Kimi K3: Moonshot AI lanza un modelo de pesos abiertos con 2,8 billones de parámetros
Moonshot AI ha lanzado Kimi K3, un nuevo modelo multimodal de razonamiento con 2,8 billones de parámetros totales y una ventana de contexto de 1 millón de tokens.
Kimi K3: Moonshot AI lanza un modelo de pesos abiertos con 2,8 billones de parámetros
Introducción
Moonshot AI ha lanzado Kimi K3, un nuevo modelo multimodal de razonamiento con 2,8 billones de parámetros totales y una ventana de contexto de 1 millón de tokens.
La empresa con sede en Pekín afirma que Kimi K3 es el primer modelo de código abierto en alcanzar el nivel de 3 billones de parámetros. Está diseñado para ingeniería de software de ciclo largo, trabajo intelectual, razonamiento visual, investigación y tareas de agente multi-paso.
Su escala ha llamado la atención de inmediato. El número total de parámetros de Kimi K3 supera con creces los sistemas de pesos abiertos con billones de parámetros que definieron la generación anterior de modelos punteros chinos.
Sin embargo, la escala es solo una parte de la historia. Kimi K3 emplea una arquitectura de mezcla de expertos altamente dispersa, activando solo una pequeña fracción de sus expertos por cada token. Moonshot también ha introducido cambios estructurales diseñados para mejorar la forma en que la información fluye a través de secuencias largas y redes profundas.
La empresa afirma que Kimi K3 ha alcanzado un rendimiento de vanguardia en múltiples pruebas internas, aunque en general sigue por detrás de los modelos propietarios más potentes. Las evaluaciones independientes publicadas antes y después del lanzamiento también lo sitúan entre los modelos líderes actualmente disponibles.
Un modelo multimodal de 2,8 billones de parámetros
Kimi K3 es un modelo multimodal nativo capaz de procesar entradas de texto e imagen. Moonshot lo posiciona para tareas que requieren razonamiento sostenido en lugar de respuestas breves y aisladas.
Sus principales especificaciones son las siguientes:
| Especificación | Kimi K3 |
|---|---|
| Parámetros totales | 2,8 billones |
| Arquitectura | Mezcla de expertos dispersa |
| Número de expertos enrutados | 896 |
| Expertos activados por token | 16 |
| Ventana de contexto | 1 millón de tokens |
| Modalidades | Entrada de texto e imagen |
| Casos de uso principales | Programación, trabajo intelectual, investigación, razonamiento, creación multimodal |
| Modo de razonamiento por defecto | Máximo esfuerzo de reflexión |
| Objetivo de publicación de pesos completos | Antes del 27 de julio de 2026 |
| Despliegue a gran escala recomendado | Configuración de supernodo con al menos 64 aceleradores |
El número total de parámetros describe el modelo completo, no la cantidad de parámetros utilizados por cada token. Kimi K3 activa 16 de sus 896 expertos durante la inferencia, lo que le permite beneficiarse de una enorme capacidad sin necesidad de ejecutar toda la red por cada token generado.
Esta distinción es importante. Los modelos dispersos pueden contener billones de parámetros mientras mantienen el coste computacional real muy por debajo del requerido por un modelo denso de escala equivalente.
Incluso con activación dispersa, Kimi K3 sigue siendo un sistema de alojamiento extremadamente exigente. Moonshot recomienda su despliegue en configuraciones de supernodo con 64 o más aceleradores, lo que hace que el autoalojamiento práctico esté fuera del alcance de la mayoría de los desarrolladores individuales y equipos pequeños.
La arquitectura detrás de Kimi K3
Moonshot destaca dos tecnologías arquitectónicas centrales: la atención Kimi Delta y la residual de atención.
Atención Kimi Delta
La atención Kimi Delta (KDA) está diseñada para hacer que el cálculo de la atención sea más eficiente a medida que aumenta la longitud del contexto.
Cuando el modelo procesa secuencias muy largas, la atención tradicional se vuelve costosa. El objetivo de KDA es proporcionar una base más escalable para manejar contextos grandes, preservando al mismo tiempo la información necesaria para el razonamiento y el uso de herramientas.
La ventana de contexto de un millón de tokens otorga a Kimi K3 la capacidad suficiente para manejar grandes bases de código, colecciones masivas de documentos, historiales de agentes largos o combinaciones de múltiples fuentes de material que antes excedían las limitaciones de muchos modelos.
Una ventana de contexto grande no garantiza que cada token se utilice de manera igualmente efectiva. La calidad de la recuperación, la estabilidad del razonamiento, la estructura de las indicaciones y la orquestación de agentes siguen siendo cruciales. No obstante, la ventana ampliada ofrece a los desarrolladores más espacio para conservar material relevante sin necesidad de una compresión agresiva temprana.
Residual de atención
La residual de atención (AttnRes, por sus siglas en inglés) cambia la forma en que las representaciones se transmiten a través de la profundidad del modelo.
En lugar de permitir que la información se acumule uniformemente a través de conexiones residuales tradicionales, este mecanismo recupera selectivamente representaciones útiles de capas anteriores.
Moonshot afirma que esto mejora el flujo de información a través de la profundidad del modelo y contribuye a una expansión más eficiente.
Mezcla de expertos dispersa estable
Kimi K3 combina el enrutamiento disperso de expertos con un marco de mezcla de expertos dispersa estable. Cada token activa solo 16 de los 896 expertos enrutados.
Con este nivel de dispersión, la calidad del enrutamiento se convierte en un problema de ingeniería importante. Un sistema desequilibrado puede provocar la sobrecarga de subconjuntos de expertos, desperdiciar hardware o reducir el rendimiento.
Moonshot afirma que emplea una estrategia de equilibrio basada en cuantiles y un método de entrenamiento paralelo equilibrado de expertos, distribuyendo la carga de trabajo de manera eficiente sin necesidad de sincronización del host en la ruta crítica.
Entrenamiento consciente de la cuantización
El modelo utiliza entrenamiento consciente de la cuantización desde la fase de ajuste fino supervisado.
Según Moonshot, Kimi K3 utiliza pesos MXFP4 y activaciones MXFP8. Los formatos de baja precisión pueden reducir los requisitos de memoria y comunicación, pero el rendimiento real sigue dependiendo del soporte del hardware y del motor de inferencia.
Se afirma que estas mejoras arquitectónicas, en conjunto, hacen que la eficiencia general de la expansión sea aproximadamente 2,5 veces mayor que la de Kimi K2.
Diseñado para programación de ciclo largo
La programación es uno de los principales ámbitos de aplicación que Moonshot destaca para Kimi K3.
El modelo está diseñado para mantener la eficacia a lo largo de sesiones de ingeniería prolongadas, capaz de navegar por grandes bases de código, operar herramientas de terminal, comprobar la retroalimentación en tiempo de ejecución e iterar de forma continua con una supervisión humana limitada.
Esto difiere de los modelos que solo generan funciones individuales a partir de indicaciones. La programación de ciclo largo puede requerir que el sistema:
- Explore bases de código desconocidas.
- Comprenda la arquitectura y las dependencias.
- Elabore un plan de varias etapas.
- Edite archivos en múltiples módulos.
- Ejecute compilaciones y pruebas.
- Lea mensajes de error y registros.
- Compare capturas de pantalla o resultados renderizados.
- Modifique repetidamente la implementación.
- Conserve el contexto relevante durante toda la tarea.
Moonshot también destaca el desafío de combinar la programación con el razonamiento visual. Kimi K3 puede utilizar capturas de pantalla y retroalimentación visual al trabajar con interfaces de usuario, juegos, flujos de trabajo CAD y otro software interactivo.
Resultados de las pruebas de referencia de codificación de Moonshot
Moonshot evaluó a Kimi K3 en múltiples pruebas de referencia de ingeniería de software y marcos de agentes.
La empresa informó de un rendimiento sólido en:
- DeepSWE
- Terminal-Bench 2.1
- FrontierSWE
- Program Bench
- SWE Marathon
- Kimi Code Bench 2.0
- Optimización de kernels GPU
- Construcción de compiladores
No todas estas evaluaciones utilizan la misma configuración. Algunos modelos se probaron a través de Kimi Code, otros a través de Claude Code o Codex. Moonshot documenta estas diferencias en las notas a pie de página de las pruebas de referencia.
Esto es importante porque el marco del agente influye en los resultados. La interfaz de herramientas, la gestión del contexto, el comportamiento de reintento, los sistemas de permisos y el diseño de las indicaciones pueden afectar al rendimiento del modelo en tareas de larga duración.
Moonshot informa de que Kimi K3 obtuvo los siguientes resultados en estas pruebas:
- Puntuación de 67,5 en la prueba comparativa DeepSWE
- Puntuación de 86,3 en Terminal-Bench 2.1
- Puntuación de 81,2 en FrontierSWE
- Puntuación de 77,8 en Program Bench
- Puntuación de 42,0 en SWE Marathon
- Puntuación de 72,8 en la prueba interna Kimi Code Bench 2.0
Estos son los resultados informados por la empresa y deben leerse junto con las pruebas de referencia realizadas de forma independiente.
Optimización de kernels GPU
Moonshot también probó el modelo en la optimización de kernels GPU.
Capacidades a nivel de kernel, no solo escritura de código de aplicaciones convencionales.
Cada modelo evaluado se colocó en un entorno sandbox equivalente y se le dio hasta 24 horas para configurar, reescribir y realizar pruebas comparativas en múltiples tareas. Las cargas de trabajo incluyeron componentes relacionados con la propia arquitectura de Kimi K3 y se probaron en hardware NVIDIA H200 y otra plataforma de GPU de uso general.
Moonshot afirma que, cuando se permite el comportamiento de retroceso, Kimi K3 compite con Claude Fable 5 y supera significativamente a varios otros modelos probados en esta configuración.
La compañía también indicó que los puntos de control tempranos de Kimi K3 manejaron la mayor parte del trabajo de optimización del kernel utilizado durante el desarrollo del propio modelo.
Esta capacidad es importante porque los sistemas de IA eficientes no dependen únicamente de la arquitectura del modelo. La ingeniería del kernel determina qué tan efectivamente un modelo utiliza los aceleradores, el ancho de banda de la memoria, los enlaces de comunicación y los formatos numéricos especializados.
Construcción de un compilador de GPU desde cero
En otra prueba interna, Kimi K3 creó un sistema de programación de GPU compacto similar a Triton, llamado MiniTriton.
Según Moonshot, el proyecto final incluyó:
- Una representación intermedia a nivel de teselas basada en MLIR.
- Pases de optimización.
- Un pipeline de generación de código PTX.
- Un frontend de lenguaje de dominio específico.
- Componentes de tiempo de ejecución.
- Soporte para entrenamiento de extremo a extremo de nanoGPT.
Moonshot informa que MiniTriton igualó o superó a Triton y torch.compile en los puntos de referencia de soporte seleccionados, manteniendo un comportamiento de entrenamiento estable en sus pruebas de nanoGPT.
Este resultado debe considerarse un estudio de caso de la empresa, no una prueba de que el compilador generado esté listo para reemplazar herramientas maduras.
Infraestructura de producción. Sin embargo, demuestra el tipo de tareas de ingeniería en múltiples etapas a las que Moonshot apunta al diseñar Kimi K3.
Programación visual, desarrollo de juegos y diseño de chips
El diseño nativo multimodal de Kimi K3 le permite cambiar libremente entre código fuente y salida visual.
En trabajos de desarrollo de juegos y frontend, el modelo puede generar código de implementación, inspeccionar capturas de pantalla, identificar problemas visuales y modificar el código. Moonshot llama a esto "mantener la visual dentro del bucle de desarrollo".
La compañía también demostró una demostración temprana de diseño de chips. Según se informa, durante una ejecución autónoma de 48 horas, Kimi K3 diseñó, optimizó y validó un chip basado en su propia arquitectura para servir a un modelo pequeño.
Esta prueba de concepto utilizó herramientas de automatización de diseño electrónico de código abierto y la biblioteca de procesos de 45 nm de Nangate. Moonshot informó los resultados del diseño simulado:
- Área controlada dentro de 4 mm².
- Cierre de temporización a una frecuencia de 100 MHz.
- Aproximadamente 1,46 millones de celdas estándar.
- 0.277 MB de SRAM utilizados.
- Una matriz de acumulación y multiplicación INT4 con des cuantización fusionada.
- Más de 8700 tokens procesados por segundo en simulación.
Esta es una simulación y una demostración de investigación temprana, no un chip producido realmente.
Kimi K3 en investigación científica y trabajo del conocimiento
Moonshot también posiciona a Kimi K3 como un modelo adecuado para flujos de trabajo de investigación y conocimiento experto.
En un caso de astrofísica computacional, se le pidió al modelo que reproduciera una relación universal relacionada con las propiedades de las estrellas de neutrones.
Moonshot afirma que Kimi K3:
- Revisó y cotejó más de 20 artículos.
- Implementó el flujo de cálculo numérico completo.
- Evaluó más de 300 ecuaciones de estado.
- Identificó inconsistencias en fórmulas publicadas.
- Generó más de 3000 líneas de código Python.
- Construyó paneles de datos HTML interactivos.
Según la estimación de la compañía, el modelo completó el proyecto en aproximadamente dos horas, mientras que un investigador experimentado podría necesitar de una a dos semanas.
Como con otros estudios de caso, este resultado no debe tomarse como una garantía de ahorro de tiempo universal. El rendimiento depende del contenido de la tarea, las herramientas disponibles, la calidad de la fuente de datos, los métodos de validación y el grado de revisión humana.
Ventana de contexto de un millón de tokens
La ventana de contexto de Kimi K3 es una de sus especificaciones de mayor valor comercial.
La capacidad de un millón de tokens puede albergar varias combinaciones, como:
- Grandes bases de código de software que incluyen documentos y registros.
- Grandes cantidades de informes extensos y documentos originales.
- Registros extendidos de llamadas a herramientas.
- Sesiones de investigación científica prolongadas.
- Grandes colecciones de imágenes y texto.
- Múltiples borradores, versiones revisadas y resultados intermedios.
Moonshot afirma que Kimi K3 funciona mejor cuando se conserva el historial completo de razonamiento.
Esto conlleva un requisito de implementación importante. Si un framework de agente descarta partes del historial de pensamiento temprano del modelo, lo resume incorrectamente o cambia a otro modelo a media sesión, la calidad de la salida puede volverse inestable.
Moonshot recomienda utilizar frameworks compatibles verificados (como Kimi Code) y evitar cambiar de modelo durante sesiones activas de K3.
Resultados de pruebas comparativas independientes
Los resultados de pruebas independientes respaldan ampliamente la conclusión de que Kimi K3 está entre los modelos de vanguardia, aunque no
lidera en todas las categorías.
Artificial Analysis otorgó a Kimi K3 una puntuación de 57 en su Índice de Inteligencia y lo clasificó en tercer lugar en el momento de la evaluación. Su resultado general se describe como comparable a Claude Opus 4.8 y GPT-5.5, pero por detrás de Claude Fable 5 y GPT-5.6 Sol.
Artificial Analysis también informó que Kimi K3 fue inusualmente verboso durante la evaluación, generando aproximadamente 130 millones de tokens, mientras que el promedio de modelos similares fue de alrededor de 63 millones de tokens.
Esto afecta al costo y la latencia. El precio de un modelo por token puede ser competitivo, pero si utiliza más tokens para completar la misma tarea, aún puede resultar costoso.
Reuters informó otros resultados de pruebas de terceros en el momento del lanzamiento:
- Arena.ai clasificó a Kimi K3 en primer lugar en una evaluación de construcción de interfaz web.
- Vals AI lo clasificó en segundo lugar, detrás de Claude Fable 5 y por delante de GPT-5.6 Sol.
- Artificial Analysis encontró que su rendimiento era comparable al de GPT-5.5 y Claude Opus 4.8 en trabajos complejos de varios pasos.
A medida que los evaluadores añadan muestras, actualicen sus plataformas de prueba y vuelvan a probar los modelos, las clasificaciones de referencia cambiarán. Por lo tanto, se deben consultar las tablas de clasificación más recientes antes de tomar decisiones de compra o implementación.
Estado de pesos abiertos y fecha de publicación
Kimi K3 fue anunciado como un modelo de pesos abiertos, pero en el momento de redactar este artículo, los pesos completos descargables aún no se han publicado.
La página de lanzamiento oficial de Moonshot muestra que los pesos están programados para publicarse antes del 27 de julio de 2026.
Esta distinción es importante:
- El modelo, la arquitectura, la API y las integraciones de productos ya se han anunciado.
- Kimi K3 ya es accesible a través de los productos gestionados y la API de Moonshot.
- Los pesos completos del modelo están programados para su publicación futura.
- Las instrucciones de implementación local y el soporte final del ecosistema pueden seguir cambiando después de la publicación de los pesos.
Hasta que se publiquen los pesos, la licencia y la documentación técnica, cualquier afirmación sobre procesos de autoalojamiento específicos, motores de inferencia compatibles o configuraciones de hardware debe considerarse preliminar.
Los pesos abiertos tampoco implican automáticamente código abierto sin restricciones. La licencia final determinará qué pueden modificar, redistribuir o utilizar comercialmente los usuarios.
Por qué la mayoría de los usuarios no ejecutarán Kimi K3 localmente
Un modelo de 2,8 billones de parámetros supera con creces la definición convencional de IA local.
Incluso con activación dispersa y pesos de baja precisión, el punto de control completo, el enrutamiento de expertos, la comunicación de alto ancho de banda, el almacenamiento en caché de contexto y la sobrecarga de tiempo de ejecución requieren sistemas distribuidos grandes.
Moonshot recomienda el uso de al menos 64 aceleradores en una configuración de tipo supernodo para la implementación.
El impacto práctico es el siguiente:
- Es más probable que los usuarios individuales accedan a Kimi K3 a través de una API o aplicación gestionada.
- Las empresas pueden utilizar proveedores de inferencia especializados en lugar de mantener sus propios clústeres.
- Los pesos abiertos son más directamente útiles para laboratorios de investigación con financiación adecuada, plataformas en la nube, empresas de inferencia y equipos de infraestructura grandes.
- Las variantes comunitarias cuantizadas o destiladas pueden eventualmente reducir la barrera, pero esas versiones pueden no igualar el rendimiento del modelo completo.
Las estimaciones citadas por Reuters muestran que los sistemas relacionados con el autoalojamiento del modelo...
pueden requerir equipos de computación por valor de cientos de miles de dólares.
El costo específico dependerá del formato final de los pesos, el tipo de acelerador, la configuración de red, la longitud de contexto, el objetivo de rendimiento, el esquema de redundancia y el software de servicio.
Precios de API y disponibilidad
Kimi K3 ya está disponible a través de varios productos de Moonshot:
- Kimi.com
- Kimi Workbench
- Kimi Code
- Kimi
Interfaz abierta (API de Kimi)
- Kimi versión empresarial
Los usuarios de Kimi Code pueden seleccionar el modelo Kimi K3 a través del comando de modelo en la interfaz de terminal.
El precio actual de la API de Moonshot AI es el siguiente:
| Categoría de token | Precio por millón de tokens |
|---|---|
| Entrada con acierto en caché | 0,30 USD |
| Entrada sin acierto en caché | 3,00 USD |
| Salida | 15,00 USD |
El nombre del modelo en la API es:
kimi-k3
Moonshot AI declaró que su API oficial, mediante la arquitectura de inferencia separada Mooncake, logra una tasa de acierto en caché superior al 90 % en cargas de trabajo de codificación.
El costo real de la aplicación dependerá de la longitud de las indicaciones, la profundidad de inferencia, la reutilización de la caché, el número de llamadas a herramientas, los mecanismos de reintento y el nivel de detalle de la salida.
Los laboratorios de IA en China aceleran el ciclo de iteración
Con el lanzamiento de Kimi K3, las empresas de inteligencia artificial chinas están presentando nuevos modelos con una frecuencia inusualmente intensa.
Desarrolladores como Moonshot AI, Z.ai, MiniMax, DeepSeek y Meituan siguen lanzando sistemas más grandes y potentes, mientras compiten ferozmente en precios, pesos abiertos, capacidad de codificación y rendimiento de agentes.
Reuters señala que esta velocidad de iteración ha desafiado la creencia previa de que los modelos líderes chinos siempre estaban meses detrás de la tecnología de vanguardia estadounidense.
El mero tamaño del modelo no demuestra liderazgo. El número de parámetros es difícil de comparar entre arquitecturas densas y dispersas, y varios desarrolladores importantes de EE. UU. no han revelado el tamaño específico de sus modelos actuales.
Aun así, Kimi K3 muestra que los laboratorios chinos ya están a la vanguardia en áreas como tamaño de modelos, diseño de arquitectura, razonamiento de contexto largo e ingeniería de agentes.
Reacción del mercado y expansión de Moonshot AI
Reuters informó que, tras el lanzamiento de Kimi K3, varias acciones cotizadas de competidores chinos de IA cayeron.
Cerca del cierre, Zhipu AI cayó un 27,7 % y MiniMax un 16,5 %.
El rendimiento de un solo día aún no determina el impacto a largo plazo del nuevo modelo en el panorama competitivo del mercado, pero esta reacción muestra la atención del mercado público hacia los avances tecnológicos de las empresas chinas de IA.
Moonshot AI ha recibido el respaldo de importantes inversores como Alibaba y Tencent.
Reuters también citó un informe de Bloomberg que indica que Moonshot AI está buscando una nueva ronda de financiación de aproximadamente 2 mil millones de dólares, con una valoración de unos 30 mil millones de dólares, previa a su salida a bolsa en Hong Kong. Sin embargo, estos planes de financiación y salida a bolsa aún están en etapa de reporte y no se han concretado definitivamente.
Limitaciones reveladas de Kimi K3
Moonshot AI fue inusualmente franca al señalar varias limitaciones en su anuncio oficial.
Sensibilidad al historial de razonamiento
Kimi K3 conserva el historial de razonamiento durante el entrenamiento. Si el marco del agente no devuelve el contenido completo del razonamiento histórico, puede provocar un rendimiento inestable. Tampoco se recomienda cambiar a Kimi K3 en medio de una conversación establecida con otros modelos.
Proactividad excesiva
Este modelo está optimizado para tareas de alta intensidad y larga duración. Por lo tanto, cuando las instrucciones son ambiguas, puede tomar decisiones inesperadas.
O cuando encuentra pequeños obstáculos. Las aplicaciones que requieren un comportamiento preciso deben proporcionar restricciones explícitas mediante indicaciones del sistema o el archivo AGENTS.md.
Brecha en la experiencia del usuario
Moonshot AI indicó que, aunque Kimi K3 es competitivo en numerosas evaluaciones técnicas, su experiencia de usuario general sigue estando por detrás de Claude Fable 5 y GPT-5.6 Sol.
Altos requisitos de infraestructura
Los pesos abiertos no implican que el sistema sea fácil de implementar por completo. Su tamaño, requisitos de red y necesidades de memoria de contexto largo crean una alta barrera operativa.
Alto consumo de tokens
Pruebas independientes muestran que en evaluaciones complejas, el consumo de tokens de Kimi K3 puede ser significativamente mayor que el promedio de los modelos de vanguardia. Esto afecta el costo total, la velocidad de respuesta y el consumo de límites de velocidad.
Significado de este lanzamiento para los desarrolladores
Para la mayoría de los desarrolladores, Kimi K3 estará inicialmente disponible como modelo alojado en lugar de autoalojado.
Sus características más importantes incluyen:
- Ventana de contexto extremadamente grande
- Comportamiento de codificación persistente y reforzado
- Capacidad nativa de razonamiento visual
- Llamadas a herramientas orientadas a agentes
- Rendimiento competitivo en tareas de conocimiento especializado
- Acceso a API con precios públicos
- Pesos abiertos planificados
Los equipos que evalúen este modelo deben probar flujos de trabajo reales, no solo confiar en los titulares de los benchmarks.
Las evaluaciones valiosas pueden incluir:
- Navegación de repositorios y resolución de problemas
- Capacidad de mantener instrucciones de contexto largo
- Implementación de front-end con referencia visual
- Fiabilidad de llamadas a herramientas
- Redundancia de salida y costo
- Rendimiento bajo instrucciones ambiguas
- Compatibilidad con marcos de agentes objetivo
- Rendimiento tras compresión del historial de razonamiento
- Gobernanza de datos y requisitos de implementación
- Capacidad de recuperación ante comandos o pruebas fallidas
Preguntas frecuentes
¿Qué es Kimi K3?
Kimi K3 es un modelo multimodal de razonamiento con 2,8 billones de parámetros lanzado por Moonshot AI, diseñado para codificación de largo alcance, trabajo de conocimiento, investigación científica, tareas visuales y flujos de trabajo de agentes.
¿Kimi K3 es de código abierto?
Moonshot AI describe a Kimi K3 como un modelo abierto y planea publicar los pesos completos. Los pesos abiertos no equivalen necesariamente a software de código abierto; el acuerdo de licencia final determinará los términos de uso, modificación y redistribución permitidos.
¿Los pesos de Kimi K3 están disponibles ahora?
Al momento de redactar este artículo, aún no se han publicado. El anuncio oficial de Moonshot AI indica que los pesos completos estarán disponibles el 27 de julio de 2026.
¿Cuántos parámetros utiliza Kimi K3 durante la inferencia?
El modelo completo tiene 2,8 billones de parámetros, pero utiliza una arquitectura de mezcla dispersa de expertos. Moonshot AI indica que cada token activa 16 de los 896 expertos, por lo que no toda la red se ejecuta simultáneamente.
¿Puede Kimi K3 ejecutarse en una computadora personal?
El modelo completo no es adecuado para computadoras personales comunes. Moonshot AI recomienda al menos 64 aceleradores en una configuración de supernodo, por lo que la mayoría de los usuarios accederán a Kimi K3 a través de productos alojados o API.
¿Cuál es el tamaño de la ventana de contexto de Kimi K3?
Kimi K3 admite una ventana de contexto de 1 millón de tokens. El modelo es sensible a la forma en que se registra el historial de razonamiento, por lo que la compatibilidad con el marco del agente y la gestión del contexto son importantes.
¿Cuánto cuesta la API de Kimi K3?
Los precios publicados por Moonshot AI son: entrada con acierto en caché: 0,30 USD por millón de tokens, entrada sin acierto en caché: 3,00 USD por millón de tokens, salida: 15,00 USD por millón de tokens. El costo total también depende de la longitud de la salida, la reutilización de la caché, las llamadas a herramientas y los reintentos.
¿Es Kimi K3 mejor que GPT-5.6 Sol o Claude Fable 5?
La respuesta depende de la tarea específica y los benchmarks. Moonshot AI indicó que Kimi K3 está generalmente por detrás de ambos modelos, pero es comparable o superior en algunas evaluaciones de codificación y trabajo de conocimiento. Pruebas independientes también muestran que Kimi K3 está entre los modelos líderes, pero no siempre en primer lugar.
Herramientas relacionadas
- Kimi: Espacio de trabajo de agente alojado por Moonshot AI para usar Kimi K3.
- Kimi Work: Entorno de escritorio diseñado para documentos, investigación, paneles y funciones de trabajo de conocimiento de Kimi.
- Kimi Code: Agente de codificación para terminal e IDE de Moonshot AI, compatible con la selección del modelo Kimi K3.
- Plataforma API de Kimi: Acceso oficial a la API, precios, documentación para desarrolladores y gestión de cuentas.
- Moonshot AI en GitHub: Repositorio oficial de proyectos de código abierto, herramientas de modelo e investigación.
- Moonshot AI en Hugging Face: Tarjetas oficiales de modelos y versiones descargables de modelos de Moonshot AI.
- vLLM: Motor de inferencia de código abierto que, según Moonshot AI, será compatible con la función de caché de prefijos KDA.
Enlaces relacionados
Blog técnico oficial de Kimi K3: Anuncio de Moonshot AI sobre arquitectura, benchmarks, disponibilidad y limitaciones.
Sitio web oficial de Moonshot AI: Página principal oficial de productos e investigación de la empresa.
Plataforma API de Kimi: Acceso oficial a la API Kimi K3 y precios actuales de tokens.
Organización Moonshot AI en GitHub: Repositorio oficial de código para los modelos Kimi, Kimi Code e investigación de infraestructura.
Organización Moonshot AI en Hugging Face: Versiones oficiales de pesos de modelos y tarjetas de modelos.
Artificial Analysis: Kimi K3: Evaluación independiente de nivel de inteligencia, precios, velocidad y ventana de contexto.
Informe de prueba de referencia de Kimi K3 de Artificial Analysis: Resumen independiente del rendimiento del índice de inteligencia de Kimi K3.
Resumen
Kimi K3 impulsa a Moonshot AI al nivel de 3 billones de parámetros, un modelo multimodal disperso construido específicamente para codificación, investigación, trabajo de conocimiento y tareas de agente de larga duración. Su ventana de contexto de un millón de tokens, el mecanismo de atención Kimi Delta, la estructura residual de atención y la estrategia de enrutamiento de expertos altamente dispersa están diseñadas para mejorar la eficiencia operativa a esta escala.
Tanto los puntos de referencia de la empresa como las evaluaciones independientes muestran que Kimi K3 se encuentra entre los modelos fronterizos actuales, aunque Moonshot reconoce que aún está por detrás de Claude Fable 5 y GPT-5.6 Sol en general. El alto consumo de tokens del modelo, su sensibilidad al historial de razonamiento, su tendencia a un comportamiento proactivo y sus enormes requisitos de infraestructura son importantes limitaciones prácticas.
Kimi K3 ya está disponible a través de la aplicación y API de Moonshot. Los pesos completos están programados para publicarse antes del 27 de julio de 2026, por lo que la mayoría de los desarrolladores utilizarán inicialmente la versión alojada en lugar de implementar el modelo completo por su cuenta.
El avance clave no radica solo en la escala de parámetros: Kimi K3 combina escala extrema, activación dispersa, contexto de un millón de tokens, entrada multimodal y comportamiento de agente de ciclo largo, y Moonshot AI planea publicarlo como pesos descargables.