Realizamos um experimento onde fizemos o Kimi K2.7 Code e o Claude Fable 5 produzirem 12 landing pages cada para uma comparação lado a lado. No geral, o Kimi K2.7 Code custou cerca de 94% menos (16x menos) que o Fable 5 e gerou resultados de qualidade semelhante, especialmente depois que fornecemos ao Kimi o contexto adequado com um MCP de design.
Publicamos nossas descobertas no site do OVSC, juntamente com todas as variantes geradas pelo Claude Opus 4.8, Claude Fable 5 e Kimi K2.7 Code. Em média, o Kimi foi ~16x mais barato que o Fable e ~8x mais barato que o Opus.
Uma captura de tela de https://ovsc.vercel.app/
O site do OVSC permite explorar todas as landing pages, juntamente com detalhamentos dos custos totais, uso de tokens e tempo de geração.
Para entender como conduzimos este experimento, começamos estabelecendo uma base e vendo o que o modelo poderia produzir apenas com o prompt.
Os Prompts
Começamos com um pequeno conjunto de prompts de landing page em algumas categorias diferentes, incluindo B2B SaaS, um speakeasy na cobertura e uma ferramenta de desenvolvimento para consultas SQL. Aqui está uma amostra dos prompts que usamos:
- Crie uma landing page para uma ferramenta de desenvolvedor que transforma consultas SQL em gráficos.
- Crie uma landing page para um bar de coquetéis speakeasy na cobertura - art déco, folha de ouro e esmeralda, glamour dos anos 1920.
- Crie uma landing page para uma startup B2B SaaS - uma ferramenta de gerenciamento de projetos e colaboração em equipe (tarefas, cronogramas, fluxos de trabalho da equipe, integrações).
Demos os mesmos prompts tanto para o Kimi K2.7 Code quanto para o Claude Fable 5.
Aqui estão as páginas que esses modelos criaram quando solicitados a “Criar uma landing page para uma ferramenta de desenvolvedor que transforma consultas SQL em gráficos.”
Infelizmente, ambos os modelos criaram landing pages que pareciam claramente geradas por IA.
Servidor MCP de Inspiração de Design
Configuramos um servidor MCP personalizado que fornecia capturas de tela de landing pages bem projetadas, juntamente com elementos de UI individuais e outras referências visuais. Como o Kimi K2.7 Code é multimodal, pudemos incluir essas imagens diretamente no prompt junto com o texto.
Isso mudou significativamente os resultados. Em vez de gerar um layout apenas a partir de um prompt curto, o Kimi pôde trabalhar a partir de exemplos concretos, captar a linguagem visual e aplicar esses padrões a uma nova página. Na prática, os resultados tiveram uma hierarquia mais forte, tipografia melhor e composição mais intencional.
Aqui está um antes e depois da landing page do Rooftop Speakeasy:
Com inspiração de design, o Kimi produziu páginas que carregavam mais rápido, evitavam placeholders de imagens quebradas e usavam tipografia muito mais legível.
Uma vez que o design melhorou, a próxima coisa que queríamos explorar foi o custo.
Custos por Landing Page
Uma das vantagens de usar um modelo de código aberto como o Kimi K2.7 Code é o custo. Por exemplo, esta landing page para um B2B SaaS custou apenas 4 centavos com o Kimi. O mesmo prompt custou $1,09 com o Claude Fable, tornando-o quase 27 vezes mais caro.
Em média, as landing pages que geramos com o Kimi K2.7 Code foram cerca de 16 vezes mais baratas do que aquelas geradas com um modelo proprietário como o Claude Fable 5.
Com agentes de codificação generativa, raramente você gera apenas uma versão de uma landing page. Na maioria das vezes, você gera muitas variações para explorar diferentes direções de design, texto e elementos da página. Em seguida, você itera nas que mostram potencial, editando e refinando por meio de ciclos repetidos de experimentação e ajuste. Com toda essa ida e volta, a diferença de preço se acumula rapidamente, mesmo para algo tão simples quanto uma landing page de SaaS.
Se você gerasse 100 páginas com o Kimi K2.7 Code, economizaria cerca de $94 em comparação com o uso de um modelo proprietário como o Claude Fable 5.
O custo mais baixo foi uma vantagem clara, mas também queríamos uma maneira de comparar a qualidade dos resultados.
Comparando os Resultados
Após gerar as landing pages, queríamos uma maneira sistemática de comparar o Kimi e o Fable. Não estávamos olhando apenas para o código em si, mas para a qualidade geral de cada página, incluindo posicionamento, direção visual, estrutura de conteúdo, acabamento, responsividade e execução técnica. Para isso, demos ao GPT-5.5 uma rubrica para revisar e pontuar as capturas de tela e o código-fonte de cada página e atribuir uma pontuação final de 0 a 100.
Aqui estão as pontuações para cada landing page:
Claude Fable obteve pontuações mais altas em ambos os exemplos, mas a diferença foi relativamente pequena. O Kimi permaneceu competitivo em design, estrutura e qualidade geral da página, enquanto custava muito menos para executar. Para esse tipo de fluxo de trabalho, achamos que essa troca foi razoável.
Claude Fable obteve pontuações mais altas em ambos os exemplos, mas a diferença foi relativamente pequena. O Kimi permaneceu competitivo em design, estrutura e qualidade geral da página, enquanto custava muito menos para executar. Para esse tipo de fluxo de trabalho, achamos que essa troca foi razoável.
Considerações Finais
Modelos de código aberto como o Kimi K2.7 Code já são capazes de gerar landing pages úteis, mas nosso experimento mostrou que apenas os prompts são apenas parte da equação. Sem um contexto melhor, tanto o Kimi quanto o Claude Fable tenderam a produzir resultados polidos, mas genéricos.
A maior melhoria veio ao dar ao Kimi inspiração visual por meio de um servidor MCP personalizado. Uma vez que ele pôde trabalhar a partir de capturas de tela e referências de design, as páginas se tornaram mais legíveis, mais estruturadas e mais intencionais visualmente.
Combinado com o custo mais baixo, isso torna os modelos de código aberto uma escolha prática para esse tipo de fluxo de trabalho. Se você puder fornecer entradas mais fortes ao modelo e iterar de forma barata, poderá chegar surpreendentemente longe.
Você pode experimentar modelos de código aberto como o Kimi K2.7 Code em together.ai.
