MoonshotAI: Kimi K3

Kimi K3 é um modelo de raciocínio multimodal da Moonshot AI, lançado pelo fornecedor em 16 de julho de 2026. É um modelo de pesos abertos com 2,8 trilhões de parâmetros, e fica na categoria de texto em api14, embora aceite mais do que texto como entrada. A Moonshot AI posiciona-o para programação complexa, trabalho de conhecimento e fluxos de trabalho agênticos de longo horizonte.

No lado da entrada, o Kimi K3 aceita texto, imagens e vídeo, e produz texto como saída. A janela de contexto é de 1.048.576 tokens, o que é suficientemente grande para conter documentos muito longos, históricos de conversa extensos ou bases de código consideráveis num único pedido. A saída máxima é de 943.718 tokens, pelo que as respostas podem elas próprias ser extremamente longas quando uma tarefa o exige. O raciocínio faz parte do design do modelo, e a API expõe controlos para ele, incluindo um parâmetro reasoning, uma definição reasoning_effort e um sinalizador include_reasoning para revelar o conteúdo do raciocínio.

Essas capacidades apontam para alguns usos práticos. Trabalho de contexto longo, como rever grandes repositórios, resumir ou consultar relatórios extensos, e manter estado ao longo de execuções agênticas de vários passos, encaixa na janela de contexto e no foco agêntico. Como imagens e vídeo podem ser passados juntamente com texto, o modelo consegue lidar com tarefas que misturam material visual com instruções escritas, por exemplo descrever ou extrair informação de capturas de ecrã, diagramas ou clipes. Saídas estruturadas, chamada de ferramentas e controlos de raciocínio tornam-no adequado para pipelines em que o modelo tem de chamar funções, devolver JSON ou despender mais esforço em problemas difíceis.

Chama o Kimi K3 através da API compatível com OpenAI da api14 usando o id de modelo "moonshotai/kimi-k3". Os parâmetros de pedido suportados são frequency_penalty, include_reasoning, logit_bias, logprobs, max_tokens, min_p, presence_penalty, reasoning, reasoning_effort, repetition_penalty, response_format, seed, stop, structured_outputs, temperature, tool_choice, tools, top_k, top_logprobs e top_p. Os controlos de amostragem (temperature, top_p, top_k, min_p, os parâmetros de penalização, seed e stop) permitem ajustar a saída, enquanto response_format e structured_outputs cobrem respostas formatadas e tools e tool_choice cobrem a chamada de funções. Logprobs e top_logprobs estão disponíveis se precisar de probabilidades ao nível do token, e max_tokens limita o comprimento da resposta dentro da saída máxima.

Não há aqui informação sobre preços, latência ou débito, por isso vale a pena verificá-los na tabela de preços em direto e nos seus próprios testes. O modelo só produz texto, por isso, se precisar de imagens geradas, áudio ou outras modalidades de saída, será necessário um modelo diferente. Se a sua carga de trabalho for pequena, de contexto curto e não beneficiar de raciocínio ou entrada multimodal, um modelo mais simples pode ser uma melhor opção.