{"id":1571,"date":"2026-07-17T00:45:41","date_gmt":"2026-07-17T00:45:41","guid":{"rendered":"https:\/\/convly.ai\/?p=1571"},"modified":"2026-07-17T00:45:41","modified_gmt":"2026-07-17T00:45:41","slug":"kimi-k3-explained-2026","status":"publish","type":"post","link":"https:\/\/convly.ai\/es\/kimi-k3-explained-2026\/","title":{"rendered":"Explicaci\u00f3n de Kimi K3: el modelo abierto de 2,8 billones de par\u00e1metros de Moonshot que supera a Opus 4.8"},"content":{"rendered":"<p>Moonshot AI lanz\u00f3 Kimi K3 el 16 de julio de 2026, y la cifra destacada es dif\u00edcil de ignorar: 2,8 billones de par\u00e1metros, lo que, seg\u00fan la empresa, lo convierte en el modelo de c\u00f3digo abierto m\u00e1s grande jam\u00e1s publicado. Los pesos a\u00fan no son p\u00fablicos \u2014su liberaci\u00f3n est\u00e1 prevista para el 27 de julio\u2014, pero el modelo ya est\u00e1 disponible en las aplicaciones de Kimi, en Kimi Code y en OpenRouter. Sin embargo, los resultados obtenidos en los benchmarks son la verdadera historia.<\/p>\n<p>En el \u00cdndice de Inteligencia Artificial de Artificial Analysis, K3 obtiene una puntuaci\u00f3n de <strong>57<\/strong>. That puts it above Claude Opus 4.8 (56) and behind only GPT-5.6 Sol (59) and Claude Fable 5 (60) \u2014 the first time an open-weight model has been measured inside the frontier group rather than a tier below it. The twist is the price tag. K3 lists at $3.00 per million input tokens and $15.00 per million output, roughly three times what Kimi K2.6 charged. The era of frontier Chinese models at rock-bottom prices looks like it is ending. Here is what is real, what is vendor-reported, and where K3 actually fits.<\/p>\n<div class=\"convly-tldr\">\n<h3>Conclusiones clave<\/h3>\n<ul>\n<li><strong>2,8 billones de par\u00e1metros; 16 de 896 expertos activos.<\/strong> Una arquitectura dispersa de mezcla de expertos (MoE) basada en el marco \u00abStable LatentMoE\u00bb de Moonshot \u2014el modelo abierto m\u00e1s grande anunciado hasta la fecha.<\/li>\n<li><strong>57 en el \u00cdndice de Inteligencia AA<\/strong> \u2014 above Claude Opus 4.8 (56), below GPT-5.6 Sol (59) and Claude Fable 5 (60). The strongest open-weight score yet recorded.<\/li>\n<li><strong>Contexto m\u00e1ximo de 1 mill\u00f3n, visi\u00f3n nativa y razonamiento siempre activo.<\/strong> El esfuerzo m\u00e1ximo de razonamiento es el modo predeterminado; se prometen modos de bajo y alto esfuerzo en futuras actualizaciones.<\/li>\n<li><strong>Dos nuevos componentes arquitect\u00f3nicos:<\/strong> Atenci\u00f3n Delta de Kimi (hasta un 6,3\u00d7 m\u00e1s r\u00e1pida en la decodificaci\u00f3n con contextos de un mill\u00f3n de tokens) y Residuos de Atenci\u00f3n (aproximadamente un 25 % mayor eficiencia en el entrenamiento con menos del 2 % de costo adicional).<\/li>\n<li><strong>Ya no es barato.<\/strong> 3,00 USD de entrada \/ 15,00 USD de salida por cada mill\u00f3n de tokens (0,30 USD en aciertos de cach\u00e9) \u2014 aproximadamente tres veces el precio de K2.6 (0,95 USD \/ 4,00 USD) y exactamente el precio de lista de Claude Sonnet 5.<\/li>\n<li><strong>Pesos disponibles a partir del 27 de julio de 2026.<\/strong> Hasta entonces, solo estar\u00e1 disponible mediante API; y, al ocupar aproximadamente 1,4 TB en cuantizaci\u00f3n de 4 bits, lo que se denomina \u00abde c\u00f3digo abierto\u00bb no significar\u00e1 \u00abejecutable\u00bb para casi nadie.<\/li>\n<\/ul>\n<\/div>\n<div id=\"ez-toc-container\" class=\"ez-toc-v2_0_84 counter-flat ez-toc-counter ez-toc-container-direction\">\n<label for=\"ez-toc-cssicon-toggle-item-6a5a5c5363947\" class=\"ez-toc-cssicon-toggle-label\"><span class=\"\"><span class=\"eztoc-hide\" style=\"display:none;\">Alternar<\/span><span class=\"ez-toc-icon-toggle-span\"><svg style=\"fill: #000000;color:#000000\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\" class=\"list-377408\" width=\"20px\" height=\"20px\" viewbox=\"0 0 24 24\" fill=\"none\"><path d=\"M6 6H4v2h2V6zm14 0H8v2h12V6zM4 11h2v2H4v-2zm16 0H8v2h12v-2zM4 16h2v2H4v-2zm16 0H8v2h12v-2z\" fill=\"currentColor\"><\/path><\/svg><svg style=\"fill: #000000;color:#000000\" class=\"arrow-unsorted-368013\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\" width=\"10px\" height=\"10px\" viewbox=\"0 0 24 24\" version=\"1.2\" baseprofile=\"tiny\"><path d=\"M18.2 9.3l-6.2-6.3-6.2 6.3c-.2.2-.3.4-.3.7s.1.5.3.7c.2.2.4.3.7.3h11c.3 0 .5-.1.7-.3.2-.2.3-.5.3-.7s-.1-.5-.3-.7zM5.8 14.7l6.2 6.3 6.2-6.3c.2-.2.3-.5.3-.7s-.1-.5-.3-.7c-.2-.2-.4-.3-.7-.3h-11c-.3 0-.5.1-.7.3-.2.2-.3.5-.3.7s.1.5.3.7z\"\/><\/svg><\/span><\/span><\/label><input type=\"checkbox\"  id=\"ez-toc-cssicon-toggle-item-6a5a5c5363947\"  aria-label=\"Alternar\" \/><nav><ul class='ez-toc-list ez-toc-list-level-1' ><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-1\" href=\"https:\/\/convly.ai\/es\/kimi-k3-explained-2026\/#What_Kimi_K3_actually_is\" >Qu\u00e9 es realmente Kimi K3<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-2\" href=\"https:\/\/convly.ai\/es\/kimi-k3-explained-2026\/#The_architecture_how_you_train_28T_without_the_bill_exploding\" >La arquitectura: c\u00f3mo entrenar un modelo de 2,8 billones de par\u00e1metros sin que la factura se dispare<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-3\" href=\"https:\/\/convly.ai\/es\/kimi-k3-explained-2026\/#Benchmarks_where_it_wins_where_it_doesnt\" >Benchmarks: d\u00f3nde destaca y d\u00f3nde no<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-4\" href=\"https:\/\/convly.ai\/es\/kimi-k3-explained-2026\/#The_price_story_the_cheap-Chinese-AI_era_is_ending\" >La historia del precio: la era de la IA china econ\u00f3mica ha terminado<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-5\" href=\"https:\/\/convly.ai\/es\/kimi-k3-explained-2026\/#Intelligence_per_dollar_our_take\" >Inteligencia por d\u00f3lar: nuestro an\u00e1lisis<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-6\" href=\"https:\/\/convly.ai\/es\/kimi-k3-explained-2026\/#%E2%80%9COpen_weights%E2%80%9D_does_not_mean_you_can_run_it\" >\u00abPesos abiertos\u00bb no significa que puedas ejecutarlo<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-7\" href=\"https:\/\/convly.ai\/es\/kimi-k3-explained-2026\/#Who_should_use_K3\" >\u00bfQui\u00e9n deber\u00eda usar K3?<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-8\" href=\"https:\/\/convly.ai\/es\/kimi-k3-explained-2026\/#FAQ\" >Preguntas frecuentes<\/a><\/li><\/ul><\/nav><\/div>\n<h2><span class=\"ez-toc-section\" id=\"What_Kimi_K3_actually_is\"><\/span>Qu\u00e9 es realmente Kimi K3<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>K3 es la versi\u00f3n general insignia de Moonshot, no un modelo especializado. Este es un cambio deliberado de direcci\u00f3n respecto a <a href=\"\/es\/kimi-k2-7-code-explained-2026\/\">Kimi K2.7 Code<\/a>, que la empresa lanz\u00f3 un mes antes como una versi\u00f3n exclusiva para programaci\u00f3n. K3 est\u00e1 dise\u00f1ado para hacerlo todo: conversaci\u00f3n, procesamiento de documentos largos, visi\u00f3n y \u2014la parte que claramente m\u00e1s le importa a Moonshot\u2014 tareas ag\u00e9nticas de largo alcance, donde un modelo planifica, invoca herramientas, lee los resultados y contin\u00faa su ejecuci\u00f3n.<\/p>\n<p>La escala es lo primero que hay que entender, y la esparsidad lo segundo. De los 2,8 billones de par\u00e1metros 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 ser\u00eda econ\u00f3micamente inviable de ejecutar. El compromiso est\u00e1 en la memoria: los 2,8 billones de par\u00e1metros deben residir \u00edntegramente en la VRAM, independientemente de si se activan o no.<\/p>\n<table class=\"convly-vs\">\n<thead>\n<tr>\n<th>Especificaciones<\/th>\n<th>Kimi K3<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>Desarrollador<\/td>\n<td>Moonshot AI<\/td>\n<\/tr>\n<tr>\n<td>Par\u00e1metros totales<\/td>\n<td>2,8 billones (MoE)<\/td>\n<\/tr>\n<tr>\n<td>Activos por token<\/td>\n<td>16 de 896 expertos<\/td>\n<\/tr>\n<tr>\n<td>Ventana de contexto<\/td>\n<td>1 mill\u00f3n de tokens<\/td>\n<\/tr>\n<tr>\n<td>Modalidad<\/td>\n<td>Texto y visi\u00f3n \u2192 texto<\/td>\n<\/tr>\n<tr>\n<td>Razonamiento<\/td>\n<td>Siempre activo (esfuerzo m\u00e1ximo por defecto)<\/td>\n<\/tr>\n<tr>\n<td>Cuantizaci\u00f3n<\/td>\n<td>Pesos en MXFP4, activaciones en MXFP8<\/td>\n<\/tr>\n<tr>\n<td>Precio de entrada<\/td>\n<td>3,00 USD \/ 1 mill\u00f3n (0,30 USD en aciertos de cach\u00e9)<\/td>\n<\/tr>\n<tr>\n<td>Precio de salida<\/td>\n<td>15,00 USD \/ 1 mill\u00f3n<\/td>\n<\/tr>\n<tr>\n<td>Velocidad de salida<\/td>\n<td>Aproximadamente 62 tokens\/segundo<\/td>\n<\/tr>\n<tr>\n<td>Lanzado<\/td>\n<td>16 de julio de 2026<\/td>\n<\/tr>\n<tr>\n<td>Pesos abiertos<\/td>\n<td>Programado para el 27 de julio de 2026<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>Las especificaciones completas y los precios en tiempo real figuran en la <a href=\"\/es\/model\/kimi-k3\/\">hoja de especificaciones de Kimi K3<\/a> en nuestro <a href=\"\/es\/models\/\">Base de datos de modelos de IA<\/a>.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"The_architecture_how_you_train_28T_without_the_bill_exploding\"><\/span>La arquitectura: c\u00f3mo entrenar un modelo de 2,8 billones de par\u00e1metros sin que la factura se dispare<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Dos investigaciones propias de Moonshot sustentan este lanzamiento, y ambas abordan el mismo problema: escalar normalmente un transformador implica pagar m\u00e1s por cada token adicional de contexto y por cada capa adicional de profundidad.<\/p>\n<p><strong>Atenci\u00f3n Delta de Kimi (KDA)<\/strong> es un mecanismo h\u00edbrido de atenci\u00f3n lineal. El costo de la atenci\u00f3n est\u00e1ndar crece cuadr\u00e1ticamente con la longitud de la secuencia, precisamente por eso los contextos de un mill\u00f3n de tokens han sido lentos y costosos en todas las implementaciones hasta ahora. Moonshot afirma que KDA ofrece hasta <strong>una decodificaci\u00f3n 6,3\u00d7 m\u00e1s r\u00e1pida<\/strong> con contextos de un mill\u00f3n de tokens \u2014la diferencia entre una ventana de 1 mill\u00f3n que aparece \u00fanicamente en una hoja de especificaciones y otra que realmente se usa.<\/p>\n<p><strong>Residuos de Atenci\u00f3n (AttnRes)<\/strong> se describe como un reemplazo directo de las conexiones residuales est\u00e1ndar, mejorando el flujo de la se\u00f1al a trav\u00e9s de la profundidad. Moonshot informa una mejora aproximada de <strong>un 25 % en la eficiencia del entrenamiento con menos del 2 % de costo adicional<\/strong>. Junto con el marco Stable LatentMoE, la arquitectura Gated MLA y una nueva funci\u00f3n de activaci\u00f3n (SiTU), la empresa afirma una mejora global de aproximadamente <strong>2,5\u00d7 en la eficiencia de escalado frente a Kimi K2<\/strong>.<\/p>\n<p>Estos valores de eficiencia son reportados por el fabricante y a\u00fan no han sido reproducidos de forma independiente. Pero s\u00ed explican la estrategia: no se llega a los 2,8 billones comprando m\u00e1s GPUs que Google \u2014las restricciones a la exportaci\u00f3n hacen imposible esa v\u00eda para un laboratorio chino\u2014, sino optimizando el rendimiento de cada hora-GPU.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Benchmarks_where_it_wins_where_it_doesnt\"><\/span>Benchmarks: d\u00f3nde destaca y d\u00f3nde no<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Los resultados m\u00e1s s\u00f3lidos de K3 se concentran en tareas ag\u00e9nticas y de razonamiento, m\u00e1s que en conversaci\u00f3n pura.<\/p>\n<table class=\"convly-vs\">\n<thead>\n<tr>\n<th>Benchmark<\/th>\n<th>Kimi K3<\/th>\n<th>Qu\u00e9 mide<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>GPQA Diamond<\/td>\n<td>93.5%<\/td>\n<td>Razonamiento cient\u00edfico de nivel de posgrado \u2014mejor resultado publicado entre modelos de c\u00f3digo abierto al momento del lanzamiento<\/td>\n<\/tr>\n<tr>\n<td>BrowseComp<\/td>\n<td>91.2%<\/td>\n<td>Agentes de investigaci\u00f3n web \u2014mejor puntuaci\u00f3n publicada en el comparador al momento del lanzamiento<\/td>\n<\/tr>\n<tr>\n<td>Terminal-Bench 2.1<\/td>\n<td>88.3%<\/td>\n<td>Tareas de agente en l\u00ednea de comandos \/ shell<\/td>\n<\/tr>\n<tr>\n<td>MCP Atlas<\/td>\n<td>84.2%<\/td>\n<td>Uso de herramientas mediante el Protocolo de Contexto de Modelo (Model Context Protocol)<\/td>\n<\/tr>\n<tr>\n<td>MMMU-Pro<\/td>\n<td>81.6%<\/td>\n<td>Comprensi\u00f3n multimodal<\/td>\n<\/tr>\n<tr>\n<td>DeepSWE<\/td>\n<td>67.5<\/td>\n<td>Ingenier\u00eda de software<\/td>\n<\/tr>\n<tr>\n<td>El \u00faltimo examen de la humanidad (con herramientas)<\/td>\n<td>56.0%<\/td>\n<td>Conjunto m\u00e1s dif\u00edcil de razonamiento general<\/td>\n<\/tr>\n<tr>\n<td>\u00cdndice de Inteligencia AA<\/td>\n<td>57<\/td>\n<td>Puntuaci\u00f3n compuesta \u2014n.\u00ba 4 de 189 modelos evaluados<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>Destacan dos se\u00f1ales independientes. En pruebas ciegas en Arena, los desarrolladores prefirieron Kimi frente a <em>todos<\/em> los principales modelos estadounidenses para programaci\u00f3n front-end, incluidos Fable 5 y GPT-5.6 Sol. Y en automatizaci\u00f3n 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 mayor\u00eda de los dem\u00e1s.<\/p>\n<p>Resumen sincero: K3 sigue quedando atr\u00e1s de Fable 5 y GPT-5.6 Sol en t\u00e9rminos generales, pero supera pr\u00e1cticamente a todos los dem\u00e1s modelos medidos hasta la fecha. Para un modelo de c\u00f3digo abierto, esto nunca hab\u00eda ocurrido antes.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"The_price_story_the_cheap-Chinese-AI_era_is_ending\"><\/span>La historia del precio: la era de la IA china econ\u00f3mica ha terminado<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Esta es la parte que recibe menos cobertura y que, sin embargo, importa m\u00e1s. Los laboratorios chinos construyeron su reputaci\u00f3n subcotizando las APIs occidentales en un orden de magnitud. K3 no hace eso.<\/p>\n<table class=\"convly-vs\">\n<thead>\n<tr>\n<th>Modelo<\/th>\n<th>Entrada por mill\u00f3n<\/th>\n<th>Salida por mill\u00f3n<\/th>\n<th>Acerto de cach\u00e9<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td><strong>Kimi K3<\/strong><\/td>\n<td>$3.00<\/td>\n<td>$15.00<\/td>\n<td>$0.30<\/td>\n<\/tr>\n<tr>\n<td>Kimi K2.6 (predecesor)<\/td>\n<td>$0.95<\/td>\n<td>$4.00<\/td>\n<td>$0.16<\/td>\n<\/tr>\n<tr>\n<td>Claude Sonnet 5<\/td>\n<td>$3.00<\/td>\n<td>$15.00<\/td>\n<td>\u2014<\/td>\n<\/tr>\n<tr>\n<td>Claude Opus 4.8<\/td>\n<td>$5.00<\/td>\n<td>$25.00<\/td>\n<td>\u2014<\/td>\n<\/tr>\n<tr>\n<td>GPT-5.6 Sol<\/td>\n<td>$0.50<\/td>\n<td>$30.00<\/td>\n<td>\u2014<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>K3 cuesta aproximadamente tres veces m\u00e1s que su predecesor directo y se lista al mismo precio exacto que Claude Sonnet 5. Por tarea, la brecha se reduce a\u00fan m\u00e1s: los promedios medidos sit\u00faan 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 m\u00e1s barato, pero ahora compite por valor en los m\u00e1rgenes, no por ser 10 veces m\u00e1s econ\u00f3mico. El razonamiento de vanguardia parece tener un costo aproximadamente fijo, independientemente de qui\u00e9n lo entrene.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Intelligence_per_dollar_our_take\"><\/span>Inteligencia por d\u00f3lar: nuestro an\u00e1lisis<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>El precio bruto es la m\u00e9trica equivocada. Lo que importa es cu\u00e1nta capacidad adquiere cada d\u00f3lar. Usando el precio ponderado y las puntuaciones de inteligencia de nuestro <a href=\"\/es\/ai-price-performance-index-2026\/\">\u00cdndice de relaci\u00f3n precio-rendimiento de IA 2026<\/a>, as\u00ed es como queda posicionado K3:<\/p>\n<table class=\"convly-vs\">\n<thead>\n<tr>\n<th>Modelo<\/th>\n<th>Inteligencia<\/th>\n<th>Coste combinado por mill\u00f3n de d\u00f3lares<\/th>\n<th>Inteligencia por d\u00f3lar<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td><strong>Kimi K3<\/strong><\/td>\n<td>57<\/td>\n<td>$9.00<\/td>\n<td>6.3<\/td>\n<\/tr>\n<tr>\n<td>Claude Opus 4.8<\/td>\n<td>55.7<\/td>\n<td>$15.00<\/td>\n<td>3.7<\/td>\n<\/tr>\n<tr>\n<td>GLM 5.2<\/td>\n<td>51.1<\/td>\n<td>$2.90<\/td>\n<td>17.6<\/td>\n<\/tr>\n<tr>\n<td>DeepSeek V4-Flash<\/td>\n<td>40.3<\/td>\n<td>$0.21<\/td>\n<td>192<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>De esa tabla se desprenden tres conclusiones. K3 ofrece aproximadamente <strong>1,7\u00d7 m\u00e1s inteligencia por d\u00f3lar que Claude Opus 4.8<\/strong> y obtiene adem\u00e1s una puntuaci\u00f3n ligeramente superior: una oferta genuinamente mejor en el extremo superior. Sin embargo, <a href=\"\/es\/glm-5-2-explained-2026\/\">GLM 5.2<\/a> GPT-5.6 Sol sigue ofreciendo <strong>2,8\u00d7 m\u00e1s capacidad por d\u00f3lar que K3<\/strong> at six points lower intelligence, and DeepSeek V4-Flash returns about <strong>30\u00d7 m\u00e1s<\/strong>. K3 es el modelo abierto m\u00e1s inteligente disponible; sin embargo, est\u00e1 lejos de ser el de mejor relaci\u00f3n calidad-precio. Si est\u00e1 pagando precios de vanguardia, debe estar seguro de que realmente necesita razonamiento de vanguardia. Calcule sus propios n\u00fameros en la <a href=\"\/es\/ai-api-cost-calculator\/\">Calculadora de costes de API de IA<\/a>, o consulte el ranking completo en el <a href=\"\/es\/llm-leaderboard\/\">tablero de clasificaci\u00f3n de LLM<\/a>.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"%E2%80%9COpen_weights%E2%80%9D_does_not_mean_you_can_run_it\"><\/span>\u00abPesos abiertos\u00bb no significa que puedas ejecutarlo<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Cuando los pesos se publiquen el 27 de julio, cabe esperar una oleada de titulares sobre que cualquiera podr\u00e1 ejecutar un modelo de vanguardia en casa. Verifique primero los c\u00e1lculos.<\/p>\n<p>Con 2,8 billones de par\u00e1metros en formato nativo de 4 bits (MXFP4), solo los pesos ocupan aproximadamente <strong>1,4 TB<\/strong>. A\u00f1ada una cach\u00e9 KV dimensionada para algo cercano a un contexto de 1 mill\u00f3n y necesitar\u00e1 a\u00fan m\u00e1s espacio. Real\u00edsticamente, esto equivale a unos <strong>16 GPU de clase H200 distribuidas en dos nodos<\/strong> \u2014 varios cientos de miles de d\u00f3lares en hardware, sin contar energ\u00eda ni conectividad. Para comparar, K2.7 Code, con 1 bill\u00f3n de par\u00e1metros, requer\u00eda unos 595 GB y ocho GPU de 80 GB, y ya entonces estaba fuera del alcance de particulares.<\/p>\n<p>Entonces, \u00bfpara qui\u00e9n va realmente la publicaci\u00f3n de los pesos? Para despliegues soberanos, empresas reguladas que no pueden enviar datos a una API, laboratorios de investigaci\u00f3n y proveedores de nube que lo alojar\u00e1n para todos los dem\u00e1s. Esto sigue representando una diferencia significativa frente a un modelo cerrado \u2014puede auditarse, ajustarse finamente y ejecutarse dentro de sus propias instalaciones\u2014, pero no es una historia de GPU dom\u00e9stica. Si desea saber qu\u00e9 puede alojar realmente su hardware, nuestra <a href=\"\/es\/llm-vram-calculator\/\">Calculadora de VRAM para LLM<\/a> realiza los c\u00e1lculos por modelo, y la <a href=\"\/es\/self-hosting-vs-api-calculator\/\">calculadora de autohospedaje frente a API<\/a> muestra desde qu\u00e9 punto poseer GPU resulta m\u00e1s econ\u00f3mico que pagar por token.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Who_should_use_K3\"><\/span>\u00bfQui\u00e9n deber\u00eda usar K3?<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p><strong>\u00daselo si<\/strong> ejecuta cargas de trabajo basadas en agentes \u2014automatizaci\u00f3n de navegadores, cadenas de herramientas de m\u00faltiples pasos, programaci\u00f3n a largo plazo\u2014, donde sus puntuaciones en BrowseComp, Terminal-Bench y MCP Atlas se traducen en menos ejecuciones fallidas. Tambi\u00e9n es la opci\u00f3n obvia si busca razonamiento de clase vanguardia con una trayectoria cre\u00edble hacia el autoalojamiento futuro, o si la calidad del c\u00f3digo front-end es relevante (los desarrolladores lo prefirieron sobre Fable 5 en pruebas ciegas).<\/p>\n<p><strong>Omita su uso si<\/strong> your work is ordinary chat, summarization, classification or retrieval. At $3\/$15 you would be paying frontier rates for tasks that GLM 5.2 or DeepSeek V4-Flash handle at a fraction of the cost. And skip it if you assumed &#8220;open&#8221; meant you could download it this week \u2014 the weights are still nine days out at the time of writing, and 1.4 TB when they arrive.<\/p>\n<p>El punto m\u00e1s amplio es el que la tabla de benchmarks expresa discretamente: un modelo de pesos abiertos acaba de obtener una puntuaci\u00f3n 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 \u00edndice y algunos meses \u2014no en generaciones.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"FAQ\"><\/span>Preguntas frecuentes<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<h3>\u00bfEs Kimi K3 mejor que Claude Opus 4.8?<\/h3>\n<p>En el \u00cdndice de Inteligencia de Artificial Analysis, s\u00ed: K3 obtiene 57 puntos frente a los 56 de Opus 4.8, y cuesta 3\/15 USD por mill\u00f3n de tokens frente a los 5\/25 USD de Opus. A\u00fan as\u00ed, sigue detr\u00e1s de GPT-5.6 Sol (59) y Claude Fable 5 (60).<\/p>\n<h3>\u00bfEs Kimi K3 de c\u00f3digo abierto?<\/h3>\n<p>Los pesos est\u00e1n programados para su liberaci\u00f3n p\u00fablica 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 estar\u00e1 disponible mediante API a trav\u00e9s de las aplicaciones Kimi, Kimi Code y OpenRouter.<\/p>\n<h3>\u00bfCu\u00e1nto cuesta Kimi K3?<\/h3>\n<p>3,00 USD por mill\u00f3n de tokens de entrada, 15,00 USD por mill\u00f3n de tokens de salida y 0,30 USD por mill\u00f3n en aciertos de cach\u00e9. Esto representa aproximadamente tres veces el precio de Kimi K2.6 e id\u00e9ntico al precio listado de Claude Sonnet 5.<\/p>\n<h3>\u00bfPuedo ejecutar Kimi K3 localmente?<\/h3>\n<p>Casi con seguridad, no. Con 2,8 billones de par\u00e1metros, los pesos en 4 bits ocupan aproximadamente 1,4 TB \u2014equivalente a unas 16 GPU de clase H200 distribuidas en dos nodos, sin incluir a\u00fan la cach\u00e9 KV necesaria para su contexto de 1 mill\u00f3n. Es un modelo para centros de datos, no para escritorio.<\/p>\n<h3>\u00bfQu\u00e9 tama\u00f1o tiene Kimi K3?<\/h3>\n<p>2,8 billones de par\u00e1metros totales en un dise\u00f1o 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 c\u00f3digo abierto m\u00e1s grande publicado hasta la fecha.<\/p>","protected":false},"excerpt":{"rendered":"<p>A 2.8T-parameter open MoE scoring 57 on the AA Intelligence Index &#8211; above Claude Opus 4.8. The specs, the benchmarks, the new $3\/$15 pricing, and whether you can run it.<\/p>","protected":false},"author":1,"featured_media":1572,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"site-sidebar-layout":"default","site-content-layout":"","ast-site-content-layout":"default","site-content-style":"default","site-sidebar-style":"default","ast-global-header-display":"","ast-banner-title-visibility":"","ast-main-header-display":"","ast-hfb-above-header-display":"","ast-hfb-below-header-display":"","ast-hfb-mobile-header-display":"","site-post-title":"","ast-breadcrumbs-content":"","ast-featured-img":"","footer-sml-layout":"","ast-disable-related-posts":"","theme-transparent-header-meta":"","adv-header-id-meta":"","stick-header-meta":"","header-above-stick-meta":"","header-main-stick-meta":"","header-below-stick-meta":"","astra-migrate-meta-layouts":"default","ast-page-background-enabled":"default","ast-page-background-meta":{"desktop":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"ast-content-background-meta":{"desktop":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"footnotes":""},"categories":[3],"tags":[609,919,750,782,619,423,766],"class_list":["post-1571","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-llms","tag-chinese-ai","tag-kimi-k3","tag-llms","tag-moe","tag-moonshot-ai","tag-open-source-ai","tag-open-weights"],"_links":{"self":[{"href":"https:\/\/convly.ai\/es\/wp-json\/wp\/v2\/posts\/1571","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/convly.ai\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/convly.ai\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/convly.ai\/es\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/convly.ai\/es\/wp-json\/wp\/v2\/comments?post=1571"}],"version-history":[{"count":1,"href":"https:\/\/convly.ai\/es\/wp-json\/wp\/v2\/posts\/1571\/revisions"}],"predecessor-version":[{"id":1573,"href":"https:\/\/convly.ai\/es\/wp-json\/wp\/v2\/posts\/1571\/revisions\/1573"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/convly.ai\/es\/wp-json\/wp\/v2\/media\/1572"}],"wp:attachment":[{"href":"https:\/\/convly.ai\/es\/wp-json\/wp\/v2\/media?parent=1571"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/convly.ai\/es\/wp-json\/wp\/v2\/categories?post=1571"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/convly.ai\/es\/wp-json\/wp\/v2\/tags?post=1571"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}