Moonshot AI ha publicado en Hugging Face los pesos completos de Kimi K3.1 Pro, su modelo de lenguaje más capaz, con 2,8 billones de parámetros y una licencia propia que permite el uso comercial pero exige un acuerdo aparte a los grandes proveedores de modelos como servicio. La empresa china cumple así el plazo que se había fijado al lanzar el modelo en su interfaz de programación de aplicaciones (API) a finales de octubre: liberar los pesos antes del 4 de noviembre.
Las claves de los pesos abiertos de Kimi K3.1 Pro en 20 segundos
- Los pesos ya se descargan en Hugging Face (moonshotai/Kimi-K3.1-Pro).
- Es un modelo de mezcla de expertos (MoE) de 2,8 billones de parámetros, 104.000 millones activos y un millón de tokens de contexto.
- La licencia pide un acuerdo a servicios con más de 20 millones de dólares de ingresos.
- La API cuesta 2 dólares por millón de tokens de entrada y 10 de salida.
Kimi K3.1 Pro es el primero de la serie K3.1 y parte de Kimi K3, al que Moonshot ha aplicado mucho más cómputo de postentrenamiento con aprendizaje por refuerzo en cientos de ámbitos. Cuando noticias.ai contó su lanzamiento el 25 de octubre, el modelo solo podía usarse en las aplicaciones de Kimi y en su API, y la licencia de los pesos era una incógnita. Ambas cosas ya están resueltas: el repositorio es público, no exige solicitar acceso y la licencia puede leerse completa.
Todas las cifras de rendimiento que acompañan al modelo proceden de Moonshot AI. La única evaluación independiente disponible por ahora, la de Artificial Analysis, lo sitúa en una posición más discreta que la que sugieren las tablas de la propia empresa.
Qué hay dentro: arquitectura y requisitos
La ficha de Hugging Face describe un modelo de mezcla de expertos (MoE, por sus siglas en inglés), una arquitectura en la que cada token solo pasa por una parte de la red. Tiene 2,8 billones de parámetros totales y activa 104.000 millones por token. Se reparte en 93 capas, una de ellas densa, con 896 expertos de los que se eligen 16 por token, además de dos expertos compartidos. El vocabulario es de 160.000 tokens y la ventana de contexto llega a 1.048.576 tokens.
Es nativamente multimodal en la entrada: acepta texto e imágenes gracias a un codificador de visión, MoonViT-V2, de 401 millones de parámetros, y responde en texto. Frente a Kimi K3, el único cambio de arquitectura que señala Moonshot está en la atención: sustituye las capas de atención completa Gated MLA por capas Gated DeepSeek Sparse Attention (Gated DSA), pensadas para trabajar con contextos largos de forma más eficiente. El resultado son 69 capas KDA y 24 capas Gated DSA.
Los pesos se distribuyen en MXFP4, con activaciones en MXFP8, un formato de baja precisión que Moonshot obtuvo mediante entrenamiento consciente de la cuantización. Según el recuento de OrcaRouter, el repositorio ocupa unos 1,56 TB y no incluye una versión en precisión completa. La ficha recomienda servirlo con vLLM, SGLang o TokenSpeed, y el mismo análisis de OrcaRouter, basado en la receta de vLLM, calcula que hace falta un grupo de ocho GPU de última generación como punto de partida. Ejecutarlo en un ordenador doméstico sigue fuera de alcance, como ya ocurría con Kimi K3, que exige un clúster. Hay experimentos extremos, como el que noticias.ai recogió el 3 de noviembre para ejecutar Kimi K3 completo en una CPU y 8 GB de RAM, pero no son una forma práctica de usarlo.
Una licencia abierta con dos condiciones para los grandes
La Kimi K3.1-Pro License parte de un texto muy parecido al de la licencia MIT: permite usar, copiar, modificar, distribuir, vender y ajustar el modelo sin coste. Añade dos condiciones. La primera afecta a quien ofrezca el modelo como servicio, es decir, quien dé a terceros acceso a la inferencia o al ajuste fino, por ejemplo mediante una API, con control real sobre las entradas o los parámetros. Si esa empresa y sus filiales superan los 20 millones de dólares de ingresos en cualquier periodo de 12 meses consecutivos, necesitan firmar un acuerdo aparte con Moonshot antes de cualquier uso comercial.
La segunda es de atribución. Los productos comerciales con más de 100 millones de usuarios activos mensuales o más de 20 millones de dólares de ingresos al mes deben mostrar de forma destacada el nombre «Kimi K3.1-Pro» en su interfaz. Ninguna de las dos condiciones se aplica al uso interno, definido como aquel que no pone el software, sus resultados ni sus capacidades a disposición de terceros, ni al acceso a través de los productos oficiales de Moonshot o de sus socios de inferencia certificados.
No es una licencia aprobada por la Open Source Initiative, así que lo preciso es hablar de modelo de pesos abiertos y no de código abierto en sentido estricto. Para una empresa mediana o un equipo de investigación las restricciones apenas cambian nada; para un gran proveedor de inferencia, sí.
Lo que dicen las pruebas de Moonshot y lo que mide Artificial Analysis
La ficha del modelo compara Kimi K3.1 Pro con Claude Opus 5.5, Claude Fable 5.1, GPT-6 Astra, DeepSeek-V4.1-Flash-1017 y GLM-5.3. Moonshot ejecutó su modelo con el esfuerzo de razonamiento al máximo, temperatura 1,0 y top-p 0,95, y los rivales también en su modo de esfuerzo máximo. Estos son algunos de los resultados que publica la empresa:
| Prueba (según Moonshot AI) | Kimi K3.1 Pro | Claude Opus 5.5 | GPT-6 Astra | DeepSeek-V4.1-Flash |
|---|---|---|---|---|
| Terminal-Bench 4.0 | 65,7 | 66,4 | 58,2 | 42,3 |
| SWE Marathon v1.1 | 51,7 | 46,3 | 42,5 | 40,0 |
| Program Bench | 31,5 | 65,0 | 50,0 | 29,1 |
| HLE-Full con herramientas | 70,0 | 67,7 | 57,2 | 58,8 |
| BrowseComp | 92,1 | 90,8 | 91,5 | n. d. |
| GPQA-Diamond | 94,2 | 93,9 | 96,1 | 92,2 |
| OSWorld V2.1 | 79,6 | 81,8 | 75,8 | 69,3 |
| Kimi Hallu Bench Hard con herramientas (interna, menos es mejor) | 8,3 | 15,0 | 5,5 | 23,3 |
Las tablas no dejan una victoria uniforme. Moonshot sitúa su modelo por delante en tareas de agentes como SWE Marathon o HLE con herramientas, pero muy por detrás en Program Bench, en Terminal-Bench-Science (38,1 frente a 63,3 de Claude Opus 5.5 y 68,1 de GPT-6 Astra) y en HLE sin herramientas (51,1 frente a 59,8 de Opus 5.5). La mejora frente a K3 que destaca la empresa está en la fiabilidad: en su prueba interna de alucinaciones con herramientas, la tasa de afirmaciones erróneas baja del 23,4 % de K3 al 8,3 %.
En ciberseguridad, Moonshot mantiene lo que ya explicó en el lanzamiento. Retiró datos de ataque del entrenamiento de la versión publicada, que resuelve el 81,0 % de su prueba interna xdev-bench-hard frente al 90,5 % de una versión sin esas restricciones. En ExploitBench obtiene 74,7, por debajo de los 91,0 de Claude Opus 5.5 y los 100 de GPT-6 Astra. En su blog, la empresa afirma que su objetivo es «no publicar pesos abiertos que amplíen la frontera absoluta de la capacidad en ciberseguridad» (traducción propia del original en inglés).
Artificial Analysis, que mide los modelos con sus propias pruebas, le asigna 46 puntos en la versión 5.0.1 de su índice de inteligencia, en el puesto 22 de 68 modelos comparables y por encima de la mediana de 37. También lo describe como lento: 33 tokens por segundo y una media de 36 minutos por tarea del índice, frente a 12,5 de la mediana. El coste medio por tarea fue de 3,68 dólares. En el momento de escribir este artículo, su ficha todavía lo etiquetaba como modelo propietario, una clasificación anterior a la publicación de los pesos.
Precios de la API y comparación con K3 y K2
Quien no quiera montar su propia infraestructura puede usar el modelo en Kimi.ai, en sus apps para iOS, Android y HarmonyOS, en Kimi Work y en Kimi Code, o a través de la API en platform.kimi.ai, compatible con los formatos de OpenAI y Anthropic. Estas son las tarifas publicadas, sin impuestos:
| Modelo | Entrada | Salida | Entrada en caché | Contexto |
|---|---|---|---|---|
| kimi-k3.1-pro | 2,00 $ | 10,00 $ | 0,20 $ | 1.048.576 tokens |
| kimi-k3.1-pro-highspeed | 4,00 $ | 20,00 $ | 0,20 $ | 1.048.576 tokens |
| kimi-k3 | 3,00 $ | 15,00 $ | 0,30 $ | 1.048.576 tokens |
| kimi-k2.6 | 0,95 $ | 4,00 $ | 0,16 $ | 262.144 tokens |
La escritura en caché se cobra aparte según su duración (2 dólares por millón con cinco minutos y 4 dólares con una hora en K3.1 Pro), y el procesamiento por lotes se factura al 60 % del precio estándar. K3.1 Pro sale más barato que K3 en la API, pese a ser una versión mejorada del mismo modelo base. La familia K2, que en su día abrió esta etapa con K2 Thinking y su billón de parámetros, tiene los días contados: desde el 31 de octubre no está disponible para nuevos usuarios de la API y Moonshot prevé retirarla a finales de diciembre de 2026.
Preguntas frecuentes
¿Kimi K3.1 Pro es de pesos abiertos?
Sí. Moonshot AI ha publicado los pesos completos en Hugging Face, en el repositorio moonshotai/Kimi-K3.1-Pro, bajo una licencia propia que permite el uso comercial con dos condiciones para empresas muy grandes.
¿Qué exige la licencia de Kimi K3.1 Pro?
Los proveedores de modelos como servicio con más de 20 millones de dólares de ingresos en 12 meses deben firmar un acuerdo con Moonshot. Los productos con más de 100 millones de usuarios mensuales o 20 millones de dólares de ingresos al mes deben mostrar el nombre del modelo. El uso interno queda exento.
¿Se puede ejecutar Kimi K3.1 Pro en un ordenador personal?
No de forma práctica. Tiene 2,8 billones de parámetros y los pesos ocupan unos 1,56 TB según OrcaRouter, por lo que requiere servidores con varias GPU de gama alta.
¿Cuánto cuesta la API de Kimi K3.1 Pro?
2 dólares por millón de tokens de entrada y 10 dólares por millón de salida, con la entrada en caché a 0,20 dólares. La variante Highspeed cuesta el doble en entrada y salida.
Fuentes:
