Tal como prometió en su lanzamiento del 24 de octubre, Moonshot AI ha publicado en Hugging Face los pesos del modelo Kimi K3.1 Pro, según informó ITHome el 5 de noviembre. El modelo tiene 2,8 billones de parámetros en total, activa unos 104.000 millones por inferencia y ofrece un contexto de aproximadamente 1 millón de tokens.
El tamaño de los archivos de pesos también llama la atención: la versión BF16 ocupa unos 5,6 TB y, tras la cuantización a INT4, alrededor de 1,4 TB.
Las condiciones de la licencia son el detalle que conviene esperar. Según información pública, la generación anterior, K3, usaba una MIT modificada; las condiciones de K3.1 Pro aún no se han podido verificar en la página oficial. Quien quiera usarlo con fines comerciales debe guiarse por el archivo LICENSE del repositorio.
La clasificación puntúa con sesiones reales
Los resultados citados junto con los pesos proceden de la clasificación Agent Arena de Arena. K3.1 Pro es el primero entre los modelos de pesos abiertos y el 13.º entre todos los evaluados, y lidera entre los modelos abiertos en las tres categorías: trabajo, programación y chat.
Esta clasificación no se basa en votaciones ciegas por pares. Extrae señales de sesiones reales de agentes, como confirmaciones de tareas, elogios y quejas, correcciones del usuario y errores de Shell, y estima la tasa neta de mejora con un método de inferencia aleatorizada llamado «rastreo causal». La evaluación de esta vez abarca más de 17.500 sesiones de tareas de larga duración.
| Indicador | K3 | K3.1 Pro |
|---|---|---|
| Tasa neta de mejora | +0,9 % | +5,1 % |
| Fiabilidad en Bash | -4,5 % | +7,9 % |
| Elogios frente a quejas | +1,3 % | +7,7 % |
La fiabilidad en Bash ha pasado de negativa a positiva y además es la primera entre los modelos abiertos. Es lo que más afecta a quien ejecuta tareas largas: cuesta dejar trabajar a un agente cuyos comandos fallan una y otra vez. La tasa de éxito en la confirmación de tareas, de +3,9 %, queda cuarta entre los modelos abiertos, es decir, el modelo no lidera en todo.
Frente a dos buques insignia cerrados
La tabla comparativa publicada por Moonshot AI incluye decenas de pruebas, entre ellas pruebas internas; a continuación solo se recogen las pruebas públicas.
| Prueba | K3.1 Pro | GPT-6 Astra | Opus 5.5 |
|---|---|---|---|
| Terminal-Bench 4.0 | 65,7 | 58,2 | 66,4 |
| SWE Marathon v1.1 | 51,7 | 42,5 | 46,3 |
| Frontier Finance | 58,6 | 45,0 | 56,7 |
| HLE-Full (con herramientas) | 70,0 | 57,2 | 67,7 |
| Program Bench | 31,5 | 50,0 | 65,0 |
| Terminal-Bench-Science 0.1 | 38,1 | 68,1 | 63,3 |
| HLE-Diamond | 39,4 | 65,8 | 60,9 |
| ExploitBench | 74,7 | 100 | 91,0 |
Las pruebas en las que va por delante son sobre todo de tareas con herramientas y flujos largos; las que lo dejan atrás se concentran en tareas científicas, razonamiento de alta dificultad y ataque y defensa en ciberseguridad. En Terminal-Bench 4.0 solo hay 0,7 puntos de diferencia con Opus 5.5, pero en su rama científica la brecha supera los 25 puntos. La tabla la publica el fabricante y algunas puntuaciones aún no han sido reproducidas por terceros.
El apartado de ataque y defensa merece un vistazo aparte. Los pesos abiertos, una vez descargados, no se pueden retirar; los 74,7 puntos en ExploitBench y los 20,7 en ExploitGym todavía quedan lejos de los buques insignia cerrados, y esas dos cifras sirven de referencia para el debate sobre la seguridad de las publicaciones abiertas.
Poder descargar y poder ejecutar son cosas muy distintas
ITHome advierte expresamente en su reportaje de que entre «descargable» y «ejecutable en local» hay una gran distancia: las tarjetas gráficas de consumo comunes prácticamente no pueden desplegarlo.
Un cálculo aproximado: cargar entera la versión INT4 de 1,4 TB en la memoria de vídeo, a razón de 80 GB por tarjeta, requiere unas 18 GPU de nivel centro de datos, sin contar el coste de la caché de contexto. La arquitectura MoE activa solo unos 104.000 millones de parámetros cada vez, y algunas capas de atención completa se han sustituido por atención dispersa con compuertas para reducir el coste del contexto largo, pero los pesos necesitan un sitio donde almacenarse.
Por eso, para la mayoría de los equipos en China, el beneficio directo de esta apertura recae en unos pocos proveedores de nube y de servicios de inferencia: pueden desplegar el modelo por su cuenta y fijar sus propios precios. El cambio que los desarrolladores comunes notarán con más probabilidad es que habrá más puntos de acceso para llamar al modelo. Si los precios bajarán por ello, habrá que compararlo cuando salgan las versiones alojadas por terceros.
Fuentes: ITHome, CocoLoop, clasificación Agent Arena de Arena; las puntuaciones de las pruebas proceden de la tabla comparativa publicada por Moonshot AI y la memoria de vídeo necesaria es una estimación propia.