Moonshot AI publica pesos do Kimi K3.1 Pro no Hugging Face
A Moonshot AI publicou os pesos do modelo Kimi K3.1 Pro no Hugging Face, mas a execução local exige hardware extremamente potente e caro.
A Moonshot AI publicou os pesos do modelo Kimi K3.1 Pro no Hugging Face. No entanto, executar o modelo localmente exigirá um investimento considerável.
O modelo tem 2,8 trilhões de parâmetros, e apenas os pesos ocupam, segundo os dados disponíveis, cerca de 1,56 TB.
Para a execução, é possível usar um servidor com oito NVIDIA B300 e 2,3 TB de memória de vídeo no total.
O custo desse hardware é estimado entre US$ 550.000 e US$ 650.000.
Assim, os pesos abertos estão disponíveis, mas a barreira prática para inferência local continua muito alta.
Por que isso importa
AnáliseA publicação mostra que modelos de IA em escala de fronteira podem ser abertos em pesos, mas permanecem inacessíveis para usuários locais devido aos requisitos de GPU e ao custo.
Debater na comunidade
Compartilhe suas dúvidas e insights com desenvolvedores
Relacionado no ecossistema
Guias práticos, terminologia essencial e skills de agentes
Entendendo o Hugging Face e os Transformers: da execução às arquiteturas
Guia passo a passo para quem deseja compreender como funcionam os modelos de linguagem modernos (BERT, GPT e outros), bem como executá-los, utilizá-los e adaptá-los às suas próprias tarefas, utilizando a biblioteca Transformers e a plataforma Hugging Face.
Hugging Face Hub
Plataforma líder mundial e repositório aberto para a comunidade de inteligência artificial (o \"GitHub das redes neurais\"). Contém centenas de milhares de modelos, conjuntos de dados e demonstrações web gratuitas (Spaces), com suporte a todos os principais frameworks de IA.
Kimi K3.1 Pro: Moonshot atualiza modelo para ferramentas 3D
Moonshot lançou o Kimi K3.1 Pro com foco em ferramentas 3D, pós-treinamento atualizado e arquitetura Gated DSA para melhorar a eficiência em contextos longos.
Pesquisadores do MIT mostram que um LLM pode ler e editar pesos de modelos sem treinamento
O MIT CSAIL apresentou Weight-Space Programming: Astra leu e alterou os pesos do Qwen3.5-0.8B sem gradiente descendente nem fine-tuning, melhorando os resultados em benchmarks matemáticos.