{"id":2629,"date":"2026-03-19T03:51:27","date_gmt":"2026-03-19T03:51:27","guid":{"rendered":"https:\/\/hizhongguo.com\/index.php\/2026\/03\/19\/kimi-revoluciona-a-base-da-ia-nova-arquitetura-supera-modelos-maiores-sem-aumentar-o-custo\/"},"modified":"2026-03-19T03:51:27","modified_gmt":"2026-03-19T03:51:27","slug":"kimi-revoluciona-a-base-da-ia-nova-arquitetura-supera-modelos-maiores-sem-aumentar-o-custo","status":"publish","type":"post","link":"https:\/\/hizhongguo.com\/index.php\/2026\/03\/19\/kimi-revoluciona-a-base-da-ia-nova-arquitetura-supera-modelos-maiores-sem-aumentar-o-custo\/","title":{"rendered":"Kimi revoluciona a base da IA: nova arquitetura supera modelos maiores sem aumentar o custo"},"content":{"rendered":"

Nos \u00faltimos anos, muita gente tem se perguntado: se dois modelos usam praticamente a mesma quantidade de dados e poder computacional, por que alguns entregam resultados muito melhores?<\/p>\n

\"Kimi<\/figure>\n

A startup Moonshot AI (\u6708\u4e4b\u6697\u9762) trouxe uma resposta que vai direto ao ponto \u2014 e mexe com a base da pr\u00f3pria arquitetura dos modelos de IA.<\/p>\n

\n

Uma mudan\u00e7a na \u201cfunda\u00e7\u00e3o\u201d da IA<\/h2>\n

No dia 16 de mar\u00e7o, o Kimi publicou um relat\u00f3rio t\u00e9cnico chamado \u201cAttention Residuals\u201d<\/strong>, propondo uma reformula\u00e7\u00e3o de um dos componentes mais fundamentais dos modelos modernos: as residual connections<\/strong> (conex\u00f5es residuais).<\/p>\n

Esse elemento existe desde 2015 e \u00e9 essencial para permitir que redes neurais profundas sejam treinadas. Mas at\u00e9 hoje, quase ningu\u00e9m havia questionado seu funcionamento b\u00e1sico.<\/p>\n

O resultado da nova abordagem foi impressionante:<\/p>\n

\n

Com a mesma capacidade computacional, o novo m\u00e9todo alcan\u00e7a o desempenho equivalente a um modelo tradicional que usaria 1,25x mais recursos<\/strong>.<\/p>\n<\/blockquote>\n

Ou seja: mais efici\u00eancia sem aumentar custo.<\/p>\n

\n

Por que mexer nisso agora?<\/h2>\n

As conex\u00f5es residuais tradicionais funcionam de forma simples: cada camada soma sua informa\u00e7\u00e3o com a anterior, dando peso igual para tudo.<\/p>\n

O problema?
\nCom redes cada vez mais profundas, essa soma \u201cdemocr\u00e1tica\u201d come\u00e7a a virar bagun\u00e7a.<\/p>\n

    \n
  • Informa\u00e7\u00f5es importantes se diluem <\/li>\n
  • Camadas intermedi\u00e1rias perdem impacto <\/li>\n
  • Parte do modelo passa a trabalhar sem gerar valor real <\/li>\n<\/ul>\n

    Na pr\u00e1tica, \u00e9 como uma reuni\u00e3o onde todo mundo fala ao mesmo tempo \u2014 e ningu\u00e9m escuta de verdade.<\/p>\n

    \n

    A ideia brilhante: \u201cgirar\u201d a aten\u00e7\u00e3o<\/h2>\n

    A equipe do Kimi percebeu algo curioso:<\/p>\n

    \n

    O problema de perda de informa\u00e7\u00e3o em redes profundas \u00e9 matematicamente parecido com o problema de \u201cesquecimento\u201d em RNNs ao longo do tempo.<\/p>\n<\/blockquote>\n

    A solu\u00e7\u00e3o? Aplicar o conceito de aten\u00e7\u00e3o (attention)<\/strong> \u2014 usado para lidar com sequ\u00eancias \u2014 na dimens\u00e3o de profundidade<\/strong> da rede.<\/p>\n

    Basicamente, eles \u201cgiraram\u201d o mecanismo de aten\u00e7\u00e3o em 90 graus.<\/p>\n

    Agora, em vez de simplesmente somar tudo:<\/p>\n

      \n
    • Cada camada faz uma consulta ativa (query)<\/strong> <\/li>\n
    • Decide quais camadas anteriores realmente importam<\/strong> <\/li>\n
    • E define quanto de informa\u00e7\u00e3o deve ser usado<\/strong> <\/li>\n<\/ul>\n

      Resultado: o modelo deixa de ser passivo e passa a ser seletivo e estrat\u00e9gico<\/strong>.<\/p>\n

      \n

      E a quest\u00e3o do custo?<\/h2>\n

      Uma preocupa\u00e7\u00e3o \u00f3bvia seria o aumento de mem\u00f3ria e lat\u00eancia.<\/p>\n

      Para resolver isso, o time criou o Block AttnRes<\/strong>:<\/p>\n

        \n
      • Divide a rede em blocos <\/li>\n
      • Mant\u00e9m efici\u00eancia computacional <\/li>\n
      • Limita o aumento de lat\u00eancia a apenas ~2%<\/strong> <\/li>\n<\/ul>\n

        Ou seja, ganho alto com custo quase impercept\u00edvel.<\/p>\n

        \n

        Resultados pr\u00e1ticos<\/h2>\n

        Nos testes, a nova arquitetura mostrou ganhos consistentes:<\/p>\n

          \n
        • +7,5%<\/strong> no GPQA-Diamond (racioc\u00ednio cient\u00edfico avan\u00e7ado) <\/li>\n
        • +3,6%<\/strong> em matem\u00e1tica <\/li>\n
        • +3,1%<\/strong> em gera\u00e7\u00e3o de c\u00f3digo <\/li>\n<\/ul>\n

          Al\u00e9m disso, apresentou forte capacidade de generaliza\u00e7\u00e3o<\/strong>, um dos maiores desafios atuais da IA.<\/p>\n

          \n

          Rea\u00e7\u00e3o da ind\u00fastria<\/h2>\n

          O impacto foi imediato.<\/p>\n

            \n
          • Jerry Tworek (OpenAI)<\/strong> chamou de poss\u00edvel in\u00edcio do \u201cDeep Learning 2.0\u201d <\/li>\n
          • Andrej Karpathy<\/strong> destacou que ainda h\u00e1 muito a explorar no conceito de aten\u00e7\u00e3o <\/li>\n<\/ul>\n

            Isso mostra que, mesmo ap\u00f3s anos de evolu\u00e7\u00e3o, ainda existem oportunidades enormes ao revisitar os fundamentos.<\/p>\n

            \n

            O que isso significa para o futuro?<\/h2>\n

            Durante a GTC 2026, o fundador da Moonshot AI destacou um ponto importante:<\/p>\n

            \n

            A ind\u00fastria est\u00e1 chegando a um limite no scaling tradicional.<\/p>\n<\/blockquote>\n

            Ou seja, simplesmente aumentar dados e computa\u00e7\u00e3o j\u00e1 n\u00e3o \u00e9 suficiente.<\/p>\n

            O pr\u00f3ximo salto vir\u00e1 de:<\/p>\n

              \n
            • Novas arquiteturas <\/li>\n
            • Melhorias em componentes fundamentais <\/li>\n
            • Reinterpreta\u00e7\u00e3o de conceitos cl\u00e1ssicos <\/li>\n<\/ul>\n

              Enquanto muitos focam em \u201cmelhorias de superf\u00edcie\u201d, essa pesquisa mostra o poder de mexer na base.<\/p>\n

              \n

              Conclus\u00e3o<\/h2>\n

              A grande li\u00e7\u00e3o aqui \u00e9 simples, mas poderosa:<\/p>\n

              \n

              Modelos melhores n\u00e3o v\u00eam apenas de mais dados ou mais GPUs \u2014 mas de melhores ideias<\/strong>.<\/p>\n<\/blockquote>\n

              Ao repensar algo t\u00e3o b\u00e1sico quanto as conex\u00f5es residuais, o Kimi mostrou que ainda h\u00e1 muito espa\u00e7o para inova\u00e7\u00e3o profunda na IA.<\/p>\n

              E talvez o futuro da intelig\u00eancia artificial n\u00e3o esteja s\u00f3 em escalar\u2026
              \nmas em entender melhor o que j\u00e1 constru\u00edmos<\/strong>.<\/p>","protected":false},"excerpt":{"rendered":"

              Nos \u00faltimos anos, muita gente tem se perguntado: se dois modelos usam praticamente a mesma quantidade de dados e poder […]<\/p>","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"site-sidebar-layout":"default","site-content-layout":"","ast-site-content-layout":"default","site-content-style":"default","site-sidebar-style":"default","ast-global-header-display":"","ast-banner-title-visibility":"","ast-main-header-display":"","ast-hfb-above-header-display":"","ast-hfb-below-header-display":"","ast-hfb-mobile-header-display":"","site-post-title":"","ast-breadcrumbs-content":"","ast-featured-img":"","footer-sml-layout":"","ast-disable-related-posts":"","theme-transparent-header-meta":"","adv-header-id-meta":"","stick-header-meta":"","header-above-stick-meta":"","header-main-stick-meta":"","header-below-stick-meta":"","astra-migrate-meta-layouts":"default","ast-page-background-enabled":"default","ast-page-background-meta":{"desktop":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"ast-content-background-meta":{"desktop":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"footnotes":""},"categories":[1],"tags":[],"class_list":["post-2629","post","type-post","status-publish","format-standard","hentry","category-ai-news"],"_links":{"self":[{"href":"https:\/\/hizhongguo.com\/index.php\/wp-json\/wp\/v2\/posts\/2629","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/hizhongguo.com\/index.php\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/hizhongguo.com\/index.php\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/hizhongguo.com\/index.php\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/hizhongguo.com\/index.php\/wp-json\/wp\/v2\/comments?post=2629"}],"version-history":[{"count":0,"href":"https:\/\/hizhongguo.com\/index.php\/wp-json\/wp\/v2\/posts\/2629\/revisions"}],"wp:attachment":[{"href":"https:\/\/hizhongguo.com\/index.php\/wp-json\/wp\/v2\/media?parent=2629"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/hizhongguo.com\/index.php\/wp-json\/wp\/v2\/categories?post=2629"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/hizhongguo.com\/index.php\/wp-json\/wp\/v2\/tags?post=2629"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}