Los 2.8 billones de parámetros de Kimi K3 se enfrentan a la prueba del pelícano

Moonshot AI anunció Kimi K3 el 16 de julio de 2026, calificándolo como el “modelo más capaz hasta la fecha” del laboratorio chino y afirmando 2.8 billones de parámetros. El modelo está disponible a través del sitio web y la API de Moonshot, con un lanzamiento de pesos abiertos prometido para el 27 de julio de 2026.

Moonshot describe a K3 como el primer “modelo abierto de clase 3T”, aparentemente redondeando 2.8 billones de parámetros hasta 3 billones. Eso la colocaría por delante del v4 Pro de DeepSeek de 1.6T por conteo de parámetros. En benchmarks autoinformados, K3 generalmente supera a Claude Opus 4.8 max y a GPT-5.5 high, pero queda por detrás de Claude Fable 5 y GPT-5.6 Sol.

Artificial Analysis reportó un Elo de 1547 en su evaluación privada de trabajo de conocimiento a largo plazo —732 puntos más que Kimi K2.6 y solo por detrás de Claude Fable 5.

“En nuestra evaluación privada de trabajo de conocimiento a largo plazo, Kimi K3 alcanza un Elo global de 1547, +732 puntos respecto a Kimi K2.6 y solo por detrás de Claude Fable 5.”

El coste por tarea del modelo es de $0.94, cercano a los $1.04 de GPT-5.6 Sol, aproximadamente la mitad de los $1.80 informados para Opus 4.8, y superior al de los competidores de pesos abiertos. K3 también usó un 21% menos de tokens de salida que K2.6 en el Índice de Inteligencia de Artificial Analysis. Actualmente lidera la arena Frontend Code de Arena.ai, superando a Claude Fable 5.

Precios y uso de tokens de Kimi K3

K3 cuesta $3 por millón de tokens de entrada y $15 por millón de tokens de salida — el mismo escalón de precios general que la serie Claude Sonnet de Anthropic, pero el precio más alto hasta ahora para un modelo de un laboratorio de IA chino. Es un aumento sustancial respecto a Kimi K2.6, cuyo precio era $0.95/$4. Los 2.8 billones de parámetros de K3 también representan más del doble del tamaño de ese modelo anterior de 1T.

Recomendado

El hardware de OpenAI y fallos críticos sacuden la tecnología

Para probarlo sin crear una clave API de Moonshot, el autor del benchmark usó OpenRouter y el complemento llm-openrouter para generar un SVG de un pelícano montando una bicicleta:

llm -m openrouter/moonshotai/kimi-k3 'Genera un SVG de un pelícano montando una bicicleta'

El prompt consumió 95 tokens de entrada y 16,658 tokens de salida, incluidos 13,241 tokens de razonamiento, por un coste total de 25 centavos. K3 luego analizó el SVG renderizado por 0.6 centavos, produciendo una descripción detallada del pelícano blanco, la bufanda roja, la bicicleta roja, la carretera, el cielo, las nubes, el sol, las aves y la hierba.

Lo que la prueba del pelícano todavía muestra

La prueba SVG tiene ahora 21 meses. Comenzó como una broma sobre lo difícil que es comparar modelos, y luego desarrolló una sorprendente correlación con la calidad global del modelo durante su primer año. Esa relación se ha debilitado: los pelícanos de GPT-5.6 y Claude Fable 5, según se informa, han sido superados por GLM-5.2, que el autor del benchmark no considera un modelo de clase Fable.

La mayor debilidad de la prueba es que dice poco sobre las capacidades que más importan en los sistemas actuales: la invocación de herramientas con capacidad de agencia y el uso fiable de herramientas a lo largo de conversaciones largas. No debería tratarse como una comparativa seria e independiente de modelos.

Sigue siendo útil como una comprobación práctica. Ejecutar un prompt confirma que se puede acceder a un modelo, ofrece una estimación aproximada de coste y razonamiento, y prueba si puede producir SVG válidos con geometría básica y conciencia espacial. Esas comprobaciones son especialmente útiles para modelos más pequeños que se ejecutan localmente mediante herramientas como llama.cpp, LM Studio u Ollama.

El resultado de K3 es una clara mejora respecto a Kimi 2.5, a la vez que revela una limitación actual: ofrece solo una configuración de razonamiento, “max”. El modelo gastó casi cuatro veces más tokens en razonamiento que los que devolvió en su respuesta — 13,241 frente a 3,417. Un prompt simple de “hola” también usó 86 tokens, lo que sugiere un prompt del sistema oculto de aproximadamente 85 tokens, que K3 se negó a revelar.

El benchmark sigue siendo un “hola mundo” práctico para el acceso a modelos, el envío de prompts, la generación de SVG y la visión. También es una tradición en Hacker News, donde, según se informa, los lectores piden el pelícano cada vez que se revisa un nuevo modelo.