Por Canuto  

Moonshot presentó Kimi K3, un modelo abierto de 2,8 billones de parámetros con visión nativa y una ventana de contexto de un millón de tokens. La compañía asegura que su nueva arquitectura mejora notablemente la eficiencia, aunque reconoce que todavía existe una brecha frente a los modelos propietarios más avanzados.
***

  • Kimi K3 utiliza una arquitectura MoE con 2,8 billones de parámetros, 896 expertos y activación efectiva de 16 expertos.
  • El modelo incorpora comprensión visual nativa, contexto de un millón de tokens y herramientas para codificación, investigación y creación multimedia.
  • Moonshot afirma que Kimi K3 supera a otros modelos evaluados en varias pruebas, pero admite limitaciones de estabilidad y experiencia de usuario.

Moonshot presentó Kimi K3 como su modelo de inteligencia artificial más capaz. El sistema combina 2,8 billones de parámetros, comprensión visual nativa y una ventana de contexto de un millón de tokens.

La empresa describe Kimi K3 como el primer modelo abierto de clase 3T del mundo. Su objetivo se concentra en la codificación de largo plazo, el trabajo de conocimiento y el razonamiento avanzado.

La compañía también plantea una promesa de eficiencia. Según su anuncio, la nueva arquitectura ofrece 2,5 veces más inteligencia por unidad de cómputo frente a Kimi K2, en lugar de depender únicamente de un aumento de parámetros.

El lanzamiento incluye el acceso al modelo mediante Kimi.com, Kimi Work, Kimi Code y la API de Kimi. Moonshot indicó que los pesos completos y el informe técnico se publicarían el 27 de julio de 2026.

En su comunicación oficial, @Kimi_Moonshot definió Kimi K3 como un modelo de Mezcla de Expertos, conocido como MoE, con capacidades visuales integradas desde su diseño.

Una arquitectura abierta de escala inédita

Kimi K3 alcanza 2,8 billones de parámetros y se apoya en la Atención de Delta Kimi, o KDA, junto con los Residuales de Atención, conocidos como AttnRes. Ambas técnicas buscan mejorar el flujo de información a través de secuencias extensas y múltiples capas.

El modelo utiliza Stable LatentMoE para elevar la escasez de la arquitectura. En la configuración descrita por Moonshot, se activan efectivamente 16 de 896 expertos durante la operación del sistema.

Este diseño permite que Kimi K3 mantenga una capacidad total gigantesca sin utilizar todos sus componentes en cada consulta. Esa estrategia busca reducir el costo computacional y dirigir cada tarea hacia los expertos más apropiados.

La compañía sostiene que el modelo ofrece una mejora aproximada de 2,5 veces en eficiencia de escalamiento general frente a Kimi K2. El resultado dependería de los cambios arquitectónicos, las recetas de entrenamiento y los datos refinados.

Moonshot también presentó mecanismos específicos para estabilizar el entrenamiento. Entre ellos figuran el Equilibrio de Cuantiles, Per-Head Muon, la Unidad Sigmoide Tanh y MLA Gated, destinados a mejorar el enrutamiento, la optimización y el control de activaciones.

Kimi K3 emplea entrenamiento consciente de cuantización desde la etapa de ajuste supervisado. El sistema usa pesos MXFP4 y activaciones MXFP8 para ampliar la compatibilidad con diferentes plataformas de hardware.

Codificación de largo plazo y desarrollo de sistemas

Una de las áreas centrales de Kimi K3 es la codificación de largo plazo. Moonshot afirma que el modelo puede sostener sesiones extensas de ingeniería, navegar repositorios grandes y coordinar herramientas de terminal con supervisión humana mínima.

La capacidad visual añade una dimensión adicional a ese trabajo. Kimi K3 puede utilizar capturas de pantalla y otros elementos visuales para apoyar tareas relacionadas con videojuegos, interfaces frontend y diseño asistido por computadora.

En una prueba de optimización de núcleos de GPU, los modelos trabajaron de forma independiente en un entorno idéntico. Cada sistema tuvo hasta 24 horas para perfilar, reescribir y evaluar cuatro tareas en GPU NVIDIA Hopper y en hardware GPGPU de un proveedor alternativo.

Moonshot indicó que Kimi K3 obtuvo un desempeño competitivo con Fable 5, aunque con retrocesos, y superó sustancialmente a Opus 4.8, GPT 5.6 Sol y GPT 5.5. La empresa aclaró que Fable 5 fue evaluado por un tercero y pudo utilizar comportamientos de retroceso.

El modelo también desarrolló MiniTriton, un compilador compacto similar a Triton. El sistema incluyó una capa propia de representación intermedia sobre MLIR, pasos de optimización y un flujo de generación de código PTX.

De acuerdo con Moonshot, MiniTriton alcanzó un rendimiento comparable o superior al de Triton y torch.compile en determinadas cargas de trabajo. Además, sostuvo un entrenamiento de nanoGPT con convergencia estable y una curva de pérdida cercana a la referencia.

Videojuegos, chips e investigación científica

Kimi K3 combina razonamiento tridimensional, codificación y visualización para convertir conceptos, imágenes y videos en experiencias interactivas. La empresa describe esta capacidad como una visión integrada en el ciclo de desarrollo.

En ese flujo, el modelo puede observar capturas de pantalla, modificar el código y revisar nuevamente el resultado. Moonshot sostiene que esta interacción permite iterar con rapidez en proyectos de creación digital y desarrollo de juegos.

Como prueba de concepto, Kimi K3 diseñó un chip para un nanomodelo construido sobre su propia arquitectura. El proceso autónomo duró 48 horas e incluyó construcción, optimización y verificación mediante herramientas EDA de código abierto.

El chip fue diseñado con la biblioteca Nangate de 45 nanómetros. Dentro de un área de 4 milímetros cuadrados, alcanzó una frecuencia de 100 MHz y una velocidad simulada superior a 8.700 tokens por segundo.

El diseño incorporó 1,46 millones de celdas estándar, 0,277 MB de SRAM y un arreglo MAC INT4 con descuantización integrada. Moonshot presentó el resultado como un ejemplo de un chip creado por un modelo para otro modelo.

En investigación científica, Kimi K3 conectó literatura especializada con código ejecutable. En un caso sobre las relaciones universales I–Love–Q en astrofísica computacional, revisó más de 20 artículos, implementó el flujo numérico y evaluó más de 300 ecuaciones de estado.

El modelo identificó inconsistencias en fórmulas publicadas, generó más de 3.000 líneas de código Python y creó un panel interactivo en HTML. Moonshot afirmó que completó el trabajo en aproximadamente dos horas, frente a una estimación de una a dos semanas para un investigador experimentado.

Investigación, productividad y creación multimedia

Kimi K3 también apunta al trabajo de conocimiento de extremo a extremo. En las evaluaciones internas de Kimi Work, la empresa reportó mejoras consistentes en tareas inspiradas en flujos de trabajo reales entre usuarios y agentes.

Uno de los casos presentados fue un sitio web interactivo sobre los 42 años de la industria de ASIC para inteligencia artificial. El proyecto habría requerido más de 120 rondas de auto-mejora recursiva.

Para construir ese informe, Kimi K3 realizó más de 2.800 búsquedas o consultas web y más de 1.100 extracciones de datos mediante terminal. El proceso abarcó más de 11.000 páginas, 87 informes trimestrales y 99 archivos PDF originales.

Otro ejemplo se enfocó en la industria de la fusión. El resultado incluyó cronologías, diagramas de embudo, gráficos de barras de rango, diagramas de Gantt y diapositivas con calidad de publicación.

En un análisis sobre el conjunto GWTC-5 de ondas gravitacionales, el sistema examinó 391 eventos mediante más de 20 subagentes concurrentes. El trabajo produjo siete visualizaciones científicas, dos tablas y una síntesis de literatura basada en más de diez artículos.

Kimi Work incorporará además Widgets y Tablero. Los Widgets permiten generar componentes interactivos dentro de un chat, mientras que el Tablero reúne los elementos más importantes en una vista persistente y personalizable.

La arquitectura multimodal de Kimi K3 también se aplica a la edición de video. Moonshot mostró un ejemplo en el que el modelo creó una explicación animada de su propia arquitectura con un estilo inspirado en 3Blue1Brown.

En otro caso, el modelo editó un video promocional a partir de 56 clips. Seleccionó escenas, realizó cortes con coincidencia de movimiento, sincronizó el ritmo, procesó el audio y completó varias rondas de revisión.

Disponibilidad, costos y limitaciones

Kimi K3 está disponible en la aplicación de Kimi para iOS, Android y HarmonyOS. También puede utilizarse mediante Kimi Work, cuya aplicación de escritorio requiere la versión 3.1.0 o posterior en Windows y en computadoras Mac con chips de Apple.

Los desarrolladores pueden acceder al modelo desde Kimi Code y seleccionarlo mediante el comando /model. La API oficial ofrece el identificador kimi-k3 para quienes quieran integrarlo en sus propios productos.

El precio de la API es de USD $0,30 por millón de tokens para entradas con aciertos de caché. Las entradas sin aciertos cuestan USD $3,00 por millón de tokens, mientras que las salidas tienen un precio de USD $15,00 por millón de tokens.

Moonshot atribuye parte de esa estructura de costos a la arquitectura de inferencia desagregada de Mooncake. La empresa asegura que la API oficial supera una tasa de aciertos de caché del 90% en cargas de trabajo de codificación.

Para el despliegue, la compañía recomienda configuraciones de supernodo con al menos 64 aceleradores. También contribuyó con una implementación para vLLM, enfocada en resolver los desafíos de caché de prefijos asociados con KDA.

El modelo presenta algunas limitaciones importantes. Kimi K3 fue entrenado con el modo de historial de pensamiento preservado, por lo que puede volverse inestable si el sistema de agentes no devuelve todo ese contenido o si el usuario cambia de modelo durante una sesión.

Moonshot recomienda utilizar sistemas con compatibilidad verificada, como Kimi Code, y evitar el cambio de modelo en medio de una tarea. La empresa también advierte que Kimi K3 puede actuar de forma excesivamente proactiva ante problemas menores o instrucciones ambiguas.

Para reducir ese comportamiento, los usuarios deben imponer límites explícitos en el prompt del sistema o en el archivo AGENTS.md. La compañía reconoce que todavía existe una brecha notable en la experiencia de usuario frente a Claude Fable 5 y GPT 5.6 Sol.

El lanzamiento coloca a Kimi K3 en el centro de la competencia por modelos abiertos de gran escala. Su combinación de parámetros, contexto extenso, visión nativa y herramientas para agentes puede ampliar las alternativas disponibles para investigadores y desarrolladores.

Sin embargo, el tamaño del modelo no elimina los retos de infraestructura, compatibilidad y control. La recepción del ecosistema dependerá de la disponibilidad efectiva de los pesos, la calidad de las implementaciones y la capacidad de operar el sistema de manera confiable.

La información técnica y las comparaciones de rendimiento fueron presentadas por Moonshot en su informe técnico y anuncio de Kimi K3. Las evaluaciones se realizaron con distintos sistemas agénticos y configuraciones, por lo que sus resultados deben interpretarse dentro de las metodologías descritas por la empresa.

Imagen original de DiarioBitcoin, creada con inteligencia artificial, de uso libre, licenciada bajo Dominio Público.

Este artículo fue escrito por un redactor de contenido de IA y revisado por un editor humano para garantizar calidad y precisión.


ADVERTENCIA: DiarioBitcoin ofrece contenido informativo y educativo sobre diversos temas, incluyendo criptomonedas, IA, tecnología y regulaciones. No brindamos asesoramiento financiero. Las inversiones en criptoactivos son de alto riesgo y pueden no ser adecuadas para todos. Investigue, consulte a un experto y verifique la legislación aplicable antes de invertir. Podría perder todo su capital.

Suscríbete a nuestro boletín

Artículos Relacionados