O desenvolvimento de codificação e capacidades de agentes mudou significativamente os rankings de modelos no último ano. Como os agentes assumem cadeias de tarefas mais longas, modelos cada vez mais versáteis estão começando a corresponder às capacidades de multimodalidade nativa.
De acordo com um relatório da 36Kr, há uma divergência: Moonshot AI Kimi K3, Alibaba Qwen3.8-Max e ByteDance Doubao-Seed-2.1 decidiram adotar o treinamento multimodal nativo. Em contraste, DeepSeek, Zhipu e Tencent Hunyuan mantêm o formato de texto em seus últimos modelos universais.
Lian Wenfeng observou que para um treinamento de IA de qualidade, não é estritamente necessário ter um modelo global ou multimodalidade, mas reconheceu que a multimodalidade é, em última análise, necessária. As empresas concordam com o valor de longo prazo dessa abordagem, mas divergem sobre prazos e custos. Na fase de rápido aprimoramento da codificação, a escolha entre o treinamento síncrono de visão e a determinação do volume de investimento em modelo, dados e capacidade computacional define o caminho tecnológico dos principais modelos chineses.
A razão pela qual a multimodalidade nativa é importante reside na duração do raciocínio dos agentes. Ao executar tarefas com sequências longas, se o feedback for fornecido apenas no nível do código, os erros podem se acumular, levando a resultados finais muito ruins. A visão fornece um sinal de feedback muito mais preciso.
Quando os agentes geram páginas da web, controlam software e verificam os resultados da execução, a visão se transforma de um simples parâmetro de entrada fornecido pelo usuário em um mecanismo de feedback que o modelo usa para autoavaliação e correção de ações. Após o lançamento do Kimi K3, ele alcançou o primeiro lugar no ranking Arena Frontend Code com uma pontuação de 1679 pontos. Este ranking avalia não apenas a funcionalidade do código, mas também a correção da exibição da página.
Na plataforma de navegador Puter, cinco desvios visuais foram introduzidos nas páginas de teste; o Kimi K3 comparou a página alvo com um screenshot da página em funcionamento e detectou todos os cinco sem falsos positivos. A Moonshot AI chama este método de 'visão em ciclo': o modelo escreve o código, visualiza a página e, em seguida, continua a correção com base nos dados visuais.
Defensores de ferramentas visuais externas argumentam que os sistemas podem chamar OCR ou VLM independente através de um framework de agente ou MCP, convertendo imagens em texto ou coordenadas antes de passá-las ao modelo de texto. No entanto, essa abordagem modular tem limitações. Se uma ferramenta for chamada, restam dois modelos: um LLM que não vê e um modelo auxiliar capaz de ver.
Modelos multimodais nativos internos possuem um canal de comunicação mais amplo entre a entrada visual e o núcleo linguístico, em vez de comprimir primeiro a imagem em texto e depois passá-la para outro modelo. Essa diferença se manifesta mesmo após o treinamento. Se o modelo for capaz de fazer isso sozinho, o resultado será melhor. Em tarefas de longa cadeia que exigem múltiplas visualizações de tela, essa diferença torna-se mais evidente. Sem multimodalidade nativa, o modelo não tem olhos, e o feedback é limitado ao texto. Muitos resultados de usuários são visuais: páginas da web, imagens, vídeos. O modelo deve entender esses resultados e fornecer feedback a si mesmo.
A Moonshot AI lançou oficialmente o modelo Kimi K3 de código aberto. Este modelo possui 2,8 trilhões de parâmetros MoE, inclui 896 especialistas roteados e suporta 16 especialistas ativos por token, além de ter uma janela de contexto de 1 milhão de tokens. Além disso, foram lançadas as ferramentas de infraestrutura MoonEP, FlashKDA e AgentEnv.
O lançamento do Kimi K3 ocorreu em 27 de julho. O modelo tornou-se o maior do mundo entre modelos de pesos abertos. Em comparação com a geração anterior, K2.5, a escala de parâmetros do K3 aumentou aproximadamente três vezes, e a eficiência computacional aumentou 2,5 vezes graças ao uso das tecnologias Kimi Delta Attention, Attention Residuals e MoonEP, permitindo operar em condições de recursos computacionais limitados.
O relatório técnico revela várias novidades arquitetônicas. A estrutura híbrida de atenção KDA combinada com Gated MLA une a atenção linear para processamento eficiente de contexto longo e a atenção latente multi-cabeça com portões para obter uma representação local de alta qualidade. O mecanismo de roteamento Stable LatentMoE resolve o problema de colapso de especialistas, frequentemente encontrado no treinamento de grandes modelos MoE, estabilizando a dinâmica do gradiente do roteador. Além disso, o esquema de treinamento do codificador de visão MoonViT-V2 garante interpretação multimodal nativa sem a necessidade de adaptadores visuais e de linguagem separados. O modelo foi treinado e testado em tarefas de raciocínio universal, agentes e codificação, demonstrando a amplitude das capacidades do K3 além das tarefas puramente linguísticas.
Além do próprio modelo, três ferramentas de infraestrutura foram lançadas. O MoonEP é uma biblioteca de comunicação de alto desempenho projetada para treinamento MoE em larga escala, que elimina o gargalo de comunicação ponto a ponto que limita a escalabilidade do MoE. O FlashKDA fornece um núcleo de computação de alto desempenho para Kimi Delta Attention; de acordo com os benchmarks, em uma GPU H20, ele oferece uma melhoria na velocidade de pré-enchimento de 1,72 para 2,22 vezes em comparação com a versão base flash-linear-attention. O AgentEnv é um sistema de sandbox para agentes, desenvolvido usando KVCache.ai, que suporta funções rápidas de snapshot, restauração e fork para ambientes de treinamento de agentes em larga escala. Esses lançamentos de infraestrutura reduzem a barreira para a reprodução e o desenvolvimento futuro de modelos da classe K3.
O lançamento de código aberto tem implicações significativas para o ecossistema. O K3 corresponde ou supera modelos avançados fechados, como GPT-5.6 e Claude Fable 5, em vários testes específicos, especialmente na geração de código frontend. Ao mesmo tempo, o custo de uso do K3 via API é 40% menor do que o do Claude e 70% menor do que o do Fable. A licença de pesos abertos permite implantação local e o desenvolvimento de aplicativos próprios sem dependência de API. No entanto, devido à escala de 2,8 trilhões de parâmetros, mesmo a implementação local exige hardware significativo — pelo menos GPUs de classe 10 GB300 apenas para carregar o modelo, tornando os custos de infraestrutura de inferência o principal fator no deploy, em vez da taxa de API.
Este lançamento desencadeou uma reação em cadeia no ecossistema. A plataforma Qianwen AI da Alibaba Cloud anunciou a disponibilidade do K3. A Huawei anunciou a adaptação do Ascend 0-day para K3, sendo este o primeiro caso de lançamento de um modelo de nível de 3 trilhões em hardware doméstico. A comunidade de código aberto obteve acesso aos pesos do modelo, que anteriormente exigiam investimentos de centenas de milhões para reprodução. A Moonshot AI declarou que a iniciativa de código aberto visa promover o ecossistema de modelos de pesos abertos, reduzindo as barreiras de desenvolvimento e implantação para uma comunidade de IA mais ampla. No entanto, pouco depois, foi anunciado que o K3 suspendeu novas assinaturas de usuários devido a limitações de capacidade computacional, destacando a contradição entre os ideais de código aberto e a realidade de manter um modelo de 2,8 trilhões de parâmetros em escala.
