Kimi K3: open-weight con agentes, visión y un millón de tokens
Moonshot AI ha presentado ayer (16 de julio de 2026), Kimi K3, su nuevo modelo de inteligencia artificial como “Open Frontier Intelligence”.
Kimi K3 no se limita a incrementar el tamaño de las anteriores generaciones. La compañía china ha introducido una nueva arquitectura, un contexto de un millón de tokens y capacidades multimodales especialmente orientadas al desarrollo de agentes autónomos, la programación avanzada y los flujos de trabajo de larga duración.
Además, Moonshot AI ha anunciado que publicará los pesos del modelo, una decisión que puede convertir a Kimi K3 en uno de los lanzamientos open-weight más relevantes de 2026.
¿Qué es Kimi K3?
Kimi K3 es un modelo de lenguaje de nueva generación desarrollado por Moonshot AI, empresa china fundada en 2023 y conocida por su trabajo con modelos capaces de procesar contextos extremadamente largos.
El modelo es el sucesor de la familia Kimi K2, cuya arquitectura alcanzaba aproximadamente el billón de parámetros totales.
Las principales características anunciadas para Kimi K3 son:
- 2,8 billones de parámetros totales.
- 1.048.576 tokens de contexto, aproximadamente un millón.
- Capacidades multimodales nativas para trabajar con texto e imágenes.
- Capacidades avanzadas de visión y razonamiento espacial.
- Una nueva arquitectura Mixture of Experts, o MoE, altamente dispersa.
- Orientación específica hacia agentes autónomos y tareas de larga duración.
Por su escala, Kimi K3 se sitúa entre los modelos de inteligencia artificial más grandes presentados hasta ahora. Sin embargo, su principal innovación no reside únicamente en el número de parámetros, sino en la manera de utilizarlos.
Una arquitectura Mixture of Experts más eficiente
Kimi K3 emplea una arquitectura Mixture of Experts, conocida como MoE.
En este tipo de arquitectura, el modelo no activa todos sus parámetros cada vez que procesa un token. En su lugar, selecciona únicamente los expertos especializados que considera necesarios para resolver cada operación.
Según la información publicada por Moonshot AI, Kimi K3 dispone de 896 expertos, pero solo activa 16 expertos por token mediante una arquitectura denominada Stable LatentMoE.
Este planteamiento permite combinar dos objetivos que normalmente resultan difíciles de reconciliar:
- Disponer de un modelo con una capacidad total extraordinariamente grande.
- Mantener un coste computacional razonable durante la inferencia.
En otras palabras, Kimi K3 puede contar con 2,8 billones de parámetros sin necesidad de utilizar todos ellos en cada respuesta.
Kimi Delta Attention: un millón de tokens sin un coste cuadrático
Una de las principales novedades técnicas del modelo es Kimi Delta Attention, o KDA.
Los mecanismos de atención tradicionales basados en softmax presentan un problema importante cuando aumenta la longitud del contexto: su coste computacional crece de forma cuadrática.
Esto significa que duplicar el número de tokens no implica simplemente duplicar el esfuerzo necesario. El incremento puede ser mucho mayor, especialmente cuando se trabaja con contextos de cientos de miles o millones de tokens.
Kimi Delta Attention utiliza un sistema híbrido de atención lineal que busca reducir este problema. La tecnología representa una evolución de investigaciones anteriores de Moonshot AI, como Kimi Linear.
De acuerdo con la compañía, KDA permite:
- Acelerar la decodificación hasta 6,3 veces en contextos cercanos al millón de tokens.
- Reducir el consumo de memoria.
- Mantener información relevante durante secuencias extremadamente largas.
- Mejorar la viabilidad de los agentes que necesitan trabajar de forma continuada.
Este último aspecto es especialmente importante. Un contexto de un millón de tokens no solo sirve para resumir documentos extensos. También permite que un agente conserve instrucciones, decisiones, errores, observaciones y resultados acumulados durante procesos que pueden involucrar cientos de pasos.
Attention Residuals: una nueva forma de conectar las capas
La segunda innovación destacada es Attention Residuals, abreviada como AttnRes.
En una red neuronal convencional, cada capa recibe principalmente la representación producida por la capa anterior. A medida que la información atraviesa una arquitectura profunda, algunos detalles pueden degradarse, transformarse o perder relevancia.
Attention Residuals permite que una capa acceda selectivamente a representaciones generadas en capas anteriores. El modelo aprende qué información debe recuperar y desde qué punto de la red debe hacerlo.
Según Moonshot AI, esta arquitectura proporciona:
- Aproximadamente un 25 % más de eficiencia durante el entrenamiento.
- Un coste computacional adicional inferior al 2 %.
- Una mejor circulación de la información entre las capas.
- Un incremento del rendimiento general del modelo.
La combinación de Kimi Delta Attention y Attention Residuals permitiría obtener una mejora aproximada de 2,5 veces en eficiencia de escalado respecto a Kimi K2.
La lectura más importante de este dato es que Moonshot AI no se ha limitado a entrenar un modelo más grande. También ha intentado conseguir más capacidad por cada unidad de cómputo utilizada.
Un modelo diseñado para agentes de larga duración
Kimi K3 está especialmente orientado a los denominados long-horizon agentic workflows, es decir, flujos de trabajo en los que un agente debe actuar de forma autónoma durante periodos prolongados.
Este tipo de tareas puede requerir que el modelo:
- Divida un objetivo complejo en múltiples fases.
- Utilice herramientas externas.
- Genere y ejecute código.
- Analice resultados intermedios.
- Detecte errores.
- Modifique su estrategia.
- Mantenga la coherencia durante cientos de interacciones.
Entre los casos de uso destacados por Moonshot AI se encuentran:
- Programación compleja que requiere razonamiento de varios pasos.
- Agentes autónomos capaces de trabajar durante largos periodos.
- Flujos que analizan sus propios resultados y se mejoran iterativamente.
- Razonamiento tridimensional combinado con visión artificial.
- Desarrollo de software con un proceso continuo de generación, observación y corrección.
Este enfoque refleja una evolución importante en la industria. El objetivo ya no es únicamente producir una buena respuesta ante una pregunta, sino completar procesos enteros con el menor nivel posible de intervención humana.
Del texto a una experiencia 3D jugable
Una de las demostraciones más llamativas del anuncio muestra la creación de una experiencia tridimensional interactiva a partir de una descripción inicial.
El concepto solicitado consiste en un vaquero montando a caballo en un paisaje montañoso, durante el otoño y bajo la lluvia.
Kimi K3 transforma esta idea en una experiencia jugable mediante un proceso iterativo:
- Interpreta la descripción.
- Diseña la estructura de la escena.
- Genera el código necesario.
- Produce un primer renderizado.
- Observa capturas de pantalla del resultado.
- Identifica problemas visuales o funcionales.
- Modifica el código.
- Repite el proceso hasta mejorar la experiencia.
Este sistema, denominado vision-in-the-loop, combina generación de código, razonamiento espacial y análisis visual.
El modelo no se limita a programar siguiendo una especificación textual. También puede observar el resultado de su propio trabajo y utilizar esa información para corregirlo.
Esta capacidad resulta especialmente interesante para el desarrollo de videojuegos, simulaciones, interfaces, prototipos visuales, experiencias inmersivas y aplicaciones tridimensionales.
Un millón de tokens: mucho más que documentos largos
El contexto de 1.048.576 tokens es otra de las características principales de Kimi K3.
En términos prácticos, este tamaño de contexto permite procesar enormes cantidades de información dentro de una misma sesión. Por ejemplo:
- Repositorios completos de código.
- Documentación técnica de gran extensión.
- Contratos y expedientes complejos.
- Históricos extensos de conversaciones.
- Bases documentales corporativas.
- Múltiples informes financieros.
- Resultados acumulados durante la ejecución de un agente.
Sin embargo, disponer de una gran ventana de contexto no garantiza por sí solo que el modelo aproveche correctamente toda esa información.
El reto real consiste en localizar los datos relevantes, mantener relaciones entre elementos muy alejados y evitar que las instrucciones importantes se diluyan dentro de un contexto gigantesco.
Las innovaciones arquitectónicas de Kimi K3 están diseñadas precisamente para mejorar este tipo de memoria operativa de larga duración.
Rendimiento en benchmarks agentic
Moonshot AI también ha publicado resultados de Kimi K3 en diferentes pruebas de evaluación.
En sus benchmarks internos relacionados con trabajo agentic, el modelo obtiene los siguientes resultados:
- Online Exp Bench: 75,5.
- DECK-Bench: 73,5.
- Finance-Bench: 62,6.
Según los resultados compartidos por la compañía, Kimi K3 supera a modelos como Claude Opus 4.8 y GPT-5.5 en estos escenarios de trabajo de conocimiento.
En benchmarks públicos relacionados con programación autónoma, uso de terminales y resolución de tareas complejas, Kimi K3 también se sitúa cerca de los modelos de frontera más avanzados.
El modelo no ocupa necesariamente la primera posición en todas las evaluaciones. Algunas alternativas continúan obteniendo mejores resultados en categorías concretas. Sin embargo, Kimi K3 parece especialmente competitivo en tareas que combinan:
- Programación.
- Uso de herramientas.
- Razonamiento prolongado.
- Operaciones en terminal.
- Visión artificial.
- Ejecución autónoma de múltiples pasos.
Como sucede con cualquier benchmark publicado por el propio fabricante, los resultados deberán ser reproducidos y contrastados por investigadores independientes. Aun así, los datos iniciales muestran un modelo diseñado para competir en la frontera tecnológica, no únicamente dentro del segmento open-weight.
Disponibilidad de Kimi K3
Kimi K3 está disponible desde el 16 de julio de 2026 y el 27 de julio publicará los pesos abiertos del modelo.
Esta decisión permitirá, al menos teóricamente, descargar el modelo, desplegarlo en infraestructuras privadas, adaptarlo mediante fine-tuning e integrarlo en soluciones propias.
El matiz importante está en los requisitos técnicos.
Un modelo con 2,8 billones de parámetros necesitará una infraestructura considerable, incluso utilizando cuantización, distribución entre múltiples nodos y activación parcial de expertos. Por tanto, la disponibilidad de los pesos no significa que cualquier usuario pueda ejecutarlo en un ordenador convencional.
Su adopción estará inicialmente al alcance de grandes empresas, proveedores de infraestructura, centros de investigación y comunidades capaces de crear versiones optimizadas o destiladas.
¿Por qué son importantes los pesos abiertos?
La apertura de los pesos puede tener consecuencias relevantes para el mercado.
Los modelos cerrados ofrecen acceso mediante aplicaciones o API, pero el usuario depende de las condiciones, los precios, la disponibilidad y las políticas del proveedor.
Un modelo open-weight ofrece posibilidades adicionales:
- Despliegue en infraestructuras privadas.
- Mayor control sobre los datos.
- Adaptación a sectores o tareas específicas.
- Investigación independiente de la arquitectura.
- Creación de variantes especializadas.
- Reducción de la dependencia de un único proveedor.
- Integración en entornos con requisitos estrictos de soberanía tecnológica.
Esto no convierte automáticamente a Kimi K3 en software completamente abierto. Para evaluar su grado real de apertura habrá que analizar la licencia, las restricciones de uso, la disponibilidad del código de entrenamiento y la información publicada sobre los datos utilizados.
Aun así, liberar los pesos de un modelo de esta escala representa una decisión significativa.
La rápida evolución de Moonshot AI
La trayectoria de Moonshot AI muestra la velocidad con la que está evolucionando el ecosistema chino de inteligencia artificial.
La evolución de la familia Kimi puede resumirse en tres grandes etapas:
Kimi original
Presentado en 2023, llamó la atención por su capacidad para manejar contextos especialmente largos y por su rendimiento en chino.
Serie Kimi K2
Durante 2025, Moonshot AI reforzó su apuesta por los modelos open-weight y por las tareas agentic, aproximándose progresivamente a los modelos propietarios más avanzados.
Kimi K3
En 2026, la compañía da un nuevo salto con 2,8 billones de parámetros, un millón de tokens, visión nativa y una arquitectura renovada.
Esta progresión sitúa a Moonshot AI entre las empresas que aspiran a liderar la próxima generación de modelos de frontera.
También confirma una tendencia cada vez más clara: la distancia entre los modelos cerrados y los modelos con pesos disponibles continúa reduciéndose.
Qué puede significar para las empresas
Para las empresas, Kimi K3 resulta interesante no solo por sus resultados, sino por el tipo de procesos que pretende automatizar.
Un agente con contexto extenso, visión y capacidad de programación podría abordar tareas como:
- Analizar grandes repositorios de software.
- Diseñar y ejecutar pruebas automáticamente.
- Investigar incidencias durante horas.
- Procesar expedientes empresariales completos.
- Crear prototipos funcionales a partir de instrucciones.
- Operar sobre sistemas corporativos mediante herramientas.
- Mantener flujos de trabajo persistentes entre diferentes departamentos.
- Revisar visualmente los resultados de sus propias acciones.
El valor empresarial no dependerá únicamente de la capacidad del modelo. También será necesario resolver cuestiones relacionadas con permisos, seguridad, trazabilidad, supervisión humana, costes de infraestructura y calidad de las integraciones.
Cuanto más autónomo sea un agente, más importante será controlar qué puede hacer, qué datos puede consultar y cómo se validan sus decisiones.
Kimi K3 no es simplemente un modelo más grande
La principal conclusión del anuncio es que Kimi K3 no se basa únicamente en aumentar el número de parámetros.
El modelo combina cinco elementos estratégicos:
- Escala masiva, con 2,8 billones de parámetros.
- Contexto extremadamente largo, con más de un millón de tokens.
- Nueva arquitectura eficiente, basada en Kimi Delta Attention y Attention Residuals.
- Especialización en agentes autónomos, programación y razonamiento de larga duración.
- Próxima publicación de sus pesos, con el potencial de impulsar un nuevo ecosistema de modelos derivados.
La combinación de estas características convierte a Kimi K3 en uno de los lanzamientos más ambiciosos del ecosistema open-weight en 2026.
Todavía será necesario comprobar su rendimiento real, el coste de operación, la licencia definitiva y la capacidad de la comunidad para desplegarlo de forma eficiente. Sin embargo, el mensaje de Moonshot AI es evidente: los modelos con pesos abiertos también quieren competir en la frontera de la inteligencia artificial.
Y esa competición puede resultar decisiva para empresas y desarrolladores que buscan modelos potentes, personalizables y desplegables bajo su propio control.
Información basada en la publicación Kimi K3.
