Modelos gratis e novos provedores da semana (06/11)

Kimi K3.1 Pro liberou os pesos em 4 de novembro

A Moonshot informou no anúncio do Kimi K3.1 Pro que os pesos completos seriam liberados até 4 de novembro. O model card da Moonshot AI no Hugging Face já está disponível, então o item entra como modelo open-weight da semana, não apenas como acesso fechado pelo produto Kimi.

A release oficial apresenta o K3.1 Pro como um modelo para programação, uso agêntico, raciocínio e trabalho com documentos. A empresa relata 65,7% no Terminal-Bench 4.0 e 92,7% no BenchCAD com ferramentas. Esses números são avaliações da própria Moonshot, úteis como referência inicial, mas não equivalem a um benchmark independente.

O custo depende do caminho escolhido. Para baixar e executar os pesos, a fonte não lista uma tarifa de licença. Para a API hospedada, a página oficial de preços da Kimi informa US$ 2,00 por 1 milhão de tokens de entrada (R$ 10,20) e US$ 10,00 por 1 milhão de tokens de saída (R$ 51,00), usando a referência de US$ 1 = R$ 5,10.

Para quem programa, a diferença mais importante é operacional. Pesos abertos permitem testar quantização, servir localmente e conectar o modelo ao próprio harness. A API reduz a operação de GPU, mas muda a conta para tokens e exige revisar retenção de dados, limites e disponibilidade por região.

ERNIE 5.5 Flash Base chegou em 5 de novembro

A Baidu publicou o ERNIE 5.5 Flash Base em 5 de novembro como um checkpoint base de pesos públicos. Ele usa uma arquitetura Mixture of Experts esparsa, com 280 bilhões de parâmetros totais e 14 bilhões ativados por token.

O pré-treinamento foi feito em 33,5 trilhões de tokens, com contexto de treinamento de até 128 mil tokens. Para ajuste fino e inferência, a Baidu informa suporte a contexto de 1 milhão de tokens. O ponto importante é que o checkpoint termina no pré-treinamento, sem mid-training ou post-training.

Isso torna o ERNIE mais interessante para equipes que querem construir em cima do modelo do que para quem procura um chatbot pronto. O download aparece como parte do lançamento, sem preço de licença informado na página. O custo real depende de armazenamento, GPUs, quantização, ajuste e das regras do Model License Agreement.

O rótulo correto é pesos públicos sob licença própria. Não é seguro tratá-lo automaticamente como open source no sentido de uma licença aprovada pela OSI. O post individual do Bridge Code sobre o ERNIE 5.5 Flash Base detalha os benchmarks divulgados e os limites da comparação.

Axion 1.0 abriu a receita, não um download pronto

Em 2 de novembro, o paper Axion 1.0 no arXiv e o repositório oficial no GitHub apresentaram um modelo denso de 35 bilhões de parâmetros treinado em 5,6 trilhões de tokens, junto com uma proposta de reprodução aberta do processo de treinamento.

A distinção importa. O projeto abre pesquisa, código e parte dos artefatos necessários para estudar a receita, mas o material consultado não confirma um checkpoint oficial pronto para baixar e usar. Por isso, Axion entra nesta retrospectiva como pesquisa e infraestrutura open, não como modelo free disponível para produção.

Esse caso mostra por que a palavra aberto precisa de contexto. Código aberto, dados documentados, receita reproduzível e pesos publicados são camadas diferentes. Para escolher um modelo, vale conferir cada uma delas antes de calcular custo ou prometer execução local.

Shackleton AI e ORO disputam a infraestrutura de agentes

Em 4 de novembro, a Shackleton AI anunciou sua saída do stealth. A empresa se descreve como um laboratório de pesquisa focado em otimização de longo horizonte, uma área ligada a tarefas que exigem planejamento, execução e correção por muitas etapas. O anúncio não trouxe um modelo free nem uma tabela pública de preços.

Na mesma data, a ORO apresentou sua plataforma para ambientes de treinamento e avaliação de agentes. A proposta aproxima a empresa de um provedor de infraestrutura para reinforcement learning, com ambientes e testes voltados a medir agentes em tarefas mais longas. Também aqui, não há um novo modelo aberto identificado no anúncio.

A tendência é clara: além de competir por pesos, as empresas estão tentando controlar o ambiente em que os agentes aprendem e são avaliados. Para desenvolvedores, isso pode ser tão importante quanto o modelo, porque o resultado final depende de ferramentas, memória, sandbox, testes e critérios de sucesso.

O que ainda não entra como modelo free

A Thinking Machines anunciou o Inkling 2 Small em 5 de novembro, mas informou que os pesos começam fechados no Tinker. A empresa planeja liberar o modelo sob Apache 2.0 na semana seguinte. Portanto, ele é uma novidade relevante para acompanhar, mas não deve ser contado como modelo open source ou free disponível nesta semana.

O mesmo cuidado vale para APIs que oferecem créditos promocionais ou acesso temporário. Um modelo pode ser gratuito para experimentar e continuar fechado, ou pode ter pesos abertos e exigir uma infraestrutura cara. A comparação correta separa licença, disponibilidade, preço por token e custo de operação.

Como comparar os lançamentos sem cair no hype

O Kimi K3.1 Pro é o caso mais direto para testar agora: pesos públicos, model card acessível e API com preço divulgado. O ERNIE 5.5 Flash Base é mais adequado para quem aceita partir de um checkpoint base e assumir o trabalho de adaptação. Axion interessa a quem quer estudar a receita de treinamento, enquanto Shackleton e ORO apontam para a camada de ambientes e avaliação.

Para organizar a leitura, vale comparar o Kimi com o resultado do Kimi K3.1 Pro no Terminal-Bench 4.0 e observar como benchmarks de contexto longo, como o StateBench, limitam conclusões gerais. O resumo semanal anterior também ajuda a separar pesos, APIs e provedores.