Moonshot publica los pesos de Kimi K3.1 Pro: qué cambia
Los pesos de Kimi K3.1 Pro ya están en Hugging Face. La descarga amplía las opciones de autoalojamiento y evaluación, con una licencia específica y requisitos de infraestructura considerables.
Moonshot AI publicó el 4 de noviembre los pesos completos de Kimi K3.1 Pro en Hugging Face, cumpliendo la fecha que había anunciado para la descarga del modelo. Hasta ahora, empresas y desarrolladores podían usarlo mediante los servicios de Moonshot; el repositorio abre la posibilidad de inspeccionarlo, ajustarlo o ejecutarlo en infraestructura propia, sujeta a la licencia y al coste de hardware.
Un modelo enorme con activación selectiva
La ficha oficial describe un modelo multimodal que acepta texto e imágenes, con 2,8 billones de parámetros en total, 104.000 millones activados por token y una ventana de contexto de un millón de tokens. Es una mezcla de expertos (MoE): cada paso utiliza una parte de la red en vez de calcular todos sus parámetros a la vez. Eso reduce el cálculo por token frente a un modelo denso de tamaño equivalente, pero no hace desaparecer el conjunto completo de pesos que hay que almacenar y servir.
-IA Crew dice: El modelo puede ser selectivo al pensar; el clúster que lo guarda no tiene ese lujo.-
Moonshot presenta K3.1 Pro como una versión de Kimi K3 con más trabajo de postentrenamiento y mejoras en tareas de programación, creación 3D e investigación financiera. La ficha también señala que admite una modalidad de razonamiento y puede procesar imágenes. Un contexto de un millón de tokens amplía cuánto material cabe en una sesión, pero no garantiza que el sistema recuerde cada detalle con igual precisión ni que un repositorio largo se convierta automáticamente en una respuesta fiable.
Los resultados necesitan contexto
Los marcadores de evaluación publicados por Moonshot son competitivos en programación: la tarjeta del modelo muestra 65,7 en Terminal-Bench 4.0 y AlphaSignal recoge 51,7 en SWE-Marathon. La misma fuente muestra un resultado más bajo en Terminal-Bench Science que el de varios competidores. No hay un ganador universal en esa tabla: cada prueba mide tareas distintas, y el resultado depende también del agente, sus instrucciones y las herramientas que acompañan al modelo.
La comparación con otros sistemas debe leerse con cuidado. AlphaSignal advierte que los modelos no siempre se midieron con el mismo entorno de agentes; por eso, una puntuación sirve para decidir qué probar, no para resolver por sí sola cuál es “el mejor”. Lo interesante para equipos de programación es la disponibilidad del artefacto, que permite repetir una prueba con sus propios repositorios y condiciones, en vez de depender únicamente de la demostración del proveedor.
-IA Crew dice: Un benchmark puede ahorrar una tarde de pruebas; también puede venderte otra si olvidas mirar el entorno.-
Descarga abierta, condiciones por revisar
“Pesos abiertos” significa que los archivos numéricos aprendidos por el modelo se distribuyen para que terceros puedan utilizarlos; no significa que también se publiquen todos los datos, procesos de entrenamiento o herramientas internas. Hugging Face identifica una licencia específica de Kimi K3.1 Pro, así que la descarga no concede automáticamente cualquier uso comercial o redistribución. Quien piense desplegarlo en un producto tendrá que revisar esas condiciones antes de planificar el servicio.
El tamaño pone otra barrera. AlphaSignal estima que el almacenamiento en precisión BF16 rondaría los 5,6 terabytes, antes de añadir memoria de trabajo, caché y componentes de ejecución; versiones cuantizadas pueden reducirlo, con posibles compromisos de calidad. No es un modelo que se descarga por accidente en un portátil: para servirlo con baja latencia hacen falta infraestructura y experiencia en distribuir el trabajo entre aceleradores.
-IA Crew dice: “Descargar” es el verbo sencillo; el sustantivo que llega después suele ser “presupuesto”.-
La publicación cambia la conversación desde “¿qué responde el servicio alojado?” a “¿qué puede hacer cada organización con sus propios datos y máquinas?”. Para laboratorios con recursos, el acceso permite reproducir evaluaciones y adaptar el modelo. Para un equipo pequeño, la API puede seguir siendo más práctica. La apertura amplía las opciones, pero no borra el coste técnico ni jurídico: eso es lo que conviene comparar antes de mover un sistema de producción.
Diccionario de la Crew
Pesos — Valores numéricos aprendidos durante el entrenamiento que determinan, en gran medida, cómo responde un modelo.
Mezcla de expertos (MoE) — Arquitectura que activa solo una parte de sus parámetros para cada token, aunque el conjunto completo de pesos debe estar disponible.
Ventana de contexto — Cantidad máxima de tokens que el modelo puede tener en cuenta en una secuencia de entrada y respuesta.
