Volver a Modelos LLM

Moonshot saca K3.1 Pro: coding casi frontera en un modelo open-weights de 3T

Moonshot AI publicó Kimi K3.1 Pro el 23 de octubre, el primer modelo de su serie K3.1 y, por lo que dice la propia empresa, su modelo open-weights de clase 3T más capaz hasta ahora. Trae un context window de 1 millón de tokens. Sale junto con una variante, Kimi K3.1 Pro Highspeed, que corre de 2 a 3 veces más rápido según Moonshot, para interacciones más ágiles. Ambos están disponibles hoy en Kimi.ai, Kimi Work, Kimi Code y la API de Kimi, y los pesos completos se publican el 4 de noviembre.

Más post-training, no un base model nuevo

K3.1 Pro es una versión post-trained de Kimi K3, no un base model nuevo. Moonshot dice que le aplicó bastante más de compute de post-training y corrió reinforcement learning a gran escala en cientos de dominios distintos. Según el post, la empresa optimizó el stack entero, del framework de RL y la inferencia en contexto largo a la eficiencia del training, la infraestructura de sandboxes y el scheduling de rollouts, para que cada incremento de compute de RL devuelva mejoras estables y predecibles. El resultado declarado: mejoras consistentes en todos los dominios que midió.

La foto de los benchmarks

Todos los números que siguen son de Moonshot, y ese encuadre importa al leerlos. En Terminal-Bench 4.0, que evalúa coding agents en tareas realistas de terminal con recursos limitados y tests estrictos por tarea, K3.1 Pro anota 65,7%, adelante de GPT-6 Astra (58,2%) y a 0,7 puntos de Claude Opus 5.5 (66,4%). En Kimi Code Bench 3.0 Long-horizon, un benchmark interno de ejecución multi-paso y tool use, llega a 61,2% contra 55,95% de K3. La salvedad de benchmark interno aplica a ese segundo par: Moonshot define las tareas y el harness.

Dos datos caen afuera del coding. En BenchCAD, que prueba reconstrucción 3D hacia código CAD, K3.1 Pro marca 92,7% con herramientas, cerca de Claude Opus 5.5 (96,2%) y GPT-6 Astra (95,9%). En OfficeQA Pro v2, análisis fiscal complejo sobre documentos financieros reales, Moonshot reporta un state of the art de 64,4.

Dónde se ve la capacidad

Los ejemplos de coding van de arreglos rápidos en codebases reales a proyectos completos. El modelo trabaja con Unity, Unreal Engine y Godot, y los combina con búsqueda web y generación 3D para armar experiencias completas. La prueba interna más concreta: K3.1 Pro construyó un simulador de dinámica de caminata humana sobre human-atlas, un modelo anatómico open source de 296 componentes óseos (incluida cartílago) y 402 musculares. En 167 misiones y 420 revisiones independientes, analizó resultados, diagnosticó problemas y fue iterando el controlador hasta que el humano simulado pasó de derrumbarse en segundos a caminar de forma continua durante 11,2 segundos. Cuando el reward shaping dejó de mejorar el movimiento del brazo, el modelo corrió probes open-loop sobre la dinámica del simulador, encontró y corrigió 36 errores en los cálculos de moment arms del músculo del hombro, y volvió a entrenar.

Para finanzas, Moonshot reporta mejoras en tres benchmarks internos: financial modeling +7,2 puntos sobre K3, financial research +11,6, y una tarea de gestión de negocio simulada en unas 4,2 veces el rendimiento de K3. En precisión factual, su Kimi Hallu Bench Hard muestra la tasa de alucinación por claim bajando de 23,4% en K3 a 8,3% en K3.1 Pro. La propia nota al pie de la empresa: ese benchmark es un stress test con prompts hechos a propósito para rozar situaciones donde los modelos suelen fallar, así que las tasas no son tasas de error en uso diario.

Kimi además lanzó 3D Make en kimi.ai, donde los modelos 3D generados se pueden previsualizar y editar online, descargar listos para 3D printing o exportar como videos o Live Photos.

Capacidad cyber, frenada a propósito

La parte más relevante de política del post es cómo Moonshot manejó la capacidad ofensiva cyber. La empresa vio que el rendimiento en investigación de vulnerabilidades subía de forma estable a medida que el post-training escalaba, y trazó el origen: contenido cyber en el corpus general de mid-training y tareas cyber en el mix de entornos de RL. Para la liberación open-weights, identificó y sacó los datos cyber de ambas etapas de training, conservando las tareas de coding general que necesita para ser útil.

En xdev-bench-hard, su benchmark interno de descubrimiento y explotación de vulnerabilidades sobre código fuente, calibrado a su nivel de capacidad actual, el checkpoint sin esas medidas resolvió el 90,5% de las tareas en pass@3. El K3.1 Pro que se publica llega al 81,0%. Moonshot dice que la capacidad ofensiva del modelo queda por debajo de lo que su propio pipeline puede producir, y atrás de los modelos propietarios de frontera disponibles públicamente hace al menos tres meses. La empresa lo plantea como una política open-weights: no quiere estirar la frontera absoluta cyber en pesos abiertos, y piensa subir esa capacidad de forma gradual, con el argumento de que los equipos con necesidades defensivas pueden así auditar código en infraestructura que ellos controlan.

Qué te llevás de esto

Si tenés que elegir modelos para coding o trabajo agentic, K3.1 Pro suma una fila nueva a la tabla de decisión: puntajes casi frontera en terminal benchmarks en un paquete open-weights, a una escala (3T de parámetros, 1M de contexto) que las liberaciones open-weight anteriores no habían alcanzado. Podés empezar hoy por la API: Moonshot ofrece zero data retention para clientes de la API, y los admins enterprise pueden activar el modelo para su organización, apagado por defecto al lanzamiento. Cuando lleguen los pesos el 4 de noviembre, el self-hosting pasa a ser la prueba real. Los números de los benchmarks son de Moonshot, así que la jugada es correr tus propios workloads antes de recalcular cualquier precio.

Fuente: kimi.ai

Más noticias

Volver a Modelos LLM

¿Tenés algo en mente?

Empecemos a hablar