Kimi K3.1 Pro: pesos abiertos, precio y benchmarks del rival chino de Claude Opus 5.5

Kimi K3.1 Pro es el nuevo modelo de pesos abiertos de Moonshot AI y sus pesos completos ya están en Hugging Face: 2,8 billones de parámetros, un millón de tokens de contexto y un precio de 2 dólares por millón de tokens de entrada y 10 de salida. Según las pruebas de la propia Moonshot, queda a menos de un punto de Claude Opus 5.5 en Terminal-Bench 4.0. Pero «abierto» no significa que puedas ejecutarlo en casa: la versión completa pide un clúster de GPU. Aquí tienes qué es, cuánto cuesta, qué dicen sus benchmarks y qué parte de ellos está verificada de forma independiente, qué permite su licencia, cómo probarlo desde España y qué alternativas sí caben en tu ordenador.

¿Qué es Kimi K3.1 Pro?

Kimi K3.1 Pro es un modelo de IA multimodal de la empresa china Moonshot AI, orientado a programación y agentes, que parte de Kimi K3 y añade más entrenamiento sin cambiar su arquitectura. La compañía lo lanzó el 23 de octubre de 2026 en su API y en sus aplicaciones, y prometió publicar los pesos antes del 4 de noviembre. Ya están disponibles en Hugging Face, donde lo describe como su modelo más capaz de esta clase hasta la fecha.

Es la continuación del modelo que analizamos en julio, en nuestro artículo sobre Kimi K3 y Qwen 3.8 Max. El salto no está en el tamaño, sino en el entrenamiento y en el precio: es más capaz en tareas largas de programación y, a la vez, más barato de usar.

También hay una variante Highspeed, que según Moonshot es entre dos y tres veces más rápida a cambio de duplicar el precio.

Kimi K3.1 Pro en datos

La diferencia entre 2,8 billones y 104.000 millones se explica por su arquitectura. Un modelo MoE tiene muchos «expertos», pero solo usa una parte de ellos en cada token. Por eso los recursos de cómputo que necesita al generar cada palabra se parecen más a los de un modelo de 104.000 millones, mientras que el espacio y la memoria para alojarlo son los de uno muchísimo mayor.

¿Cuánto cuesta Kimi K3.1 Pro?

En la API de Moonshot cuesta 2 dólares por millón de tokens de entrada, 0,20 dólares con caché y 10 dólares por millón de salida, un tercio menos que Kimi K3. La versión Highspeed cuesta el doble en entrada y salida, según los precios recogidos por Yotta Labs.

Precios por millón de tokens. Además, la escritura en caché tiene su propio coste, de 2 dólares por millón con una duración de cinco minutos y de 4 con una duración de una hora, y el doble en Highspeed.

Para hacerte una idea: una sesión de agente que envía 100.000 tokens y recibe 20.000 cuesta unos 0,40 dólares sin caché. Si 80.000 de los tokens de entrada salen de la caché, baja a unos 0,26 dólares, sin contar lo que cuesta escribirla la primera vez. En tareas largas, en las que el contexto se repite, la caché marca la diferencia.

Al ser un modelo con pesos públicos, varios proveedores ya lo ofrecen. OpenRouter listaba precios de 1,80 a 2,30 dólares de entrada y de 9 a 11,50 de salida entre proveedores como inference.net, Together, Nebius y Alibaba Cloud. Es una ventaja real de los modelos abiertos: si un proveedor sube el precio o cae, puedes cambiar.

¿Es mejor que Claude Opus 5.5 y GPT-6?

En algunas pruebas de programación compite con ellos o los supera, según Moonshot, pero en el índice independiente de Artificial Analysis queda por debajo de Opus 5.5. Estas son las cifras recogidas por Yotta Labs, en su mayoría con el propio sistema de pruebas de Moonshot:

La lectura más interesante es la de SWE-Marathon, centrada en tareas largas: si la cifra se confirma, sería donde más se aleja del resto. También son relevantes sus 92,1 puntos en BrowseComp y sus 79,6 en OSWorld V2.1, que figuran en la ficha del modelo, aunque otra fuente lo sitúa detrás de Opus 5.5 en OSWorld. Según The Next Web, Moonshot afirma además que las afirmaciones falsas en su prueba interna bajan al 8,3 %, desde el 23,4 % de K3.

Si estás eligiendo una herramienta para programar, también te puede interesar nuestra comparativa de Cursor, Claude Code, Copilot y Codex.

Qué está verificado y qué no

La única fila independiente de esa tabla es el índice de Artificial Analysis; lo demás procede principalmente de Moonshot y conviene tomarlo como una primera indicación, no como una demostración. La propia ficha del modelo avisa de que algunas pruebas son internas y de que las comparaciones usan los ajustes publicados por cada empresa.

¿Es realmente de código abierto?

Es un modelo de pesos abiertos con una licencia propia, no de código abierto en sentido estricto, aunque sus condiciones son permisivas para la gran mayoría. La licencia publicada permite usar, copiar, modificar, ajustar y distribuir el modelo, incluso en productos comerciales, con estas excepciones principales:

• Vender acceso al modelo como servicio: si tu empresa (con sus filiales) ofrece modelos como servicio y supera los 20 millones de dólares de ingresos en cualquier periodo de 12 meses consecutivos, necesita un acuerdo aparte con Moonshot.
• Grandes productos comerciales: con más de 100 millones de usuarios activos al mes o más de 20 millones de dólares de ingresos mensuales, el nombre «Kimi K3.1-Pro» debe mostrarse de forma destacada en la interfaz.
• Atribución: hay que conservar el aviso de copyright y de permiso en las copias.
• Exenciones: estas dos condiciones no se aplican al uso interno que no ponga el modelo a disposición de terceros ni al acceso mediante productos oficiales o socios certificados.

Para un desarrollador, una pyme o un equipo de investigación, esto casi nunca será un obstáculo. Aun así, si vas a construir un negocio sobre el modelo, léela con tu asesor legal: este resumen no es asesoramiento jurídico.

¿Se puede ejecutar Kimi K3.1 Pro en casa?

No en la práctica: si K3.1 Pro mantiene el formato de K3, ocupa unos 1,56 TB en disco y necesita un clúster de varias máquinas con 2 TB o más de memoria de GPU conectados con una red muy rápida. Son las estimaciones de Yotta Labs, y Moonshot no publica unos requisitos concretos en la ficha. Aun así, dan la escala: ni siquiera el equipo doméstico más potente se acerca a esa cifra.

Para ponerlo en perspectiva: una RTX 5090 tiene 32 GB de memoria, y hacen falta más de sesenta para llegar a 2 TB, sin contar el resto de la infraestructura. Una empresa o un laboratorio pueden plantearlo, pero un particular no.

Esto no quita valor a la publicación de los pesos. Permiten estudiar el modelo, afinarlo, alojarlo en una nube propia y fomentan la competencia entre proveedores, que es lo que en último término abarata los precios.

Cómo probar Kimi K3.1 Pro desde España

La forma más sencilla es usar la aplicación o la API de Kimi, o acceder por medio de un agregador como OpenRouter:

1. Aplicaciones de Kimi: K3.1 Pro está disponible en sus apps, lo más cómodo para una primera prueba sin programar.
2. API de Moonshot: en platform.kimi.ai, con el modelo kimi-k3.1-pro y compatibilidad con las interfaces de OpenAI y Anthropic.
3. OpenRouter: una sola clave para acceder a varios proveedores, con el identificador moonshotai/kimi-k3.1-pro.
4. Proveedores en la nube: como Together, Nebius o Alibaba Cloud, útiles si ya trabajas con alguno.

Tu primera llamada a la API

Puedes llamar a Kimi K3.1 Pro con unas pocas líneas de Python. Este ejemplo usa el punto de acceso de OpenRouter documentado en su ficha y la librería requests; la clave se lee de una variable de entorno para no dejarla en el código.

import os
import requests

respuesta = requests.post(
    "https://openrouter.ai/api/v1/chat/completions",
    headers={"Authorization": f"Bearer {os.environ['OPENROUTER_API_KEY']}"},
    json={
        "model": "moonshotai/kimi-k3.1-pro",
        "messages": [
            {"role": "user", "content": "Resume en tres puntos qué es un modelo MoE."}
        ],
    },
    timeout=120,
)
respuesta.raise_for_status()
print(respuesta.json()["choices"][0]["message"]["content"])

Antes de lanzarlo en un agente, fija un límite de gasto. Con un contexto de un millón de tokens, una sola petición descuidada puede costar varios dólares: un millón de tokens de entrada sin caché son 2 dólares por sí solos.

¿Qué pasa con sus capacidades de ciberseguridad?

Moonshot dice haber retirado material sobre ciberataques del entrenamiento antes de publicar los pesos, pero el modelo sigue siendo mucho más capaz que K3 en esa área. En su prueba interna de explotación de vulnerabilidades reales, The Next Web recoge estas cifras: una versión sin esos recortes resolvía el 90,5 % de las tareas, la publicada resuelve el 81 % y K3 se quedaba en el 33,3 %.

Moonshot sostiene que sigue por detrás de los mejores modelos cerrados y cita los 85,7 % de DeepSeek V4.1 Flash. Son datos de la propia empresa, sin verificación externa. El debate es serio: un modelo cerrado se puede limitar desde el servidor, mientras que unos pesos descargados no se pueden retirar. Por otra parte, esos mismos modelos sirven a quienes se dedican a defender sistemas, y conviene valorar los dos lados.

Moonshot ha estado además en el centro de otras polémicas: The Next Web recuerda que, en julio, la Casa Blanca la acusó de usar chips de Nvidia prohibidos y de copiar un modelo de Anthropic para crear K3, sin publicar pruebas.

Privacidad y uso en empresas de la UE

Si vas a enviar datos personales o confidenciales, mira primero dónde se procesan: Moonshot es una empresa china y OpenRouter indicaba que no tiene enrutado dentro de la UE para este modelo. Esto no impide usarlo, pero sí obliga a hacer los deberes en cualquier entorno profesional.

• Nada de datos sensibles en pruebas. Trabaja con datos ficticios o públicos hasta tener claro el tratamiento.
• Lee las condiciones de cada proveedor. Cada uno decide si conserva datos o los usa para mejorar sus servicios.
• Valora el despliegue propio o en una nube europea. Es la gran ventaja de los pesos públicos, aunque requiere una inversión importante.
• Consulta a tu responsable de protección de datos. En una empresa, la decisión no debería tomarla una sola persona del equipo técnico.

Qué puedes ejecutar en casa en su lugar

Si lo que quieres es IA privada en tu propio equipo, necesitas un modelo mucho más pequeño, y ese es un terreno donde el hardware adecuado rinde muy bien. Puedes empezar con nuestra guía de Ollama para IA local y elegir el modelo en nuestra comparativa de modelos abiertos, entre los que hay opciones más recientes como Mistral Large 4 o DeepSeek V4.1 Flash.

Ver la ASUS Dual GeForce RTX 5060 Ti de 16 GB en Amazon

Ver la GIGABYTE GeForce RTX 5090 Gaming OC de 32 GB en Amazon

Ver el Mac mini con M4 y 24 GB en Amazon

Ver el NVIDIA DGX Spark con 128 GB en Amazon

Ver el ASUS Ascent GX10 con 128 GB en Amazon

Ver el MINISFORUM MS-S1 MAX con 128 GB en Amazon

Ver el WD_BLACK SN850X de 4 TB para guardar modelos en Amazon

Si dudas entre esas máquinas de 128 GB, las comparamos en DGX Spark frente a Mac Studio y MS-S1 MAX. Y si solo buscas un equipo pequeño para el día a día, mira los mejores mini PC.

¿A quién le interesa Kimi K3.1 Pro?

• Desarrolladores que usan agentes largos: su precio y su contexto hacen que merezca una prueba comparativa con tu propio código.
• Empresas con infraestructura propia: la licencia y los pesos abren la puerta al despliegue interno.
• Investigadores: disponer de un modelo de este tamaño con pesos públicos es poco habitual.
• Usuarios con curiosidad: la app basta para probarlo.
• Quien busca IA local en su PC: este no es tu modelo, por muy «abierto» que sea.
• Quien ya usa modelos cerrados como Gemini 4 Carbon: compáralo con tus tareas reales antes de migrar, porque los benchmarks no sustituyen a una prueba propia.