Ya están los pesos de Kimi K3.1 Pro: ahora sus resultados tienen que demostrarse

¿Es «abierto» un modelo si no puedes comprobar nada de lo que dice su fabricante? Hasta esta semana, Kimi K3.1 Pro estaba en esa zona gris: un montón de cifras de rendimiento impresionantes con la promesa de publicar los pesos. Desde el 4 de noviembre, la promesa se ha cumplido, y eso cambia lo que tenemos derecho a exigir.

Los pesos son reales, pero con letra pequeña

Según varios de los rastreadores que hemos consultado, Moonshot lanzó Kimi K3.1 Pro el 23 de octubre a 2 dólares por millón de tokens de entrada y 10 dólares por millón de tokens de salida, aproximadamente un tercio menos que Kimi K3. Después, los pesos se publicaron en Hugging Face, donde Moonshot lo describe como un modelo agéntico de pesos abiertos, multimodal de forma nativa, con una ventana de contexto de 1 millón de tokens y entrenado posteriormente a partir de Kimi K3.

Un análisis de OrcaRouter sitúa la publicación en 96 fragmentos y 1,56 TB, bajo una licencia propia, no aprobada por la OSI, que incluye una cláusula de 20 millones de dólares. No hemos visto el texto de la licencia, así que los detalles son de segunda mano. El titular, en cualquier caso, está claro: son pesos abiertos, no código abierto en sentido estricto.

Las clasificaciones siempre fueron la prueba más débil

Las cifras que circulaban eran un batiburrillo. Una web cita una puntuación de 55 en Artificial Analysis y un cuarto puesto. Codersera dice que el modelo cuesta 2,11 dólares por tarea frente a 5,98 de Claude Opus 5.5. Otra página habla de 46 en un «nuevo índice». Una tercera repite una cifra del 65,7 % en Terminal-Bench 4.0. Algunas pueden ser afirmaciones del fabricante y las páginas no tienen fecha, así que no sabemos qué versión de los datos es la vigente.

Ese es precisamente nuestro punto. La cifra de un benchmark que da el laboratorio que ha entrenado el modelo es publicidad. La de un agregador que quizá se ha redondeado, reescalado o copiado es un rumor con decimales. Incluso la comparación de coste por tarea depende de cuántos tokens gaste el modelo pensando, y una fuente señala que el razonamiento de K3.1 Pro no se puede desactivar. Barato por token no es lo mismo que barato por problema resuelto.

Iremos más lejos: todo el planteamiento de «¿es tan bueno como el mejor?» es endeble. ¿Bueno en qué? Los agentes de programación en terminal, la recuperación con contexto largo, el razonamiento multimodal y el simple seguimiento de instrucciones pueden ordenar los modelos de forma distinta. Un modelo puede ser cuarto en un índice compuesto y seguir siendo la elección equivocada para tu carga de trabajo.

Por qué los pesos cambian las reglas

Los pesos ponen un martillo en manos de todos. Los investigadores pueden ejecutar sus propias evaluaciones con sus propios prompts, comprobar si hay contaminación de datos, explorar los fallos, cuantizarlo, ajustarlo y comparar los resultados con los de la API alojada. Si el modelo autoalojado se comporta distinto de lo que vende el endpoint de Moonshot, se notará enseguida. Eso es rendición de cuentas de verdad, y los laboratorios cerrados de vanguardia sencillamente no la ofrecen.

La licencia también importa. Una licencia propia, no OSI, con una cláusula de 20 millones de dólares no tiene por qué ser un impedimento para la mayoría de los desarrolladores, pero significa que lo «abierto» viene con letra pequeña. Quien construya un producto encima debería leer las condiciones reales, no un resumen en un blog.

También está la realidad práctica de 1,56 TB. No es un modelo que se ejecute en un portátil; para la mayoría de los equipos, «pesos abiertos» probablemente significará alquilar hardware o usar un proveedor externo. La ventaja es la flexibilidad y la posibilidad de auditar, no una revolución de laboratorio doméstico.

Nuestro veredicto

No te fíes de lo que diga Moonshot sobre lo bueno que es el modelo, y tampoco de lo que digamos nosotros. En las próximas semanas, atiende a las evaluaciones independientes que publiquen sus prompts, sus ajustes y sus casos de fallo. Da más peso a todo lo que pruebe programación agéntica en repositorios reales y that informe del coste por tarea resuelta en lugar de por token.

Si eres desarrollador, haz tu propia comparativa con una muestra representativa de tu trabajo antes de cambiar nada; el bajo precio de la API hace que sea barato. Si los resultados independientes se acercan a lo que se anuncia, la noticia no será que China se ha puesto al día, sino que por fin hay pruebas públicas de ello. Si no, los pesos habrán cumplido igualmente su función: nos permiten al resto averiguarlo.