El 16 de julio, el laboratorio chino Moonshot AI lanzó Kimi K3, el modelo de pesos abiertos más grande publicado hasta ahora: 2.8 billones de parámetros en arquitectura de mezcla de expertos, alrededor de 75% más que DeepSeek V4 Pro, el récord anterior. Según reportó VentureBeat ese mismo día, su desempeño está a la par de los mejores sistemas propietarios de Anthropic y OpenAI — y su API cuesta una fracción.
La ficha técnica de LLM Stats (16 de julio) confirma los datos duros: ventana de contexto de 1 millón de tokens (unas 1,600 páginas), entrada de texto e imagen, modo de razonamiento autónomo, y precios de API de $3 dólares por millón de tokens de entrada, $15 por millón de salida y $0.30 con caché. Los pesos se liberan el 27 de julio bajo una licencia propia que permite uso comercial, con condiciones adicionales para empresas de ingresos muy altos.
Los números que importan
Kimi K3 debutó #1 en WebDev Arena con 1,678 puntos Elo: el primer modelo abierto en encabezar ese leaderboard de 99 modelos, por encima de sistemas propietarios de frontera en código frontend. En GDPval-AA v2, un benchmark de tareas de trabajo reales, quedó tercero con 1,687 puntos, solo detrás de Claude Fable 5 Max y GPT-5.6 Sol, y fue #1 en 4 de 8 pruebas de automatización de tareas. En navegación web autónoma marcó 91.2 en BrowseComp, el mejor registro publicado (VentureBeat, 16 de julio).
Y no llegó solo. La misma semana, Thinking Machines liberó Inkling: 975 mil millones de parámetros, el mejor modelo abierto hecho en EE.UU. según el Artificial Analysis Intelligence Index. El resumen semanal de Info-Tech (16 de julio) describe un mercado donde lo abierto ya no persigue a lo cerrado: compite en la misma mesa, mientras los grandes pelean por los estándares de agentes — el MCP de Anthropic rondaba 97 millones de descargas mensuales de SDK.
La gráfica muestra el salto de escala: Kimi K3 casi duplica al modelo abierto más grande anterior y triplica al mejor modelo abierto estadounidense de la semana. El tamaño por sí solo no garantiza calidad, pero explica por qué este lanzamiento movió el tablero: cuando un modelo de pesos abiertos alcanza desempeño de frontera, el precio de referencia de todo el mercado baja.
La letra chica antes del entusiasmo
"Abierto" aquí tiene asteriscos. La licencia Kimi K3 no es Apache ni MIT: es una licencia propia que permite uso comercial pero impone condiciones a empresas de ingresos muy altos (LLM Stats). Antes de construir nada encima, tu área legal tiene que leerla completa, no el resumen de un hilo en redes.
Lo segundo es residencia de datos. Usar la API de Moonshot implica mandar tus datos a servidores del proveedor, igual que con cualquier API extranjera. La diferencia real de los pesos abiertos es la opción: puedes correr el modelo en infraestructura propia o con un proveedor de inferencia en territorio que controlas, y el dato no cruza fronteras que no quieres cruzar. Para quien maneja datos personales bajo la LFPDPPP, esa opción vale más que cualquier benchmark. La contraparte: hospedar un modelo de 2.8 billones de parámetros exige hardware serio o un tercero que lo opere. No es el proyecto de fin de semana de un ingeniero.
El leaderboard no es tu caso de uso
Un Elo en WebDev Arena mide código frontend contra otros modelos. No mide qué tan bien clasifica tus tickets de soporte en español ni cómo extrae campos de tus facturas. Antes de mover un solo flujo, esto es lo que conviene revisar:
| Qué revisar | Pregunta concreta | Señal de alerta |
|---|---|---|
| Licencia | ¿Permite tu caso comercial y tu escala de ingresos? | Asumir "uso comercial permitido" sin leer condiciones |
| Residencia de datos | ¿Dónde corre la inferencia y quién ve los datos? | El proveedor no lo contesta por escrito |
| Desempeño real | ¿Cómo rinde con 50-100 casos propios, medidos? | La única evidencia son benchmarks públicos |
| Costo total | ¿API, hosting propio o tercero, con operación incluida? | Comparar solo el precio por token |
| Reversibilidad | ¿Puedes regresar a tu modelo actual en días? | Migrar exige reescribir la integración completa |
Qué significa para tu empresa
Para una empresa mexicana de 50 a 500 personas, esta semana cambió la conversación con tu proveedor de IA, aunque nunca uses Kimi K3:
- Usa el precio como palanca, hoy. Si pagas tarifas de modelo propietario de gama alta, ya existe una alternativa comparable a $3/$15 por millón de tokens. Pide a tu proveedor que justifique la diferencia con datos: latencia, soporte, residencia de datos y desempeño en tus casos, no en los suyos.
- Arma tu set de evaluación propio. Entre 50 y 100 ejemplos reales de tu operación con la respuesta esperada. Es la única forma de saber si un modelo — abierto o cerrado — te sirve. Sin eso, cualquier cambio es apuesta.
- Pregunta por la letra chica antes que por el Elo. Licencia completa, jurisdicción de los datos y qué compromiso por escrito ofrece quien hospeda la inferencia.
- No migres producción todavía. Los pesos salen hasta el 27 de julio y el ecosistema de proveedores de inferencia, herramientas y parches alrededor del modelo tiene días de nacido. Probar en paralelo sí; apostar la operación, no.
Si no tienes claro qué procesos tuyos se beneficiarían de un modelo así — o de ninguno —, el diagnóstico de unifai es un punto de partida honesto: 10 minutos para saber dónde estás parado antes de sentarte con cualquier proveedor.