Kimi K3.1 Pro y la brecha de 0.7 puntos: leer la hoja de lanzamiento antes de los pesos del 4 de noviembre

Conclusiones clave

• Kimi K3.1 Pro puntúa 65.7% en Terminal-Bench 4.0 — 0.7 puntos por detrás del 66.4% que el proveedor midió para Claude Opus 5.5 en el mismo harness, y 7.5 puntos por delante de GPT-6 Astra al 58.2% (publicación de lanzamiento de Moonshot).
• La tasa de alucinación a nivel de afirmación cayó del 23.4% de K3 al 8.3% de K3.1 Pro en el banco de pruebas de estrés del proveedor — por debajo del 15.0% de Opus 5.5 — con la advertencia de la prueba de estrés impresa en el mismo párrafo (publicación de lanzamiento).
• Los precios de la API están verificados en la propia página de la plataforma: $2.00/$10.00 por MTok con entrada cacheada a $0.20 — un descuento de caché publicado del 90% — y las escrituras de caché se facturan aparte por TTL a $2.00 (5 minutos) o $4.00 (1 hora) (precios de la API de Kimi).
• Moonshot eliminó los datos de ciberataque de ambas etapas de entrenamiento — el corpus de mid-training y la mezcla de entornos de RL — antes del lanzamiento de pesos abiertos (publicación de lanzamiento, sección de ciberseguridad).
• Los pesos completos están confirmados por el proveedor para el 4 de noviembre; hasta entonces Artificial Analysis sigue etiquetando el modelo como propietario con 2.8 billones de parámetros, y la licencia de los pesos no tiene nombre (página del modelo en Artificial Analysis).

Dos números en la misma página de lanzamiento deciden la mayor parte de este análisis: 65.7 y 66.4. Kimi K3.1 Pro, el primer modelo de la serie K3.1 de Moonshot y el "modelo abierto de clase 3T más capaz hasta la fecha" de la compañía, con una ventana de contexto de 1 millón de tokens, puntuó 65.7% en Terminal-Bench 4.0 — y la misma hoja imprime Claude Opus 5.5 al 66.4%, medido en el harness propio de Kimi, con GPT-6 Astra al 58.2% (publicación de lanzamiento). El lanzamiento abre con la fila que pierde por poco. La hoja también imprime una tasa de alucinación a nivel de afirmación que cayó del 23.4% de K3 al 8.3% de K3.1 Pro, una página de precios cuyos números cuadran línea por línea, y una fecha del 4 de noviembre para los pesos completos. Este artículo lee el lanzamiento como lo leería un comprador: lo que la hoja ya asienta — clase de capacidad, precio, encaje de carga de trabajo —, lo que solo los pesos pueden responder — licencia, calibración, replicación — y la auditoría de cinco comprobaciones que hay que ejecutar el 4 de noviembre, usando el método del día de los pesos que esta auditoría extiende a un lanzamiento que llega primero como hoja.

El comparador que imprime contra sí mismo

Las tres filas de Terminal-Bench 4.0 son la revelación. K3.1 Pro al 65.7, Claude Opus 5.5 al 66.4 según lo medido por Moonshot en su propio harness — la nota al pie de la hoja atribuye la puntuación de Opus a la tarjeta de sistema de Anthropic como fuente de los comparadores — y GPT-6 Astra al 58.2. Una brecha de 0.7 puntos está dentro de cualquier margen razonable de ruido, y ese es el punto: ningún comprador debería cambiar de stack por una brecha tan pequeña, pero la hoja elimina la tentación de fingir que el modelo está por delante del insignia de Anthropic. Esa distinción importa en términos de procurement. Una ventaja de 7.5 puntos sobre el insignia agéntico de OpenAI es una columna de capacidad real; una afirmación de paridad o superioridad frente a la frontera de Anthropic habría sido una fabricación que el índice independiente contradice — el índice compuesto de Artificial Analysis sitúa a K3.1 Pro en un Intelligence Index de 55, cuarto de 215 modelos, dentro del mismo clúster de frontera que ocupan los líderes propietarios. Las notas al pie del propio proveedor citan sus comparadores a fuentes primarias — la página de OpenAI para Astra, la tarjeta de sistema de Anthropic para Opus 5.5 — así que la procedencia de la hoja es verificable, no afirmada.

Las puntuaciones con herramientas se imprimen dos veces, y la brecha es la lección. En BenchCAD, que prueba reconstrucción 3D mediante generación de código CAD, K3.1 Pro puntúa 92.7 con herramientas, cerca del 96.2 de Opus 5.5 y del 95.9 de GPT-6 Astra — y 72.8 sin herramientas, frente al 73.0 de Opus 5.5 (publicación de lanzamiento). Diecinueve puntos de la puntuación publicada dependen del harness de herramientas. El mismo patrón se sostiene en el banco de alucinaciones, donde la tasa con herramientas es 8.3% y la tasa sin herramientas es 5.4%. Un equipo que sabe que su propio stack de serving adjunta herramientas a todo debería leer la columna con herramientas; un equipo que evalúa el comportamiento de un modelo de forma aislada debería leer la otra. Imprimir ambas es la revelación que hace legible la elección.

La columna independiente pone precio al trabajo, y no es gratis. La fila compuesta de Artificial Analysis — medida sobre la API de Kimi — añade los efectos secundarios que una tabla de capacidad omite: $2.11 por tarea del Intelligence Index, velocidad de salida de 57.5 tokens por segundo frente a una mediana de 82.3, y verbosidad de 150M tokens de salida en la ejecución del índice frente a una mediana de 87M. La verbosidad es una factura, el mismo mecanismo que aisló el análisis de economía de esfuerzo de Sonnet 5.5: un agente que piensa en más tokens cuesta más pensar. Para cargas de trabajo siempre activas, la velocidad de salida más lenta es un impuesto de latencia interactiva; el time-to-first-token de 3.07s es mejor que la mediana de 3.90s, lo que lo suaviza. La respuesta de Moonshot a ese impuesto es un segundo nivel: K3.1 Pro Highspeed entrega 2–3× la velocidad de K3.1 Pro para la misma clase de interacción, a $4.00/$20.00 por MTok en la página de precios.

La reducción a la mitad de las alucinaciones, etiquetada como prueba de estrés

Primero los números honestos, luego la etiqueta honesta. En el conjunto Kimi Hallucination Benchmark Hard — tasa de alucinación a nivel de afirmación evaluada por agentes de verificación de datos sobre prompts prácticos, desidentificados y deliberadamente propensos a error — la tasa de K3.1 Pro cayó de 23.4% en K3 a 8.3%, y la proporción de respuestas que contienen al menos un error factual bajó a 42.4% de la tasa de su predecesor (publicación de lanzamiento). En la columna con herramientas, el 8.3% de K3.1 Pro queda por debajo del 15.0% de Opus 5.5, muy por debajo del 22.6% de GLM-5.3 y del 23.3% de DeepSeek-V4.1-Flash-1017, con solo el 5.5% de GPT-6 Astra por delante. Y la publicación de lanzamiento lleva su propia advertencia en la misma sección: la evaluación es una prueba de estrés de precisión factual, los ejemplos sondean situaciones donde los modelos son propensos a errores, y las tasas reportadas "no representan las tasas de error generales en el uso diario". Un comprador que cite el 8.3% sin esa etiqueta está citando mal al proveedor.

La lectura operativa sigue siendo fuerte para el trabajo pesado en documentos. OfficeQA Pro v2 — análisis de documentos fiscales mediante recuperación, verificación entre documentos y razonamiento numérico multipaso — puntúa un estado del arte declarado de 64.4 para K3.1 Pro, y los bancos internos de finanzas del proveedor mejoran 7.2 puntos en modelado financiero, 11.6 puntos en investigación financiera, y un múltiplo de 4.2× en operaciones de negocio de horizonte largo frente a K3 (publicación de lanzamiento). Para un agente de conciliación de cotizaciones o auditoría de facturas, reducir a la mitad la tasa de error a nivel de afirmación en un banco de estrés mientras se imprime la advertencia es la diferencia entre un modelo que necesita una capa de verificación en cada recuperación abierta y uno que solo la necesita donde los prompts son adversariales. La economía de agentes siempre activos pone precio al resto.

Lo que la página de precios compromete

Cada número que un modelo de costes necesita está en la propia página de precios de la plataforma, verificada esta semana. kimi-k3.1-pro factura a $2.00 por MTok de entrada y $10.00 por MTok de salida, con entrada cacheada a $0.20; el nivel Highspeed duplica ambos precios de lista y mantiene la misma tarifa cacheada de $0.20; todos los modelos de la serie K llevan una ventana de contexto de 1,048,576 tokens (precios de la API de Kimi). La facturación es plana de pago por uso sin niveles por longitud de contexto, y — la fila que cambia la aritmética — las escrituras de caché se facturan aparte por TTL: $2.00 por MTok para el nivel de 5 minutos y $4.00 por MTok para el nivel de 1 hora. La API activa el context caching automáticamente para prefijos de petición repetidos con un TTL por defecto de 5 minutos. Una escritura de caché de 1 hora cuesta exactamente el doble del precio de entrada; una escritura de 5 minutos cuesta lo mismo que la entrada. Las sesiones de agente de larga vida deberían comprar el nivel barato y recalcular, no asumir un único coste de caché.

La tarifa de caché es la tercera fila publicada junto a los niveles flash — en una clase de tamaño distinta. MiniMax M3.1 Flash lista la entrada cacheada a $0.015 por MTok (la lectura del día de lanzamiento), y la instantánea 1017 de DeepSeek computa unos $0.017 de entrada efectiva a su tasa de acierto de caché observada (el agente de $0.017). Los $0.20 de Kimi son diez veces más altos en términos absolutos — y es una fila a escala insignia (Artificial Analysis cuenta 2.8T de parámetros totales) en lugar de un producto de nivel flash, con el descuento publicado en el 90%. La comparación que un comprador de mercado medio debería ejecutar es por tarea a la cuota de acierto de su carga de trabajo, no el precio de lista por token.

La hoja también lleva el reloj de migración. Los modelos de la serie K2 cierran para nuevos usuarios el 31 de octubre de 2026, y la plataforma planea retirarlos todos para finales de diciembre (aviso de precios) — cada despliegue K2 en la plataforma hereda una migración K3.1 con una fecha límite adjunta. Una palanca de costes más está documentada en los docs de la plataforma: el esfuerzo de razonamiento se configura por petición en low, high o max (por defecto max) y el thinking nunca puede desactivarse por completo — el esfuerzo, no un interruptor, es el control de coste por tarea (quickstart de K3.1 Pro).

La compuerta de lanzamiento que ya se puede leer

La eliminación de datos de ciberataque está enunciada con su mecanismo, no solo como eslogan. Moonshot observó una capacidad de investigación de vulnerabilidades creciente a medida que escalaba el post-training, rastreó contenido relacionado con ciberseguridad incrustado en el corpus general de mid-training y tareas cibernéticas en la mezcla de entornos de RL, y — en experimentos preliminares — encontró que "sin eliminación de datos en las etapas de mid-training o de RL, la capacidad cibernética descendente aumentaría sustancialmente". Para el lanzamiento de pesos abiertos, la compañía eliminó los datos relacionados con ciberseguridad de ambas etapas de entrenamiento mientras retenía las tareas de programación de propósito general (publicación de lanzamiento, sección de ciberseguridad). Es el mismo patrón de compuerta que GLM-5.3 envió en su lanzamiento por etapas — pesos tras una pausa de seguridad (el precedente del lanzamiento por etapas) — con una diferencia estructural: K3.1 Pro publicó la hoja de detalles completa en el lanzamiento y fijó una fecha de pesos, sin pausa por etapas en medio.

Los lanzamientos de pesos abiertos de octubre forman ahora tres playbooks legibles. MiniMax envió pesos cuatro días después del lanzamiento de su API y dejó que el archivo de licencia llevara las condiciones de compra — una línea de ingresos de $20 millones con atribución. GLM-5.3 puso su lanzamiento tras una pausa de seguridad. Kimi K3.1 Pro lanzó un release primero como hoja con la compuerta de seguridad aplicada de forma preventiva y los pesos fijados para el 4 de noviembre. Lo que varía no es la afirmación de capacidad; es qué artefactos aterrizan primero, y la auditoría del comprador tiene que seguir los artefactos.

Lo que sigue abierto hasta el 4 de noviembre — y la auditoría que hay que ejecutar

La hoja responde capacidad, precio y encaje de carga de trabajo. Cuatro cosas que no puede responder, y el método del día de los pesos de cinco comprobaciones las cubre igual que cubrió MiniMax:

1. La licencia no tiene nombre. El día de los pesos de MiniMax escribió un umbral de ingresos y un requisito de atribución en el autohospedaje comercial; los términos de K3.1 Pro siguen siendo el principal punto abierto el 4 de noviembre, y ningún plan de autohospedaje debería ponerse precio antes de leer el archivo de licencia.
2. No existe una columna de calibración independiente. El índice compuesto de Artificial Analysis mide capacidad ($2.11 por tarea a índice 55), no el modo de fallo de errar con confianza — la fila de clase AA-Omniscience que mostró el nivel flash de MiniMax con un 92.8% de respuestas erróneas dadas con confianza (la auditoría del día de los pesos). En recuperación factual abierta sin capa de verificación, esa columna es la única que la hoja no puede imprimir sobre sí misma.
3. Replicación bajo harness de terceros. El índice compuesto ya ejecuta Terminal-Bench 4.0 como una de sus diez evaluaciones; cuando lleguen los pesos, las lecturas comunitarias del harness reproducirán el 65.7 de la hoja o forzarán una nota al pie de harness — la misma reconciliación que la tabla de MiniMax invitó.
4. Parámetros a nivel de tarjeta y recetas de serving. El encuadre de "clase 3T" y el conteo de 2.8T de Artificial Analysis necesitan la declaración de la propia tarjeta de modelo; las recetas de serving para stacks tipo vLLM y SGLang son las que convierten una descarga en algo desplegable.

Artificial Analysis sigue etiquetando a K3.1 Pro como propietario — un estado que la entrega del 4 de noviembre sustituye, y el tipo de obsolescencia de superficie que un comprador debe esperar durante días después de cualquier evento de pesos.

El diagrama de un minuto separa lo asentado de lo pendiente:

Los dos paneles son la división que traza la hoja: el lado ámbar es lo que el 23 de octubre ya asentó con números verificables, el lado violeta es lo que solo los pesos del 4 de noviembre pueden responder, y la franja coral es el evento que cierra la brecha.

Lecturas relacionadas

• La línea de $20 millones en la licencia: el día de los pesos audita MiniMax M3.1 Flash — la auditoría hermana que esta lectura primero como hoja extiende: el método de cinco comprobaciones, ejecutado en un lanzamiento donde los pesos aterrizaron primero
• Economía de inferencia: por qué los agentes de producción siempre activos ahora son asequibles — el marco de coste por tarea que convierte los niveles de caché publicados de Kimi en una decisión de carga de trabajo
• El agente de $0.017: la instantánea 1017 de DeepSeek recorta el coste por tarea sin recortar precios — la otra fila de economía de caché junto a los $0.20 de Kimi: la cuota de aciertos, no la hoja de precios, fija el coste efectivo del agente

Una implementación representativa

Una empresa de software B2B de 400 personas ejecuta una flota de agentes de revisión de código y auditoría de documentos que completó unas 12,000 tareas de agente la semana pasada sobre un pool mixto de modelos, facturadas contra sus integraciones propias de repositorio y ERP basadas en MCP. La hoja de lanzamiento mueve dos cargas de trabajo esta semana: tareas de código de horizonte largo que los proxies de Terminal-Bench 4.0 dirigen a K3.1 Pro en la clase con herramientas de 65.7, donde la tarifa de entrada cacheada de $0.20 y el TTL de caché por defecto de 5 minutos encajan con su tráfico de prefijos repetidos; y ejecuciones de auditoría de documentos financieros que los proxies de trabajo tipo OfficeQA dirigen igual, con el esfuerzo de razonamiento fijado en high en lugar del max por defecto tras la revisión de coste por tokens del propio equipo. El nivel de escritura de caché de 1 hora se rechaza tras la aritmética — al doble del precio de entrada, sus sesiones recalculan más barato de lo que cuestan retener. El 4 de noviembre el equipo de plataforma ejecuta la auditoría de cinco comprobaciones antes de cualquier plan de autohospedaje: primero el archivo de licencia, luego parámetros, formato y recetas, deltas de harness contra la hoja, y calibración — manteniendo el checkpoint fijado incluso mientras el serving continúa en la API del proveedor.

Solicite una implementación acotada. Descubrimiento de una semana. Recibe un inventario de sistemas, un mapa de flujo de trabajo y un alcance fijo — con o sin nosotros.