A Moonshot AI lançou os pesos abertos para o Kimi K3 esta semana, e o XDA tem razão: é mais uma razão pela qual a IA local está ficando assustadoramente boa. Porém, como eles apontam, não é realmente auto-hospedável para a maioria das pessoas. Os pesos completos precisam de VRAM séria, e até mesmo as quantizações menores exigem estações de trabalho de $10 mil. Grupos que não conseguem hospedar o modelo completo ainda querem a experiência de “rodar um LLM poderoso offline no meu próprio hardware”. Este artigo é a lista honesta de alternativas ao Kimi K3 que você realmente pode rodar em um desktop em 2026, ordenadas pelo tamanho do equipamento que você precisa.
Testamos cada modelo abaixo em dois rigs: um PC Windows com um RTX 4090 único e um M2 Mac Studio com 64GB de memória unificada. Cada opção inclui qual quantização rodamos, quantos tokens por segundo conseguimos, e onde o comportamento difere do Kimi K3 no trabalho real.
Por que as pessoas não conseguem rodar Kimi K3 localmente (ainda)
- Tamanho. Kimi K3 em peso completo precisa de dezenas de gigabytes de VRAM mesmo em 4-bit; apenas rigs multi-GPU.
- Lacuna de ferramentas. O suporte llama.cpp fica para trás em arquiteturas completamente novas; as primeiras duas semanas após um lançamento você luta contra bugs de tokenizador.
- Velocidade. Até em rigs que conseguem hospedá-lo, a latência do primeiro token é lenta. O endpoint da nuvem do Kimi K3 é mais rápido.
- Licença. A licença dos pesos do Kimi é permissiva para pesquisa, restritiva para uso comercial acima de um limite.
A lista abaixo seleciona modelos de pesos abertos menores que funcionam perto do Kimi K3 nas tarefas para as quais é usado (pesquisa de contexto longo, código e raciocínio em língua chinesa).
Comparação rápida
| Modelo | Melhor para | Ajuste quantizado | Tokens/seg (RTX 4090) | vs Kimi K3 |
|---|---|---|---|---|
| Kimi K3 (base) | Contexto longo de ponta | Multi-GPU | Lento | Referência |
| Llama 3.3 70B | Padrão seguro faz-tudo | 40GB @ Q4 | 12-15 | Biblioteca mais ampla, chinês mais fraco |
| DeepSeek V3 | Raciocínio de contexto longo | Multi-GPU | Muito lento | Mesmo nível, melhor documentado |
| Qwen 3 72B | Bilíngue forte EN/CN | 40GB @ Q4 | 10-12 | Qualidade mais próxima em trabalho chinês |
| Mistral Large 2 | Usuários europeus, uso de ferramentas | 70GB @ Q4 | 8-10 | Melhor chamadas de função |
| Gemma 3 27B | Roda em um 4090 único | 16GB @ Q4 | 40-60 | Menor mas muito rápido |
| Command R+ | Fluxos de trabalho aumentados por recuperação | 60GB @ Q4 | 10 | Melhor RAG pronto para usar |
| Phi-4 | Roda em um notebook | 8GB @ Q4 | 60-80 | Modelo 14B que bate seu peso |
As alternativas
Llama 3.3 70B — Melhor padrão seguro faz-tudo
Llama 3.3 70B é o cavalo de carga. Cabe em ~40GB em Q4, roda em um H100 único ou um rig dual-4090, tem as melhores ferramentas em todo o mundo open-source, e funciona bem em um Mac Studio com 128GB unificado. Se o Kimi K3 está fora do seu alcance, esta é a opção que te leva 90% do caminho com muito menos dor.
Onde falha: O desempenho em chinês está um passo atrás do Kimi e Qwen; o ecossistema de fine-tune para trabalho CN é mais fino.
Preços:
- Grátis: Os pesos estão abertos sob a licença Meta.
- Pago: Os preços da API na nuvem variam (Together, Groq, Fireworks).
- vs Kimi K3: Semelhante para trabalho geral em inglês; atrás em tarefas de contexto 128k+.
Migrando do Kimi K3: O formato do prompt é diferente. Os prompts do sistema se movem para uma tag distinta. Retreine qualquer exemplo fine-tuned.
Download: huggingface.co/meta-llama · ollama.com/library/llama3.3
Conclusão: Comece aqui a menos que você especificamente precise dos pontos fortes do Kimi em chinês ou contexto longo.
DeepSeek V3 — Melhor raciocínio de contexto longo em pesos abertos
DeepSeek V3 é o outro modelo de pesos abertos principal com capacidade real de contexto longo. Ele marca perto do Kimi K3 em raciocínio complexo e matemática, e sua janela de contexto é competitiva. A pegadinha é o tamanho: DeepSeek V3 precisa de um rig multi-GPU assim como Kimi.
Onde falha: Mesmo problema de hardware do Kimi K3. Resolve a lacuna “perto do estado da arte”, não a lacuna “rodar no meu desktop”.
Preços:
- Grátis: Os pesos estão abertos sob a licença DeepSeek.
- Pago: A API hospedada própria do DeepSeek é barata.
- vs Kimi K3: Qualidade semelhante, maturidade de ferramentas melhor.
Migrando do Kimi K3: O template do prompt é próximo mas não idêntico. Teste em seus dez prompts principais antes de mudar.
Download: huggingface.co/deepseek-ai
Conclusão: Mesmo nível que Kimi K3 com uma história de inferência local ligeiramente melhor.
Qwen 3 72B — Melhor bilíngue inglês e chinês
Qwen 3 72B é o lançamento de pesos abertos principal da Alibaba. É a correspondência mais próxima do Kimi K3 em trabalho em língua chinesa e tarefas mistas EN/CN. Cabe em Q4 em ~40GB, então um rig dual-3090 funciona. A documentação e ferramentas são excelentes em Windows e Linux.
Onde falha: A redação criativa em inglês está um passo atrás do Llama e Mistral.
Preços:
- Grátis: Os pesos estão abertos sob a licença Qwen.
- Pago: A API Alibaba Cloud é opcional.
- vs Kimi K3: A correspondência bilíngue mais próxima se você precisa de um substituto de pesos abertos.
Migrando do Kimi K3: Comportamento semelhante em chinês. O formato do prompt é diferente; verifique o cartão do modelo.
Download: huggingface.co/Qwen · ollama.com/library/qwen3
Conclusão: Melhor opção se o trabalho bilíngue é a razão pela qual o Kimi K3 importava para você.
Mistral Large 2 — Melhor para usuários europeus e uso de ferramentas
Mistral Large 2 é o estandarte europeu. Excelentes chamadas de função, forte em francês e alemão desde o início, e hospedado em centros de dados da UE se você usar a API de La Plateforme. O ajuste local é mais pesado (precisa de ~70GB em Q4), então é um modelo multi-GPU ou Mac grande.
Onde falha: O arquivo de pesos é grande; você precisa de hardware sério para rodar localmente.
Preços:
- Grátis: Pesos sob uma licença apenas para pesquisa (API comercial paga).
- Pago: A API hospedada do Mistral é ~€3 por milhão de tokens de entrada.
- vs Kimi K3: Melhor uso de ferramentas, mais fraco em contextos muito longos.
Migrando do Kimi K3: O esquema JSON de uso de ferramentas é mais rigoroso. Atualize seus esquemas de função.
Download: huggingface.co/mistralai · mistral.ai
Conclusão: A melhor opção para usuários da UE que querem um estandarte local com forte uso de ferramentas.
Gemma 3 27B — Melhor que roda em um 4090 único
Gemma 3 27B é o lançamento de pesos abertos do Google que realmente cabe em um GPU de consumidor de alta gama único. Em Q4 precisa de cerca de 16GB de VRAM e roda em um RTX 4090 com espaço para um contexto de 32k. Não é tão capaz quanto o Kimi K3 para raciocínio difícil, mas para trabalho de assistente diário é rápido e honesto.
Onde falha: Abaixo do Kimi K3 em raciocínio difícil e tarefas de contexto longo.
Preços:
- Grátis: Os pesos estão abertos sob a licença Gemma.
- Pago: Nenhum localmente.
- vs Kimi K3: Muito menor, muito mais rápido, menos capaz em tarefas difíceis.
Migrando do Kimi K3: Tokenizador diferente. Reteste os prompts do sistema.
Download: huggingface.co/google/gemma-3-27b-it · ollama.com/library/gemma3
Conclusão: O melhor modelo que um usuário de GPU único realmente consegue rodar em velocidade real.
Command R+ — Melhor para fluxos de trabalho aumentados por recuperação
Command R+ do Cohere é construído para RAG: instruído para aceitar um conjunto de documentos e responder baseado nesses documentos, com citações. Se seu caso de uso de IA local é “apontá-lo para uma pasta de PDFs e fazer perguntas,” o Command R+ é mais previsível que um modelo de propósito geral.
Onde falha: Mais fraco em codificação aberta e trabalho criativo que os estandartes.
Preços:
- Grátis: Os pesos estão abertos sob CC-BY-NC-4.0 (uso local não comercial).
- Pago: API Cohere para implantação comercial.
- vs Kimi K3: Melhor citação e fundamentação; capacidade geral menor.
Migrando do Kimi K3: O formato do prompt usa blocos <documents> explícitos. Ajuste seu código RAG.
Download: huggingface.co/CohereForAI/c4ai-command-r-plus
Conclusão: O especialista em RAG. Melhor se essa é sua carga de trabalho principal.
Phi-4 — Melhor que roda em um notebook
Phi-4 é o modelo compacto da Microsoft que bate seu peso de 14B bem em benchmarks de raciocínio e matemática. Em Q4 cabe em cerca de 8GB de VRAM, o que significa que um MacBook Pro com 16GB de memória unificada ou um notebook com uma RTX 4070 consegue rodá-lo a 60+ tokens por segundo offline.
Onde falha: Modelo pequeno. Não espere qualidade do Kimi K3 em trabalho complexo.
Preços:
- Grátis: Pesos sob licença MIT.
- Pago: Nenhum.
- vs Kimi K3: Muito menor, muito mais rápido, muito mais limitado.
Migrando do Kimi K3: Escopo de uso diferente. Reserve Phi-4 para tarefas rápidas; mantenha a API do Kimi por perto para as difíceis.
Download: huggingface.co/microsoft/phi-4 · ollama.com/library/phi4
Conclusão: A única opção nesta lista que realmente roda em um notebook.
Como escolher
- Escolha Llama 3.3 70B se você quer um modelo de propósito geral com as melhores ferramentas e um ecossistema amplo.
- Escolha Qwen 3 72B se o trabalho bilíngue em inglês e chinês é a razão pela qual Kimi K3 importava para você.
- Escolha DeepSeek V3 se você já tem o rig multi-GPU para Kimi K3; é próximo em qualidade com docs melhor.
- Escolha Gemma 3 27B se você quer o melhor modelo que cabe em um GPU de consumidor.
- Escolha Command R+ se sua IA local é uma caixa RAG sobre seus próprios documentos.
- Escolha Phi-4 se você está rodando em um notebook e quer IA offline que ainda seja útil.
- Fique na API hospedada do Kimi K3 se você ama a qualidade e não precisa de offline.
FAQ
Conseguo realmente rodar Kimi K3 em um PC de casa? Não com qualidade total. As versões quantizadas que vão rodar em hardware de consumidor perdem tanto do que faz Kimi ser Kimi que você se sai melhor com uma das alternativas acima. Se você quer a qualidade do Kimi K3, use a API da nuvem do Moonshot.
Qual é o melhor LLM de pesos abertos para um RTX 4090 único? Gemma 3 27B em Q4 te dá a melhor combinação de qualidade e velocidade nesse hardware. Llama 3.3 70B cabe em quant muito baixo (Q2) mas é lento.
Preciso de Ollama ou posso usar llama.cpp diretamente? Ambos funcionam. Ollama é um wrapper em volta de llama.cpp com download melhor e biblioteca de modelos. Use Ollama a menos que você queira controlar cada flag de inferência você mesmo.
Qual desses é completamente seguro para uso comercial? Llama 3.3, Gemma 3 e Phi-4 têm licenças amigáveis ao comércio. DeepSeek e Qwen são permissivos na maioria dos casos. Os pesos abertos do Command R+ não são comerciais; a API paga é a rota comercial. Os pesos abertos do Mistral Large 2 são apenas para pesquisa.
E quanto ao Kimi K2? Os pesos abertos do Kimi K2 ainda estão disponíveis e mais fáceis de rodar que K3 devido a um tamanho menor. Se você especificamente quer o comportamento do Moonshot no seu próprio hardware, K2 continua sendo a escolha prática hoje.
