Laboratório · Moonshot AI
arxiv arXiv cs.LG · há 18 d · 3 visualizações

Moonshot AI lança Kimi K3, um modelo MoE de 2,8T parâmetros com contexto de milhão de tokens

A Moonshot AI apresentou o Kimi K3, um modelo Mixture-of-Experts de código aberto com 2,8 trilhões de parâmetros totais e 104 bilhões de parâmetros ativados por token. O modelo oferece capacidades nativas de visão e uma janela de contexto de 1 milhão de tokens, aproveitando o Kimi Delta Attention e o Stable LatentMoE para alcançar uma eficiência de escalabilidade aproximadamente 2,5 vezes superior à do seu antecessor, Kimi K2.

media Together AI Blog · há 21 d · 8 visualizações

Kimi K3 iguala Claude Fable 5 na qualidade do DeepSWE com um terço do custo

O Kimi K3, um modelo de pesos abertos da Moonshot AI, alcança desempenho comparável ao Claude Fable 5 da Anthropic no benchmark DeepSWE, enquanto custa significativamente menos por tarefa. Em uma avaliação de 16 de julho de 2026, o Kimi K3 atingiu 68,5% de pass@1 em comparação com os 69,9% do Fable 5, mas superou-o em cenários de múltiplas tentativas e ofereceu maior eficiência de custo.

media The Batch · há 21 d LMSYS Arena (Elo) · 1760.0Elo · 3 visualizações

Kimi K3 é lançado como o maior modelo de pesos abertos; Muse Spark 1.1 é liberado

A Moonshot AI apresentou o Kimi K3, um modelo de visão e linguagem com 2,8 trilhões de parâmetros, disponível via API com os pesos prometidos para 27 de julho, posicionando-o como o maior modelo de pesos abertos conhecido até o momento. Concurrentemente, a Meta lançou o Muse Spark 1.1, um modelo de visão e linguagem treinado para tarefas agênticas, junto com seu primeiro acesso pago à API de Modelos da Meta.

media Latent Space · há 29 d · 3 visualizações

Moonshot AI lança Kimi K3, um modelo de fronteira aberta com 2,8T parâmetros

A Moonshot AI apresentou o Kimi K3, um novo modelo de pesos abertos de classe fronteira com 2,8 trilhões de parâmetros totais e capacidades nativas de entrada multimodal. Oficialmente posicionado como "Inteligência Fronteira Aberta", o modelo suporta uma janela de contexto de 1 milhão de tokens e utiliza componentes arquiteturais inovadores, como Kimi Delta Attention (KDA) e Attention Residuals, para melhorar a eficiência.