Kimi K3.1 Pro: novedades, benchmarks y precio del nuevo modelo de Moonshot

Kimi K3.1 Pro es un modelo de Moonshot, la empresa detrás de Kimi. Quise ver dos cosas: qué dice Moonshot que trae, y cómo se porta cuando le pides algo concreto. Para lo segundo hice la misma prueba que ya había hecho con DeepSeek-V4.1-Flash, Gemini 3.8 Flash y Gemini 4 Argon: una turbina de avión en 3D, generada por la API a partir de una sola consigna.

Primero van las cifras que publica Moonshot. Después la prueba, en dos rondas, y al final una comparación de los cuatro modelos con las dos consignas. Hay más análisis de este tipo en el centro de Modelos de IA.

Una advertencia sobre las cifras: las puntuaciones de la primera parte las publica Moonshot. No las midió un evaluador independiente. Las cifras de la prueba propia salen de una ejecución mía por modelo y consigna, más los reintentos que cuento uno por uno.

En corto

• Qué es: según Moonshot, “a post-trained version of Kimi K3, with substantially larger post-training compute” (una versión de Kimi K3 con mucho más cómputo de posentrenamiento). Es un LLM que acepta imágenes y video.
• Contexto: una ventana de un millón de tokens. La salida puede llegar a 1.048.576 tokens por respuesta.
• Razonamiento: siempre activado. Tres niveles, low, high y max, y el predeterminado es max.
• Variante rápida: Kimi K3.1 Pro Highspeed, que según Moonshot es de 2 a 3 veces más rápida.
• Pesos abiertos: Moonshot dice que los pesos completos saldrán a más tardar el 4 de noviembre de 2026.
• Mi prueba: una turbina 3D con la misma consigna en cuatro modelos, y una segunda ronda con una consigna más detallada. Argon fue el mejor. Kimi mejora mucho con la consigna detallada.

Qué dice Moonshot del modelo

Datos básicos

Tabla 1: Datos básicos de Kimi K3.1 Pro según Moonshot

Dato	Lo que dice Moonshot	Fuente
Identificadores en la API	kimi-k3.1-pro y kimi-k3.1-pro-highspeed	Guía de inicio
Qué es	“Kimi K3.1 Pro is a post-trained version of Kimi K3, with substantially larger post-training compute.”	Guía de inicio
Tamaño	“our most capable 3T-class open-weight model to date” (clase de 3 billones de parámetros)	Blog de Kimi
Contexto	“with a 1-million-token context window”	Guía de inicio
Salida máxima	“max_completion_tokens defaults to 131072 and can be set up to 1048576.”	Guía de inicio
Razonamiento	“K3.1 Pro always has thinking mode enabled”	Guía de inicio
Pesos	“The full model weights will be released by Nov 4.”	Guía de inicio
Variante rápida	“We are also releasing Kimi K3.1 Pro Highspeed, which delivers 2-3× the speed of K3.1 Pro”	Guía de inicio
Dónde está	Kimi.com, las apps móviles, Kimi Work, Kimi Code y la API de Kimi. En cuentas de empresa, el acceso viene apagado por defecto.	Blog de Kimi

Cómo leerla: el “contexto de 1M” es lo que puedes enviar al modelo. Si quieres repasar el concepto, está en ventana de contexto. Los pesos son lo que hace que un modelo sea “abierto”: con ellos puedes ejecutarlo tú, si tienes el hardware. Moonshot los promete, pero cuando consulté las páginas todavía no estaban publicados. La ficha de Hugging Face del modelo no me dejó entrar (error 401), así que no puedo decirte nada de su licencia.

Razonamiento y parámetros fijos

Un modelo de razonamiento piensa antes de responder, y ese pensamiento también se cobra como salida. En Kimi K3.1 Pro no se puede apagar. La guía dice que el esfuerzo se fija con el campo reasoning_effort, con los niveles low, high y max, y que el predeterminado es max. Para razonar menos, hay que bajar a low.

Hay parámetros que no puedes cambiar. La guía fija “temperature=1.0, top_p=0.95, n=1, presence_penalty=0”, y también frequency_penalty=0, y pide omitirlos de la petición. En streaming, el razonamiento llega en un campo aparte (reasoning_content) y la respuesta en otro (content).

Entradas, herramientas y caché

• Visión: la guía dice “Vision input does not support public image URLs”. Las imágenes van en base64 o como archivos subidos a Moonshot. El video también se admite, por un archivo subido.
• Herramientas: acepta herramientas propias y salida estructurada con json_schema. Sobre la búsqueda web, la guía dice: “Web search is being updated and is not recommended for use in the near term.”
• Caché: “Context caching is automatic for regular model requests”. La vida de la caché puede ser de 5 minutos (la predeterminada) o de 1 hora.
• Acceso: según la guía, se desbloquea “after a successful top-up (minimum $1)”. La suma de tus recargas define tu nivel y tus límites de uso.

Precios

Estas son las tarifas que publica Moonshot en su página de precios de la API, en dólares por millón de tokens:

Tabla 2: Precios de la serie K3 según Moonshot

Modelo	Entrada	Salida	Entrada en caché	Escritura en caché (5 min)	Escritura en caché (1 h)
kimi-k3.1-pro	2,00	10,00	0,20	2,00	4,00
kimi-k3.1-pro-highspeed	4,00	20,00	0,20	4,00	8,00
kimi-k3	3,00	15,00	0,30	3,00	6,00

Cómo leerla: Kimi K3.1 Pro sale más barato que el K3 al que reemplaza. La versión highspeed cuesta el doble en entrada y salida, a cambio de responder dos o tres veces más rápido, según la guía de inicio. Y el precio es plano: la guía dice que “uses flat pay-as-you-go pricing — there is no tiering by context length” (no cambia según lo largo que sea el contexto).

La API de Moonshot también deja consultar el saldo de la cuenta, y eso me sirvió para comprobar la tarifa. Con mi primera corrida, el saldo bajó de 10 a 9,81472 dólares: 0,18528. Con la tabla de arriba, 695 tokens de entrada y 18.390 de salida dan 0,18529. Coincide. Por eso, en este artículo el costo de Kimi es “lo que descontó mi cuenta”.

Benchmarks

Un benchmark es una prueba estándar para comparar modelos. El blog de Moonshot muestra una gráfica de 14 pruebas que es una imagen. Estas son las cifras que aparecen en el texto y en la descripción de las imágenes de la página. Los nombres de pruebas y modelos están como los escribe Moonshot.

Tabla 3: Kimi K3.1 Pro en las pruebas que publica Moonshot (más alto es mejor)

Prueba	Kimi K3.1 Pro	Con quién la compara Moonshot
Terminal-Bench 4.0	65,7 %	Claude Opus 5.5: 66,4 %; GPT-6 Astra: 58,2 %
Kimi Code Bench 3.0 Long-horizon	61,2 %	Kimi K3: 55,95 %
BenchCAD, con herramientas	92,7	Claude Opus 5.5: 96,2; GPT-6 Astra: 95,9; Claude Fable 5.1: 92,6; DeepSeek-V4.1-Flash-1017: 81,6
BenchCAD, sin herramientas	72,8	Claude Opus 5.5: 73,0; Claude Fable 5.1: 60,6; DeepSeek-V4.1-Flash-1017: 41,2
OfficeQA Pro v2	64,4	no da comparación en el texto
Frontier Finance	58,6	no da comparación en el texto
Modelado financiero (interna)	57,6	Kimi K3: 50,4
Investigación financiera (interna)	70,4	Kimi K3: 58,8
Operación de negocio (interna)	37	Kimi K3: 8,9

Cómo leerla: cada fila es una prueba distinta. Fíjate en dos cosas. En Terminal-Bench 4.0 queda muy cerca de Claude Opus 5.5 (65,7 % contra 66,4 %) y por encima de GPT-6 Astra. En BenchCAD, que mide diseño CAD por código, queda por detrás de Claude Opus 5.5 y GPT-6 Astra, pero muy por delante de DeepSeek-V4.1-Flash-1017, el modelo del artículo de DeepSeek. Las tres últimas filas son pruebas internas de Moonshot, así que solo sirven para comparar Kimi K3.1 Pro con Kimi K3. Estas pruebas las corre y las publica Moonshot, bajo sus condiciones.

Tabla 4: Alucinaciones por afirmación en las pruebas de Moonshot (más bajo es mejor)

Modelo	Kimi Hallu Bench Hard, con herramientas	Kimi Hallu Bench, sin herramientas
GPT-6 Astra	5,5	4,2
Kimi K3.1 Pro	8,3	5,4
Claude Opus 5.5	15,0	6,8
GLM-5.3	22,6	14,8
DeepSeek-V4.1-Flash-1017	23,3	13,1
Claude Fable 5.1	23,3	11,4

Cómo leerla: una “alucinación” es una afirmación inventada. Aquí se mide qué parte de las afirmaciones del modelo es falsa, así que un número bajo es mejor. Moonshot dice que en la versión difícil bajó de 23,4 % en K3 a 8,3 %. La guía de inicio da otra cifra, “from 23.35% for K3 to 6.85%”, para una prueba de estrés de la propia empresa. No sé si son la misma prueba, por eso las dejo separadas.

Seguridad informática

Moonshot dice que quitó datos relacionados con ciberseguridad de las dos etapas de entrenamiento. En su prueba interna xdev-bench-hard, un punto de control sin esas medidas sacó 90,5 % (pass@3) y el K3.1 Pro final, 81,0 %. Según el blog, el modelo sigue por detrás de los modelos cerrados de punta en ese frente.

Prueba propia: la turbina en 3D, dos veces

Las tablas de arriba las publica Moonshot. Para ver al modelo trabajar en algo concreto le pedí lo mismo que a los otros tres: una animación 3D de un motor de avión con un corte parcial que deje ver cómo funciona por dentro. Publico los resultados tal como salieron.

Primera ronda: la consigna simple

Cómo se hizo:

• Modelo: kimi-k3.1-pro, por la API de Moonshot, con respuesta en streaming.
• Razonamiento: activado, con reasoning_effort en high, igual que en las otras pruebas. Ojo: el predeterminado de Kimi es max, así que no es su configuración por defecto.
• Fecha: 27 de octubre de 2026, 23:22 UTC (18:22 en Colombia).
• Intentos: una sola ejecución, sin reintentos ni correcciones.

La consigna fue la misma, sin cambios, que usé con DeepSeek. La tienes completa en el artículo de DeepSeek.

Three.js es una biblioteca de JavaScript para dibujar escenas 3D en el navegador.

Tabla 5: Consumo de la primera ronda con Kimi K3.1 Pro

Dato	Valor
Tokens de entrada (la consigna)	695
Tokens de salida, en total	18.390
De ellos, razonamiento	9.098
De ellos, la respuesta (el código)	9.292
Tiempo hasta recibir la respuesta completa	unos 362 segundos
Costo, según el saldo de la cuenta	0,18528 dólares (de 10 a 9,81472)
Resultado	un archivo HTML de unos 29,3 KB

Cómo leerla: casi la mitad de la salida (49 %) fue razonamiento interno. A ese ritmo, el modelo generó unos 51 tokens por segundo, bastante menos que los demás.

Si no se ve bien en la página, puedes abrir la turbina a pantalla completa.

Mi opinión: no tiene tanto detalle frente a los otros modelos, y eso es un punto en contra. Los álabes se ven rectangulares. En los otros se veía la curvita del álabe, y aquí no, ni en la turbina, ni en el compresor, ni en el ventilador. En la turbina hay intersecciones de sólidos: los álabes chocan con una parte de la carcasa. El despiece lo hace bien. La vista completa, bien. Al cargar, la vista de la turbina se ve bien. La animación y los colores me gustan. Me gusta bastante cómo se mueven las partículas, que cambian en las diferentes secciones, aunque no es como el de Gemini 4 Argon. Pausa bien. Se supone que es un modelo bastante más poderoso.

Un detalle técnico a favor: de las cuatro páginas de la primera ronda, esta es la única que no bloquea el zoom en el celular.

Segunda ronda: un prompt más detallado

Después de ver las cuatro turbinas, quise ver hasta dónde llegan los modelos con más detalle. Para eso se armó una segunda consigna: la misma de la primera ronda, sin tocarla, más una lista de “Detalles de calidad” que responde a lo que se vio en la primera:

• Los álabes de Kimi se veían rectangulares, como placas. Se pidió perfil curvo y torcido.
• Había sólidos que se cruzaban (DeepSeek en la parte de atrás, Kimi en la carcasa). Se pidió calcular radios y holguras.
• En Gemini 3.8 Flash la vista con corte no aparecía al cargar y el despiece dejaba piezas atrás. Se pidió que el corte sea el estado inicial y que el despiece mueva juntas todas las piezas de una sección.
• Las dos turbinas de Gemini quedaban muy pegadas a la cámara. Se pidió que la cámara encuadre el motor completo.
• Solo Argon traía un control de empuje. Se pidió uno para todos, con indicadores de rpm y de temperatura.
• Tres páginas bloqueaban el zoom en el celular. Se pidió no bloquearlo.

La consigna completa de la segunda ronda es esta:

Crea una animación 3D interactiva de un motor turbofan (motor a reacción de avión) con un corte parcial que deje ver su funcionamiento interno.

Requisitos:
- Un único archivo HTML autocontenido. Usa Three.js 0.169.0 desde https://cdn.jsdelivr.net/npm/three@0.169.0/ con un import map (módulo `three` y `three/addons/`). No cargues ningún otro recurso externo: ni imágenes, ni fuentes, ni modelos.
- Construye la geometría con primitivas de Three.js. Incluye, en orden de adelante hacia atrás: el ventilador (fan) con sus álabes, el compresor de baja y de alta presión (varias etapas de álabes), la cámara de combustión, la turbina de alta y de baja presión, el eje central y la tobera de salida, todo dentro de una carcasa (nacelle).
- Corte parcial: quita un cuarto de la carcasa y de las piezas estáticas para que se vea el interior, como en un modelo de museo.
- Animación: las piezas giratorias rotan alrededor del eje; el ventilador y la turbina de baja presión giran juntos más lento, y el compresor y la turbina de alta presión giran juntos más rápido. Representa el flujo de aire con partículas que entran por el ventilador, se dividen entre el flujo de derivación (bypass) y el núcleo, cambian de color al pasar por la cámara de combustión y salen por la tobera.
- Controles: OrbitControls para girar y hacer zoom; un botón para pausar o reanudar; un botón para alternar entre vista con corte y vista completa; y un botón de "despiece" que separa las secciones a lo largo del eje con una transición suave y las vuelve a unir.
- Etiquetas en español sobre cada sección (Ventilador, Compresor, Cámara de combustión, Turbina, Tobera) que sigan a la pieza al girar la cámara.
- Fondo oscuro, iluminación que destaque el metal, y que se adapte al tamaño de la ventana (también en un celular).
- Rendimiento razonable: que funcione fluido en una laptop común.

Detalles de calidad (revísalos antes de entregar):
- Álabes con forma real: perfil curvo y torcido (no placas rectangulares) en el ventilador, el compresor y la turbina.
- Sin piezas que se atraviesen: calcula radios y holguras para que ningún álabe ni pieza choque con la carcasa ni con otra pieza. La punta de cada álabe debe quedar a una distancia pequeña de la carcasa.
- La vista con corte es el estado inicial, y lo que se ve siempre coincide con el estado del botón.
- En el despiece, todas las piezas de una sección (incluidas su parte de carcasa y los bordes del corte) se mueven juntas.
- La cámara inicial encuadra el motor completo con margen, tanto en escritorio como en celular.
- Control de empuje con velocidad variable: un control deslizante que vaya de ralentí a empuje máximo y cambie, con una transición suave, la velocidad de giro de los dos ejes y la de las partículas. Muestra indicadores de rpm de cada eje y de temperatura de la turbina que se actualicen en tiempo real con el empuje.
- Partículas que cambien de dirección y velocidad según la sección: giran tras el ventilador, se comprimen en el compresor y aceleran en la tobera.
- Un cono de entrada (spinner) con una marca que deje ver la rotación.
- No bloquees el zoom del navegador en el celular: no uses `user-scalable=no` ni `maximum-scale`.

Devuelve solo el archivo HTML completo dentro de un bloque de código ```html.

Los parámetros de la segunda ronda

Mismos modelos y mismos parámetros que en la primera, con un cambio: DeepSeek necesitó más margen de salida. Los demás parámetros no se tocaron: reasoning_effort en high para Kimi y thinkingLevel en high para los de Gemini. La corrida de los cuatro empezó el 27 de octubre de 2026 a las 23:41 UTC (18:41 en Colombia).

Kimi K3.1 Pro: dos intentos

Kimi necesitó dos intentos para esta consigna.

Primer intento (no se veía nada). Terminó bien, con 24.911 tokens de salida (12.165 de razonamiento), unos 496 segundos y 0,2513 dólares según el saldo (de 9,81472 a 9,56342). Pero al abrir la página solo aparecían el menú y las etiquetas arriba a la derecha. La consola del navegador mostraba un error en cada cuadro de animación, antes de dibujar: Uncaught TypeError: Cannot set properties of undefined (setting x). La causa es una sola línea. El código mueve cada sección con

section.position.x = section.explodedOffset * smoothExplode;

y la sección es un objeto que guarda su posición dentro de otro objeto (group). Lo correcto era section.group.position.x. Como section.position no existe, el programa se detiene antes de dibujar. En el segundo intento, el código escribe section.group.position.x = section.offset * exploded; y funciona. Dejo el primer intento disponible para que lo veas: se ve el menú y nada más.

Segundo intento (el que funciona). 25.747 tokens de salida (13.098 de razonamiento, 51 %), unos 555 segundos y un archivo HTML de unos 41,4 KB, sin errores en la consola. Moonshot descuenta el saldo con retraso: cuando se actualizó, pasó de 9,56342 a 9,30376, o sea 0,2597 dólares. Coincide con la fórmula de 2 y 10 dólares por millón (1.100 tokens de entrada y 25.747 de salida).

Si no se ve bien en la página, puedes abrir la turbina a pantalla completa.

Mi opinión: El primer intento no sirvió porque un error en el código dejó la pantalla en blanco. Pero este segundo intento con la consigna detallada mejoró de forma notable. La animación es suave, la separación de piezas en el despiece funciona sin tirones y el corte interior se aprecia con claridad. El único defecto visible es una pieza rectangular en la punta del eje del ventilador que gira junto con él, probablemente su forma de interpretar la marca que pedía en el cono. Salvo ese detalle, el resultado final quedó muy bien.

Una nota que no es opinión mía: la consigna pedía “un cono de entrada (spinner) con una marca que deje ver la rotación”. Es probable que ese rectángulo sea la manera en que Kimi dibujó esa marca.

Cuatro modelos, dos prompts

Esta es la comparación completa. Los cuatro modelos recibieron las mismas dos consignas. El detalle de cada uno está en su artículo: DeepSeek, Gemini 3.8 Flash y Gemini 4 Argon.

Primera ronda: la consigna simple

Tabla 6: La consigna simple en cuatro modelos, una ejecución por modelo

Dato	DeepSeek-V4.1-Flash	Gemini 3.8 Flash	Gemini 4 Argon	Kimi K3.1 Pro
Tokens de entrada (la consigna)	593	500	522	695
Razonamiento	43.023	23.410	9.235	9.098
Respuesta (el código)	8.972	17.300	21.595	9.292
Salida total	51.995	40.710	30.830	18.390
Parte de razonamiento	83 %	58 %	30 %	49 %
Tiempo	unos 226 s	unos 247 s	unos 295 s	unos 362 s
Archivo HTML	unos 25 KB	unos 46,6 KB	unos 62,7 KB	unos 29,3 KB
Costo	unos 0,06 dólares	unos 0,153 dólares	unos 0,309 dólares	0,185 dólares
Cómo se obtuvo el costo	saldo de la cuenta	tokens × precio oficial (0,75 y 3,75)	tokens × precio de lanzamiento (2 y 10)	saldo de la cuenta
Intentos	1	1	1	1

Segunda ronda: la consigna detallada

Tabla 7: La consigna detallada en cuatro modelos (el intento que se muestra)

Dato	DeepSeek-V4.1-Flash	Gemini 3.8 Flash	Gemini 4 Argon	Kimi K3.1 Pro
Tokens de entrada (la consigna)	960	833	853	1.100
Razonamiento	52.651	11.366	14.311	13.098
Respuesta (el código)	16.048	17.681	28.688	12.649
Salida total	68.699	29.047	42.999	25.747
Parte de razonamiento	77 %	39 %	33 %	51 %
Tiempo	unos 334 s	unos 159 s	unos 435 s	unos 555 s
Archivo HTML	unos 50,4 KB	unos 50,7 KB	unos 80,8 KB	unos 41,4 KB
Costo del intento mostrado	ver nota	unos 0,110 dólares	unos 0,432 dólares	0,2597 dólares
Cómo se obtuvo el costo	saldo de la cuenta	tokens × precio oficial (0,75 y 3,75)	tokens × precio de lanzamiento (2 y 10)	saldo de la cuenta
Intentos	2 (el primero se cortó)	2	1	2 (el primero no se veía)
Costo de todos los intentos	unos 0,08 dólares	unos 0,244 dólares	unos 0,432 dólares	0,511 dólares (0,2513 + 0,2597, medidos)

Mapa de las páginas: DeepSeek, Gemini 3.8 Flash, intento 1, Gemini 3.8 Flash, intento 2, Gemini 4 Argon, Kimi, intento 1 y Kimi, intento 2.

Cómo leerlas

• Razonamiento contra código: DeepSeek gastó otra vez la mayor parte de la salida en razonar. Argon escribió el archivo más largo. Kimi quedó en el medio, con la salida total más corta de la segunda ronda.
• Tiempo: Kimi fue el más lento en las dos rondas. Gemini 3.8 Flash, el más rápido en la segunda.
• Costo: no es una comparación limpia. Cada empresa tiene su tarifa, y el precio de lanzamiento de Argon vale hasta el 30 de noviembre de 2026.
• Intentos: el costo de todos los intentos es el que más importa si quieres un resultado que funcione. DeepSeek costó unos 0,08 dólares y Kimi unos 0,51.

Notas de método, para que sepas cuánto fiarte de las tablas:

• Un modelo por empresa, por su API. Todos corrieron con razonamiento en nivel alto (high). En Kimi el predeterminado es max, así que lo bajé para que fuera comparable.
• DeepSeek en la segunda ronda: el primer intento se detuvo al llegar a 65.536 tokens de salida (62.933 de razonamiento), todavía razonando, y el HTML quedó cortado. Lo repetí con un límite de 131.072 y salió completo. Por eso la tabla muestra el segundo intento, y la columna de tiempo (unos 334 s) es solo la de ese intento. El primero tardó unos 364 s.
• Costo de DeepSeek en la segunda ronda: el saldo de su cuenta muestra dos decimales y bajó de 3,26 a 3,18 dólares. Esa cifra cubre los dos intentos, porque no pude separarlos.
• Costo medido y calculado: DeepSeek y Kimi salen del saldo de la cuenta. Los de Gemini no tienen servicio de saldo, así que los calculé con los tokens que informa la API y los precios oficiales. Moonshot descuenta el saldo con retraso, así que el costo de cada intento de Kimi lo leí cuando el saldo se actualizó.
• Tokens de entrada: cada empresa cuenta los tokens a su manera, por eso la misma consigna da números distintos.
• Tiempo: el de Gemini y Kimi se midió hasta el último fragmento recibido por streaming. En la primera ronda, el de DeepSeek se tomó de la hora en que se guardaron los archivos. No son del todo comparables.
• Qué intento se muestra: en la segunda ronda, la tabla muestra el segundo intento de DeepSeek, Gemini 3.8 Flash y Kimi.
• Una ejecución por modelo y consigna. Otra corrida daría otros números.

Mi ranking y mis conclusiones

• Gemini 4 Argon (el mejor de la prueba): Es el más completo en acabados, movimiento y detalles mecánicos. Las partículas reaccionan muy bien al acelerador y la rotación diferenciada entre el ventilador y el compresor le da un realismo excelente. Resolvió todo en una sola pasada.
• Kimi K3.1 Pro (el que más mejora con instrucciones claras): Con la orden simple entregó un modelo básico, pero con la consigna detallada dio un salto enorme de calidad. Si le defines bien lo que esperas, entrega un resultado sobresaliente.
• DeepSeek-V4.1-Flash (el más eficiente en costo y resultado): Un modelo accesible que hace las cosas bien. Corrigió los choques de piezas en la segunda ronda y armó una estructura sólida. Entre los modelos rápidos, supera con claridad a Gemini 3.8 Flash.
• Gemini 3.8 Flash (bueno para ideas rápidas, flojo para tareas exigentes): Funciona bien cuando la consigna es abierta y tiene libertad creativa. Sin embargo, en cuanto se le acumulan requisitos técnicos y restricciones de espacio, se confunde, genera geometrías defectuosas y no logra corregirlas ni con varios intentos.

Fue un experimento eficiente.

Qué significa para ti

• Si usas la API de Kimi: el identificador es kimi-k3.1-pro. El razonamiento viene siempre activado y se cobra como salida: en mis pruebas fue entre el 49 % y el 51 % de la salida. Si el costo importa, baja a low y compara. Y si necesitas velocidad, la versión highspeed responde más rápido pero cuesta el doble.
• Si quieres un resultado bueno con modelos así: una consigna detallada cambió mucho el resultado con Kimi, y poco o nada con Gemini 3.8 Flash. Prueba con tu caso, no con el mío.
• Si piensas en ejecutarlo tú: Moonshot promete los pesos para el 4 de noviembre de 2026. Es un modelo de clase de 3 billones de parámetros, así que no es para un portátil. Espera la ficha para ver licencia y requisitos.
• Si evalúas modelos para un cliente: los benchmarks los publica Moonshot, y mi prueba es una ejecución por modelo y consigna. Mide con tu propio caso.

Tu primer paso

Toma una tarea real de tu trabajo y ejecútala dos veces con el mismo modelo: una con una consigna corta y otra con una detallada, como hice yo con la turbina. Anota tokens, tiempo y calidad. Con esas tres cifras sabrás si el detalle extra se justifica para ti.

Fuentes

Consultadas el 27 de octubre de 2026. Las cifras de rendimiento de la primera parte las publica Moonshot.

• Moonshot AI, Kimi K3.1 Pro Tech Blog: Advancing Open Intelligence (disponibilidad, pesos abiertos y tabla de benchmarks).
• Moonshot AI, guía de inicio de Kimi K3.1 Pro (identificadores, contexto, razonamiento, límites, caché y acceso).
• Moonshot AI, precios de la API de chat.
• Artículos relacionados en este blog:
  • DeepSeek-V4.1-Flash: qué trae de nuevo y qué cambió con la versión 1017
  • Gemini 3.8 Flash: análisis del modelo y una prueba en 3D frente a Argon y DeepSeek
  • Gemini 4 Argon: el fin de las respuestas cortadas y hasta un millón de tokens de salida
  • Modelos de IA