El 16 de julio, la compañía china de IA Moonshot AI (月之暗面) presentó Kimi K3: un modelo de lenguaje de escala masiva con 2,8 billones de parámetros que supera a GPT-5 de OpenAI en varios benchmarks técnicos, y que promete liberar por completo los pesos del modelo antes del 27 de julio. En cuanto salió la noticia, el hilo de discusión en Hacker News escaló rápidamente a 1023 puntos y 630 comentarios: la comunidad pasó de tratarlo con desdén como «otro modelo chino más» a un análisis técnico de verdad. Pero al mismo tiempo, una polémica sobre los términos de servicio de la API comenzaba a fermentar en los comentarios: el contrato de la API de Moonshot permite por defecto usar los datos de los clientes para seguir entrenando el modelo —la línea entre «abierto» y «privado» se trasladó hasta la propia capa de la API.
Imagen: pieza visual del lanzamiento de Kimi K3. Fuente: kimi.com
¿Qué significan 2,8 billones de parámetros?
Para entender por qué esto importa, hay que situar un contexto: durante más de un año, el «tamaño» de los modelos de IA de código abierto no había parado de crecer, pero hasta entonces el máximo se quedaba en los 1,6 billones de parámetros de DeepSeek V4 Pro. Kimi K3 elevó de golpe ese techo hasta 2,8 billones —casi el doble del récord anterior. Si lo comparamos con un edificio, los modelos abiertos anteriores eran como rascacielos de 30 pisos; Kimi K3 equivale a levantar directamente uno de 55.
Pero «tener más parámetros» no equivale automáticamente a «ser más capaz». Lo que de verdad llamó la atención fueron varios avances técnicos que lo acompañan. El autor intenta explicar de la forma más llana posible dos de las innovaciones centrales:
El «sistema de especialistas» (MoE, mixture of experts): los modelos tradicionales funcionan como un polímata que, cada vez que responde, tiene que activar todo el cerebro. Kimi K3 tiene internamente 896 «módulos de expertos», pero solo despierta a los 16 más relevantes en cada momento. Por poner un ejemplo: cuando vas al hospital no necesitas que los más de 800 médicos de toda la institución se reúnan en consejo; basta con acertar con la consulta adecuada. Este diseño hace que K3 sea unas 2,5 veces más eficiente que su predecesor K2 —con la misma capacidad de cómputo, genera una inteligencia más potente.
Las «conexiones residuales de atención»: es una mejora arquitectónica desarrollada por Moonshot. En palabras sencillas, permite que el modelo, mientras piensa a fondo, «mire hacia atrás» y recupere la información de las capas anteriores, sin que al llegar al final se le olvide lo del principio. Es como leer una novela muy extensa y, al llegar a la página 800, seguir recordando con claridad la pista que se sembró en la página 3. Esta técnica, sumada a una ventana de contexto de nivel millonario de caracteres (la cantidad de texto que procesa de una vez equivale a unas tres novelas de El problema de los tres cuerpos), hace que K3 rinda de forma sobresaliente en el análisis de documentos largos y en tareas de programación complejas.
Según los datos de evaluación publicados por Moonshot, Kimi K3 supera a GPT-5.5 en su modo de alto cómputo y a Claude Opus 4.8 de Anthropic en varios benchmarks, aunque todavía se queda por detrás de los modelos cerrados más potentes del momento —Claude Fable 5 y GPT-5.6 Sol. En la arena de código frontend de Arena.ai, K3 incluso llegó a encabezar la clasificación, por delante de Claude Fable 5.
Imagen: comparativa de benchmarks de Kimi K3 frente a otros modelos. Fuente: kimi.com
Gratis y abierto, pero la privacidad no es gratis
Hasta aquí, la historia suena a película de acción sobre «el auge del código abierto chino frente a los gigantes cerrados estadounidenses». Pero en los comentarios de HN, una respuesta muy votada echó un cubo de agua fría a la fiesta.
El usuario dovin citó un fragmento literal de los términos de servicio de la API de Moonshot: la plataforma «puede usar el contenido de los clientes para proporcionar, mantener, desarrollar, respaldar y mejorar el servicio», salvo que el cliente firme un acuerdo por escrito en otro sentido. Traducido al lenguaje de la calle: los datos que subes a través de la API de Kimi, la empresa los puede usar por defecto para entrenar el modelo de la siguiente generación.
Para la comunidad de programadores esto fue una bomba. En el ecosistema de IA estadounidense, los términos de la API de OpenAI y Anthropic establecen explícitamente que los datos transmitidos por la API no se usan para entrenar modelos. Es una práctica estándar de la industria y la base de confianza que permite a los clientes empresariales conectar sus operaciones sensibles a la API. Moonshot trazó esa línea en un lugar completamente distinto.
La sección de comentarios se dividió en dos bandos de inmediato. Uno sostenía que «OpenAI y Anthropic tampoco son mejores, al menos las empresas chinas devuelven el modelo a la comunidad con código abierto»; el otro replicaba que «no es lo mismo —las empresas estadounidenses tienen una obligación legal clara en la capa de la API, incumplirla las llevaría a la quiebra por demandas colectivas, mientras que con una empresa de IA china prácticamente no tienes vía de recurso legal».
El autor no se pronuncia. Pero esta polémica revela de hecho un cambio de paradigma que está ocurriendo: antes nos preocupaba si «el modelo en sí era abierto o no»; ahora el campo de batalla se ha desplazado a si «los términos de servicio en torno al modelo son abiertos o no». Los pesos abiertos te permiten desplegar el modelo por tu cuenta y controlar tú mismo el flujo de datos; pero si usas la API oficial, esa pequeña casilla de aceptación de los términos de servicio puede decidir el destino de tus datos mucho más que el propio código abierto.
¿Por qué debería importarle esto a quien no es experto?
Probablemente no vayas a desplegar un modelo de 2,8 billones de parámetros —el coste en tarjetas gráficas bastaría para comprar un piso en una gran ciudad. Pero hay tres efectos de onda de este suceso que acabarán llegando a cualquiera que use IA:
Primero, la guerra de precios se intensificará. El precio de Kimi K3 es de 3 dólares por cada millón de tokens de entrada y 15 dólares por cada millón de tokens de salida; es el más caro entre los modelos chinos, pero a escala global sigue muy por debajo de GPT-5.6 Sol. Cuando aparece un modelo abierto con prestaciones cercanas a la élite, cualquier empresa puede desplegarlo y fijar su propio precio, y el margen de sobreprecio de los fabricantes cerrados se irá comprimiendo sin parar.
Segundo, la narrativa de «código abierto chino vs. cerrado estadounidense» está cambiando. De DeepSeek a Kimi, la apuesta de las empresas de IA chinas por la comunidad de código abierto es real y tangible. Un usuario de Hacker News comentó que «al menos las empresas chinas devuelven sus logros a la comunidad» —un sentimiento impensable hace apenas un año. Sin importar tu postura sobre los términos de privacidad de datos, la contribución de la IA china a la ciencia abierta está siendo tomada en serio por desarrolladores de todo el mundo.
Tercero, la propia definición de «abierto» está mutando. El caso de Kimi K3 obliga a la industria a enfrentarse a una pregunta más matizada: un modelo puede ser a la vez «abierto» (los pesos se publican y se pueden descargar) y «cerrado» (los datos de la API se usan para entrenar). Ya no basta discutir los modelos de IA con la dicotomía «abierto/cerrado»; necesitamos un nuevo lenguaje para describir los distintos grados de apertura.
El diablo está en los detalles
Hay un punto en el que conviene mantener la calma: todos los datos de evaluación publicados hasta ahora proceden de la propia Moonshot. El informe de Artificial Analysis, una entidad independiente de terceros, acaba de publicarse y sus conclusiones preliminares coinciden en la dirección con los datos oficiales, pero no se superponen del todo. Los pesos del modelo no se podrán descargar y verificar de verdad hasta el 27 de julio. En la industria de la IA, la diferencia entre los benchmarks que declara el fabricante y los resultados que mide la comunidad es frecuente —el autor no vaticinará un «inevitable fracaso», pero «esperar a que la comunidad lo pruebe» es siempre la opción racional.
El reconocido desarrollador Simon Willison descubrió en sus pruebas que Kimi K3 consume una cantidad de tokens de inferencia claramente superior a GPT-5.6 Sol para completar la misma tarea —es decir, aunque el precio por token es menor, la ventaja real en coste al completar la tarea no es tan grande como sugieren las cifras de superficie. Esto toca una dimensión a menudo ignorada en el mundo de la IA: la eficiencia por token.
El lanzamiento de Kimi K3 muy probablemente acabará inscrito como un hito clave de la industria de la IA en 2026. Sacude a la vez tres nervios sensibles —«pesos abiertos», «privacidad de datos» y «China vs. Estados Unidos»— y obliga a toda la industria a enfrentarse a preguntas más complejas. Eso tiene un significado mucho más profundo que una simple puntuación en un benchmark.
Enlaces de referencia:
- Blog oficial de Kimi: anuncio de Kimi K3
- Debate en HN (item?id=48935342)
- Artificial Analysis: evaluación independiente de Kimi K3
- Simon Willison: Kimi K3 y la prueba de la pelícano
- VentureBeat: la china Moonshot lanza Kimi K3, el mayor modelo de código abierto del mundo
