Kimi K3, GLM-5.2, DeepSeek, Qwen: qual open-weight escolher em 2026

Em 16 de julho de 2026, a Moonshot AI lançou o Kimi K3: 2,8 trilhões de parâmetros, o maior modelo open-weight já publicado. Em menos de 48 horas a pergunta que chegou na nossa caixa de entrada não foi "o K3 é bom?" — isso os benchmarks já responderam. Foi outra, bem mais prática: "então agora eu troco o meu modelo pelo K3?"

A resposta honesta, na maioria dos casos, é não. E o motivo é o assunto deste artigo.

Como o campo open-weight chegou até aqui

Em 2024, "modelo aberto" significava um denso de 70B alguns pontos atrás do melhor modelo fechado da época — o padrão de comparação era defensivo: quase tão bom quanto. 2025 e 2026 mudaram isso em três movimentos:

• Mixture-of-Experts virou o padrão. DeepSeek popularizou a ideia de que dá para ter um modelo gigantesco no disco e barato no cálculo: só uma fração dos especialistas é ativada por token. O DeepSeek-R1 tem 671B totais e ativa ~37B. O K3 tem 2,8T totais e ativa ~32B — mais parâmetros que qualquer modelo aberto da história, com custo de compute por token comparável ao de um modelo de 32B.
• O contexto explodiu. De 128K para 1 milhão de tokens no GLM-5.2 e no K3, e 10 milhões no Llama 4 Scout. Deixou de ser vitrine e virou requisito de agentes que trabalham por horas.
• As licenças ficaram sérias. MIT no GLM-5.2 e no DeepSeek, Apache 2.0 no Qwen3. Não é "aberto para pesquisa": é aberto para faturar.

O K3 é o ponto onde essa curva encosta na fronteira: 1º lugar no Frontend Code Arena da Arena.AI (1.679 pontos, à frente do Claude Fable 5 e do GPT-5.6 Sol), 2º no AA-Briefcase de tarefas agênticas de longo horizonte (1.527) e 3º no GDPval-AA v2 (1.687), que mede desempenho em 44 profissões reais. Um modelo cujos pesos você pode baixar brigando com os melhores modelos fechados do planeta.

A tabela que muda a decisão

Comparativos costumam mostrar parâmetros, contexto e placar de benchmark. Falta sempre a coluna que determina se você consegue rodar aquilo: quanta VRAM o modelo ocupa.

Modelo	Parâmetros	Contexto	Licença	GPUs de 80 GB para hospedar*
Kimi K3	2,8T MoE (~32B ativos)	1M	MIT modificada (esperada)	18+ · não cabe em um nó
GLM-5.2	753B MoE (~40B ativos)	1M	MIT	8 (quantizado) · 10+ em FP8
Kimi K2	~1T MoE (~32B ativos)	256K	MIT modificada	8 (quantizado)
DeepSeek-R1	671B MoE (~37B ativos)	128K	MIT	5 a 8 (quantizado)
Qwen3 235B	235B MoE (~22B ativos)	256K	Apache 2.0	2 a 4
Qwen3 32B	32B denso	128K	Apache 2.0	1
Llama 4 Scout	109B MoE (~17B ativos)	10M	Comunidade (com gatilho)	1 a 2

*Estimativa de bolso para servir com boa folga de KV cache, considerando quantização de 4 bits onde indicado. Números reais variam com o framework, o tamanho do contexto em uso e a quantidade de requisições simultâneas.

A conta por trás da coluna

A regra é simples e vale para qualquer modelo: bytes de peso = parâmetros × bytes por parâmetro. Em FP16 são 2 bytes; em FP8, 1 byte; em quantização de 4 bits, meio byte. Depois some o KV cache, que cresce com o comprimento do contexto e com o número de usuários simultâneos, e mais uns 10–15% de overhead do runtime.

Aplicando ao K3: 2,8 trilhões de parâmetros nos pesos MXFP4 nativos dão cerca de 1,4 TB. Em FP16, aproximadamente 5,6 TB. Uma quantização de ~2 bits chegaria perto de 1 TB, e uma quantização agressiva de ~1,8 bits ficaria em 650–700 GB — se e quando alguém publicar uma.

Compare com o que existe de verdade: um nó de 8 GPUs H100 de 80 GB soma 640 GB. Não há como "juntar" duas máquinas para um único job sem interconexão dedicada entre nós, e cada deploy aqui é uma VM individual.

Vale notar um detalhe elegante do K3: ele foi treinado com QAT (quantization-aware training) desde a fase de SFT, com pesos em MXFP4 e ativações em MXFP8. O formato compacto não é uma compressão feita depois — o modelo aprendeu já naquela precisão e degrada bem menos que uma quantização post-hoc. É a direção certa para o campo. Só não resolve o fato de que 1,4 TB continua sendo 1,4 TB.

Recomendação por caso de uso

Agentes e código

GLM-5.2. É o mais forte da lista em tarefas de longo horizonte: 81,0 no Terminal-Bench 2.1 e 62,1 no SWE-bench Pro, com 1 milhão de tokens para segurar o estado de um projeto inteiro. Se o orçamento de GPU aperta, o Kimi K2 é o irmão mais barato com a mesma vocação agêntica.

Raciocínio e matemática

DeepSeek-R1. Continua sendo o melhor custo-benefício de raciocínio explícito em cadeia. Menor que os dois de cima, mais barato de servir, e MIT puro. Para problemas onde a resposta precisa ser derivada e não recuperada, é o padrão da casa.

Multilíngue e português do Brasil

Qwen3. A família Qwen tem a cobertura multilíngue mais ampla entre os abertos, e o 32B denso roda em uma única GPU — o que muda completamente a economia de um produto que atende em português. Se o seu caso é atendimento, classificação ou extração em PT-BR com volume alto, comece aqui e só suba de modelo se a qualidade não fechar.

Contexto muito longo

GLM-5.2 (1M) ou Llama 4 Scout (10M). Atenção a um detalhe que engana muita gente: janela grande custa VRAM em KV cache, não só em pesos. Um contexto de 1M com várias sessões simultâneas pode consumir mais memória que o próprio modelo. Dimensione pelo uso real, não pelo número do datasheet.

Orçamento apertado

Qwen3 32B ou Llama 4 Scout. Uma GPU, deploy em minutos, custo por hora que cabe em teste de fim de semana. A verdade desconfortável é que uma parcela grande das tarefas de produção — classificar, resumir, extrair, reescrever, responder com RAG — não distingue um modelo de 32B de um de 700B. Meça antes de pagar pela diferença.

Licenças: o que cada rótulo significa na prática

Essa parte costuma ser ignorada até o dia em que o jurídico pergunta. Resumindo os três padrões da tabela:

• MIT (GLM-5.2, DeepSeek-R1): o mais permissivo. Uso comercial, modificação, redistribuição e fine-tuning liberados, sem gatilho de porte, sem obrigação de abrir o seu derivado. Basta manter o aviso de copyright.
• Apache 2.0 (Qwen3): igualmente permissiva, com concessão explícita de patentes — o que costuma agradar mais ao jurídico de empresa grande do que a MIT.
• MIT modificada (Kimi K2, esperada no K3): MIT com uma cláusula de atribuição. Acima de um certo porte de produto — na casa das centenas de milhões de usuários ativos ou dezenas de milhões de dólares de faturamento mensal — você passa a ter de exibir o nome do modelo na interface. Para praticamente toda empresa brasileira o efeito é zero, mas é um gatilho que existe e precisa ser lido.
• Licenças de comunidade (Llama): as mais restritivas do grupo. Trazem política de uso aceitável e um gatilho de usuários ativos mensais acima do qual é preciso negociar licença separada.

E um ponto de vocabulário que importa para compliance: o K3 é open-weight, não open source no sentido da OSI. Os pesos são publicados; o código de treinamento e o dataset, não. Isso vale para praticamente todos os modelos desta tabela. Você pode auditar o comportamento, não a origem.

Como testar cada um, por hora e em reais

A parte boa de pesos abertos é que a decisão não precisa ser teórica. Sem contrato, sem vendedor, sem planilha de estimativa: sobe uma instância, roda a sua própria avaliação com os seus dados e desliga. O caminho prático é sempre o mesmo — vLLM com endpoint compatível com a API da OpenAI. Seu código de cliente não muda entre modelos; só o base_url e o nome do modelo:

# Mesmo cliente, modelos diferentes: troque só o endpoint e o nome
from openai import OpenAI

client = OpenAI(
    base_url="https://sua-instancia.gpubrasil.com.br/v1",
    api_key="sua-chave-local",
)

for modelo in ["zai-org/GLM-5.2", "deepseek-ai/DeepSeek-R1", "Qwen/Qwen3-32B"]:
    resp = client.chat.completions.create(
        model=modelo,
        messages=[{"role": "user", "content": SEU_PROMPT_REAL}],
    )
    print(modelo, "->", resp.choices[0].message.content[:200])

Três coisas a favor de decidir assim, em vez de por benchmark público:

• A instância é só sua. Você controla o modelo, os pesos e os logs. Nenhum prompt seu vira dado de treino de terceiro, porque nenhum prompt sai da sua máquina.
• Cobrança em reais, por hora. Somos empresa brasileira: sem exposição cambial nem IOF surpresa no fim do mês, e suporte em português.
• Benchmark público não é o seu caso de uso. Um modelo que ganha em SWE-bench pode perder no seu conjunto de contratos em português. Duas horas de GPU custam menos que duas semanas de reunião sobre qual modelo adotar.

Perguntas frequentes

Conclusão

O K3 é uma notícia importante e uma má orientação de compra ao mesmo tempo: importante porque prova que o open-weight chegou à fronteira; má orientação porque a métrica que decide o seu projeto não está no ranking — está na conta de VRAM.

Escolha pelo modelo que cabe no seu nó, atende o seu caso de uso e tem licença que o seu jurídico aprova. Em julho de 2026, isso quase sempre significa GLM-5.2, Kimi K2, DeepSeek-R1 ou Qwen3 — e os quatro já são bons demais para a maior parte do que as empresas realmente precisam fazer. Quando os pesos do K3 saírem e surgirem as primeiras quantizações da comunidade, voltamos aqui com o teste real.

Leia também: GLM-5.2: o open-source SOTA com 1M de contexto · A onda open-source de 2026: DeepSeek e Qwen 3 · Self-hosting de LLM: quando alugar GPU por hora sai mais barato que API