Un modelo de 2,8 billones de parámetros que se puede descargar
Moonshot AI ha publicado en Hugging Face los pesos de Kimi K3.1 Pro, su modelo más grande. El repositorio guarda el modelo en 96 fragmentos safetensors y no está restringido: no hay solicitud ni paso de aprobación entre una orden de descarga y el archivo. Moonshot había dicho que los pesos seguirían al lanzamiento del modelo a finales de octubre, y ya son públicos.
La empresa lo llama su “modelo más capaz de la clase 3T hasta la fecha”. Es un diseño de mezcla de expertos con 2,8 billones de parámetros totales, de los que 104.000 millones se activan para cada token, y una ventana de contexto de 1.048.576 tokens.
Qué hay en el archivo
La arquitectura llega a 93 capas, una de ellas densa, con 896 expertos de los que se seleccionan 16 por token junto a dos expertos compartidos. La atención se reparte entre 69 capas de Kimi Delta Attention y 24 capas de Gated DeepSeek Sparse Attention — un cambio respecto a Kimi K3, que usaba capas Gated MLA de atención completa, y que según Moonshot hace más eficiente el modelado de contextos largos. La dimensión oculta de atención es de 7.168 en 96 cabezas, y el vocabulario llega a 160.000 tokens.
El modelo admite texto e imágenes; un codificador de visión MoonViT-V2 de 401 millones de parámetros acompaña a la pila de lenguaje. Los pesos se distribuyen cuantizados a MXFP4 con activaciones MXFP8, entrenados así en lugar de comprimidos después, y Moonshot recomienda vLLM y SGLang para servirlo. K3.1 Pro se entrenó a partir de Kimi K3 con lo que la empresa describe como aprendizaje por refuerzo conjunto a gran escala en cientos de dominios.
Las puntuaciones y de dónde salen
Moonshot publica una tabla comparativa frente a Claude Fable 5.1, GPT‑6 Astra, Claude Opus 5.5, DeepSeek-V4.1-Flash-1017 y GLM-5.3. Las notas al pie importan: Moonshot ejecutó K3.1 Pro por su cuenta, en la mayoría de las filas con el entorno de Claude Code, mientras que las cifras rivales son los valores máximos que esos proveedores declararon en sus propios blogs, fichas de sistema y tablas de clasificación. Es una tabla de afirmaciones de proveedores, montada por uno de ellos.
Sobre esa base, K3.1 Pro obtiene 65,7 en Terminal-Bench 4.0 frente al 66,4 de Claude Opus 5.5 — segundo por 0,7 puntos, y por delante de GPT‑6 Astra con 58,2 y de Claude Fable 5.1 con 57,9. Encabeza SWE Marathon v1.1 con 51,7 frente al 46,3 de Opus 5.5, y BrowseComp con 92,1 frente al 91,5 de Astra.
No encabeza en todo. DeepSeek-V4.1-Flash-1017 se lleva DeepSWE v1.1 con 77,0 frente al 75,5 de K3.1 Pro, y GPT‑6 Astra se lleva GPQA-Diamond con 96,1 frente al 94,2. En Humanity’s Last Exam la distancia es mayor: K3.1 Pro logra 51,1 donde Opus 5.5 llega a 59,8 y Claude Fable 5.1 a 57,6, lo que deja al modelo abierto el último entre los sistemas de frontera de esa fila. En OSWorld V2.1 queda en 79,6, por detrás del 81,8 de Opus 5.5 y del 80,7 de Fable 5.1.
La licencia es el detalle
Los pesos se pueden descargar, pero pesos abiertos no es lo mismo que código abierto. K3.1 Pro se publica bajo la Kimi K3.1 Pro License, un documento que la empresa redactó para este modelo en lugar de Apache 2.0 o MIT, y Hugging Face registra el campo de licencia simplemente como “other”. Quien piense construir sobre el modelo tiene que leer ese texto en vez de apoyarse en condiciones que ya conoce.
Qué vigilar
La cifra útil será la primera independiente. Todos los números de la tabla de Moonshot son de un proveedor, incluidos los de Moonshot, y Terminal-Bench mantiene una clasificación pública que la propia empresa cita para sus rivales. Una entrada de K3.1 Pro allí, ejecutada por otro, resolvería si la distancia de 0,7 puntos con Claude Opus 5.5 sobrevive a un entorno que Moonshot no eligió.
