ 20 milhões é revender acesso bruto ao modelo em escala. Se você esperava montar um endpoint de inferência concorrente com estes pesos, esse é o parágrafo para levar a um advogado, e é estruturalmente a mesma licença sob a qual o Kimi K3 foi lançado — então uma revisão jurídica existente do K3 se transfere, com o nome alterado.

Uma coisa que a licença não faz é tornar isto open source no sentido da OSI. O campo nos metadados do repositório aparece como license: other, com o nome da licença definido como kimi-k3.1-pro. Veículos que o descreveram como MIT modificado nas primeiras horas após o lançamento estavam lendo o trecho inicial permissivo e parando por aí.

O que é necessário para executar, e onde a API leva vantagem

A receita vLLM publicada para este modelo é a orientação de implantação mais concreta disponível, e é específica. Ela especifica vLLM 0.34.0 ou mais recente, uma linha de base de um grupo de paralelismo de tensores de 8 GPUs — dois trays GB300 ou um nó B300 — com --tensor-parallel-size 8 em --nnodes 2. O modo opcional de contexto longo, DCP8, eleva a capacidade do cache KV para cerca de 18,5 milhões de tokens, contra 2,6 milhões com KV em FP8 em 8 B300s, aproximadamente sete vezes mais.

Duas consequências decorrem. Primeiro, um nó 8×H200 está fora de questão: 1,13 TB de HBM não comporta 1,56 TB de pesos antes de você alocar um único token de cache. Segundo, não há um caminho para o consumidor. O modelo precisa de mais VRAM do que uma workstation tem, e as arquiteturas que tornariam tolerável uma versão lenta com offload para CPU ainda estão alcançando o código personalizado kimi_k31 — o repositório traz trust_remote_code=True em seu próprio trecho de quickstart, o que indica que a arquitetura ainda não está no caminho padrão de uma biblioteca upstream lançada.

A economia é mais fácil de entender em tokens de saída do que em itens de linha de GPU. A US$ 10 por milhão de tokens de saída, o custo de capital estimado de um nó, de cerca de US$ 550.000 a US$ 650.000, compra entre 55 e 65 bilhões de tokens de saída via API a preço de tabela. Um nó auto-hospedado só supera isso se você o mantiver ocupado o suficiente para atender mais do que isso antes de ele ficar obsoleto — e essa comparação é antes de eletricidade, equipe de operações, tempo ocioso e do segundo nó necessário para redundância. Para a maioria das equipes que lê isto, a resposta honesta é que os pesos são um ativo estratégico e a API é a forma mais barata de usar o modelo.

É também por isso quekimi/kimi-k3.1-pro, disponível em nosso catálogo a US$ 2,00 por milhão de tokens de entrada e US$ 10,00 por milhão de tokens de saída, muda o cálculo em vez de duplicá-lo. O mesmo contexto de 1.048.576 tokens e os mesmos 104B de parâmetros ativos estão disponíveis via Chat Completions, Responses API e Anthropic Messages, sem um cluster de dois nós. Nossa precificação é 0% de acréscimo sobre o preço de tabela do provedor, então quando a Moonshot altera a tabela de preços, o número aqui muda no mesmo dia, e não na próxima renovação de contrato. E, como o modelo pode ser acessado com uma única chave ao lado de mais de 200 outros, testá-lo em uma carga de trabalho real não exige comprometer um caminho de produção com ele — você pode colocá-lo atrás de failover e deixar que ele conquiste o tráfego.

A tabela de benchmarks é uma faca de dois gumes

Todos os números desta seção são informados pelo fornecedor no model card, executados com esforço de raciocínio máximo, temperatura 1,0 e top-p 0,95. As colunas de comparação também foram obtidas com esforço máximo e fallback ativado, o que vale saber antes de interpretar uma diferença de um ponto como vitória.

• Terminal-Bench 4.0 — Kimi K3.1 Pro 65,7% contra Claude Opus 5.5 com 66,4%, GPT-6 Astra com 58,2% e Claude Fable 5.1 com 57,9%. Segundo na tabela por oito décimos de ponto, e claramente à frente de dois modelos com os quais está sendo comparado.

• SWE Marathon v1.1 — 51,7% contra 46,3% do Claude Opus 5.5 e 45,6% do Claude Fable 5.1. Uma vantagem real em trabalho de software de longo horizonte.

• HLE-Full com ferramentas — 70,0% contra 67,7% do Claude Opus 5.5 e 65,6% do Claude Fable 5.1. O BrowseComp chega a 92,1% contra 91,5% do GPT-6 Astra.

• Program Bench — 31,5% contra 65,0% do Claude Opus 5.5, 53,5% do Claude Fable 5.1 e 50,0% do GPT-6 Astra. Esta é, com folga, a maior desvantagem da tabela, e é a linha que você deve observar se o seu trabalho for síntese de programas em vez de loops de agentes no formato de terminal.

• Terminal-Bench-Science 0.1 — 38,1% contra 68,1% do GPT-6 Astra e 63,3% do Claude Opus 5.5. Outra categoria em que o modelo não chega perto.

• HLE-Full sem ferramentas — 51,1% contra 59,8% do Claude Opus 5.5. A coluna de uso de ferramentas inverte a classificação, o que diz mais sobre a qualidade do harness do que sobre o raciocínio bruto.

O padrão é consistente o suficiente para ser útil: Kimi K3.1 Pro é forte quando um agente está operando um shell, um navegador ou uma tarefa de programação de longa duração, e fraco em benchmarks científicos autocontidos e de construção de programas. Se você está escolhendo entre ele e Claude Opus 5.5 com base em um único número de destaque, o número de destaque é justamente o ponto em que eles estão mais próximos.

A medição independente é escassa e vale a pena declarar isso claramente. O Artificial Analysis atualmente pontua o Kimi K3.1 Pro em 46 no Intelligence Index v5.0.1 e o lista como pesos abertos, a 32 tokens de saída por segundo, classificado em primeiro entre 25 no painel exibido em sua página de modelo. A cobertura da semana de lançamento citou 55, mas isso foi em relação à versão do índice em uso antes da reconstrução da v5 em 27 de outubro — instrumentos diferentes, e subtrair um do outro produz um número que não significa nada.

O checkpoint aberto não é o irrestrito.

A Moonshot afirma que removeu dados de treinamento de capacidades cibernéticas de partes do treinamento intermediário e do aprendizado por reforço antes de lançar esses pesos, e a ficha do modelo traz as evidências em vez de deixá-las como uma frase de release. Em seu conjunto interno xdev-bench-hard, o checkpoint lançado obtém 81,0% contra 90,5% de um checkpoint irrestrito do mesmo modelo. Tudo o que você baixar desse repositório é a versão mitigada.

Os números absolutos também não são lisonjeiros na outra direção. No ExploitBench, o modelo marca 74,7 contra 100 do GPT-6 Astra e 91,0 do Claude Opus 5.5; no ExploitGym, marca 20,7 contra 42,4 do GPT-6 Astra. Portanto, o modelo lançado é ao mesmo tempo mais fraco que sua própria variante irrestrita e está atrás da fronteira em tarefas de exploração — uma combinação que é razoável desejar em um modelo de 2,8 trilhões de parâmetros disponível para download aberto, e que vale a pena saber se seu modelo de ameaça assumia que pesos abertos significavam capacidade irrestrita.

Quem deve baixar isto, e quem não deve

Baixe-o se tiver um motivo para manter os pesos em si: um requisito de residência de dados que exclua qualquer inferência por terceiros, um programa de ajuste fino que precise do modelo base internamente, um grupo de pesquisa que audite o comportamento em vez de alugá-lo, ou volume sustentado suficiente para que um nó dedicado seja mais vantajoso do que a cobrança por token. Você vai querer dois nós, não um, e um plano para o cache KV se pretender usar algo próximo de um milhão de tokens de contexto.

Não faça o download dele se o objetivo for economizar dinheiro em uma carga de trabalho moderada, ou executar um modelo de classe frontier no hardware que você já possui. Os 1.56 TB são o piso, não o requisito, e o requisito é um cluster da classe B300 ou GB300. Deixe-o de lado também se sua carga de trabalho for síntese de programas ou ciências exatas — Program Bench e Terminal-Bench-Science são onde este modelo está mais distante das alternativas, e nenhum grau de permissividade de licença fecha essa lacuna.

Para todos os que estão no meio, a chegada dos pesos continua sendo a notícia mais importante, e não pelo que eles permitem que você execute. É porque um checkpoint baixável é auditável, e uma API não é — e um modelo de 2,8 trilhões de parâmetros a um ponto de diferença de Claude Opus 5.5 no Terminal-Bench 4.0 agora é algo que um pesquisador externo pode inspecionar em vez de confiar. Essa é a parte de 4 de novembro que não depende de possuir um datacenter.