Puntos clave
- La empresa china de IA Moonshot AI ha lanzado Kimi K3.1 Pro, que saltó al cuarto lugar del Artificial Analysis Intelligence Index con 55 puntos, justo detrás de Claude Opus 5.5.
- El modelo muestra ganancias importantes en tareas agénticas, programación y modelado 3D.
- El número de parámetros se mantiene en 2.8 billones (trillion), pero los precios de la API bajan un 33 por ciento. Moonshot planea publicar los pesos del modelo antes de noviembre de 2026.
El nuevo modelo de razonamiento de Moonshot AI, Kimi K3.1 Pro, llega al número cuatro del Artificial Analysis Intelligence Index, a solo 3 puntos de los principales modelos propietarios.
La empresa china de IA Moonshot AI ha lanzado Kimi K3.1 Pro, una versión post-entrenada de su predecesor Kimi K3 con una cantidad de cómputo post-entrenamiento significativamente mayor. El modelo obtiene 55 puntos en el Artificial Analysis Intelligence Index, un salto de 11 puntos respecto a K3 que lo coloca en el cuarto lugar.
Solo Claude Opus 5.5 (58), Claude Sonnet 5.5 (56) y Muse Wonder Full (56) están mejor clasificados, según Artificial Analysis. Si Moonshot publica los pesos del modelo según lo planeado antes del 4 de noviembre de 2026, K3.1 Pro se convertiría en el modelo de pesos abiertos con la puntuación más alta disponible. Eso reduciría la brecha entre los modelos abiertos y propietarios de 12 a solo 3 puntos, asumiendo que nada más cambie para entonces.
Junto con K3.1 Pro, Moonshot está lanzando una variante llamada K3.1 Pro Highspeed que funciona de dos a tres veces más rápido, según la empresa. Ambos están disponibles ahora a través de Kimi.ai, Kimi Work, Kimi Code y la Kimi API.Anuncio
| Elemento | Kimi-K3.1-Pro | Kimi-K3.1-Pro-Highspeed |
|---|---|---|
| Entrada | $2.00 / MTok | $4.00 / MTok |
| Salida | $10.00 / MTok | $20.00 / MTok |
| Entrada en caché | $0.20 / MTok | $0.20 / MTok |
Las tareas agénticas ven las mayores ganancias
Las mejoras más fuertes de K3.1 Pro se manifiestan en tareas agénticas. En el benchmark GDPval-AA, alcanza 1,846 Elo según Artificial Analysis, 312 puntos por encima de K3. Eso lo sitúa justo por detrás de Claude Opus 5.5 (1,866) y Muse Wonder Full (1,857). En Terminal-Bench 4.0, Moonshot informa de un 65.7 por ciento, por delante de GPT-6 Astra (58.2 por ciento) y apenas por detrás de Claude Opus 5.5 (66.4 por ciento). K3 solo logró un 13 por ciento en la misma prueba.
Las tasas de alucinación también disminuyeron drásticamente. En el Kimi Hallu Bench Hard interno de Moonshot, las alucinaciones a nivel de afirmación cayeron del 23.4 por ciento con K3 al 8.3 por ciento, según la empresa. Moonshot señala que esto es una prueba de estrés, no una medida de las tasas de error generales. GPT-6 Astra alcanza un 5.5 por ciento en el mismo benchmark, por lo que todavía mantiene una ventaja.
En benchmarks internos de finanzas, K3.1 Pro ganó 7.2 puntos en Financial Modeling y 11.6 puntos en Financial Research. Para tareas generales de oficina, el modelo supera a todos los modelos probados en OfficeQA Pro v2, según Moonshot.
| Benchmark | Kimi K3.1 Pro | Claude Opus 5.5 | GPT-6 Astra | Claude Fable 5.1 | DeepSeek-V4.1-Flash | GLM-5.3 |
|---|---|---|---|---|---|---|
| Terminal-Bench 4.0 | 65.7 | 66.4 | 58.2 | 57.9 | 42.3 | 41.8 |
| Maratón SWE v1.1 | 51.7 | 46.3 | 42.5 | 45.6 | 40.0 | 42.5 |
| DeepSWE v1.1 | 75.5 | 74.2 | 74.1 | 67.4 | 77.0 | 66.9 |
| BenchCAD (con herramientas) | 92.7 | 96.2 | 95.9 | 92.6 | 81.6 | -- |
| HLE-Full (con herramientas) | 70.0 | 67.7 | 57.2 | 65.6 | 58.8 | 62.5 |
| BrowseComp | 92.1 | 90.8 | 91.5 | -- | -- | -- |
| OfficeQA Pro v2 | 64.4 | 62.2 | 54.4 | 54.5 | 40.4 | 31.1 |
| Automation Bench-AA | 73.3 | 69.5 | 68.5 | 59.4 | 66.6 | 62.2 |
| GDPval-AA v2.1 (Elo) | 1,846 | 1,866 | 1,573 | 1,754 | 1,746 | 1,650 |
| GPQA-Diamond | 94.2 | 93.9 | 96.1 | 93.7 | 92.2 | 91.7 |
| ExploitBench | 74.7 | 91.0 | 100 | 83.0 | -- | 54.4 |
de Moonshot Tabla de referencia de Kimi K3.1 Pro. Todos los resultados con el esfuerzo de razonamiento configurado en "max".Anuncio
Modelado y programación en 3D
K3.1 Pro funciona directamente con motores de juego como Unity, Unreal Engine y Godot, gestionando tanto correcciones rápidas como construcciones completas de proyectos, según Moonshot. En el benchmark BenchCAD, obtiene un 92.7 por ciento con herramientas, acercándose a Claude Opus 5.5 (96.2 por ciento) y GPT-6 Astra (95.9 por ciento). Sin herramientas, alcanza un 72.8 por ciento, casi igualando a Claude Opus 5.5 (73.0 por ciento).
Moonshot dice que el modelo es más sólido en el modelado paramétrico de piezas mecánicas, modelos arquitectónicos y productos configurables. Puede escribir y ejecutar scripts para Blender y software CAD sin conectores MCP. La compañía también lanzó una función llamada "3D Make" en Kimi.com que permite a los usuarios previsualizar, editar y exportar modelos 3D.
Mismo tamaño, precios más bajos
K3.1 Pro mantiene las mismas dimensiones que K3, con 2.8 billones de parámetros totales y 104 mil millones activos. La ventana de contexto abarca un millón de tokens, y el modelo procesa tanto texto como imágenes. Según Artificial Analysis, se sitúa en la cima de la frontera de Pareto. Ningún modelo con un recuento de parámetros comparable obtiene una puntuación más alta en el Intelligence Index.
Los precios de los tokens bajan un 33 por ciento. La entrada cuesta $2 por millón de tokens (antes $3), la salida cuesta $10 (antes $15), y los aciertos de caché cuestan $0.20 (antes $0.30). Cada tarea del Intelligence Index cuesta $1.98, casi idéntico a K3 ($2.00), ya que el modelo genera un 14 por ciento más de tokens de salida.
Ciberseguridad y límites deliberados sobre las capacidades ofensivas
Moonshot dedica toda una sección de su entrada de blog técnica a la ciberseguridad. La empresa afirma haber observado que las capacidades de investigación de vulnerabilidades seguían creciendo a medida que se escalaba el entrenamiento posterior, porque el contenido relacionado con la ciberseguridad estaba integrado en el corpus general de entrenamiento intermedio y las tareas relacionadas formaban parte de la mezcla del entorno de RL.
Para la publicación de pesos abiertos, Moonshot eliminó los datos relacionados con ciberseguridad de ambas fases de entrenamiento. En su xdev-bench-hard interno, que reproduce vulnerabilidades divulgadas recientemente en software como el kernel de Linux, Node.js y JavaScriptCore, la versión sin limpiar resuelve el 90.5 por ciento de las tareas. Tras la limpieza de datos, K3.1 Pro resuelve el 81.0 por ciento. DeepSeek-V4.1-Flash alcanza el 85.7 por ciento en la misma prueba, mientras que Kimi K3 obtuvo un 33.3 por ciento.
Moonshot dice que ningún modelo de pesos abiertos debería llevar al límite la frontera absoluta de las capacidades ofensivas en ciberseguridad. Al mismo tiempo, la empresa quiere elevar gradualmente lo que los modelos abiertos pueden hacer, ya que también cumplen fines defensivos como auditar sistemas heredados. Anthropic mostró anteriormente que incluso GLM-5.3, que obtiene 45 en el AA Index, puede escribir exploits a niveles casi de Claude Mythos.
Fuente: Kimi Blog | Artificial Analysis