Kimi K3.1 Pro chega ao 4º lugar do AA Index com 55 pontos e salto em agentes

A Moonshot lançou o Kimi K3.1 Pro, e, segundo a Artificial Analysis, o novo modelo de raciocínio marcou 55 pontos no Intelligence Index. É o quarto lugar e um avanço de 11 pontos sobre o Kimi K3, que tinha 44.

Acima dele estão apenas o Claude Opus 5.5 (58 pontos no modo max with fallback), o Claude Sonnet 5.5 (56) e o Muse Wonder Full (56).

Os pesos do K3.1 Pro ainda não foram publicados, mas a expectativa é que a Moonshot os libere logo após o lançamento. Nesse caso, o modelo se tornará o mais forte entre os de pesos abertos, e a distância entre o melhor modelo aberto e o melhor fechado cairá de 12 pontos para 3.

Salto em agentes: Terminal-Bench de 13% para 67%

As mudanças mais visíveis estão no trabalho agêntico. No GDPval-AA, em que os modelos resolvem tarefas próximas do trabalho real de escritório e de especialistas, o K3.1 Pro soma 1 846 Elo. São 312 pontos a mais que o Kimi K3, o que garante o terceiro lugar, atrás do Claude Opus 5.5 (1 866) e do Muse Wonder Full (1 857). A diferença para o líder é de apenas 20 Elo.

No Terminal-Bench 4.0, o modelo atinge 67% e supera todos os demais, incluindo o Claude Sonnet 5.5, com 64%. Para comparação, o Kimi K3 resolvia apenas 13% das tarefas desse teste. Um ganho desse tamanho em uma única atualização indica um trabalho direcionado ao comportamento do modelo na linha de comando: planejamento de etapas, correção de erros e conclusão das tarefas até o fim.

O AutomationBench-AA, que avalia cenários de agentes em produtos SaaS, subiu de 58% para 73%.

Alucinações e ciência: avanço mais modesto

Nos demais testes, os ganhos são moderados. O Humanity's Last Exam passou de 47% para 52%, o CritPt de 23% para 25% e o SciCode de 59% para 61%. O salto em agentes parece ser a principal aposta do lançamento, e não um ganho uniforme de inteligência.

A confiabilidade das respostas mudou de forma mais visível. O AA-Omniscience Index subiu de 20 para 30: a taxa de alucinações caiu de 53% para 44%, e a precisão aumentou de 48% para 51%. O modelo admite com mais frequência que não sabe a resposta, em vez de inventar. Para agentes que chamam ferramentas por conta própria e escrevem em sistemas de produção, essa é uma melhoria importante.

Custo por tarefa e a questão dos pesos

O K3.1 Pro gasta 55K tokens de saída por tarefa do Intelligence Index. O Kimi K3 usava 48K, ou seja, 14% menos. Em compensação, os preços da Moonshot caíram 33% nas três faixas: $2 por milhão de tokens de entrada, $10 por milhão de saída e $0,20 por acertos de cache. Com isso, o custo de rodar uma tarefa ficou praticamente igual, em $1,98. O modelo ficou claramente mais forte, e o custo para usá-lo é o mesmo.

Principais características:

• Intelligence Index: 55 pontos, 4º lugar (Kimi K3: 44)
• GDPval-AA: 1 846 Elo, 3º lugar, +312 sobre o K3
• Terminal-Bench 4.0: 67% (K3: 13%), melhor resultado entre os modelos
• AutomationBench-AA: 73% (antes, 58%)
• AA-Omniscience Index: 30 (antes, 20), alucinações em 44%
• Tamanho: 2,8T de parâmetros no total, 104B ativos
• Contexto: 1M de tokens, entrada: texto e imagens
• Preço: $2 / $10 / $0,20 por 1M de tokens (entrada / saída / cache)
• Custo por tarefa: $1,98

O que verificar antes de migrar para o K3.1 Pro

Equipes que constroem agentes de código e de automação ganham uma alternativa barata aos modelos fechados. No Terminal-Bench 4.0, o K3.1 Pro supera o Claude Sonnet 5.5, e no GDPval-AA fica 20 Elo atrás do líder. Além disso, os tokens custam bem menos. Mas o modelo gasta 14% mais tokens de saída que o antecessor, por isso é preciso calcular o custo por tarefa, e não só o preço por milhão de tokens.

A segunda questão diz respeito aos próprios pesos. Enquanto eles não saem, o modelo está disponível apenas pela API da Moonshot. Hospedar por conta própria um modelo de 2,8T com 104B de parâmetros ativos exigirá um cluster de grande porte, e quem se beneficiará primeiro dos pesos abertos serão os provedores de nuvem e as grandes empresas com infraestrutura própria. Para os demais, o ponto mais relevante é outro: a pressão sobre os preços dos laboratórios fechados aumenta, porque a diferença de qualidade encolheu para 3 pontos.

Antes de migrar, vale testar o modelo nos seus próprios cenários de agentes. Benchmarks indicam a classe do modelo, mas não substituem a validação em tarefas reais. Também é preciso dar atenção especial à taxa de alucinações: 44% continua sendo um valor alto.