Dónde Kimi K3 supera a la frontera: un análisis punto por punto del modelo abierto de 2,8T

La tabla de benchmarks que importa

Moonshot AI publicó una tabla de benchmarks de 50 filas con su anuncio de Kimi K3. La opinión de la propia empresa, "el rendimiento general aún va por detrás de los modelos propietarios más potentes", es correcta pero incompleta. Si ordenas las filas por qué modelo lidera, aparece una imagen diferente: Kimi K3 ocupa el primer lugar en al menos seis evaluaciones importantes, en tareas de codificación, agencia y visión.

La siguiente tabla enumera todos los benchmarks en los que Kimi K3 (max) finaliza primero o empata en el primer lugar, junto con la puntuación del competidor más cercano.

Kimi K3 lidera de forma absoluta en SWE Marathon (42.0 vs 40.0), BrowseComp (91.2 vs 90.4), DeepSearchQA (95.0 vs 94.2), Automation Bench (30.8 vs 29.7) y OmniDocBench (91.1 vs 89.8). En Terminal-Bench 2.1 va por detrás de GPT 5.6 Sol por 0.5 puntos, lo suficientemente cerca como para considerarlo un empate. En GPQA-Diamond y PerceptionBench va por detrás por menos de 1.2 puntos. Es una carrera más reñida de lo que implica la línea de "rendimiento general inferior".

Codificación: donde ganan los modelos abiertos

El patrón más claro aparece en los benchmarks de codificación de agencia. SWE Marathon, que mide la ingeniería de software sostenida en sesiones largas, sitúa a Kimi K3 cinco puntos por delante de GPT 5.6 Sol y siete puntos por delante de Claude Fable 5. Moonshot AI atribuye el mérito a la arquitectura de K3: Kimi Delta Attention (KDA) y Attention Residuals (AttnRes), que mejoran el flujo de información en secuencias largas. La ventana de contexto de 1 millón de tokens del modelo y la densidad de activación de 16 de 896 expertos respaldan tareas de largo horizonte sin sobresaltos.

En Program Bench, Kimi K3 (77.8) supera por poco a Claude Fable 5 (76.8) y GPT 5.6 Sol (77.6), una ventaja estrecha pero consistente. En MLS Bench Lite (48.3 vs 49.9) y DeepSWE (67.5 vs 70.0) pierde, pero por márgenes lo suficientemente pequeños como para que el modelo abierto esté claramente en el mismo nivel que los sistemas propietarios de frontera en codificación.

El Kimi Code Bench 2.0 interno, que Moonshot dice que utiliza el harness KimiCode para K3 y Claude Code para los competidores, muestra a K3 con un 72.9, por delante de GPT 5.6 Sol (64.8) y Claude Opus 4.8 (71.7), solo por detrás de Claude Fable 5 (76.9). Las elecciones de harness importan aquí: Moonshot señala que las puntuaciones de GLM-5.2 provienen de un harness diferente, y que las puntuaciones de Claude Fable 5 incluyen una alternativa a Opus 4.8 cuando la política de uso bloquea las solicitudes. Aun así, el patrón se mantiene: en varios benchmarks de codificación, K3 compite o supera a modelos propietarios que cuestan órdenes de magnitud más por token.

Benchmarks de agencia: tres victorias claras

BrowseComp (91.2), DeepSearchQA (95.0 f1) y Automation Bench (30.8) son evaluaciones de agencia que ponen a prueba la capacidad de un modelo para navegar por la información, sintetizar datos y ejecutar flujos de trabajo de varios pasos. En los tres, Kimi K3 lidera. Moonshot señala que BrowseComp utilizó una estrategia de compactación de contexto a 300K tokens; sin ella, K3 obtuvo un 90.4, aún por delante de cualquier otro modelo reportado públicamente.

En MCP Atlas (84.2) y Toolathlon-Verified (73.2), K3 va por detrás de Claude Fable 5 por 0.5 y 4.7 puntos respectivamente, puntuaciones sólidas, pero no el primer puesto. En GDPval-AA v2 (1668 Elo vs 1760) y AA-Briefcase (1548 vs 1583), la brecha es de 92 y 35 puntos Elo, una diferencia visible que coincide con la propia admisión de Moonshot de que "K3 exhibe una brecha notable en la experiencia de usuario en comparación con Claude Fable 5 y GPT 5.6 Sol".

Visión: OmniDocBench y PerceptionBench destacan

Kimi K3 lidera en OmniDocBench (91.1 vs 89.8), un benchmark de comprensión de documentos, y PerceptionBench (58.5 vs 57.2), que Moonshot describe como una evaluación interna de percepción visual atómica. En MathVision (94.3), MMMU-Pro (81.6) y CharXiv (84.8), K3 obtiene puntuaciones dentro de 1-3 puntos de los líderes. La brecha crece en tareas multimodales más difíciles: ZeroBench con python (41.0 vs 46.0) y BabyVision con python (85.7 vs 90.5) muestran que Claude Fable 5 y GPT 5.6 Sol todavía mantienen ventajas en razonamiento visual complejo con uso de herramientas.

Moonshot informa que todas las evaluaciones visuales utilizaron el mismo formato de orden de imágenes y aviso, y que K3 obtuvo la puntuación más alta en comprensión de documentos sin aumento de herramientas python, una ventaja significativa dado cuánto trabajo empresarial implica el análisis de documentos.

Donde la brecha es real: razonamiento y post-entrenamiento

En HLE-Full, el benchmark de razonamiento más difícil, Kimi K3 obtiene 43.5, 9.8 puntos por debajo de Claude Fable 5 (53.3) y 1 punto por debajo de GPT 5.6 Sol (44.5). Con herramientas, la brecha se reduce a 7 puntos por detrás de Fable 5. En PostTrain Bench, que mide la calidad del post-entrenamiento, K3 obtiene 36.6, 4.8 puntos por detrás de Fable 5 (41.4). Estos son los vacíos de razonamiento puro y seguimiento de instrucciones que explican por qué Moonshot aún admite que va por detrás de los líderes propietarios.

Sin embargo, incluso aquí, la brecha es más estrecha de lo que sugeriría la diferencia de parámetros. Es probable que Claude Fable 5 use significativamente más de 2.8T parámetros (Anthropic no ha revelado el recuento exacto), y su presupuesto de cómputo de entrenamiento es desconocido pero casi con certeza mayor. Que un modelo parcialmente abierto de 2.8T compita dentro de un solo dígito de puntos en GPQA-Diamond (93.5 vs 93.5), Terminal-Bench 2.1 (88.3 vs 88.8) y SpreadsheetBench 2 (34.8 vs 34.7) señala un cambio estructural en el panorama.

La arquitectura detrás de los números

Moonshot atribuye estas ganancias a tres innovaciones arquitectónicas. Primero, Kimi Delta Attention (KDA), un nuevo mecanismo de atención que Moonshot dice que mejora la eficiencia de escalado en aproximadamente 2.5x en comparación con Kimi K2. Segundo, Attention Residuals (AttnRes), que recupera selectivamente representaciones a través de la profundidad en lugar de acumularlas uniformemente. Tercero, Stable LatentMoE con 896 expertos y 16 activos por token, utilizando un método de Equilibrio de Cuantiles para reemplazar la asignación heurística de expertos. El efecto combinado, afirma Moonshot, es un modelo que "convierte el cómputo en inteligencia de manera más efectiva" que su predecesor.

La verificación independiente de estas afirmaciones tendrá que esperar al informe técnico, que Moonshot promete junto con el lanzamiento de los pesos para el 27 de julio de 2026. La empresa también señala que KDA plantea nuevos desafíos para el almacenamiento en caché de prefijos convencional y ha contribuido con una implementación correspondiente a la comunidad vLLM, una pista de que la arquitectura introduce concesiones de ingeniería reales.

Lo que dice la tabla sobre la frontera abierta

Kimi K3 no supera a los mejores modelos propietarios en todas las métricas. Pero los benchmarks que lidera, SWE Marathon, BrowseComp, DeepSearchQA, OmniDocBench, PerceptionBench, no son pruebas de laboratorio oscuras. Miden codificación sostenida en sesiones largas, recuperación de información de múltiples pasos, comprensión de documentos y percepción visual: exactamente las tareas que importan a los clientes empresariales. En esas tareas, el modelo abierto iguala o supera a sistemas propietarios que cuestan $15/MTok por salida (el propio precio API de K3) o más.

El número de 2,8 billones de parámetros es impresionante, pero la historia real es más limitada: los modelos de peso abierto se han vuelto competitivos en sectores específicos y de alto valor de la frontera. La pregunta para el resto de 2026 es si esa brecha se amplía, o si los laboratorios propietarios amplían la disparidad en los benchmarks restantes donde todavía lideran.