Moonshot lanza Kimi K3.1 Pro, un modelo de pesos abiertos con 2,8 billones de parámetros

Moonshot ha lanzado Kimi K3.1 Pro, un modelo multimodal de mezcla de expertos que cuenta con un total de 2,8 billones de parámetros y 104 mil millones de parámetros activos. La empresa anunció que los pesos del modelo se liberarán como pesos abiertos el 4 de noviembre de 2026, lo que marca un paso significativo hacia una infraestructura de IA de nivel frontera más accesible.

Qué ha ocurrido

El nuevo modelo representa una mejora sustancial en escala y capacidad respecto a su predecesor, Kimi K3. Moonshot describe K3.1 Pro como una versión post-entrenada de K3, que utiliza recursos computacionales significativamente mayores para el aprendizaje por refuerzo en cientos de dominios descendentes. El lanzamiento incluye versiones estándar y Highspeed de la API, siendo esta última capaz de generar resultados entre dos y tres veces más rápido al doble del costo. Además, Moonshot presentó Kimi Hosted Agents, un entorno gestionado diseñado para tareas de larga duración y colaboración multiagente.

Las evaluaciones independientes sitúan a K3.1 Pro firmemente entre los modelos de primer nivel actuales. Artificial Analysis lo clasificó cuarto en su Índice de Inteligencia con una puntuación de 55, solo por detrás de Opus 5.5, Sonnet 5.5 y Muse Wonder Full. En las pruebas de referencia de programación, alcanzó el octavo lugar en la categoría Code Arena WebDev, mejorando significativamente su clasificación anterior. Cabe destacar que, a pesar de la eliminación deliberada por parte de Moonshot de datos de entrenamiento relacionados con ciberseguridad para mejorar la seguridad, el modelo logró la puntuación pública más alta en el Cyber Index, superado únicamente por modelos propietarios de acceso restringido.

El lanzamiento ha generado debate sobre la economía de la inferencia y la transparencia de las pruebas de referencia. Aunque los precios por token han disminuido un tercio en comparación con K3, algunas pruebas independientes muestran que un mayor consumo de tokens por tarea puede compensar estos ahorros. Las reacciones de la comunidad han sido mixtas, con entusiasmo por la promesa de pesos abiertos moderado por preocupaciones sobre los costos de implementación y acusaciones de actividades promocionales no divulgadas. Han surgido aclaraciones sobre el cronograma, confirmando la liberación de los pesos para el 4 de noviembre, en lugar de los rumores anteriores.

Cómo funciona

Kimi K3.1 Pro utiliza una arquitectura de mezcla de expertos, lo que le permite activar solo un subconjunto de sus parámetros para cualquier entrada dada. Específicamente, aunque el modelo contiene 2,8 billones de parámetros totales, solo 104 mil millones están activos durante la inferencia. Este diseño busca equilibrar una alta capacidad con eficiencia computacional, aunque requiere una infraestructura sustancial para gestionar el gran grupo de expertos y el estado de ejecución. Implementar un modelo así localmente no es factible para dispositivos de consumo, ya que el conjunto completo de parámetros requeriría terabytes de memoria incluso cuando está cuantizado.

Las ganancias de rendimiento provienen principalmente del extenso aprendizaje por refuerzo posterior al entrenamiento. Moonshot optimizó toda su pila tecnológica, incluyendo el marco de RL, la inferencia de contexto largo y la infraestructura de sandbox, para garantizar retornos estables del aumento de cómputo. Una decisión arquitectónica clave implicó eliminar los datos relacionados con ciberseguridad de las fases de entrenamiento medio y aprendizaje por refuerzo. Este enfoque busca reducir las capacidades ofensivas latentes desde la fuente, en lugar de depender únicamente de rechazos en tiempo de inferencia, resultando en una caída reportada de las puntuaciones internas de ciberseguridad mientras se mantiene un fuerte rendimiento defensivo en las pruebas de referencia.

Detalles clave

• Especificaciones del modelo: 2,8 billones de parámetros totales, 104 mil millones de parámetros activos y una ventana de contexto de 1 millón de tokens.
• Pesos abiertos: Programados para su lanzamiento el 4 de noviembre de 2026, aunque los términos específicos de licencia y las condiciones de redistribución permanecen sin especificar.
• Rendimiento: Clasificado cuarto en el Índice de Inteligencia de Artificial Analysis con una puntuación de 55; octavo en Code Arena WebDev.
• Precios: La API estándar cuesta $2 por millón de tokens de entrada y $10 por millón de tokens de salida, una reducción de un tercio respecto a K3.
• Seguridad: Se eliminaron los datos de entrenamiento relacionados con ciberseguridad, pero el modelo obtuvo un 64% en el Cyber Index público, la puntuación más alta para un modelo accesible.
• Velocidad: La variante de API Highspeed ofrece una generación de salida 2–3× más rápida, pero cuesta el doble que el nivel estándar.

Por qué importa

Para ingenieros de software y fundadores técnicos, la llegada de un modelo de pesos abiertos cercano al nivel frontera cambia el cálculo para construir productos nativos de IA. La promesa de pesos abiertos permite un mayor control sobre la implementación, el ajuste fino y la privacidad de los datos, lo cual es crítico para aplicaciones empresariales. Sin embargo, la distinción entre autoalojable y local para consumidores es vital. El tamaño masivo del modelo significa que ejecutarlo requiere una infraestructura significativa de aceleradores, haciéndolo adecuado para entornos basados en la nube o servidores dedicados, en lugar de dispositivos de borde.

La estructura de precios también exige un análisis cuidadoso. Aunque los costos por token han bajado, la tendencia del modelo a generar más tokens por tarea puede llevar a costos totales similares o superiores para flujos de trabajo complejos. Los desarrolladores deben evaluar el costo por tarea exitosa, no solo las tarifas por token. Además, el fuerte rendimiento del modelo en tareas agénticas y de programación sugiere que podría acelerar los ciclos de desarrollo, particularmente para proyectos que involucran comprensión de contextos largos o razonamiento en múltiples pasos.

Qué puedes hacer

• Monitorea la fecha de lanzamiento del 4 de noviembre de 2026 para los pesos abiertos y revisa los términos de licencia para restricciones de uso comercial.
• Realiza pruebas de referencia de tus cargas de trabajo actuales contra K3.1 Pro utilizando la API Highspeed para evaluar si la prima de velocidad justifica el costo para tus requisitos específicos de latencia.
• Evalúa las capacidades de contexto largo del modelo para proyectos que requieran comprensión completa del código del proyecto o análisis extensivo de documentos.
• Considera las implicaciones del enfoque de seguridad cibernética para tu postura de seguridad, teniendo en cuenta que las altas puntuaciones defensivas no garantizan una capacidad ofensiva sin restricciones.
• Prueba el modelo en tu dominio específico, como modelado 3D o análisis financiero, para verificar las afirmaciones del proveedor contra tus propios estándares de calidad.
• Planifica actualizaciones de infraestructura si tienes la intención de autoalojarlo, contabilizando los enormes requisitos de memoria del modelo de 2,8 billones de parámetros.