Explicación de Kimi K3: el modelo abierto de 2,8 billones de parámetros de Moonshot que supera a Opus 4.8

Moonshot AI lanzó Kimi K3 el 16 de julio de 2026, y la cifra destacada es difícil de ignorar: 2,8 billones de parámetros, lo que, según la empresa, lo convierte en el modelo de código abierto más grande jamás publicado. Los pesos aún no son públicos —su liberación está prevista para el 27 de julio—, pero el modelo ya está disponible en las aplicaciones de Kimi, en Kimi Code y en OpenRouter. Sin embargo, los resultados obtenidos en los benchmarks son la verdadera historia.

En el Índice de Inteligencia Artificial de Artificial Analysis, K3 obtiene una puntuación de 57. Esto lo sitúa por encima de Claude Opus 4.8 (56) y solo por debajo de GPT-5.6 Sol Sol (59) y Claude Fable 5 (60) —la primera vez que un modelo con pesos abiertos se ha medido dentro del grupo frontera, en lugar de en una categoría inferior. El matiz radica en su precio. K3 tiene un costo de 3,00 USD por millón de tokens de entrada y 15,00 USD por millón de tokens de salida, aproximadamente tres veces lo que cobraba Kimi K2.6. Parece que llega a su fin la era de los modelos chinos de vanguardia con precios mínimos. A continuación, detallamos qué es real, qué ha sido reportado por el proveedor y dónde se posiciona realmente K3.

Qué es realmente Kimi K3

K3 es la versión general insignia de Moonshot, no un modelo especializado. Este es un cambio deliberado de dirección respecto a Kimi K2.7 Code, que la empresa lanzó un mes antes como una versión exclusiva para programación. K3 está diseñado para hacerlo todo: conversación, procesamiento de documentos largos, visión y —la parte que claramente más le importa a Moonshot— tareas agénticas de largo alcance, donde un modelo planifica, invoca herramientas, lee los resultados y continúa su ejecución.

La escala es lo primero que hay que entender, y la esparsidad lo segundo. De los 2,8 billones de parámetros totales, solo 16 de los 896 expertos se activan para cualquier token dado. Esto es lo que mantiene el costo y la latencia de inferencia dentro de un rango viable para una API; un modelo denso de 2,8 billones sería económicamente inviable de ejecutar. El compromiso está en la memoria: los 2,8 billones de parámetros deben residir íntegramente en la VRAM, independientemente de si se activan o no.

Las especificaciones completas y los precios en tiempo real figuran en la hoja de especificaciones de Kimi K3 en nuestro Base de datos de modelos de IA.

La arquitectura: cómo entrenar un modelo de 2,8 billones de parámetros sin que la factura se dispare

Dos investigaciones propias de Moonshot sustentan este lanzamiento, y ambas abordan el mismo problema: escalar normalmente un transformador implica pagar más por cada token adicional de contexto y por cada capa adicional de profundidad.

Atención Delta de Kimi (KDA) es un mecanismo híbrido de atención lineal. El costo de la atención estándar crece cuadráticamente con la longitud de la secuencia, precisamente por eso los contextos de un millón de tokens han sido lentos y costosos en todas las implementaciones hasta ahora. Moonshot afirma que KDA ofrece hasta una decodificación 6,3× más rápida con contextos de un millón de tokens —la diferencia entre una ventana de 1 millón que aparece únicamente en una hoja de especificaciones y otra que realmente se usa.

Residuos de Atención (AttnRes) se describe como un reemplazo directo de las conexiones residuales estándar, mejorando el flujo de la señal a través de la profundidad. Moonshot informa una mejora aproximada de un 25 % en la eficiencia del entrenamiento con menos del 2 % de costo adicional. Junto con el marco Stable LatentMoE, la arquitectura Gated MLA y una nueva función de activación (SiTU), la empresa afirma una mejora global de aproximadamente 2,5× en la eficiencia de escalado frente a Kimi K2.

Estos valores de eficiencia son reportados por el fabricante y aún no han sido reproducidos de forma independiente. Pero sí explican la estrategia: no se llega a los 2,8 billones comprando más GPUs que Google —las restricciones a la exportación hacen imposible esa vía para un laboratorio chino—, sino optimizando el rendimiento de cada hora-GPU.

Benchmarks: dónde destaca y dónde no

Los resultados más sólidos de K3 se concentran en tareas agénticas y de razonamiento, más que en conversación pura.

Destacan dos señales independientes. En pruebas ciegas en Arena, los desarrolladores prefirieron Kimi frente a todos los principales modelos estadounidenses para programación front-end, incluidos Fable 5 y GPT-5.6 Sol. Y en automatización de tareas del mundo real, K3 obtuvo el primer puesto en cuatro de los ocho benchmarks (incluidos Automation Bench, SpreadsheetBench 2 y BrowseComp), quedando segundo frente a Fable 5 en la mayoría de los demás.

Resumen sincero: K3 sigue quedando atrás de Fable 5 y GPT-5.6 Sol en términos generales, pero supera prácticamente a todos los demás modelos medidos hasta la fecha. Para un modelo de código abierto, esto nunca había ocurrido antes.

La historia del precio: la era de la IA china económica ha terminado

Esta es la parte que recibe menos cobertura y que, sin embargo, importa más. Los laboratorios chinos construyeron su reputación subcotizando las APIs occidentales en un orden de magnitud. K3 no hace eso.

K3 cuesta aproximadamente tres veces más que su predecesor directo y se lista al mismo precio exacto que Claude Sonnet 5. Por tarea, la brecha se reduce aún más: los promedios medidos sitúan a K3 en unos 0,94 USD por tarea, GPT-5.6 Sol en 1,04 USD y Opus 4.8 en 1,80 USD. K3 sigue siendo más barato, pero ahora compite por valor en los márgenes, no por ser 10 veces más económico. El razonamiento de vanguardia parece tener un costo aproximadamente fijo, independientemente de quién lo entrene.

Inteligencia por dólar: nuestro análisis

El precio bruto es la métrica equivocada. Lo que importa es cuánta capacidad adquiere cada dólar. Usando el precio ponderado y las puntuaciones de inteligencia de nuestro Índice de relación precio-rendimiento de IA 2026, así es como queda posicionado K3:

De esa tabla se desprenden tres conclusiones. K3 ofrece aproximadamente 1,7× más inteligencia por dólar que Claude Opus 4.8 y obtiene además una puntuación ligeramente superior: una oferta genuinamente mejor en el extremo superior. Sin embargo, GLM 5.2 GPT-5.6 Sol sigue ofreciendo 2,8× más capacidad por dólar que K3 con seis puntos menos de inteligencia, y DeepSeek V4-Flash ofrece aproximadamente 30× más. K3 es el modelo abierto más inteligente disponible; sin embargo, está lejos de ser el de mejor relación calidad-precio. Si está pagando precios de vanguardia, debe estar seguro de que realmente necesita razonamiento de vanguardia. Calcule sus propios números en la Calculadora de costes de API de IA, o consulte el ranking completo en el tablero de clasificación de LLM.

«Pesos abiertos» no significa que puedas ejecutarlo

Cuando los pesos se publiquen el 27 de julio, cabe esperar una oleada de titulares sobre que cualquiera podrá ejecutar un modelo de vanguardia en casa. Verifique primero los cálculos.

Con 2,8 billones de parámetros en formato nativo de 4 bits (MXFP4), solo los pesos ocupan aproximadamente 1,4 TB. Añada una caché KV dimensionada para algo cercano a un contexto de 1 millón y necesitará aún más espacio. Realísticamente, esto equivale a unos 16 GPU de clase H200 distribuidas en dos nodos — varios cientos de miles de dólares en hardware, sin contar energía ni conectividad. Para comparar, K2.7 Code, con 1 billón de parámetros, requería unos 595 GB y ocho GPU de 80 GB, y ya entonces estaba fuera del alcance de particulares.

Entonces, ¿para quién va realmente la publicación de los pesos? Para despliegues soberanos, empresas reguladas que no pueden enviar datos a una API, laboratorios de investigación y proveedores de nube que lo alojarán para todos los demás. Esto sigue representando una diferencia significativa frente a un modelo cerrado —puede auditarse, ajustarse finamente y ejecutarse dentro de sus propias instalaciones—, pero no es una historia de GPU doméstica. Si desea saber qué puede alojar realmente su hardware, nuestra Calculadora de VRAM para LLM realiza los cálculos por modelo, y la calculadora de autohospedaje frente a API muestra desde qué punto poseer GPU resulta más económico que pagar por token.

¿Quién debería usar K3?

Úselo si ejecuta cargas de trabajo basadas en agentes —automatización de navegadores, cadenas de herramientas de múltiples pasos, programación a largo plazo—, donde sus puntuaciones en BrowseComp, Terminal-Bench y MCP Atlas se traducen en menos ejecuciones fallidas. También es la opción obvia si busca razonamiento de clase vanguardia con una trayectoria creíble hacia el autoalojamiento futuro, o si la calidad del código front-end es relevante (los desarrolladores lo prefirieron sobre Fable 5 en pruebas ciegas).

Omita su uso si su trabajo consiste en chat habitual, resúmenes, clasificación o recuperación. A 3/15 USD estaría pagando tarifas de vanguardia por tareas que GLM 5.2 DeepSeek V4-Flash o modelos similares manejan a una fracción del costo. Y omita su uso también si asumió que «abierto» significaba poder descargarlo esta semana: los pesos aún están a nueve días de su publicación en el momento de redactar este artículo, y ocuparán 1,4 TB al llegar.

El punto más amplio es el que la tabla de benchmarks expresa discretamente: un modelo de pesos abiertos acaba de obtener una puntuación superior a la de Claude Opus 4.8. Cualquier brecha que existiera antes entre la IA abierta y la cerrada de vanguardia ahora se mide en apenas un par de puntos del índice y algunos meses —no en generaciones.

Preguntas frecuentes

¿Es Kimi K3 mejor que Claude Opus 4.8?

En el Índice de Inteligencia de Artificial Analysis, sí: K3 obtiene 57 puntos frente a los 56 de Opus 4.8, y cuesta 3/15 USD por millón de tokens frente a los 5/25 USD de Opus. Aún así, sigue detrás de GPT-5.6 Sol (59) y Claude Fable 5 (60).

¿Es Kimi K3 de código abierto?

Los pesos están programados para su liberación pública el 27 de julio de 2026, siguiendo el precedente de la Licencia MIT Modificada de Moonshot aplicada a versiones anteriores de Kimi. Hasta entonces, K3 solo estará disponible mediante API a través de las aplicaciones Kimi, Kimi Code y OpenRouter.

¿Cuánto cuesta Kimi K3?

3,00 USD por millón de tokens de entrada, 15,00 USD por millón de tokens de salida y 0,30 USD por millón en aciertos de caché. Esto representa aproximadamente tres veces el precio de Kimi K2.6 e idéntico al precio listado de Claude Sonnet 5.

¿Puedo ejecutar Kimi K3 localmente?

Casi con seguridad, no. Con 2,8 billones de parámetros, los pesos en 4 bits ocupan aproximadamente 1,4 TB —equivalente a unas 16 GPU de clase H200 distribuidas en dos nodos, sin incluir aún la caché KV necesaria para su contexto de 1 millón. Es un modelo para centros de datos, no para escritorio.

¿Qué tamaño tiene Kimi K3?

2,8 billones de parámetros totales en un diseño de Mixture-of-Experts (mezcla de expertos), con solo 16 de 896 expertos activos por token. Moonshot afirma que esto lo convierte en el modelo de código abierto más grande publicado hasta la fecha.