Impulsionando Agentes: Workers IA Agora Suporta Grandes Modelos, Iniciando com Kimi K2.5

A Cloudflare não só hospedou o Kimi K2.5 na Workers AI, ela o otimizou para rodar 3× mais rápido na própria infraestrutura, com suporte nativo a Mixture-of-Experts (MoE) e execução eficiente de até 32 bilhões de parâmetros ativos por requisição. O modelo opera em quatro modos distintos: Instantâneo, Pensamento, Agente e Agent Swarm, este último coordenando até 100 agentes especializados em paralelo, acelerando fluxos de trabalho complexos em 4,5×. A janela de contexto de 256k tokens não é só um número: permite carregar bases de código inteiras, definições de ferramentas e histórico completo de sessões, essencial para agentes de revisão de segurança que processam 7 bilhões de tokens/dia sem fallback para APIs externas.

Além disso, a plataforma agora oferece pools de GPU dedicados, cache de prefixos com descontos progressivos (reduzindo TTFT e aumentando TPS) e uma API assíncrona redesenhada com sistema baseado em pull, ideal para varreduras de código em lote, onde a latência individual é menos crítica que o throughput total. Isso transforma a Workers AI de um executor de prompts em uma orquestradora de agentes produtivos, com primitivas como Durable Objects (estado persistente entre chamadas), Workflows (tarefas de longa duração) e Dynamic Workers (execução isolada e segura).

Para equipes de DevOps e engenharia de plataformas, isso significa reduzir drasticamente o custo operacional de pipelines de segurança automatizados, o caso real da Cloudflare mostra queda de US$ 2,4 milhões/ano para uma fração disso, mantendo detecção de 15+ problemas confirmados por base de código. Mais importante: elimina dependências de modelos proprietários com restrições de uso, controle de dados e previsibilidade de custo. Com 50+ modelos open-source já suportados (Llama 3.2, Gemma 4, Nemotron 3 Super), a Workers AI se torna uma camada de abstração confiável para infraestrutura de IA agentic em produção, especialmente em ambientes regulados ou com exigências de baixa latência e alta taxa de conclusão de tarefas.