Avaliamos Kimi K3.1 Pro contra Kimi K3 em 66 tarefas de navegador

15 min de leitura
Ilustração em recortes de papel de um balão laranja do Kimi K3.1 Pro e um balão amarelo do Kimi K3 flutuando em um céu azul

Na nossa configuração de pi e ZenMux, escolheríamos Kimi K3.1 Pro em vez de Kimi K3 para concluir mais tarefas. Nas 26 tarefas em que ambos passaram, ele também teve menor tempo médio e menor custo médio estimado do modelo. Neste teste de Kimi K3.1 Pro vs. Kimi K3, contamos 66 tarefas, cada uma executada uma vez por modelo no ego-browser, totalizando 66 tentativas para cada modelo. Kimi K3.1 Pro passou em 38 das suas 66 tentativas (57.6%), e Kimi K3 passou em 27 (40.9%). Nas 26 tarefas em que ambos passaram, Kimi K3.1 Pro levou 400.6 segundos e custou $0.374 por tarefa, enquanto Kimi K3 levou 586.1 segundos e custou $0.578.

A maior diferença entre os modelos está em terminar o trabalho. Kimi K3 encerrou 27 das suas 66 tentativas sem resposta antes do limite de passos; 26 terminaram com uma nota de progresso como “SUSE done. Now Amazon Linux.” Isso aconteceu 0 vezes com Kimi K3.1 Pro. Nas 35 tarefas em que ambos deram uma resposta final, Kimi K3.1 Pro passou em 29 e Kimi K3 em 27.

O ponto fraco de Kimi K3.1 Pro são as tabelas longas que agora consegue terminar. Nas tarefas que coletam os mesmos campos de 8 sites ou mais, passou em 7 de 26 tentativas, contra 2 de Kimi K3. Dezessete das 24 respostas erradas de Kimi K3.1 Pro eram tabelas dessas tarefas, por isso conferiríamos as tabelas antes de usá-las. Em pesquisa exploratória, ambos passaram em 6 de 12; Kimi K3.1 Pro foi mais rápido e mais barato nas cinco tarefas em que ambos passaram.

O menor custo estimado do modelo vem dos preços de tabela mais baixos de Kimi K3.1 Pro. A Moonshot cobra por ele dois terços do preço de Kimi K3 em todos os tipos de token. Considerando as 66 tarefas, custou $0.772 por tarefa contra $0.871, embora tenha usado mais tokens nas tentativas que continuaram depois que as de Kimi K3 terminaram.

Taxa de sucesso

Kimi K3.1 Pro passa em mais tarefas. Passou em 12 nas quais Kimi K3 falhou e falhou em 1 na qual Kimi K3 passou. Em 9 das 12 tarefas que ganhou, Kimi K3 terminou sem resposta; nas outras 3 deu uma resposta errada. Cinco dessas 12 melhorias vieram de tarefas que coletam os mesmos campos de 8 sites ou mais.

Kimi K3.1 Pro passou em pelo menos tantas tentativas quanto Kimi K3 em todos os tipos de trabalho; pesquisa exploratória foi o único empate.

Tipo de trabalhoTarefasKimi K3.1 ProKimi K3
Os mesmos campos de 8 sites ou mais2626.9% (7 de 26)7.7% (2 de 26)
Dentro de um aplicativo web15100% (15 de 15)86.7% (13 de 15)
Pesquisa exploratória1250.0% (6 de 12)50.0% (6 de 12)
Verificações cruzadas em um a três sites8100% (8 de 8)62.5% (5 de 8)
Publicações no X540.0% (2 de 5)20.0% (1 de 5)
Todas as tarefas6657.6% (38 de 66)40.9% (27 de 66)

A taxa de sucesso é calculada com base no número de tentativas aprovadas nas execuções de 3 de novembro de 2026. Em nenhum desses tipos de trabalho Kimi K3 passou em mais tentativas que Kimi K3.1 Pro.

As execuções de Kimi K3 frequentemente terminavam no meio do trabalho. No agente pi que usamos, o modelo trabalha por chamadas de ferramenta, principalmente scripts do ego-browser; uma resposta sem chamada de ferramenta encerra a execução. Kimi K3 enviava respostas que anunciavam o próximo passo sem executá-lo, como “Google done. Now Cloudflare Workers Free.” Fez isso em 26 das suas 66 tentativas, 16 delas entre as 26 tarefas que coletam os mesmos campos de 8 sites ou mais. Cada uma dessas 26 respostas terminou com o sinal normal de parada do modelo, não por um corte de comprimento. Kimi K3.1 Pro encerrou 0 tentativas dessa forma.

A tarefa de plataformas serverless mostra a diferença. Ela pede cinco limites dos planos gratuitos de nove plataformas serverless, de AWS Lambda a Oracle OCI Functions. Kimi K3 leu as páginas de AWS, Azure e Google e parou depois de 11 chamadas de ferramenta com “Google done. Now Cloudflare Workers Free.” Kimi K3.1 Pro seguiu para a página de preços do Workers da Cloudflare, percorreu as nove plataformas em 58 chamadas de ferramenta e passou na tarefa.

Replay de comandos de navegador registrados: Kimi K3.1 Pro controlando o ego-browser na página de preços do Workers da Cloudflare durante a tarefa de plataformas serverless
Replay de comandos registrados. Kimi K3.1 Pro no ego-browser, tarefa de planos gratuitos serverless: abre a página de preços do Workers da Cloudflare, a quarta de nove plataformas e aquela em que Kimi K3 parou. Comando de navegador 10 de 55. Execução original: 3 de novembro de 2026. Replay capturado no ego(lite) em 10 de novembro de 2026. Ver imagem em tamanho original

As outras 3 melhorias vieram de respostas finais erradas de Kimi K3. A tarefa de PIB pede a nove agências de estatística o crescimento do segundo trimestre nas estimativas iniciais e nas mais recentes, sem anualização. Ambos os modelos abriram a estimativa preliminar do Bureau de Análise Econômica dos Estados Unidos, a primeira. Kimi K3 escreveu o script para manter apenas os primeiros 2 500 caracteres do texto da página e anotou “not shown” para os dois valores de crescimento dos EUA à taxa trimestral. Kimi K3.1 Pro imprimiu a publicação completa e leu “0.4 percent at a quarterly rate” nas notas técnicas. Da mesma forma, encontrou 0.6 por cento na estimativa mais recente do BEA, publicada em 30 de setembro de 2026, e preencheu as duas células dos EUA.

Replay de comandos de navegador registrados: Kimi K3.1 Pro controlando o ego-browser na publicação da estimativa preliminar do BEA durante a tarefa de PIB
Replay de comandos registrados. Kimi K3.1 Pro no ego-browser, tarefa de PIB do segundo trimestre de 2026: carrega a estimativa preliminar do BEA e imprime a publicação inteira, incluindo as notas técnicas com a taxa trimestral de 0.4 por cento. Comando de navegador 2 de 61. Execução original: 3 de novembro de 2026. Replay capturado no ego(lite) em 10 de novembro de 2026. Ver imagem em tamanho original

Os dois modelos também falham de formas diferentes. Cada tentativa tem até 100 passos; um passo é um turno do modelo. Das 39 tentativas malsucedidas de Kimi K3, 27 terminaram sem resposta antes do limite de passos, 4 atingiram o limite e 8 deram uma resposta errada. Das 28 tentativas malsucedidas de Kimi K3.1 Pro, 24 deram uma resposta errada e 4 atingiram o limite. Dezoito dessas 24 respostas erradas ocorreram em tarefas nas quais Kimi K3 não deu resposta final alguma. Trocaríamos de modelo, mantendo a conferência das respostas que Kimi K3.1 Pro agora entrega em tarefas nas quais a execução de Kimi K3 terminou sem resposta final.

O que Kimi K3.1 Pro ainda erra

Kimi K3.1 Pro termina tabelas longas, mas nem sempre acerta todas as células, por isso trataríamos suas tabelas como rascunhos a conferir. Passou em 7 de 26 tentativas nas tarefas que coletam os mesmos campos de 8 sites ou mais. Dezessete das suas 24 respostas erradas vieram dessas tarefas: em todos os casos, uma tabela terminada com pelo menos um valor ou uma linha de resumo incorretos.

Na tarefa de bancos centrais, por exemplo, o erro está no resumo. A tarefa pergunta a doze bancos centrais qual foi sua primeira decisão de juros de 2026 e qual banco a anunciou por último. Kimi K3.1 Pro abriu o comunicado do Banco Nacional Suíço de 19 de março de 2026 e colocou essa data na própria tabela. Ainda assim, seu resumo apontou o Banco da Reserva da Índia, em 6 de fevereiro, como o último a anunciar.

O que a tarefa pedeResposta corretaResposta de Kimi K3.1 Pro
Último banco a anunciar sua primeira decisão de 2026Banco Nacional Suíço, 2026-03-19Banco da Reserva da Índia, 2026-02-06

Kimi K3 identificou corretamente o Banco Nacional Suíço na mesma tarefa, mas errou ou deixou de fornecer outros valores e também não passou.

Replay de comandos de navegador registrados: Kimi K3.1 Pro controlando o ego-browser no comunicado do Banco Nacional Suíço de 19 de março de 2026 durante a tarefa de bancos centrais
Replay de comandos registrados. Kimi K3.1 Pro no ego-browser, tarefa de bancos centrais: abre a avaliação de política monetária do Banco Nacional Suíço de 19 de março de 2026, data que seu resumo depois deixou de identificar corretamente. Comando de navegador 18 de 52. Execução original: 3 de novembro de 2026. Replay capturado no ego(lite) em 10 de novembro de 2026. Ver imagem em tamanho original

Antes de usar uma tabela de Kimi K3.1 Pro, compare suas linhas de resumo com as próprias linhas da tabela e confira uma amostra de células nas fontes. Kimi K3 passou em 2 de 26 dessas tarefas.

Velocidade

Kimi K3.1 Pro é mais rápido no mesmo trabalho, escrevendo menos e fazendo menos chamadas de ferramenta. Nas 26 tarefas em que ambos passaram, levou em média 400.6 segundos por tarefa contra 586.1 e foi mais rápido em 21 das 26. Kimi K3 foi mais rápido nas outras 5.

Nas 26 tarefas em que ambos os modelos passaramKimi K3.1 ProKimi K3
Tempo por tarefa400.6 s586.1 s
Chamadas de ferramentas por tarefa25.833.5
Tokens de saída por tarefa, incluindo raciocínio6 99710 727

Médias por tarefa das execuções de 3 de novembro de 2026.

Para um agente pelo qual alguém precisa esperar, consideraríamos a espera mais curta um ganho real.

Custo

Kimi K3.1 Pro custa menos por tarefa, e a economia vem dos preços de tabela mais baixos. Nas 66 tarefas, custou $0.772 por tarefa contra $0.871 de Kimi K3. Incluindo também as tentativas malsucedidas, cada tentativa aprovada custou $1.340 contra $2.130. Nas 26 tarefas em que ambos passaram, custou $0.374 por tarefa contra $0.578 e foi mais barato em 24 delas.

A lista de preços da Moonshot define o preço de Kimi K3.1 Pro em $2.00 por milhão de tokens de entrada, $0.20 para entrada em cache, $2.00 para gravações em cache e $10.00 para saída. Para Kimi K3, lista $3.00, $0.30, $3.00 e $15.00. Portanto, o preço do novo modelo é dois terços do de Kimi K3 para cada tipo de token.

Custo por tarefaKimi K3.1 ProKimi K3
Todas as 66 tarefas$0.772$0.871
Todas as 66 tarefas, com os tokens de Kimi K3.1 Pro aos preços de Kimi K3$1.158$0.871
26 tarefas em que ambos os modelos passaram$0.374$0.578
26 tarefas em que ambos os modelos passaram, com os tokens de Kimi K3.1 Pro aos preços de Kimi K3$0.561$0.578
Por tentativa aprovada, em todas as 66 tarefas$1.340$2.130

Custo aos preços de tabela da Moonshot, calculado pelo uso de tokens de cada tentativa nas execuções de 3 de novembro de 2026.

No mesmo trabalho, os tokens dos dois modelos custam quase o mesmo a preços iguais: pelas tarifas de Kimi K3, os tokens de Kimi K3.1 Pro nas 26 tarefas compartilhadas somam $0.561 contra $0.578. Nas 66 tarefas, somam $1.158 contra $0.871, porque Kimi K3.1 Pro continuou trabalhando nas execuções em que Kimi K3 parou. Faríamos o orçamento pelo custo por tarefa, e não pelo preço do token, já que um modelo que termina mais execuções também gasta tokens para terminá-las.

Pesquisa exploratória

Em pesquisa exploratória, trocar para Kimi K3.1 Pro traz ganhos de velocidade e custo, mas não mais tarefas aprovadas. Essas 12 tarefas dão um objetivo e algumas fontes iniciais e deixam o caminho por conta do agente. Ambos passaram em 6 de 12, e Kimi K3.1 Pro ganhou uma tarefa e perdeu outra. Nas 5 em que ambos passaram, o novo modelo levou 354.9 segundos e custou $0.399 por tarefa, contra 795.0 segundos e $0.901 do anterior, e foi mais rápido nas 5.

A tarefa que perdeu mostra o que merece atenção. A tarefa do Azure pergunta quais de sete modelos candidatos podem rodar na região Germany West Central do Azure sob seis requisitos e por que cada um dos outros não os atende. Ambos escolheram GPT-6 Luna. Kimi K3 também abriu a página do Azure sobre modelos de parceiros e citou por que Claude Sonnet 5.5 não atendia aos requisitos: sua implantação Data Zone Standard estava disponível apenas nos EUA.

Replay de comandos de navegador registrados no Microsoft Learn com a tabela de regiões dos EUA para Data Zone Standard expandida
Replay do comando de navegador 20 de 22 na tarefa de modelos do Azure de Kimi K3, com a tabela atual de regiões dos EUA para Data Zone Standard expandida para leitura. A conclusão original sobre disponibilidade vem do registro da execução de 3 de novembro. Execução original: 3 de novembro de 2026. Replay capturado em 10 de novembro de 2026. Ver imagem em tamanho original

Kimi K3.1 Pro descartou Claude a partir da tabela de modelos vendidos diretamente pelo Azure e nunca abriu aquela página. Escreveu “not shown” como motivo, após 15 comandos de navegador contra 22 de Kimi K3. Com qualquer um dos modelos, conferiríamos o motivo apresentado para cada opção descartada pelo agente.

Qual modelo usar

Para a configuração testada de pi 1.5.0, ZenMux e ego-browser, escolheríamos Kimi K3.1 Pro. Passou em 38 de 66 tentativas contra 27 de Kimi K3 e foi mais rápido e mais barato nas 26 tarefas em que ambos passaram. Em nenhum tipo de trabalho testado Kimi K3 passou em mais tentativas.

Para os aplicativos web testados e as verificações cruzadas em um a três sites, escolheríamos Kimi K3.1 Pro: passou em todas as 15 tarefas do primeiro grupo e nas 8 do segundo. Quatro das 5 falhas de Kimi K3 nesses grupos foram execuções que terminaram sem resposta. Para tarefas semelhantes de vários sites nesta configuração de pi, também escolheríamos Kimi K3.1 Pro, porque passou em 7 de 26, contra 2 de Kimi K3. Confira essas tabelas antes de usá-las. Nas cinco tarefas de pesquisa exploratória em que ambos passaram, Kimi K3.1 Pro teve menor tempo e custo estimado; o número total de tarefas aprovadas ficou empatado.

Nossa configuração usou Kimi K3.1 Pro como moonshotai/kimi-k3.1-pro por meio do ZenMux, com esforço de raciocínio alto, no agente pi com sua ferramenta bash e o arquivo de skill do ego-browser. ego-browser é fornecido junto com ego(lite), que o agente controla como navegador.

O papel do ego(lite) nesta comparação

ego(lite) forneceu o navegador controlado pelo ego-browser; pi forneceu o ciclo do agente, e ZenMux, o acesso aos dois modelos. O guia de integração do ego-browser descreve como esse navegador se conecta a um agente.

A regra de parada do pi faz parte dessa escolha de modelo: uma resposta sem chamada de ferramenta encerra a tentativa. Considere essa regra ao aplicar a comparação de conclusão a trabalhos semelhantes. As médias de tempo e custo do modelo cobrem as vinte e seis tarefas em que ambos passaram, não todas as tarefas nem o comportamento de parada de outro agente.

Perguntas frequentes

Kimi K3.1 Pro é melhor que Kimi K3 para agentes de navegador?

Sim, no nosso teste de 66 tarefas no ego-browser. Kimi K3.1 Pro passou em 38 das suas 66 tentativas (57.6%), e Kimi K3 em 27 (40.9%). Passou em 12 tarefas nas quais Kimi K3 falhou e falhou em 1 na qual Kimi K3 passou.

Kimi K3.1 Pro é mais barato que Kimi K3?

Sim, por tarefa. Nas nossas 66 tarefas de navegador, Kimi K3.1 Pro custou $0.772 por tarefa e Kimi K3, $0.871. Por tentativa aprovada, a diferença é maior: $1.340 contra $2.130.

Kimi K3.1 Pro é mais rápido que Kimi K3?

Sim, no trabalho que ambos terminaram. Nas 26 tarefas de navegador em que ambos passaram, Kimi K3.1 Pro levou 400.6 segundos por tarefa e Kimi K3, 586.1. O novo modelo fez 25.8 chamadas de ferramenta por tarefa contra 33.5 e gerou 6 997 tokens de saída contra 10 727.

Quanto custa Kimi K3.1 Pro por milhão de tokens?

A Moonshot lista Kimi K3.1 Pro a $2.00 por milhão de tokens de entrada, $0.20 para entrada em cache, $2.00 para gravações em cache e $10.00 para saída. Kimi K3 é listado a $3.00, $0.30, $3.00 e $15.00; portanto, o preço do novo modelo é dois terços do de Kimi K3 para cada tipo de token.

Por que Kimi K3 para no meio de uma tarefa de navegador?

Kimi K3 encerrou 26 das suas 66 tentativas com uma resposta que anunciava o próximo passo, mas não fazia chamada de ferramenta, o que termina a execução no agente pi. Suas últimas palavras eram notas como “SUSE done. Now Amazon Linux.” Dezesseis das 26 ocorreram em tarefas que coletam os mesmos campos de 8 sites ou mais; isso aconteceu 0 vezes com Kimi K3.1 Pro.

Quais tarefas de navegador melhoraram mais com Kimi K3.1 Pro?

Kimi K3.1 Pro ganhou mais tarefas, 5, entre as que coletam os mesmos campos de 8 sites ou mais e não perdeu nenhuma nesse grupo. Também ganhou 3 verificações cruzadas em um a três sites, 2 tarefas dentro de um aplicativo web, 1 de pesquisa exploratória e 1 de publicações no X.

Kimi K3.1 Pro piorou em alguma tarefa de navegador?

Em 1 de 66 tarefas. Falhou em uma tarefa de seleção de modelos do Azure na qual Kimi K3 passou, porque descartou um candidato sem abrir a página que explica o motivo. Passou em 12 tarefas nas quais Kimi K3 falhou.

O que Kimi K3.1 Pro ainda erra no navegador?

Principalmente valores em tabelas longas: 17 das suas 24 respostas erradas vieram de tarefas que coletam os mesmos campos de 8 sites ou mais. Em uma tarefa, seu resumo apontou o banco errado mesmo com a data correta na própria tabela. Também atingiu o limite de 100 passos em 4 tentativas, o mesmo número que Kimi K3.

Como Kimi K3.1 Pro se sai na automação de aplicativos web?

Kimi K3.1 Pro passou em todas as nossas 15 tarefas dentro de um aplicativo web, e Kimi K3 em 13. As tarefas rodam nos nossos aplicativos de teste de operações, despesas de viagem e console de nuvem, com novos dados para cada tentativa. Nas 13 em que ambos passaram, o novo modelo levou 327.0 segundos e custou $0.240 por tarefa, contra 454.7 segundos e $0.383 do anterior.

Devo trocar meu agente de navegador de Kimi K3 para Kimi K3.1 Pro?

Na configuração testada de pi e ZenMux, sim. Kimi K3.1 Pro passou em 38 de 66 tentativas contra 27, com menor tempo médio e menor custo médio estimado nas 26 tarefas em que ambos passaram. Mantenha uma etapa de revisão nas tabelas coletadas de 8 sites ou mais, pois 17 das suas 24 respostas erradas vieram dessas tarefas.

Como testamos

Executamos os dois modelos em 3 de novembro de 2026 em um mesmo Mac com chip Apple e macOS 26.5. Ambos usaram o mesmo agente, pi 1.5.0, com ego-browser como ferramenta de navegador, o mesmo arquivo de skill do ego-browser e as mesmas versões de ego(lite) e ego-browser. Os modelos eram Kimi K3.1 Pro (moonshotai/kimi-k3.1-pro) e Kimi K3 (moonshotai/kimi-k3), ambos com esforço de raciocínio alto e acessados pelo mesmo provedor de API, ZenMux.

O modelo controla o ego-browser escrevendo programas curtos em JavaScript que carregam páginas, clicam, preenchem formulários e imprimem o texto da página ou um snapshot de acessibilidade. Cada tentativa tinha um máximo de 100 passos e 60 minutos. Um passo é um turno do modelo: uma solicitação ao modelo e sua resposta. A tarefa orienta o modelo a terminar com uma mensagem que comece com FINAL ANSWER.

Contamos 66 tarefas, cada uma pertencente a exatamente um tipo de trabalho. A categoria “Os mesmos campos de 8 sites ou mais” (26 tarefas) coleta um conjunto de campos de 8 sites ou mais, como as publicações de PIB de nove agências de estatística. As tarefas de “Dentro de um aplicativo web” (15) rodam em aplicativos de teste de operações, despesas de viagem e console de nuvem; por exemplo, corrigir as regras de alerta de uma transportadora. “Pesquisa exploratória” (12) dá um objetivo e algumas fontes, como escolher um modelo oferecido em uma região do Azure. As “Verificações cruzadas em um a três sites” (8) comparam números de poucos sites, como registros de ensaios clínicos com documentos de bula de medicamentos. As tarefas de “Publicações no X” (5) confrontam publicações no X com outros registros, como publicações sobre lançamentos da SpaceX com listas de lançamentos da Wikipedia, e são contadas apenas como publicações no X.

Cada tarefa tem uma lista de itens avaliados: 443 nas 66 tarefas. Um item por tarefa verifica se todos os valores solicitados estão na resposta final. Os outros 377 verificam os valores solicitados: 309 fixados previamente a partir dos sites oficiais, 49 dos dados gerados pelos aplicativos de teste para cada tentativa e 19 conferidos na página ao vivo. Uma tentativa só passa se sua resposta final atender a todos os itens; ambos os modelos foram avaliados pelos mesmos itens.

Uma tarefa é uma das 66 incluídas na contagem; uma tentativa é a execução de uma tarefa uma vez por um modelo, portanto cada modelo tem 66 tentativas. A taxa de sucesso é o número de tentativas aprovadas de um total de 66. Os resultados completos listam seis tarefas adicionais como “Não contabilizada”. Em cada uma, a tentativa original de um modelo foi substituída por uma nova execução específica ou não havia uma primeira tentativa arquivada válida. Excluímos as mesmas seis tarefas para ambos os modelos. Uma chamada de ferramenta é um comando executado pelo modelo: principalmente scripts do ego-browser e, nos demais casos, comandos de shell ou arquivo, como buscar no texto salvo de uma página. Um comando de navegador é um script do ego-browser; as legendas de capturas de tela contam comandos de navegador.

O tempo por tarefa é o tempo decorrido do início ao fim de uma tentativa, incluindo a espera pela API do modelo, com o raciocínio, e a execução das chamadas de ferramenta do modelo. A velocidade é comparada nas 26 tarefas em que ambos passaram, pois o tempo gasto em uma tarefa malsucedida não pode ser comparado. As estimativas de custo aplicam as tarifas indicadas da Moonshot aos tokens registrados de entrada, entrada em cache, gravação em cache e saída de cada tentativa; não são totais de assinaturas ou faturas do ZenMux. O custo por tentativa aprovada é o custo de todas as 66 tentativas dividido pelo número de tentativas aprovadas.

Uma tentativa atingiu o limite de passos quando usou todos os 100 passos sem resposta final. Terminou com uma nota de progresso quando a última resposta do modelo tinha texto, mas nenhuma chamada de ferramenta nem FINAL ANSWER, antes do limite de passos. Uma resposta errada é uma resposta final que não passou na avaliação.

Resultados completos

Cada célula apresenta o resultado do modelo na tarefa, o tempo da tentativa em segundos e seu custo. Os resultados são Aprovado, Resposta errada, Sem resposta (a execução terminou sem resposta final antes do limite de passos) ou Limite de passos atingido. O tempo inclui a espera pela API do modelo. As seis tarefas “Não contabilizada” não têm registros comparáveis de primeiras tentativas após novas execuções específicas de substituição; todas as seis são excluídas para ambos os modelos.

TarefaTipo de trabalhoKimi K3.1 ProKimi K3
Balanço climático de 2025 de onze serviços meteorológicosOs mesmos campos de 8 sites ou maisResposta errada · 633.7 s · $1.235Limite de passos atingido · 2010.1 s · $3.368
Movimentação de 2025 em oito aeroportos de conexãoOs mesmos campos de 8 sites ou maisNão contabilizadaNão contabilizada
Números da temporada 2025-26 de nove ligas de futebolOs mesmos campos de 8 sites ou maisNão contabilizadaNão contabilizada
Principais prêmios de 2026 em nove festivais de cinemaOs mesmos campos de 8 sites ou maisResposta errada · 1399.6 s · $2.591Sem resposta · 1306.1 s · $1.418
Ficha de aprovação de nove modelos de pesos abertos no Hugging FaceOs mesmos campos de 8 sites ou maisResposta errada · 598.6 s · $0.716Sem resposta · 1217.4 s · $1.284
Matriz de conformidade com base em nove centros de confiança de SaaSOs mesmos campos de 8 sites ou maisResposta errada · 590.3 s · $0.637Sem resposta · 1138.5 s · $0.844
Classificações de testes de colisão de um SUV em nove programasOs mesmos campos de 8 sites ou maisResposta errada · 1242.3 s · $1.312Limite de passos atingido · 1576.6 s · $1.765
Edições em vigor de nove normas técnicasOs mesmos campos de 8 sites ou maisResposta errada · 592.9 s · $0.658Sem resposta · 320.4 s · $0.250
Primeira decisão de juros de 2026 em doze bancos centraisOs mesmos campos de 8 sites ou maisResposta errada · 617.0 s · $1.023Resposta errada · 1256.3 s · $1.986
Primeiros e mais recentes números do PIB do segundo trimestre de 2026 de nove agênciasOs mesmos campos de 8 sites ou maisAprovado · 1001.2 s · $1.181Resposta errada · 1294.2 s · $1.363
Planos gratuitos de CI para repositórios privados em nove serviçosOs mesmos campos de 8 sites ou maisResposta errada · 1033.5 s · $1.187Sem resposta · 963.4 s · $1.068
Planos gratuitos de nove plataformas serverlessOs mesmos campos de 8 sites ou maisAprovado · 924.5 s · $1.283Sem resposta · 248.4 s · $0.173
Como nove serviços de música apresentam um mesmo álbumOs mesmos campos de 8 sites ou maisNão contabilizadaNão contabilizada
Resultados eleitorais mais recentes de nove autoridades eleitoraisOs mesmos campos de 8 sites ou maisLimite de passos atingido · 1256.5 s · $2.222Limite de passos atingido · 1789.7 s · $2.389
Linha de versões mais recente de nove ambientes de execução de linguagensOs mesmos campos de 8 sites ou maisResposta errada · 810.3 s · $1.106Resposta errada · 1024.2 s · $1.171
Versão estável mais recente de nove frameworks de JavaScriptOs mesmos campos de 8 sites ou maisAprovado · 515.4 s · $0.523Aprovado · 957.6 s · $0.722
Versão estável mais recente de nove navegadores de desktopOs mesmos campos de 8 sites ou maisAprovado · 471.8 s · $0.913Sem resposta · 903.0 s · $0.765
Medições do terremoto de Kamchatka de 2025 segundo nove agênciasOs mesmos campos de 8 sites ou maisResposta errada · 789.4 s · $1.128Sem resposta · 971.8 s · $1.335
Especificações oficiais para o Reino Unido de nove celulares topo de linhaOs mesmos campos de 8 sites ou maisAprovado · 564.8 s · $0.865Sem resposta · 1331.7 s · $1.161
Especificações oficiais de oito câmerasOs mesmos campos de 8 sites ou maisAprovado · 953.2 s · $1.521Aprovado · 1479.8 s · $1.730
Detalhes da edição de um livro em dez sites de editoras e bibliotecasOs mesmos campos de 8 sites ou maisNão contabilizadaNão contabilizada
Classificações etárias de um jogo em oito órgãos de classificaçãoOs mesmos campos de 8 sites ou maisResposta errada · 1385.2 s · $1.905Sem resposta · 1355.8 s · $1.592
Status da correção de um CVE do sudo em nove avisos de fornecedoresOs mesmos campos de 8 sites ou maisResposta errada · 539.4 s · $0.521Sem resposta · 158.9 s · $0.133
Singles no primeiro lugar em uma mesma semana em nove paradas nacionaisOs mesmos campos de 8 sites ou maisNão contabilizadaNão contabilizada
Palestras de abertura de nove conferências de desenvolvedoresOs mesmos campos de 8 sites ou maisResposta errada · 1198.7 s · $1.457Sem resposta · 1450.3 s · $1.485
Versões do Protocol Buffers em nove registros de pacotesOs mesmos campos de 8 sites ou maisResposta errada · 472.9 s · $0.732Sem resposta · 582.4 s · $0.296
Resultados de oito pesquisas de 2025 com desenvolvedoresOs mesmos campos de 8 sites ou maisResposta errada · 599.1 s · $1.255Resposta errada · 1587.4 s · $1.785
Salário mínimo legal em nove lugaresOs mesmos campos de 8 sites ou maisNão contabilizadaNão contabilizada
Datas de fim de suporte de nove produtos para servidoresOs mesmos campos de 8 sites ou maisAprovado · 690.2 s · $0.781Sem resposta · 370.0 s · $0.292
Registros de dez museus sobre A Grande Onda, de HokusaiOs mesmos campos de 8 sites ou maisResposta errada · 824.7 s · $1.025Sem resposta · 1644.2 s · $1.124
Aprovações da tirzepatida para controle de peso em oito órgãos reguladoresOs mesmos campos de 8 sites ou maisLimite de passos atingido · 1475.9 s · $2.742Sem resposta · 1171.2 s · $1.414
Números de autonomia e recarga nos EUA de nove SUVs elétricosOs mesmos campos de 8 sites ou maisResposta errada · 1027.4 s · $1.707Limite de passos atingido · 1711.3 s · $1.685
Aplicar um depósito de um serviço de cobrança lockbox a faturas em abertoDentro de um aplicativo webAprovado · 286.4 s · $0.208Aprovado · 404.7 s · $0.402
Auditar e reverter alterações feitas durante um congelamento de mudançasDentro de um aplicativo webAprovado · 160.4 s · $0.140Aprovado · 545.1 s · $0.394
Reservar a viagem de um colega em um aplicativo de viagensDentro de um aplicativo webAprovado · 438.2 s · $0.409Aprovado · 433.4 s · $0.474
Adequar monitores de nível 1 a um padrão escritoDentro de um aplicativo webAprovado · 248.5 s · $0.253Sem resposta · 105.0 s · $0.094
Solicitar o reembolso da quilometragem de uma semana de visitas a clientesDentro de um aplicativo webAprovado · 458.1 s · $0.333Aprovado · 521.6 s · $0.418
Fechar as contas a receber de fevereiro e abrir disputas em um aplicativo de operaçõesDentro de um aplicativo webAprovado · 469.9 s · $0.403Aprovado · 774.2 s · $0.698
Enviar uma solicitação de diárias para duas cidadesDentro de um aplicativo webAprovado · 256.7 s · $0.127Aprovado · 282.5 s · $0.225
Registrar em um console de nuvem a linha do tempo de um incidente para sua análise posteriorDentro de um aplicativo webAprovado · 216.3 s · $0.195Aprovado · 264.8 s · $0.306
Registrar pedidos de indenização por danos nas entregas de dois clientesDentro de um aplicativo webAprovado · 445.9 s · $0.319Aprovado · 1058.7 s · $0.726
Corrigir a escala de plantão da próxima semanaDentro de um aplicativo webAprovado · 169.0 s · $0.125Aprovado · 193.3 s · $0.147
Conciliar transações de cartão com um rascunho de relatório de despesasDentro de um aplicativo webAprovado · 457.1 s · $0.383Aprovado · 535.9 s · $0.394
Fazer os pedidos de reposição de um armazémDentro de um aplicativo webAprovado · 337.3 s · $0.182Aprovado · 205.3 s · $0.240
Revisar o relatório de despesas de um funcionárioDentro de um aplicativo webAprovado · 387.7 s · $0.189Aprovado · 450.6 s · $0.364
Definir congelamentos de implantação a partir do consumo do orçamento de errosDentro de um aplicativo webAprovado · 167.8 s · $0.106Aprovado · 240.6 s · $0.193
Conciliar os números de pontualidade de uma transportadora e corrigir as regras de alertaDentro de um aplicativo webAprovado · 382.5 s · $0.261Sem resposta · 934.2 s · $0.971
Configurações de raciocínio de baixo custo nos rankings do ARC PrizePesquisa exploratóriaAprovado · 372.4 s · $0.296Aprovado · 716.2 s · $0.723
Contar modelos acima dos valores de referência de computação da UE nos dados da Epoch AIPesquisa exploratóriaAprovado · 165.8 s · $0.143Aprovado · 252.0 s · $0.186
Informações divulgadas sobre oito modelos de fronteira em relação à Lei de IA da UEPesquisa exploratóriaLimite de passos atingido · 1388.1 s · $3.008Sem resposta · 1748.6 s · $2.621
Todos os modelos lançados em setembro de 2026, a partir de seis registros de alterações de APIPesquisa exploratóriaAprovado · 273.4 s · $0.374Aprovado · 595.0 s · $0.721
Verificar dez afirmações sobre lançamentos de modelos em setembro de 2026Pesquisa exploratóriaResposta errada · 228.8 s · $0.299Resposta errada · 507.6 s · $0.574
Escolher uma API principal e outra de reserva entre cinco modelos chinesesPesquisa exploratóriaAprovado · 412.3 s · $0.471Aprovado · 769.1 s · $0.696
Escolher um modelo oferecido em uma região alemã do AzurePesquisa exploratóriaResposta errada · 297.1 s · $0.280Aprovado · 787.2 s · $0.871
Escolher o endpoint de provedor de GLM 5.3 mais rápido no OpenRouterPesquisa exploratóriaAprovado · 774.9 s · $0.717Resposta errada · 960.2 s · $0.694
Calcular o custo de uma carga de trabalho de API em seis modelosPesquisa exploratóriaAprovado · 550.4 s · $0.711Aprovado · 1642.9 s · $2.177
Preços de API de seis provedores conforme os registros do Wayback MachinePesquisa exploratóriaResposta errada · 1214.3 s · $0.552Sem resposta · 350.4 s · $0.181
Rastrear as fontes de uma tabela de LLMs da WikipediaPesquisa exploratóriaResposta errada · 458.7 s · $0.350Sem resposta · 383.3 s · $0.301
O que uma versão do LiveBench mostravaPesquisa exploratóriaResposta errada · 296.8 s · $0.267Resposta errada · 330.8 s · $0.329
Montar uma tabela de inflação com dados do FRED e conferir no BLSVerificações cruzadas em um a três sitesAprovado · 274.1 s · $0.224Aprovado · 308.6 s · $0.312
Conferir os números de uma aula sobre GPT no vídeo, no código e no artigo científicoVerificações cruzadas em um a três sitesAprovado · 619.4 s · $0.387Aprovado · 237.2 s · $0.277
Comparar três configurações de MacBook na loja da Apple dos EUAVerificações cruzadas em um a três sitesAprovado · 786.1 s · $1.226Aprovado · 654.4 s · $1.110
Conferir ensaios de fase 3 do ClinicalTrials.gov com documentos de bula do DailyMedVerificações cruzadas em um a três sitesAprovado · 294.2 s · $0.401Sem resposta · 591.2 s · $0.872
Lista de viabilidade de seis recursos web com base no MDN e no Can I useVerificações cruzadas em um a três sitesAprovado · 269.9 s · $0.262Aprovado · 751.4 s · $0.796
Calcular o preço dos voos para Denver, para um encontro da equipe fora do escritórioVerificações cruzadas em um a três sitesAprovado · 526.6 s · $0.962Sem resposta · 963.3 s · $1.037
Conciliar as bilheterias de seis filmes de Wes Anderson entre uma base de dados de bilheteria e a WikipediaVerificações cruzadas em um a três sitesAprovado · 221.1 s · $0.250Aprovado · 324.7 s · $0.303
Retrato do registro de quatro empresas britânicas no Companies House em um dado momentoVerificações cruzadas em um a três sitesAprovado · 320.3 s · $0.223Resposta errada · 1005.0 s · $0.591
Anúncios de oito marcas sobre produtos, publicados em 2026 no X e em suas salas de imprensaPublicações no XResposta errada · 667.1 s · $0.536Sem resposta · 847.0 s · $0.417
Contratações de verão de oito clubes de futebol no X e nos sites dos clubesPublicações no XLimite de passos atingido · 1815.4 s · $1.805Sem resposta · 2343.4 s · $1.008
Publicações de segurança de oito projetos de código aberto no X e nos seus sitesPublicações no XAprovado · 625.6 s · $0.627Sem resposta · 2248.5 s · $1.524
Quanto tempo oito universidades levaram para publicar no X suas notícias sobre o Nobel de 2025Publicações no XResposta errada · 1314.1 s · $0.487Sem resposta · 528.9 s · $0.237
Conferir as publicações sobre lançamentos da SpaceX no X com as listas de lançamentos da WikipediaPublicações no XAprovado · 751.6 s · $0.220Aprovado · 638.9 s · $0.300

Os preços dos modelos são os preços de tabela publicados pela Moonshot. Todos os outros números vêm das nossas próprias execuções.