> ## Documentation Index > Fetch the complete documentation index at: https://docs.tess.im/llms.txt > Use this file to discover all available pages before exploring further. # Kimi K3.1 Pro > Conheça o Kimi K3.1 Pro, o primeiro modelo da série K3.1: terminal, peça em 3D a partir de vistas e documento financeiro. Kimi K3.1 Pro é o primeiro modelo da série K3.1. A Moonshot o descreve como o modelo de pesos abertos mais capaz da classe 3T até agora, com janela de 1 milhão de tokens. Nesta página, ele entra em **terminal, peça em 3D a partir de vistas e documento financeiro**. | **Modelo do provider** `kimi-k3.1-pro` | **Contexto** 1 milhão de tokens | **Saída** Texto | **Provider** Moonshot AI | | :- | :- | :- | :- | | **Entrada** Texto e imagem | **Reasoning** Sim | **Família** Primeiro K3.1 | **Pesos** Anunciados até 4 de novembro de 2026 | A Artificial Analysis ainda classifica o modelo como proprietário e registra entrada de texto e imagem, saída de texto e contexto de 1 milhão de tokens. A Moonshot diz que os pesos saem até 4 de novembro de 2026. O anúncio não traz a licença. Confira o model card quando os pesos chegarem. ## Quando usar o K3.1 Pro e quando usar o Opus 5.5 O K3.1 Pro entra quando a tarefa é um comando no terminal com testes que já existem, uma peça reconstruída a partir de vistas ou um parecer sobre documentos financeiros. O Claude Opus 5.5 continua à frente nas duas provas em que a Moonshot publica os dois lado a lado. | | Kimi K3.1 Pro | Claude Opus 5.5 | | - | - | - | | Melhor para | Terminal, CAD a partir de vistas e documento financeiro | Julgamento aberto e o código em que o Opus ainda lidera a tabela da Moonshot | | Entrada | Texto e imagem | Texto e imagem | | Contexto | 1 milhão de tokens | 1M | | Velocidade | 41,4 tokens por segundo na Artificial Analysis | Mais rápido nessa faixa | > [!TIP] > > Use o `kimi-k3.1-pro` quando a tarefa é um dossiê ou uma mudança com testes. Use o `kimi-k3.1-pro-highspeed` quando alguém está esperando a resposta. ## O que a Moonshot mediu Os números abaixo são os publicados pela Moonshot, com esforço de raciocínio max, temperature 1,0 e top-p 0,95. Várias notas de outros modelos foram tiradas de blogs ou de leaderboards oficiais, não do mesmo harness. ### Terminal No Terminal-Bench 4.0, com o harness Claude Code, a Moonshot mediu 65,7%. Na tabela dela, o GPT-6 Astra fica em 58,2% e o Claude Opus 5.5 em 66,4%. As notas dos outros modelos são o máximo que cada um publicou no blog ou no leaderboard oficial. Não trate os três como a mesma rodada. No Kimi Code Bench 3.0, prova interna de execução em várias etapas e uso de ferramenta, o K3.1 Pro marcou 61,2%, contra 55,95% do K3. ### Peça em 3D No BenchCAD, reconstrução 3D a partir de renderizações por código CAD, a Moonshot mediu 92,7% com tools, num subconjunto de 1.000 arquivos. Na mesma conta, o Claude Opus 5.5 fica em 96,2% e o GPT-6 Astra em 95,9%. Sem tools, o K3.1 Pro fica em 72,8% e o Opus 5.5 em 73,0%. ### Documento financeiro No OfficeQA Pro v2, análise de documentos financeiros reais entregues como imagem, a Moonshot mediu 64,4 e chamou o resultado de estado da arte. No Frontier Finance, 58,6. Nas provas internas, o K3.1 Pro sobe 7,2 pontos em modelagem financeira (57,6 contra 50,4 do K3) e 11,6 pontos em pesquisa financeira (70,4 contra 58,8). Em operação de negócio simulada, a Moonshot relata cerca de 4,2 vezes o resultado do K3 (37 contra 8,9). No Kimi Hallu Bench Hard, um teste de estresse interno, a taxa de alucinação por afirmação com tools caiu de 23,4% no K3 para 8,3%. A parcela de respostas com pelo menos um erro factual ficou em 42,4% da taxa do antecessor. Na mesma prova com tools, a Moonshot lista o GPT-6 Astra em 5,5% e o Opus 5.5 em 15,0%. Sem tools, lista Astra 4,2%, K3.1 Pro 5,4% e Opus 5.5 6,8%. A Moonshot diz que a prova foi feita para provocar erro e que essas taxas não são as do uso comum. ### O que ficou de fora de propósito Para o lançamento com pesos abertos, a Moonshot diz ter removido dados de cibersegurança do treinamento intermediário e da mistura de ambientes de aprendizado por reforço, e mantido as tarefas gerais de programação. Ela afirma que a capacidade ofensiva do modelo lançado fica atrás de modelos proprietários de ponta que já estavam públicos há pelo menos três meses. Esta página não descreve essas tarefas. ## O que a Artificial Analysis mediu | Benchmark | Kimi K3.1 Pro | O que avalia | Fonte | | - | -: | - | - | | Terminal-Bench 4.0 | **65,7%** | Coding em terminal | Moonshot | | BenchCAD, com tools | **92,7%** | CAD a partir de vistas | Moonshot | | BenchCAD, sem tools | **72,8%** | O mesmo, num único passo | Moonshot | | OfficeQA Pro v2 | **64,4** | Documentos financeiros | Moonshot | | Intelligence Index | **55** | Índice agregado | Artificial Analysis | A Artificial Analysis marcou **55 no Intelligence Index**, em 4º lugar entre 220 modelos da mesma classe. A mediana da faixa é 28. Nessa rodada o modelo gerou 150 milhões de tokens de saída, contra uma mediana de 81 milhões. O custo médio foi de 2,11 dólares por tarefa do índice. A velocidade de saída foi de 41,4 tokens por segundo, em 186º lugar entre 192. A mediana da faixa fica perto de 85. Essa medição é do `kimi-k3.1-pro`, não da variante Highspeed. > [!NOTE] > > A tabela mistura números da Moonshot com o Intelligence Index da Artificial Analysis. As notas de outros modelos no Terminal-Bench e no BenchCAD nem sempre saem do mesmo harness. Os resultados dependem do harness, das tools e do esforço. Valide no seu fluxo antes de trocar uma configuração em produção. ### Onde ele não lidera * A 41,4 tokens por segundo, o Pro padrão é lento. A Highspeed existe para quando a espera é o problema. * 150 milhões de tokens de saída no índice, contra 81 milhões de mediana, é um modelo verboso. O preço da tarefa sobe com o texto. * No Terminal-Bench 4.0 da tabela da Moonshot, 65,7% fica atrás dos 66,4% do Opus 5.5. No BenchCAD com tools, 92,7% fica atrás de 96,2% e 95,9%. * No teste de estresse factual com tools, 8,3% ainda fica acima dos 5,5% que a Moonshot lista para o Astra. * Os pesos ainda não saíram. A Artificial Analysis segue classificando o modelo como proprietário. ## Onde ele gera mais valor ### Uma mudança no terminal, com testes O comportamento está descrito e os testes já existem. O K3.1 Pro edita, roda a verificação e para se a segunda tentativa falhar. **Resultado esperado:** o diff dentro do escopo e os testes pedidos passando. ### Uma peça a partir das vistas O desenho ou a renderização mostra a forma. O modelo devolve medidas, o que a imagem não mostra e o script, sem tratar o arquivo como pronto para impressão. **Resultado esperado:** a lista do que está na vista e a lacuna do que falta medir. ### Um parecer sobre os documentos A pergunta é financeira e a resposta tem de sair dos arquivos. O modelo cita o trecho e lista o que não encontrou. **Resultado esperado:** cada número com origem, sem recomendação de investir. ## Como aplicar na Tess **1. Escolha terminal, peça ou dossiê** Prefira uma mudança com testes, uma peça a partir de vistas ou um parecer sobre documentos. Para uma resposta curta com alguém esperando, use a Highspeed. **2. Feche o que conta como pronto** Diga o resultado, os arquivos que podem mudar e a prova que encerra a tarefa. **3. Defina tools e aprovações** Habilite apenas as ferramentas necessárias. Exija confirmação antes de enviar, publicar ou alterar dados. **4. Mantenha um esforço por sessão** As notas publicadas usam esforço max. Trocar o nível no meio da sessão descarta o cache, segundo o guia da DataCamp a partir da documentação do Kimi Code. **5. Amostre antes de soltar** Rode um caso inteiro, confira o que mudou e só então repita o fluxo. ## Três playbooks para começar ### 1. Mudança no terminal com testes **Entrada:** o repositório, o comportamento esperado e os testes que já existem.\ **Tools:** leitura, edição e execução dos testes. ```text theme={null} Implemente apenas o comportamento descrito. Edite os arquivos necessários e rode os testes citados. Se um teste falhar, corrija e rode de novo. Se falhar uma segunda vez, pare e diga o que quebrou. Não refatore o que não foi pedido. ``` **Pronto quando:** os testes pedidos passam e o diff fica dentro do escopo. ### 2. Peça a partir das vistas **Entrada:** as vistas ou o esboço, e a lista do que medir.\ **Tools:** leitura das imagens. ```text theme={null} Descreva a peça só com o que as vistas mostram. Devolva cada medida com a vista de origem. Se uma cota não aparecer, escreva "a imagem não informa". Não trate o resultado como pronto para impressão e não altere os arquivos de origem. ``` **Pronto quando:** cada medida tem uma vista, ou a ausência está escrita. ### 3. Parecer com citação **Entrada:** os documentos financeiros e a pergunta.\ **Tools:** leitura de arquivos. ```text theme={null} Responda só com o que está nos documentos. Cite o trecho de cada número. Se a resposta não estiver nos arquivos, diga que não encontrou. Não complete com conhecimento geral e não dê recomendação de investir. ``` **Pronto quando:** cada fato tem origem e a ausência de dado fica explícita. ## Limitações e boas práticas * O preço de tabela na API da Kimi é de 2 dólares na entrada e 10 dólares na saída por 1 milhão de tokens. A leitura de cache sai a 0,20 dólar. A DataCamp registra que esse preço é plano em toda a janela e fica abaixo dos 3 dólares de entrada e 15 dólares de saída do K3. * A Highspeed é mais rápida e, na conta da DataCamp, custa mais. Use essa variante quando a espera for o limite. * No Kimi Enterprise, o acesso ao K3.1 Pro nasce desligado. Um administrador precisa habilitar. * O modelo escreve muito. Peça a resposta no formato, para não pagar texto que ninguém vai ler. * Mantenha aprovação humana para decisões financeiras, jurídicas, clínicas ou de alto impacto. Veja também: [Modelos e Custos](https://docs.tess.im/pt/models-and-cost.md) · [Kimi K3](https://docs.tess.im/pt/kimi-k3.md) · [Claude Opus 5.5](https://docs.tess.im/pt/claude-opus-5-5.md) · [Kimi K3.1 Pro — Moonshot](https://www.kimi.ai/blog/kimi-k3-1-pro) · [Kimi K3.1 Pro — Artificial Analysis](https://artificialanalysis.ai/models/kimi-k3-1-pro). This documentation is built and hosted on [Mintlify](https://mintlify.com), a developer documentation platform.