El timeline trató a Kimi K3 como el funeral de Claude Fable 5. Un modelo open de 2,8T, #1 en una arena de coding, scores de inteligencia cerca de la frontera. Luego llegaron los posts de "China acaba con la frontera".
Entonces: ¿es K3 realmente un asesino de Fable 5?
No. No en capacidad global. Moonshot admite que K3 sigue por detrás de Claude Fable 5 y GPT-5.6 Sol. Los boards independientes lo ponen cerca de la clase Opus, no por encima de Fable. En unos pocos boards de coding pega arriba. En precio, velocidad y verbosidad no es poder gratis.
Lo que sigue son las pruebas: scores vendor vs independientes, y dónde el hype se pasa de los datos. Los boards en vivo para marcar están al final.
Qué es realmente Kimi K3
Según el post de lanzamiento de Moonshot:
- 2,8T de parámetros totales, posicionado como abierto de clase 3T
- Stable LatentMoE: 896 expertos, 16 activos por token
- Kimi Delta Attention (KDA) y Attention Residuals para secuencias largas y profundidad
- Multimodal nativo: texto + imagen (workflows de vídeo y capturas en demos de producto)
- Contexto de 1.048.576 tokens, con precio API plano en toda la ventana
- Cerca de 2,5x de eficiencia de escalado frente a Kimi K2, según Moonshot
- Notas de entrenamiento/servicio: pesos MXFP4 con activaciones MXFP8, y supernodo recomendado de 64+ aceleradores para self-hosting
Precio API en el lanzamiento: $0,30 / 1M input con cache hit, $3,00 / 1M input sin cache, $15,00 / 1M output. Moonshot afirma que en coding en su stack suelen superar 90% de cache hits.
Es caro para un lab chino, más cerca de tiers medios-altos occidentales que de precios antiguos de Kimi. La apuesta es que el coding de largo horizonte y el knowledge work paguen la factura de tokens.
Benchmarks independientes (no diapositivas del vendor)
Artificial Analysis Intelligence Index
Artificial Analysis es la foto pública de terceros más limpia justo después del lanzamiento.
| Métrica | Valor reportado (AA) | Notas |
|---|---|---|
| Intelligence Index v4.1 | 57 | Cerca del #4 de 186 modelos en el ranking de clase de AA |
| Velocidad de salida | ~36,9 tokens/s | Claramente lento frente a la mediana de pares |
| Precio input / output | $3 / $15 por 1M tokens | Cache hit input $0,30 |
| Verbosidad en el eval | ~130M tokens de salida en la corrida del índice | Muy por encima de una mediana ~63M |
| Ventana de contexto | 1M tokens | Input multimodal texto + imagen |
| Coste total del eval | unos $2,7k por la suite completa del índice | El uso de tokens impulsa el coste |
El índice v4.1 combina nueve evaluaciones, entre ellas GDPval-AA v2, Terminal-Bench v2.1, SciCode, Humanity's Last Exam, GPQA Diamond, CritPt, AA-Omniscience y AA-LCR. La metodología completa está en Artificial Analysis.
Cómo leer el gráfico: abre la sección de Intelligence de Kimi K3 y el scatter de coste por tarea en la misma página. La capacidad está cerca de la frontera. La eficiencia no es gratis.
Cobertura del lanzamiento también sitúa a K3 aproximadamente al nivel de Claude Opus 4.8 y GPT-5.5 en ese índice, y por detrás de Claude Fable 5 y GPT-5.6 Sol. Eso encaja con la propia línea de Moonshot.
Vals Index
Vals lista Kimi K3 en 74,70% ± 0,96 en el Vals Index (fecha de release 16 de julio de 2026), con 1M de contexto. Vals es una suite distinta orientada a enterprise: no mezcles el 74,7 con el 57 de AA como si compartieran escala.
LMArena Frontend Code Arena
Tras el unblinding, K3 debutó como #1 en Frontend Code Arena de LMArena con 1679 Elo, por delante de Claude Fable 5 en esa tabla, con un salto grande respecto a Kimi K2.6. Los recaps están en piezas como la nota de BenchLM y el artículo de Simon Willison.
Una tabla de preferencia no es toda la frontera. Sigue siendo una señal pública fuerte para frontend y UI, alineada con las demos de "vision in the loop" de Moonshot.
Scores de coding de Moonshot (reportados por el vendor)
Estos números salen de la tabla completa oficial. La mayoría de filas de K3 se corrieron con el harness Kimi Code a máximo esfuerzo de razonamiento. Otros modelos suelen usar su mejor harness (Claude Code, Codex, Terminus). Léelo como evidencia a nivel de producto, no como bake-off puro de modelos.
Gráficos oficiales de lanzamiento (suite auto-reportada):
Fuente: Moonshot AI, Kimi K3: Open Frontier Intelligence
Fuente: post de lanzamiento de Moonshot AI
| Benchmark | Kimi K3 | Qué mide | Tabla pública / notas |
|---|---|---|---|
| Terminal-Bench 2.1 | 88,3 | Tareas agenticas de terminal | Cruza con AA Terminal-Bench |
| FrontierSWE | 81,2 de dominancia | SWE / research difícil | frontierswe.com (K3 puede retrasarse en el listado público) |
| ProgramBench | 77,8 raw pass rate | Reconstruir programas desde binario + docs | programbench.com / Vals ProgramBench |
| DeepSWE | 67,5 (Kimi Code); 67,3 mini-SWE-agent | Fix de issues multi-repo frescos | deepswe.datacurve.ai |
| SWE Marathon | 42,0 | Trabajo de proyecto multi-hora | swe-marathon.org |
Matices importantes si lo compras para un equipo:
- Raw pass rate ≠ fully resolved. El 77,8 de ProgramBench es tasa a nivel de tests, no "el 77,8% de los programas reconstruidos al 100%".
- El harness forma parte del score. Moonshot avisa de que K3 es sensible al historial de thinking preservado. Si se pierde, la calidad puede oscilar.
- Dominancia es probabilidad de victoria por pares, no porcentaje de tareas completadas.
- Varias filas de K3 las corrió el vendor antes de que cada owner board se actualizara. Prefiere las páginas independientes cuando se refresquen.
Coste, velocidad y hambre de tokens
Mediciones independientes y reportes tempranos coinciden:
- Score de inteligencia fuerte, decode lento (clase ~37 t/s en AA)
- Alta verbosidad en evals difíciles (más tokens de salida que la mediana)
- Coste por tarea del Intelligence Index competitivo con GPT-5.6 Sol en algunos recaps, más barato que tiers max pesados de Claude, pero no es precio de "modelo abierto barato"
- Los cache hits importan mucho: $0,30 vs $3,00 de input es un factor 10x en contexto de repo repetido
Si lanzas chats cortos, K3 puede sentirse caro y demasiado proactivo. Si corres agentes de coding multi-hora con prefijos estables y buen reuse de cache, la factura cambia.
Visión nativa y trabajo de largo horizonte
K3 es multimodal por diseño. Los case studies de Moonshot empujan optimización de kernels, trabajo de compiladores, bucles de juego/UI con capturas en vivo, sandboxes de chip design y pipelines research-to-code. Son demos, no leaderboards. Aun así explican el pitch: sesiones largas, tools, feedback visual y menos babysitting.
En producto, Moonshot lista kimi.com, Kimi Work, Kimi Code y la API de Kimi (kimi-k3).
Quién debería prestar atención ahora
Vale la pena un pilot si:
- Necesitas agentes de coding de largo horizonte en repos grandes
- Quieres calidad cercana a la frontera con camino a self-host de pesos tras el 27 de julio
- Te importa frontend / UI, donde Arena ya situó a K3 primero
- Puedes medir coste por PR aceptado, no solo coste por millón de tokens
Probablemente no es tu default si:
- Necesitas chat de baja latencia o completions baratas a alto QPS
- No toleras agentes proactivos que improvisan en tareas ambiguas
- Esta semana necesitas boards independientes same-harness para procurement
Resumen honesto
Kimi K3 no coronó un nuevo #1 global. Hizo algo más interesante para builders: comprimió la brecha open vs closed a meses, puso pesos abiertos de clase 3T en el calendario y mostró coding agent competitivo mientras labs independientes aún lo colocan justo detrás de Fable 5 y GPT-5.6 Sol.
Tres señales concretas a vigilar:
- Release de pesos del 27 de julio (licencia, checkpoints, stack de serving)
- Boards independientes publicando K3 con traces, costes e intervalos de confianza
- Tu propio bake-off: harness fijo, presupuesto fijo, repos reales
Gráficos y boards en vivo
Guarda estos enlaces cuando quieras el número actualizado, no una captura congelada en este post. Los gráficos clave también están enlazados arriba junto a los scores que respaldan.
| Gráfico / tabla | Qué muestra | Enlace |
|---|---|---|
| Página de modelo en Artificial Analysis | Intelligence Index, velocidad, precio, coste por tarea, uso de tokens | artificialanalysis.ai/models/kimi-k3 |
| Inicio de Artificial Analysis | Calidad, precio y velocidad entre modelos | artificialanalysis.ai |
| Terminal-Bench 2.1 (AA) | Resultados independientes de coding en terminal | artificialanalysis.ai/evaluations/terminalbench-v2-1 |
| Página de Vals | Vals Index y suite enterprise / coding | vals.ai/models/kimi_kimi-k3 |
| DeepSWE | Reparación de issues en repos frescos | deepswe.datacurve.ai |
| FrontierSWE | Tareas duras de implementación / rendimiento / investigación | frontierswe.com |
| ProgramBench | Reconstruir programas a partir de comportamiento + docs | programbench.com |
| SWE Marathon | Ingeniería multi-hora a escala de proyecto | swe-marathon.org |
| Post de lanzamiento de Moonshot | Arquitectura y tabla completa de scores | kimi.com/blog/kimi-k3 |
| Ruta en OpenRouter | Precio API en vivo y enrutado de proveedores | openrouter.ai/moonshotai/kimi-k3 |
Fuentes y créditos
Fuentes primarias e independientes usadas para números y gráficos de este post:
- Kimi K3: Open Frontier Intelligence : post de lanzamiento de Moonshot AI, arquitectura, precios, tabla completa, gráficos oficiales
- Kimi K3 en Artificial Analysis : Intelligence Index, velocidad, precio, verbosidad, gráficos de coste
- Metodología del Intelligence Index de Artificial Analysis
- Terminal-Bench 2.1 en Artificial Analysis
- Kimi K3 en Vals : Vals Index y evals relacionadas
- DeepSWE leaderboard
- ProgramBench
- FrontierSWE
- SWE Marathon
- OpenRouter: moonshotai/kimi-k3
- Simon Willison sobre Kimi K3 : contexto de lanzamiento, highlights de AA, notas prácticas de API
- BenchLM: nota de release de Kimi K3 : Elo de Arena y marco de índices independientes
Las puntuaciones cambian cuando se refrescan las tablas. Prefiere los enlaces de la sección de gráficos en vivo de arriba cuando necesites rankings actuales.