Kimi K3.1 Pro: el modelo abierto de 2.8T parámetros que redefine la eficiencia de los MoE con contexto de 1M tokens

Presentación de Kimi K3.1 Pro: especificaciones técnicas

Moonshot AI ha lanzado Kimi K3.1 Pro, el primer modelo de la serie K3.1, posicionándolo como su nuevo modelo insignia. Este modelo mantiene la misma escala de parámetros que su predecesor, Kimi K3, con un total de 2.8 billones de parámetros, de los cuales solo 104 mil millones se activan durante la inferencia gracias a su arquitectura Mixture of Experts (MoE).

La ventana de contexto se mantiene en un millón de tokens, permitiendo procesar documentos extensos o repositorios de código completos en una sola pasada. La principal novedad de esta versión no reside en un aumento de tamaño, sino en una mejora significativa de la eficiencia y el rendimiento a través de un refuerzo en el proceso de aprendizaje posterior (post-training).

Análisis de la arquitectura MoE y eficiencia de inferencia

La arquitectura de Kimi K3.1 Pro se basa en el marco Stable LatentMoE, que permite activar de forma selectiva solo 16 de los 896 expertos disponibles en cada paso de cálculo. Esta alta esparsidad es clave para mantener los costes de inferencia bajos sin sacrificar la capacidad de razonamiento del modelo.

Moonshot AI indica que la mejora de rendimiento se ha logrado incrementando la cantidad de cómputo dedicado al aprendizaje posterior, mejorando la eficiencia del entrenamiento y la capacidad de manejar contextos largos. El objetivo es que el modelo convierta el cómputo en inteligencia de manera más efectiva que en versiones anteriores, situándose en la frontera de eficiencia para modelos de su tamaño.

Rendimiento en benchmarks: código, finanzas y razonamiento

En el índice de inteligencia Artificial Analysis (AAII), Kimi K3.1 Pro ha obtenido una puntuación de 55 puntos, superando en 11 puntos a la versión anterior (K3, con 44 puntos). Esto le sitúa en la cuarta posición general, por detrás de modelos propietarios como Claude Opus 5.5 (58 puntos) y Meta Muse Wonder Full (56 puntos), pero a la cabeza de todos los modelos con pesos abiertos.

En tareas de programación, el modelo destaca en el benchmark Terminal-Bench 4.0, donde alcanza un 65.7% de éxito, superando a GPT-6 Astra (58.2%) y acercándose a Claude Opus 5.5 (66.4%). En el ámbito financiero, obtiene la mejor puntuación entre los modelos comparados en OfficeQA Pro v2 (64.4 puntos), mostrando mejoras significativas en la extracción de datos y la generación de informes a partir de documentos PDF.

Disponibilidad, costes de API y pesos abiertos

El modelo está disponible de inmediato a través de la API, la aplicación web y móvil de Kimi, así como en las herramientas de trabajo y código de la empresa. Los precios de la API se han reducido en un 33% respecto a la versión anterior: 2 dólares por millón de tokens de entrada y 10 dólares por millón de tokens de salida.

La publicación de los pesos completos del modelo está prevista para el 4 de noviembre de 2026. Hasta esa fecha, el acceso se limita a la API y las aplicaciones oficiales. La empresa también ha lanzado una versión 'High-Speed' con precios más altos (4 dólares entrada / 20 dólares salida) pero con una velocidad de respuesta 2 a 3 veces superior.

Impacto en el ecosistema de modelos abiertos

La llegada de un modelo de 2.8 billones de parámetros con pesos abiertos representa un hito para la comunidad de investigación y desarrollo. Permite a los equipos evaluar y modificar un modelo de frontera sin depender exclusivamente de APIs propietarias, fomentando la transparencia y la innovación en arquitecturas de gran escala.

Sin embargo, el despliegue local de un modelo de esta magnitud requiere infraestructura de cómputo muy potente. Moonshot AI recomienda configuraciones de supernodo con 64 o más aceleradores para una inferencia eficiente, lo que limita su uso inmediato a grandes centros de datos o empresas con recursos significativos, aunque abre la puerta a la investigación académica y la optimización de kernels.

Continúa explorando

Correcciones y transparencia

Si detectas un dato incorrecto o desactualizado, puedes enviarnos una corrección indicando la página y la fuente que debemos revisar.