Los pesos de Kimi K3 ya son públicos, y ocupan 1,4 terabytes
Moonshot AI ha publicado los pesos completos y el informe técnico de Kimi K3, su modelo de 2,8 billones de parámetros, junto con parte de la infraestructura necesaria para ejecutarlo. La afirmación que toca comprobar: 2,5 veces más inteligencia por unidad de cómputo.
Moonshot AI ha completado el lanzamiento que empezó a anunciar a mediados de julio. El laboratorio chino publicó el lunes los pesos de Kimi K3 en Hugging Face, acompañados de un informe técnico en GitHub y, de forma menos habitual, de varias piezas necesarias para ponerlo realmente en marcha: núcleos de atención de alto rendimiento, una biblioteca para la comunicación entre los expertos del modelo y herramientas destinadas a operar agentes de IA a gran escala. En cuestión de horas se convirtió en el tema más comentado de Hacker News.
Traduzcamos las especificaciones. Kimi K3 es un modelo de mezcla de expertos: contiene muchas subredes especializadas y envía cada fragmento de texto solo a unas pocas. Sobre el papel suma 2,8 billones de parámetros, los valores ajustables que almacenan lo aprendido, pero por cada token activa únicamente 16 de sus 896 expertos. Ejecutarlo cuesta así mucho menos de lo que sugiere la cifra total. Admite una ventana de contexto de un millón de tokens, aproximadamente un libro muy largo mantenido en la memoria de una sola vez, y comprende imágenes y vídeo de forma nativa, sin módulos añadidos. La afirmación central de Moonshot en el informe se refiere a la arquitectura: Kimi Delta Attention y una nueva organización de los expertos proporcionarían unas 2,5 veces más inteligencia por unidad de cómputo que la generación anterior. En el índice compuesto de Artificial Analysis obtiene 57 puntos, cerca de GPT-5.6 Sol, y ahora mismo encabeza la clasificación Frontend Code Arena.
Pero hay un obstáculo práctico que muchos artículos pasaron por alto: la descarga ronda los 1,4 terabytes. Que los pesos sean abiertos significa que tienes libertad jurídica y técnica para ejecutar el modelo por tu cuenta, pero libertad no equivale a viabilidad. Para servir K3 a una velocidad útil hace falta un bastidor de GPU de centro de datos, no un portátil. Para la mayoría, la vía realista será un proveedor que lo aloje. También hay carencias de capacidad. Las pruebas independientes del AI Security Institute británico sitúan a K3 muy por detrás de los modelos estadounidenses punteros en tareas de explotación de vulnerabilidades; tampoco destaca en matemáticas difíciles. Ambos patrones encajan con la destilación, que entrena un modelo menor con las respuestas de otro más potente. Los laboratorios chinos reciben esta acusación con frecuencia y Moonshot no la ha abordado directamente.
Qué significa esto para ti: Si acabas de llegar al tema, lo más útil es entender qué aportan realmente los «pesos abiertos». No quieren decir gratis y rara vez quieren decir local. Quieren decir que nadie puede apagar el modelo, subir su precio ni modificar su comportamiento sin que puedas evitarlo. Eso importa mucho si construyes un producto sobre él y bastante menos si solo conversas desde el navegador. Si ya trabajas con modelos, K3 merece atención para generar código front-end, donde hoy ocupa el primer puesto. En seguridad y matemáticas avanzadas, conviene esperar a que mejoren las evaluaciones independientes. Los demás pueden observar el efecto en los precios: cada lanzamiento abierto y creíble desde China reduce lo que los laboratorios occidentales pueden cobrar, y eso acaba reflejándose en tu factura.
Fuentes
El nuevo modelo de seguridad de Microsoft es pequeño a propósito, y ahí está lo interesante
MAI-Cyber-1-Flash resuelve alrededor del 90% de las tareas de búsqueda de vulnerabilidades y deriva el resto a GPT-5.4. Microsoft asegura que la combinación alcanza un 96% en CyberGym por la mitad del coste de su configuración anterior.
