Día Abierto de Kimi K3: 2.8 billones de parámetros, ahora con pesos abiertos

El 27 de julio de 2026, Moonshot AI celebró el Kimi K3 Open Day y anunció tres lanzamientos conectados: los pesos del modelo Kimi K3, el anuncio técnico oficial y tres tecnologías de infraestructura: MoonEP, FlashKDA y AgentEnv. El evento posicionó a Kimi K3 no solo como un nuevo modelo a gran escala, sino también como un lanzamiento que abarca acceso al modelo, arquitectura e infraestructura de implementación.

La especificación principal es clara: Kimi K3 es un modelo de pesos abiertos con 2.8 billones de parámetros basado en una arquitectura de Mezcla de Expertos (MoE). Moonshot AI reveló importantes detalles técnicos, incluidos 896 expertos, 16 expertos activados por token, una ventana de contexto de 1M de tokens, KDA + AttnRes en una proporción de 3:1, MoonViT-V2 y una mejora reportada de 2.5x en eficiencia de escalamiento.

El término pesos abiertos es importante. Pesos abiertos significa que los pesos entrenados del modelo se ponen a disposición bajo condiciones definidas. No significa automáticamente que el modelo sea totalmente de código abierto, lo que generalmente implica un acceso más amplio al código fuente, los datos de entrenamiento, las herramientas y los procesos de reproducción. Aun así, el acceso a pesos abiertos puede cambiar la forma en que desarrolladores y organizaciones implementan, inspeccionan y construyen alrededor de un modelo importante de IA.

Moonshot AI resumió el valor de este enfoque diciendo que “los modelos de pesos abiertos... reducen la barrera de acceso a la inteligencia, impulsan la innovación y brindan a los usuarios mayor control sobre los datos, la privacidad y la propiedad”.

El evento Open Day: tres lanzamientos principales

El Kimi K3 Open Day se centró en tres categorías de lanzamiento.

Primero, Moonshot AI lanzó los pesos del modelo Kimi K3. Este es el anuncio principal de pesos abiertos. Para quienes crean soluciones, el acceso a los pesos puede permitir una implementación más flexible que una API únicamente alojada, especialmente cuando los equipos necesitan controlar la infraestructura, la latencia, la privacidad o la residencia de los datos.

Segundo, Moonshot AI publicó el informe técnico de Kimi K3. Esto importa porque los anuncios de modelos grandes no pueden evaluarse únicamente por el número de parámetros. La arquitectura, la estrategia de enrutamiento, el diseño de contexto largo, la capacidad multimodal y las afirmaciones de eficiencia determinan si un modelo resulta útil en la práctica.

Tercero, Moonshot AI lanzó MoonEP, FlashKDA y AgentEnv. Estas tecnologías de infraestructura se enfocan en la comunicación entre expertos, el rendimiento de la atención y la ejecución de agentes. Su inclusión demuestra que el Kimi K3 Open Day no fue solo un lanzamiento de modelo; también fue un lanzamiento de infraestructura para usar modelos muy grandes de pesos abiertos de forma más eficaz.

El modelo: especificaciones clave

Kimi K3 es un modelo MoE de 2.8 billones de parámetros. En una arquitectura de Mezcla de Expertos, solo se activa una parte del modelo para cada token. Un enrutador selecciona un subconjunto de expertos, lo que permite al sistema combinar una capacidad total muy grande con menor cómputo activo que un modelo denso de tamaño similar.

Según Moonshot AI, Kimi K3 tiene 896 expertos, con 16 expertos activados por token. Este diseño es fundamental para el perfil de eficiencia del modelo. Permite que el modelo mantenga una enorme capacidad general mientras utiliza activación selectiva durante la inferencia.

La ventana de contexto de 1M de tokens es una de las especificaciones más prácticas. El contexto largo puede facilitar el análisis de documentos completos, la revisión de grandes bases de código, el razonamiento sobre múltiples archivos, los flujos de trabajo de documentos legales o financieros y tareas de agentes más extensas sin obligar a dividir cada entrada en fragmentos pequeños.

Kimi K3 también utiliza KDA + AttnRes en una proporción de 3:1, un diseño híbrido de atención vinculado a su estrategia de contexto largo. El modelo incluye MoonViT-V2 como su arquitectura de visión, lo que indica capacidad multimodal nativa en lugar de un sistema puramente de texto. Moonshot AI también reportó una mejora de 2.5x en eficiencia de escalamiento, lo que sugiere que Kimi K3 fue diseñado no solo para escalar, sino también para lograr una economía más práctica de entrenamiento e inferencia.

El lanzamiento de infraestructura: MoonEP, FlashKDA y AgentEnv.

Los modelos de pesos abiertos aún necesitan sistemas sólidos a su alrededor. Los modelos MoE grandes dependen de una comunicación eficiente, kernels de atención rápidos y entornos de ejecución seguros. El lanzamiento de infraestructura de Moonshot AI aborda directamente estas necesidades.

MoonEP: comunicación entre expertos de MoE

MoonEP es una biblioteca de comunicación para el paralelismo de expertos en MoE. En los sistemas MoE, los tokens se enrutan a diferentes expertos, y esos expertos pueden distribuirse entre múltiples dispositivos. Esto genera desafíos de comunicación que pueden limitar el rendimiento y aumentar la latencia.

Para Kimi K3, con 896 expertos y 16 activados por token, el enrutamiento de expertos es un importante problema de sistemas. MoonEP está diseñado para mejorar la comunicación distribuida entre expertos y reducir los cuellos de botella en la implementación de MoE a gran escala.

FlashKDA: atención de contexto largo más rápida

FlashKDA es un kernel de atención optimizado para KDA. Su función es especialmente importante para cargas de trabajo de contexto largo, donde el cómputo de prellenado puede resultar costoso. Moonshot AI informó que FlashKDA ofrece una aceleración de 1.72x a 2.22x en el rendimiento de prellenado en GPU Nvidia H20 en comparación con las bases de referencia de atención lineal flash.

Esto importa porque una ventana de contexto de 1M de tokens solo es útil si puede ofrecerse de manera eficiente. Los kernels de atención más rápidos pueden hacer más práctico en producción el análisis de documentos extensos, la revisión de código, los flujos de trabajo de investigación y el razonamiento de múltiples pasos.

AgentEnv: entorno aislado para agentes de IA

AgentEnv es un sistema de entorno aislado para agentes desarrollado conjuntamente con KVCache.ai. Proporciona un entorno de sandbox aislado para agentes que necesitan ejecutar pasos, probar acciones, bifurcar estados, restaurar estados anteriores o ejecutar ramas paralelas.

Los flujos de trabajo de agentes a menudo implican más que generación de texto. Pueden usar archivos, herramientas, ejecución de código y decisiones de múltiples pasos. Un entorno aislado ayuda a separar el comportamiento del agente de los sistemas externos mientras respalda la experimentación. Las funciones de instantánea, restauración y bifurcación de AgentEnv son útiles cuando los agentes necesitan explorar múltiples rutas antes de producir un resultado final.

Por qué importan los pesos abiertos

El acceso a pesos abiertos cambia la relación entre los proveedores de modelos y quienes crean soluciones. Una API alojada cerrada puede ser potente, pero la infraestructura, el alojamiento, el flujo de datos y los límites operativos siguen estando controlados por el proveedor. Un modelo de pesos abiertos brinda a los equipos calificados más margen para implementar, adaptar, optimizar e integrar el modelo en sus propios sistemas.

Para las empresas, la mayor ventaja es el control de implementación y datos. Los documentos sensibles, el código interno, los registros legales, la información de clientes y los materiales financieros pueden requerir infraestructura privada. El acceso a pesos abiertos puede respaldar la implementación local o en nube privada, donde la gobernanza de datos, la privacidad y la propiedad son requisitos centrales.

Para los desarrolladores, el acceso a pesos abiertos permite una integración técnica más profunda. Los equipos pueden optimizar las pilas de inferencia, probar métodos de adaptación y crear flujos de trabajo en torno a las fortalezas del modelo. La escala MoE de Kimi K3, el contexto de 1M de tokens, la capacidad de visión MoonViT-V2 y los lanzamientos de infraestructura crean una base para aplicaciones especializadas.

La distinción respecto al código abierto sigue siendo esencial. Los pesos abiertos no proporcionan automáticamente los datos de entrenamiento, el proceso de código fuente ni la receta completa de reproducción. Sin embargo, aún pueden reducir las barreras prácticas para los equipos que necesitan acceso al modelo, implementación privada o mayor control sobre el rendimiento y la privacidad.

El veredicto: un lanzamiento de modelo e infraestructura

El Kimi K3 Open Day de Kimi K3 se entiende mejor como un lanzamiento coordinado en tres capas: acceso al modelo, divulgación técnica e infraestructura de implementación. El modelo MoE de 2.8 billones de parámetros es el centro del anuncio, pero el informe técnico y las herramientas de infraestructura son fundamentales para comprender su importancia más amplia.

Las especificaciones oficiales son considerables: 2.8T de parámetros totales, 896 expertos con 16 activados por token, una ventana de contexto de 1M de tokens, KDA + AttnRes en una proporción de 3:1, MoonViT-V2 y una mejora reportada de 2.5x en eficiencia de escalamiento. MoonEP, FlashKDA y AgentEnv demuestran que Moonshot AI también está abordando los sistemas necesarios para operar eficazmente modelos grandes de pesos abiertos.

Kimi K3 no se describe como totalmente de código abierto; es de pesos abiertos. Aun así, al publicar los pesos, los detalles técnicos y la infraestructura de soporte, Moonshot AI convirtió a Kimi K3 en un acontecimiento significativo en el desarrollo de IA de pesos abiertos a gran escala.

Preguntas frecuentes (FAQ)

P: ¿Qué es Kimi K3?

R: Kimi K3 es un modelo de IA de Mezcla de Expertos de pesos abiertos con 2.8 billones de parámetros de Moonshot AI, anunciado en el Kimi K3 Open Day el 27 de julio de 2026.

P: ¿Qué significa pesos abiertos?

R: Pesos abiertos significa que los pesos entrenados del modelo son accesibles bajo términos de licencia definidos. Se diferencia del código abierto, que normalmente implica un acceso más amplio al código fuente, los datos y los procesos de reproducción.

P: ¿Qué tecnologías de infraestructura se lanzaron con Kimi K3?

R: Moonshot AI lanzó MoonEP, FlashKDA y AgentEnv. MoonEP admite la comunicación MoE, FlashKDA acelera la atención KDA y AgentEnv proporciona un sistema de entorno aislado para agentes de IA.

P: ¿Cuáles son las especificaciones más importantes de Kimi K3?

R: Kimi K3 tiene 2.8T de parámetros totales, 896 expertos con 16 activados por token, una ventana de contexto de 1M de tokens, KDA + AttnRes en una proporción de 3:1, MoonViT-V2 y una mejora de 2.5x en eficiencia de escalamiento.

Convierte este análisis de Kimi K3 en una presentación PPT pulida con Pi, haciendo que los complejos avances de IA sean claros y fáciles de presentar.