Kimi K3: Preço, Benchmarks e Comparação com Claude (2026)

Última atualização: 18/09/2026. Conteúdo revisado e verificado.

Se você chegou até aqui procurando uma explicação superficial de “o que é o Kimi K3”, pode parar de procurar: isso qualquer buscador de notícias já te deu em um parágrafo. O que você não vai encontrar facilmente em português é a combinação dos três pontos que realmente importam na hora de decidir se vale usar esse modelo: os números reais de benchmark cruzados entre fontes independentes, o preço convertido em uso prático (quanto custa rodar uma tarefa real, não só o valor por token) e um guia de uso por setor que funcione no Brasil hoje.

É exatamente isso que você vai encontrar nas próximas linhas: dados técnicos verificados, comparações honestas (inclusive nos pontos em que o Kimi K3 perde), e um passo a passo prático para quem quer testar o modelo ainda esta semana.

Antes de continuar

Este artigo contém links de afiliados. Se você comprar através de um desses links, podemos receber uma comissão, sem custo adicional para você. Isso não influencia nossas recomendações todas as opiniões e análises apresentadas aqui refletem nossos testes e pesquisas reais. Além disso, ao longo deste site você também vai encontrar materiais gratuitos que ajudam bastante sem nenhum custo, e alguns produtos próprios (guias, prompts) vendidos a preços bem acessíveis para quem quiser ir mais fundo no assunto.

O Que É o Kimi K3 e Por Que Ele Está em Alta no Brasil

O Kimi K3 é o novo modelo de inteligência artificial da Moonshot AI, startup chinesa sediada em Pequim e apoiada por investidores como Alibaba e Tencent. Foi apresentado oficialmente em 16 de julho de 2026 e é descrito pela própria empresa como o maior modelo de pesos abertos (“open weight”) já lançado no mundo, com 2,8 trilhões de parâmetros totais.

Para efeito de comparação, isso coloca o Kimi K3 acima do DeepSeek V4 Pro (cerca de 1,6 trilhão de parâmetros), do modelo da Xiaomi (aproximadamente 1,02 trilhão) e do Z.AI (744 bilhões). É a nona vez em cerca de um ano que um lançamento da linha Kimi bate o recorde de tamanho entre modelos abertos, o que dá uma ideia do ritmo de disputa tecnológica entre os laboratórios chineses.

Poucos dias depois do lançamento do K3, a Alibaba apresentou o Qwen 3.8, seu próprio modelo de 2,4 trilhões de parâmetros o rival mais próximo em escala do Kimi K3 entre os modelos chineses, ainda mais perto que o DeepSeek V4 Pro.

O motivo do pico de buscas no Brasil é simples: o modelo apareceu em rodas de conversa técnica por bater modelos como Claude Opus 4.8 e GPT-5.5 em benchmarks específicos de programação, ao mesmo tempo em que custa uma fração do preço dos modelos proprietários americanos equivalentes. Isso gerou até reação no mercado financeiro, com analistas do Bank of America destacando o avanço técnico apesar das restrições de hardware que empresas chinesas enfrentam.

Ficha Técnica Completa do Kimi K3

Estas são as especificações técnicas e as funcionalidades principais que definem a capacidade do Kimi K3, antes de qualquer comparação com outros modelos:

A combinação de Kimi Delta Attention com Attention Residuals é o que permite ao modelo administrar uma janela de contexto tão grande sem que o custo computacional exploda. Na prática, o KDA é um mecanismo de atenção linear híbrida, enquanto os Attention Residuals recuperam informação ao longo da profundidade da rede em vez de acumular tudo de forma uniforme, o que ajuda o modelo a “não perder o fio da meada” em documentos ou repositórios de código muito longos.

Kimi K3 vs Kimi K2.6 vs Kimi K2.5: O Que Realmente Mudou

Se você já usava a geração anterior do Kimi, o salto técnico entre K2.5, K2.6 e K3 vale entender antes de migrar:

A Moonshot afirma um ganho de aproximadamente 2,5 vezes na eficiência geral de escala do K3 em relação ao K2. Isso não é só marketing: dados da Artificial Analysis mostram que o K3 precisou de cerca de 132 milhões de tokens de saída para completar um conjunto de nove avaliações, contra aproximadamente 166 milhões do K2.6 para o mesmo conjunto. Ou seja, uma redução de 21% no consumo de tokens, entregando ao mesmo tempo uma pontuação 13 pontos mais alta no índice de inteligência.

Na prática, isso significa duas coisas para quem usa a API: tarefas mais rápidas de completar e um custo final por tarefa menor, mesmo que o preço por token tenha subido em relação à geração anterior. Se você está satisfeito com o K2.6 hoje, a migração para K3 faz mais sentido em tarefas de raciocínio longo, código complexo e agentes autônomos, não necessariamente em tarefas simples de chat, onde a diferença prática é menor.

Preço do Kimi K3: Quanto Custa Usar de Verdade

Direto ao ponto sobre o kimi k3 preço: na API oficial (platform.moonshot.cn), o Kimi K3 é cobrado da seguinte forma:

Esse valor pode parecer alto para um modelo chinês, e de fato é: representa uma quebra da estratégia tradicional de preços baixos adotada por outros laboratórios do país. Para efeito de comparação, o DeepSeek V4 Pro cobra o equivalente a cerca de 6 yuans por milhão de tokens de saída, enquanto o Kimi K3 cobra o equivalente a 100 yuans. Ou seja, o Kimi K3 mira diretamente na faixa de preço dos modelos ocidentais de ponta, não na faixa “ultra barata” que caracterizou o lançamento do DeepSeek em 2025.

Ainda assim, quando o cálculo é feito por tarefa completa (e não por token isolado), o Kimi K3 sai mais barato do que a maioria dos modelos proprietários equivalentes. Segundo dados da Artificial Analysis, o custo médio por tarefa no Intelligence Index é de aproximadamente US$ 0,94 para o Kimi K3, contra US$ 1,04 do GPT-5.6 Sol e US$ 1,80 do Claude Opus 4.8. Ou seja, quase metade do custo do Opus 4.8 para um nível de desempenho competitivo.

Um dado que ajuda a contextualizar o preço: o valor cobrado pelo Kimi K3 na API oficial ($3 de entrada / $15 de saída por milhão de tokens) é idêntico ao preço de tabela do Claude Sonnet 5 não do Opus. Isso significa que, na prática, você paga o mesmo por token para rodar um modelo aberto de 2,8 trilhões de parâmetros que pagaria pelo modelo “do meio” da Anthropic.

Como o câmbio do dólar varia bastante, recomendamos consultar a cotação atualizada e o site oficial da Moonshot antes de calcular o custo em reais para o seu volume de uso.

Kimi K3 vs Claude, GPT-5.6 e DeepSeek: A Comparação de Benchmarks Sem Filtro

Resposta direta: em setembro de 2026, o Kimi K3 segue como o modelo de peso aberto mais competitivo do mercado, mas não é mais o modelo mais inteligente desta comparação. Pouco depois do lançamento do K3, a Anthropic lançou o Claude Fable 5.1 e o Claude Mythos 5.1, que assumiram o topo do Índice de Inteligência da Artificial Analysis, à frente do Claude Fable 5 usado nos números originais logo abaixo. Na prática, o Kimi K3 continua sendo a opção mais barata por tarefa entre os modelos de fronteira, enquanto Fable 5.1, Mythos 5.1 e Opus 5 lideram em inteligência geral. Os números de julho de 2026 abaixo seguem válidos como referência de benchmark cruzado, com esse contexto atualizado em mente.

Aqui está a parte que a maioria dos artigos brasileiros sobre o tema não mostra com detalhe: os números reais, cruzados entre múltiplas fontes independentes (não apenas os números divulgados pela própria Moonshot).

Índice Geral de Inteligência (Artificial Analysis)

Resposta direta: no Índice Geral de Inteligência da Artificial Analysis, medido no lançamento em julho de 2026, o Kimi K3 pontuou 57, ficando atrás apenas de Claude Opus 5, Claude Fable 5 e GPT-5.6 Sol, e à frente de todos os outros modelos de peso aberto testados. Veja a tabela completa abaixo.

O Kimi K3 fica atrás apenas dos três modelos proprietários mais avançados do mercado (Claude Opus 5, Claude Fable 5 e GPT-5.6 Sol), e à frente de todos os concorrentes de peso aberto, incluindo o próprio GLM-5.2 e o DeepSeek V4 Pro.

Velocidade de saída

Aqui o Kimi K3 perde feio: cerca de 33 tokens por segundo, contra 55 do Claude Opus 5 e 81 do GPT-5.6 Sol. Na prática, é o modelo mais lento entre os concorrentes de fronteira, o que pode atrapalhar em aplicações que exigem resposta em tempo real.

Vale notar uma diferença prática que o número bruto de tokens/segundo não captura: o tempo até a primeira resposta (“time to first token”) costuma pesar mais na experiência do usuário do que a velocidade de geração pura. Modelos com modo de raciocínio sempre ativo, como o K3, tendem a começar a responder mais rápido visualmente, mesmo com throughput menor algo relevante se você constrói um produto com indicador de carregamento visível.

Programação (coding)

O Kimi K3 tem desempenho notavelmente forte em código. No Program Bench, atingiu 77,8 pontos, superando o GPT-5.6 Sol (77,6) e o Claude Fable 5 (76,8). No SWE Marathon, um benchmark de tarefas de codificação de longa duração, o K3 marcou 42,0 contra 40,0 do Claude Opus 4.8.

Vale uma ressalva: tanto o Program Bench quanto o SWE Marathon são benchmarks com números auto-reportados pela própria Moonshot, usando “harnesses” (estruturas de agente) que podem variar de modelo para modelo analistas independentes apontam que essa escolha de harness pode alterar o resultado em até 10 a 26 pontos.

Não invalida os números, mas eles devem ser lidos como indicativos de desempenho, não como comparação 100% isométrica. No ranking Frontend Code Arena, que usa votação cega de humanos comparando interfaces geradas, o K3 ficou em segundo lugar geral (Elo 1.681,6), atrás apenas do Claude Opus 5 (1.725,3) e à frente do Claude Fable 5, GPT-5.6 Sol e GLM-5.2 (classificação verificada em 29/07/2026, sujeita a mudanças conforme o Arena atualiza os placares).
(classificação verificada em 29/07/2026, sujeita a mudanças conforme o Arena atualiza os placares)

Onde o Kimi K3 ainda perde

Vale ser honesto: no benchmark GDPval-AA v2, que mede desempenho em tarefas profissionais reais, o Claude Fable 5 marcou 1.760 pontos contra uma faixa de 1.668 a 1.684 do Kimi K3. A própria Moonshot reconhece publicamente que o desempenho geral do K3 permanece abaixo do Claude Fable 5 e do GPT-5.6 Sol quando se olha para o conjunto completo de tarefas, não só código.

Comparado diretamente ao Claude Opus 4.8 o modelo que a maioria dos usuários pagantes ainda usa no dia a dia , o Kimi K3 lidera em 7 de 10 benchmarks cruzados, incluindo BrowseComp, FrontierSWE, GDPval-AA e Toolathlon, enquanto o Opus 4.8 ainda vence em GPQA Diamond e Humanity’s Last Exam, provas focadas em conhecimento acadêmico avançado.

Em resumo: o Kimi K3 não é o modelo mais inteligente do mundo, mas é, hoje, o modelo aberto mais competitivo já lançado, com destaque real em programação e uma relação custo-benefício por tarefa que poucos concorrentes conseguem igualar.

Kimi K3 é Open Source de Verdade? A Diferença Entre “Open Weight” e “Open Source”

Esse é um ponto que muita gente confunde, inclusive em textos técnicos. O Kimi K3 é um modelo de peso aberto (“open weight”), não open source no sentido estrito do termo. Isso significa que você pode baixar os parâmetros treinados do modelo e rodá-lo (ou ajustá-lo, via fine-tuning) em sua própria infraestrutura, mas o código de treinamento, os dados usados e a metodologia completa não são publicados.

Os pesos completos do Kimi K3 foram liberados no Hugging Face em 26 de julho de 2026, dez dias após o anúncio inicial e um dia antes do prazo que a própria Moonshot havia dado (27 de julho), totalizando cerca de 1,56 TB distribuídos em 96 arquivos safetensors, sob uma licença própria chamada Kimi K3 License, que impõe condições específicas de uso comercial. Antes dessa data, nenhum model card, checkpoint ou licença estava efetivamente disponível ao público, apenas os números de benchmark divulgados pela empresa.

Se seu projeto depende de uma licença permissiva no estilo Apache 2.0 ou MIT, vale ler os termos da Kimi K3 License com atenção antes de integrar o modelo em um produto comercial.

Como Usar o Kimi K3 no Brasil (Passo a Passo)

Resposta direta: o jeito mais rápido de usar o Kimi K3 no Brasil é criar uma conta grátis em kimi.com e testar direto pelo chat, sem precisar de cartão de crédito. Para integrar o modelo em um produto ou automação, o caminho é gerar uma chave de API em platform.moonshot.cn ou usar um agregador como o OpenRouter. Veja o passo a passo completo de cada opção logo abaixo.

Vale um aviso antes de começar: a Moonshot não divulga benchmarks específicos para português, então a melhor forma de avaliar a qualidade para o seu caso é testar seus próprios prompts na camada gratuita antes de qualquer migração.

Existem três formas principais de acessar o modelo a partir daqui:

Opção 1: Interface de chat gratuita (para testar sem custo)

1. Acesse kimi.com
2. Crie uma conta gratuita (é possível entrar direto com login do Google, sem necessidade de cartão de crédito)
3. Selecione o modelo K3 na interface de conversa
4. Use normalmente para tarefas de texto, análise de documentos e geração de conteúdo

Essa opção cobre quem busca “kimi ai gratis” ou “kimi k3 gratis”: o acesso via chat na plataforma oficial não exige pagamento para uso básico, apenas a API tem custo por token.

Opção 2: Acesso via API (para desenvolvedores e integrações)

1. Crie uma conta em platform.moonshot.cn
2. Gere sua chave de API na seção de desenvolvedores
3. Configure o endpoint seguindo a documentação oficial (compatível com o formato usado por outras APIs de IA populares, o que facilita a migração de código já existente)
4. Use tokens em cache sempre que possível para prompts de sistema repetidos, isso reduz o custo em até 90%

Dica prática de teste comparativo: antes de migrar totalmente para o Kimi K3, rode o mesmo prompt real do seu fluxo de trabalho no K3 e no modelo que você usa hoje (Claude, GPT ou DeepSeek), e compare lado a lado. Um teste concreto na sua própria tarefa diz mais do que qualquer benchmark genérico.

Opção 3: Provedores alternativos (para quem busca a melhor oferta ou mais velocidade)

A API oficial não é a única porta de entrada. O Kimi K3 já roda em pelo menos nove provedores diferentes, cada um com um equilíbrio próprio entre preço, velocidade e infraestrutura:

Para uso ocasional, a API oficial ou o OpenRouter (identificador do modelo: moonshotai/kimi-k3) são o caminho mais simples de integrar. Para volume alto e sensibilidade a custo, vale comparar o preço médio ponderado entre provedores antes de fechar contrato: a diferença de velocidade entre o provedor mais rápido e o mais lento já passa de 4 vezes, e o preço “sem cache” pode ser bem mais alto que o anunciado se o seu fluxo não reaproveitar contexto.

Guia Prático do Kimi K3 por Área de Uso

Resposta direta: o Kimi K3 rende mais em quatro frentes específicas: programação e refatoração de código, criação de conteúdo multimodal, agentes autônomos de múltiplas etapas e análise de documentos longos. Veja o que muda na prática em cada uma delas a seguir.

Para desenvolvedores e times de programação

O ponto forte comprovado do Kimi K3 é código, especialmente em tarefas de longa duração (SWE Marathon) e geração de frontend. Se seu time trabalha com refatoração de bases de código grandes, a janela de 1 milhão de tokens permite carregar repositórios inteiros de uma vez, algo que a maioria dos modelos concorrentes não sustenta sem perder qualidade de resposta. Vale testar primeiro em tarefas de revisão de código e geração de testes automatizados, onde o modelo demonstrou desempenho consistente nos benchmarks independentes.

Para criadores de conteúdo e marketing

As capacidades nativas de visão e multimodalidade tornam o Kimi K3 útil para analisar imagens e vídeos junto com texto em um único fluxo, por exemplo, para gerar descrições de produtos a partir de fotos ou analisar criativos de campanhas publicitárias. Como o custo por tarefa é competitivo, faz sentido para operações de conteúdo em volume, desde que o tempo de resposta mais lento (33 tokens/segundo) não seja um problema crítico para o seu fluxo.

Para empresas com agentes de IA e automação

O modelo apresenta desempenho de destaque em benchmarks de agentes gerais, vencendo três de seis testes avaliados. Para fluxos que dependem de múltiplas etapas encadeadas (por exemplo, um agente que pesquisa, analisa e depois gera um relatório), a combinação de contexto longo com bom desempenho em raciocínio agente é um diferencial real. Antes de colocar em produção, vale rodar testes de carga considerando a velocidade de saída mais baixa em relação a outros modelos de fronteira.

Para pesquisadores e análise de documentos extensos

Com 1 milhão de tokens de contexto, o Kimi K3 consegue processar de uma vez conjuntos de documentos que exigiriam divisão em partes em outros modelos, por exemplo, um conjunto completo de contratos jurídicos ou uma coleção de artigos científicos relacionados. Isso reduz a necessidade de técnicas complexas de recuperação (RAG) para casos de uso mais simples de análise documental.

Kimi K3 é Seguro para Dados Sensíveis de Empresas? Como Funciona a Segurança dos Dados

O Kimi K3 não tem um “sistema de segurança” divulgado como produto o que existe, na prática, é uma política de dados que vale entender antes de usar o modelo com informações sensíveis.

Pelos termos oficiais da Moonshot, o conteúdo enviado no chat e na API hospedada (prompts, arquivos, imagens) pode ser usado para treinar e melhorar os modelos da empresa por padrão, sem opção de desativar isso diretamente nas configurações da conta pessoal. Empresas que precisam de garantia de exclusão do treinamento podem negociar isso via um acordo empresarial dedicado com a Moonshot, mas não é o padrão automático, diferente de provedores como OpenAI e Anthropic, que já excluem o tráfego da API do treinamento por padrão.

Outro ponto relevante: ao usar a API ou o chat hospedados, os dados passam por servidores sujeitos à legislação chinesa. Para empresas brasileiras que lidam com dados de clientes sob a LGPD, isso não impede o uso do modelo, mas é um fator a considerar na análise de risco, especialmente para dados de saúde, jurídicos ou financeiros.

Se a privacidade dos dados for crítica para o seu caso, a alternativa mais segura é rodar o modelo localmente a partir dos pesos abertos publicados no Hugging Face: nesse cenário, nenhuma informação sai da sua própria infraestrutura. Fora isso, os três pontos básicos continuam valendo para qualquer modelo estrangeiro, não só o Kimi K3: onde os dados são processados, os termos de retenção da plataforma, e a revisão desses termos pelo time jurídico da empresa antes de qualquer uso em produção com dados de clientes.

Kimi K3 e a Disputa com a Anthropic: O Que Você Precisa Saber

Antes de confiar dados sensíveis a qualquer modelo chinês, vale conhecer o pano de fundo: em fevereiro de 2026, a Anthropic acusou publicamente a Moonshot AI, ao lado da DeepSeek e da MiniMax, de conduzir ataques de “destilação” em larga escala contra o Claude, usando cerca de 24 mil contas fraudulentas para gerar mais de 16 milhões de interações e extrair conhecimento do modelo. Segundo a própria Anthropic, o volume atribuído especificamente à Moonshot ultrapassou 3,4 milhões dessas trocas.

A Moonshot não respondeu publicamente à acusação, e a Embaixada da China em Washington classificou alegações do tipo como “pura calúnia”. Vale frisar: destilação em si é uma técnica legítima e usada até pelos próprios laboratórios ocidentais; o que a Anthropic contesta é o uso de contas fraudulentas para obtê-la em violação aos termos de serviço. Para quem avalia o Kimi K3 num contexto corporativo, esse pano de fundo geopolítico pesa tanto quanto a política de retenção de dados descrita acima.

anthropic

Vale a Pena Usar o Kimi K3 Hoje? Prós e Contras

Resposta direta: sim, vale a pena testar o Kimi K3 hoje se a sua prioridade é código ou custo por tarefa. Se você depende do maior desempenho geral disponível no mercado, os novos Claude Fable 5.1 e Claude Mythos 5.1, lançados pela Anthropic em setembro de 2026, ainda lideram esse quesito. Veja o resumo completo dos prós e contras abaixo.

Pontos fortes:

• Melhor relação custo por tarefa entre os modelos de fronteira (US$ 0,94, quase metade do Claude Opus 4.8)
• Desempenho de destaque em programação, superando modelos proprietários em benchmarks específicos
• Janela de contexto de 1 milhão de tokens, entre as maiores disponíveis atualmente
• Acesso gratuito via chat para testes, sem necessidade de cartão de crédito
• Pesos abertos disponíveis para quem quer rodar em infraestrutura própria

Pontos fracos:

• Velocidade de saída mais baixa que a concorrência direta (33 tokens/segundo)
• Ainda atrás de Claude Fable 5 e GPT-5.6 Sol no desempenho geral, fora de código
• Não é open source no sentido estrito, e sim open weight sob licença própria
• Preço da API mais alto que outros modelos chineses como o DeepSeek V4 Pro
• Empresa relativamente jovem, com histórico mais curto de estabilidade de produto em comparação a OpenAI e Anthropic

Perguntas Frequentes sobre o Kimi K3: Preço, Segurança e Comparação com Claude (2026)

Conclusão: O Que o Kimi K3 Muda no Mercado de IA em 2026

O Kimi K3 não é apenas mais um lançamento chinês na disputa por tamanho de modelo. Ele marca uma virada de estratégia: em vez de competir só por preço baixo, como o DeepSeek fez em 2025, a Moonshot decidiu competir por desempenho de fronteira cobrando preços próximos aos dos laboratórios ocidentais e ainda assim mais baratos por tarefa completa. Isso acontece, aliás, num momento em que a própria Moonshot negocia uma rodada pré-IPO de até US$ 50 bilhões, sinal de que o mercado está apostando pesado nessa estratégia. Atualização de setembro de 2026: pouco depois, a Anthropic respondeu lançando o Claude Fable 5.1 e o Claude Mythos 5.1, reforçando que a disputa pelo topo do desempenho segue acirrada dos dois lados.

Para quem trabalha no Brasil com desenvolvimento, criação de conteúdo ou automação com IA, o Kimi K3 já é uma opção real de teste hoje, não uma promessa distante: a camada gratuita permite avaliar a qualidade sem custo, os pesos completos já estão publicados no Hugging Face, e a API está disponível para quem precisa integrar o modelo em produtos inclusive através de gateways unificados que dão acesso ao K3 e ao Claude com a mesma chave.

O que ainda falta ver é como o modelo se comporta em produção, ao longo do tempo, com volumes reais de uso e no seu caso específico sem contar que o pano de fundo da disputa entre Moonshot e Anthropic sobre destilação de modelos é um fator extra a pesar para uso corporativo. Os números aqui reunidos, cruzados entre a Moonshot, a Artificial Analysis e veículos independentes, dão uma base sólida para decidir, mas o teste final é sempre o seu próprio fluxo de trabalho rodando no modelo.

Se este guia te ajudou a entender o cenário completo antes de decidir, o próximo passo natural é rodar seu próprio teste comparativo hoje mesmo e, se quiser ir além do benchmark genérico, [confira nosso pacote de prompts para comparar modelos de IA], feito para acelerar exatamente esse tipo de teste.
https://iadobrasil.com/e-book/
https://iadobrasil.com/prompts-pdf/
https://iadobrasil.com/guias-pdf/
https://iadobrasil.com/materiais-gratis/

Divulgação: este artigo contém links de afiliados; comprar através deles pode gerar comissão sem custo adicional para você.

Ficou com alguma dúvida? Se quiser tirar dúvidas diretamente, clique aqui para nos contatar por e-mail. Se preferir uma resposta mais rápida, fale com um de nossos agentes ou converse com nosso assistente de IA no chat, disponível no canto inferior direito da página.