Kimi K3: el modelo abierto de 2,8 billones que lidera en código

Qué es Kimi K3

Kimi K3 es el nuevo modelo de Moonshot AI, presentado el 17 de julio de 2026. Es un MoE (mezcla de expertos) de 2,8 billones de parámetros que la propia empresa describe como el mayor modelo de pesos abiertos publicado hasta la fecha. Llega apenas unos días después de Kimi K2 y confirma el ritmo al que está corriendo el laboratorio chino.

Está afinado para programación y tareas de agente: resolver bien el trabajo de código que necesita mantener el hilo durante muchos pasos. En un ranking de programación de referencia se puso por delante de Claude Fable 5, que venía liderando SWE-bench Pro. En chat general queda alrededor del noveno puesto, lo que encaja con un modelo pensado para una tarea concreta.

Los números, con cautela

Aquí va una advertencia. En el momento del lanzamiento no existían pruebas independientes de terceros, así que las cifras de rendimiento son las del fabricante. Conviene esperar a los benchmarks externos antes de darlas por definitivas.

Con la información disponible, la lectura razonable es que Kimi K3 compite de tú a tú con los modelos cerrados de frontera en programación, algo impensable hace un año en un modelo que puedes descargar.

La cara débil: ciberseguridad

Ningún modelo es bueno en todo, y Kimi K3 lo deja claro en seguridad. En ExploitBench, una prueba de tareas de explotación de vulnerabilidades, sacó un 32% frente al 76% de los modelos de frontera estadounidenses. La diferencia es grande y tiene una lectura doble: es un modelo menos capaz de usarse con fines ofensivos, pero también menos útil si tu trabajo es defensa o análisis de seguridad, donde hoy hay opciones mejores.

Pesos abiertos: qué cambia para ti

La parte que más importa a un equipo técnico es la licencia. Moonshot libera los pesos gratis el 27 de julio, así que puedes ejecutar el modelo en tu propia infraestructura, inspeccionarlo y adaptarlo sin depender de una API externa ni de sus términos.

Eso tiene consecuencias concretas. Si manejas datos sensibles, un modelo que corre en tus servidores evita mandar cada consulta a un tercero. Si tu factura de tokens con modelos cerrados se ha disparado, un modelo abierto de este nivel cambia la ecuación de coste. Y si necesitas un comportamiento específico, puedes afinarlo tú.

El contexto: la carrera abierta china

Kimi K3 no aparece en el vacío. Los laboratorios chinos llevan meses recortando distancia, con DeepSeek, Qwen de Alibaba, Doubao de ByteDance y GLM de Z.ai empujando cada uno por su lado. Los rankings de mediados de julio situaban a DeepSeek-V4-Pro, Doubao-Seed-2.0-Pro, Kimi K2.6 y Qwen3.6-Max entre los modelos domésticos más fuertes.

El patrón se repite: modelos grandes, abiertos y baratos que en código y razonamiento ya rozan a los cerrados. Para verlo en perspectiva junto al resto del sector, tienes el mapa en ecosistema.

Cómo probarlo sin complicarte

Si quieres evaluarlo, hay dos caminos. El rápido es usar la API o el chat de Moonshot y comparar sus respuestas con las de tu modelo actual en tus propias tareas de código. El completo, a partir del 27 de julio, es descargar los pesos y montarlo en tu infraestructura, algo que solo compensa si tienes GPUs y una carga de trabajo alta.

En cualquier caso, mide con tus casos reales antes de cambiar nada. Un benchmark alto no garantiza que el modelo resuelva mejor tu problema concreto. Para cruzar puntuaciones con el resto de modelos, tienes la tabla en benchmarks, y para montar flujos con varios modelos a la vez, los patrones están en frameworks.