# Kimi K3 vale mais que o Fable 5? Teste real

> Published 2026-10-11T13:57:00.791Z on https://www.crazystack.com.br/pt/p/kimi-k3-vale-mais-que-o-fable-5-teste-real/
> Source video: https://www.youtube.com/watch?v=oABg3Fqo6PY

O Kimi K3 é um modelo open source de 2,8 trilhões de parâmetros que rivaliza com os dois melhores modelos fechados em benchmarks de código, com custo bem menor. Este artigo resume os benchmarks, conta um teste prático lado a lado com o Fable 5 e mostra onde o modelo ainda exige cautela.

## O que é o Kimi K3 e por que ele importa

O Kimi K3 é o mais recente modelo de linguagem open source da Moonshot AI, empresa chinesa por trás da plataforma [Kimi](https://www.kimi.com). Segundo os dados apresentados no vídeo de julho de 2026, ele tem 2,8 trilhões de parâmetros e janela de contexto de 1 milhão de tokens, configuração que o coloca disputando diretamente com os modelos fechados de ponta.

O canal do Gustavo Dev Doido, que mantém parceria declarada com a Kimi e recebeu acesso antecipado ao modelo, resume o momento assim: em alguns benchmarks ele é o melhor LLM do mundo; nos demais, costuma aparecer em segundo ou terceiro lugar. Para quem acompanha a corrida de modelos, o ponto não é só o pódio, é a margem sobre os outros modelos abertos.

Há uma ressalva que o próprio vídeo faz questão de repetir: open source aqui significa que os pesos são disponibilizados para download, não que você consegue rodar o modelo em casa. O tamanho exigiria hardware muito além de um computador pessoal ou de uma estação de trabalho comum de empresa. Na prática, a maioria dos leitores vai consumir o modelo via API ou pela ferramenta própria da Moonshot, o Kimi Code, com acesso pelos [documentos oficiais do Kimi](https://www.kimi.com).

## O que os benchmarks dizem sobre o Kimi K3

A primeira parada do teste foi o [Artificial Analysis](https://artificialanalysis.ai), plataforma independente que agrega benchmarks de LLMs. Na leitura feita em 24 de julho de 2026, o índice geral apontava Fable 5 em primeiro, GPT 5.6 Sol em segundo e o Kimi em terceiro — mas como melhor modelo open source por margem grande, e mais barato por token que os dois primeiros.

Nos benchmarks específicos de código, o quadro fica ainda mais interessante para o modelo da Moonshot:

- Segundo lugar no Frontier Software Engineering.
- Segundo lugar no Codes Bench e no Terminal Bench.
- Primeiro lugar no Program Bench.
- Primeiro lugar no SWE Software Engineering Marathon.
- Primeiro lugar no Code Arena na categoria Web.

O Code Arena merece destaque porque avalia tarefas mais próximas do mundo real: construção de aplicações completas, planejamento, execução de múltiplas etapas e comportamento agêntico, não apenas se o código compila. É exatamente nesse tipo de tarefa que o Kimi K3 lidera. Vale lembrar que todos esses números vêm da leitura do apresentador sobre o painel do Artificial Analysis naquele dia; posições de ranking mudam com frequência e você deve conferir o estado atual antes de decidir.

## Como rodar o Kimi K3: Kimi Code, API e alternativas

Existem três caminhos práticos para usar o modelo. O primeiro é o terminal: o vídeo já havia mostrado antes o uso via [OpenCode](https://github.com/sst/opencode), em que você seleciona e configura o Kimi entre os modelos disponíveis e consome a API por lá.

O segundo caminho, e o mais 'nativo', é o Kimi Code, a ferramenta de codificação agêntica da própria Moonshot. Segundo a demonstração, ela replica boa parte do que você já usa em outros agentes de terminal: MCPs, skills, plugins, sub-agentes, hooks e arquivos de configuração no padrão de mercado, como o AGENTS.md. Se você já tem fluxo com o [Claude Code](https://www.anthropic.com/claude-code), a adaptação é pequena.

O terceiro caminho é consumir direto pela API, que foi a escolha do teste comparativo para manter a contabilidade de custos honesta dos dois lados. Para estudar as decisões de arquitetura por trás desses agentes, o Gustavo recomenda o material dele no Bootcamp do Dev Doido e, para reforço de frontend e tipagem, o Crazystack Typescript disponível em [crazystack.com.br](https://crazystack.com.br).

## Teste 1 — melhoria de frontend em projeto real

O primeiro teste usou o mesmo prompt nos dois modelos, sobre um projeto de roadmap de estudos rodando em localhost: melhorar o frontend, deixar a página mais acessível, mais fácil de escanear, polir o layout e reduzir espaço vazio. Cada modelo trabalhou em uma branch separada do Git, e os prompts foram idênticos.

Com o Fable 5 no modo medium thinking, o resultado da primeira iteração foi quase invisível: mudanças tão pequenas que foi preciso rodar um segundo prompt, usando o modo plan, pedindo um revamp completo da UI. Só então veio um resultado bom, com destaques, caminhos visuais e setas de navegação. Como o prompt era vago, o modelo entregou o que achou melhor, e o resultado foi aceitável.

O Kimi K3, mesmo sem thinking ligado, entregou de primeira um resultado bastante parecido com o final do Fable: destaque para tópicos bloqueados, pré-requisitos para desbloqueio, barra lateral colorida e visão em lista. A diferença de processo chama atenção: o Fable precisou de duas rodadas para chegar lá; o Kimi chegou em uma.

## Teste 2 — um Minecraft no browser com cada modelo

A segunda tarefa subiu o nível: construir um Minecraft que roda no browser, com descrição das funcionalidades e sugestão de usar [Three.js](https://threejs.org) ou uma biblioteca similar. Para essa rodada mais difícil, o apresentador usou o Fable 5 em extra high effort e o Kimi K3 com thinking ligado, tentando equivaler os níveis de esforço dos dois lados.

O resultado foi surpreendentemente equilibrado. Dos dois lados saiu algo reconhecível como um Minecraft em fase alfa: terreno com árvores, água, possibilidade de colocar e escolher blocos, cavar até o bedrock, pular e correr.

- O Minecraft do Kimi teve terrenos mais variados, com dois tipos de terreno, água e areia, além de bedrock no fundo.
- O do Fable 5 apostou em árvores com folhagem translúcida, um toque visual interessante, mas o apresentador não encontrou água ou areia no mapa.

A conclusão do teste foi honesta: nenhum dos dois foi claramente superior. Ambos cumpriram o pedido de maneira satisfatória, com diferenças estéticas pequenas.

## Custos: quanto custou cada lado do comparativo

Os números de custo são a parte mais citável do teste, porque saíram do bolso do apresentador, via API nos dois casos, com prompts e tarefas idênticos. Todos os valores abaixo são medições próprias do canal, feitas em julho de 2026, e não benchmark oficial:

| Dimensão | Fable 5 | Kimi K3 |
| --- | --- | --- |
| Custo da tarefa de frontend | R$ 25 | R$ 10 |
| Custo das duas tarefas juntas | ~R$ 90 | R$ 3,50 (US$) ≈ R$ 17,80 |
| Iterações até o bom resultado no frontend | 2 (medium + plan) | 1 (sem thinking) |
| Modelo de licença | Fechado | Open source (pesos públicos) |

A proporção ficou em cerca de 2,5x de diferença na primeira tarefa, praticamente a mesma razão de 2,7x que o Artificial Analysis reporta entre os dois modelos por token. Na soma das duas tarefas, a diferença foi ainda maior, cerca de cinco vezes, puxada pelo modo extra high effort do Fable no teste 3D. Cabe a ressalva de sempre: é um teste, com dois prompts, não uma amostra estatística.

## Vale a pena migrar para o Kimi K3?

Para tarefas de frontend e de construção de aplicações completas, o apresentador considera o custo-benefício do Kimi K3 excelente: resultado equivalente por uma fração do preço. Se o seu gargalo hoje é a conta da API de código, o teste sugere que testar o modelo da Moonshot custa pouco e pode render muito.

Isso não equivale a dizer que o Fable 5 foi superado. Ele ainda lidera o índice geral de inteligência no Artificial Analysis e entregou resultados igualmente bons nas duas tarefas. O argumento do vídeo é outro: concorrência mais barata e de alta qualidade é boa para o mercado inteiro, e um modelo open source alcançando (e em alguns benchmarks passando) os modelos fechados da Anthropic da OpenAI muda o poder de negociação de todos os desenvolvedores.

A recomendação prática: rode a mesma tarefa real do seu projeto nos dois modelos, meça seu próprio custo em dólares e decida pelos seus números, não pelo hype. E confira o ranking atual do Artificial Analysis antes de decidir, porque posições mudam mês a mês.

## FAQ — perguntas frequentes sobre o teste do Kimi K3

- **O Kimi K3 é gratuito porque é open source?** Não. Os pesos são abertos para download, mas o modelo é grande demais para rodar em hardware comum. Na prática, você consome via API ou pelo Kimi Code e paga por token.

- **O Kimi K3 é o melhor modelo de LLM do mundo?** Depende do benchmark. No painel do Artificial Analysis consultado em julho de 2026, ele aparecia em terceiro no índice geral, atrás do Fable 5 e do GPT 5.6 Sol, mas em primeiro em benchmarks agênticos como o Code Arena Web e entre os open source com folga.

- **Quanto mais barato o Kimi K3 ficou no teste prático?** Na tarefa de frontend, o Fable 5 custou R$ 25 e o Kimi K3 R$ 10, cerca de 2,5 vezes menos, valor próximo da razão de 2,7x reportada pelo Artificial Analysis. No total das duas tarefas, a diferença passou de cinco vezes.

- **Preciso trocar de ferramenta para usar o Kimi K3?** Não necessariamente. Você pode usá-lo pelo OpenCode no terminal, pelo Kimi Code nativo da Moonshot ou direto pela API, mantendo fluxos de trabalho semelhantes aos que você já tem com MCPs, hooks e sub-agentes.

- **O teste do canal serve como benchmark definitivo?** Não. Foram duas tarefas, com um prompt cada, executadas pelo apresentador de forma não ao vivo. Trate os números como uma experiência concreta e reproducível no seu próprio projeto, não como amostra estatística.

## Do vídeo ao artigo: transforme seus testes em conteúdo

Este comparativo nasceu de um vídeo de 14 minutos cheio de demonstrações ao vivo, prints de custos e branches de Git. Esse tipo de conhecimento prático costuma ficar preso no formato de vídeo, difícil de citar, buscar e revisar depois.

Se você também registra testes, comparações e aulas em vídeo, vale transformar esse material em texto. No [Skala Blog](https://skalablog.com), você cola a URL do YouTube, o vídeo é transcrito e vira um artigo estruturado como este, pronto para revisão e publicação.

[Source video](https://www.youtube.com/watch?v=oABg3Fqo6PY)