Moonshot lança a Kimi K2 Thinking, modelo aberto que encadeia 300 chamadas de ferramentas

A Moonshot AI lançou a Kimi K2 Thinking, sua mais forte LLM aberta com raciocínio. Ela foi construída como um agente: pensa passo a passo e, entre um passo e outro, chama ferramentas, até 200–300 chamadas seguidas sem intervenção humana. No Humanity's Last Exam, com busca, Python e navegador, o modelo marcou 44,9%; no BrowseComp, 60,2%, contra 29,2% do nível humano; e no SWE-Bench Verified, 71,3%. O modelo está disponível no chat do kimi.ai e via API.

Como funciona o ciclo agêntico

A Moonshot chama isso de escalonamento na etapa de inferência: crescem não só os tokens de raciocínio, mas também o número de passos com ferramentas. Um ciclo típico segue esta sequência: o modelo pensa, busca, abre o navegador, volta a pensar e escreve código. Ao longo do caminho, ele formula e refina hipóteses, verifica fontes e monta a resposta. Em um dos exemplos da empresa, ele resolveu um problema matemático de nível PhD em 23 passos alternados de raciocínio e chamadas de ferramentas.

Há uma ressalva prática nas notas de rodapé do próprio lançamento. O chat do kimi.ai usa um conjunto reduzido de ferramentas e menos turnos, então os números dos benchmarks podem não se reproduzir ali. O modo agêntico completo no produto foi prometido para depois.

Velocidade: INT4 sem perda de qualidade

O principal detalhe de engenharia é a quantização. Modelos com raciocínio longo geram sequências enormes, e a compressão em poucos bits costuma prejudicar bastante a qualidade. A Moonshot aplicou Quantization-Aware Training na etapa de pós-treinamento: os pesos dos componentes MoE são armazenados em INT4 (weight-only). Isso permite inferência em INT4 nativo e uma geração cerca de duas vezes mais rápida. Todos os resultados divulgados foram obtidos justamente em INT4, ou seja, sem desconto em relação à precisão "completa".

Principais números do lançamento:

• HLE com ferramentas: 44,9% (com o acesso ao Hugging Face liberado, 51,3%).
• BrowseComp: 60,2%; nível humano de referência, 29,2%.
• SWE-Bench Verified: 71,3%; SWE-Multilingual: 61,1%; Terminal-Bench: 47,1%.
• Contexto: 256k tokens; temperatura 1,0 na maioria dos testes.
• HLE: até 120 passos e 48k tokens de raciocínio por passo; busca agêntica: até 300 passos e 24k tokens por passo.
• Heavy Mode: oito trajetórias paralelas, com agregação posterior das respostas; na comparação, é usado o GPT-5 Pro.

O que vale conferir na metodologia

A Moonshot detalha as condições dos testes, o que permite avaliar os números com espírito crítico. No HLE, o acesso ao Hugging Face foi bloqueado por causa do risco de vazamento de respostas; com acesso, o resultado subiria para 51,3%. O avaliador foi o o3-mini, com os prompts oficiais do HLE.

Para o GPT-5, foi usado o nível alto de reasoning effort. Parte dos resultados de outros modelos vem de publicações oficiais (no HLE com ferramentas, 35,2 para o GPT-5 e 38,6 para o Grok-4), e os que faltavam foram reverificados nas mesmas condições e marcados com asterisco. No IMO-AnswerBench, a Moonshot rodou o GPT-5 de novo via API e obteve 76, contra 65,6 no artigo do benchmark.

Os resultados de código são a média de cinco execuções em um harness próprio, derivado do SWE-agent, com janelas reduzidas nas ferramentas Bash e Edit e um prompt de sistema reescrito. Uma execução reproduzível feita por terceiros, em outro harness, pode dar números diferentes.

Para quem serve e como usar

Vale testar o modelo onde importa uma longa cadeia de ações: busca investigativa em informações emaranhadas, tarefas de várias etapas no terminal e front-end em HTML e React, onde a Moonshot afirma haver um ganho expressivo. Equipes que constroem seus próprios agentes devem incluir gerenciamento de contexto no pipeline. Nos testes, quando os 256k estouravam, a Moonshot simplesmente ocultava todas as saídas anteriores das ferramentas, e essa técnica é fácil de repetir.

Para avaliar com dados próprios, é preciso rodar o modelo com o conjunto completo de ferramentas e limites de passos próximos aos dos benchmarks: o chat do kimi.ai não serve para isso, e a API fica mais perto das condições do teste. O ganho do INT4 importa para quem paga por latência e memória de GPU: uma geração duas vezes mais rápida muda de forma notável a economia de agentes com centenas de passos.