Día Abierto de Kimi K3: 2,8 Billones de Parámetros, ahora con Pesos Abiertos
El 27 de julio de 2026, Moonshot AI organizó el Kimi K3 Open Day y anunció tres lanzamientos conectados: las pesos del modelo Kimi K3, el anuncio técnico oficial y tres tecnologías de infraestructura: MoonEP, FlashKDA y AgentEnv. El evento posicionó Kimi K3 no solo como un nuevo modelo a gran escala, sino también como un lanzamiento que cubre el acceso al modelo, la arquitectura y la infraestructura de despliegue.
La especificación principal es clara: Kimi K3 es un modelo open-weight de 2,8 billones de parámetros construido sobre una arquitectura de Mezcla de Expertos (MoE). Moonshot AI reveló detalles técnicos clave, incluidos 896 expertos, 16 expertos activados por token, una ventana de contexto de 1M tokens, KDA + AttnRes en una proporción de 3:1, MoonViT-V2 y una mejora reportada de 2,5x en eficiencia de escalado.
El término open-weight importa. Open-weight significa que los pesos del modelo entrenado se ponen a disposición bajo términos definidos. No implica automáticamente que el modelo sea totalmente de código abierto, lo cual normalmente conlleva un acceso más amplio al código fuente, los datos de entrenamiento, las herramientas y los flujos de reproducción. Aun así, el acceso open-weight puede cambiar la forma en que desarrolladores y organizaciones despliegan, inspeccionan y construyen alrededor de un modelo de IA importante.
Moonshot AI resumió el valor de este enfoque al decir que «los modelos open-weight... reducen la barrera para acceder a la inteligencia, impulsan la innovación y dan a los usuarios un 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.
En primer lugar, Moonshot AI lanzó las pesos del modelo Kimi K3. Esta es la noticia central del acceso open-weight. Para quienes construyen, tener acceso a los pesos puede permitir un despliegue más flexible que una API solo alojada, especialmente cuando los equipos necesitan control sobre la infraestructura, la latencia, la privacidad o la residencia de los datos.
En segundo lugar, Moonshot AI publicó el informe técnico de Kimi K3. Esto es importante porque los anuncios de modelos de gran tamaño no pueden evaluarse solo 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 es útil en la práctica.
En tercer lugar, Moonshot AI lanzó MoonEP, FlashKDA y AgentEnv. Estas tecnologías de infraestructura están orientadas a la comunicación entre expertos, el rendimiento de la atención y la ejecución de agentes. Su inclusión muestra que el Kimi K3 Open Day no fue solo un lanzamiento de modelo; también fue un lanzamiento de infraestructura para usar de forma más efectiva modelos open-weight muy grandes.
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 router selecciona un subconjunto de expertos, lo que permite al sistema combinar una capacidad total muy grande con menos cómputo activo que un modelo denso de tamaño similar.
Según Moonshot AI, Kimi K3 cuenta con 896 expertos, con 16 expertos activados por token. Este diseño es central en el perfil de eficiencia del modelo. Le permite mantener una capacidad global masiva mientras utiliza activación selectiva durante la inferencia.
| Especificación | Detalles oficiales de Kimi K3 |
|---|---|
| Parámetros totales | 2,8 billones |
| Arquitectura | Mezcla de Expertos (MoE) |
| Asignación de expertos | 896 expertos / 16 activados por token |
| Ventana de contexto | 1M tokens |
| Diseño de la atención | KDA + AttnRes en una proporción de 3:1 |
| Arquitectura de visión | MoonViT-V2 |
| Eficiencia de escalado | Mejora de 2,5x |
La ventana de contexto de 1M tokens es una de las especificaciones más prácticas. Un contexto largo puede respaldar el análisis de documentos completos, la revisión de grandes bases de código, el razonamiento multiarchivo, flujos de trabajo de documentos legales o financieros y tareas de agentes más largas, sin obligar a que cada entrada se convierta en fragmentos pequeños.
El 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 arquitectura de visión, lo que indica capacidad multimodal nativa en lugar de ser un sistema exclusivamente de texto. Moonshot AI también informó una mejora de la eficiencia de escalado de 2,5x, lo que sugiere que Kimi K3 se diseñó no solo para escalar, sino también para lograr una formación y una inferencia más económicas y prácticas.
El lanzamiento de la infraestructura: MoonEP, FlashKDA y AgentEnv.
Los modelos de código abierto aún necesitan sistemas sólidos a su alrededor. Los grandes modelos MoE dependen de una comunicación eficiente, kernels de atención rápidos y entornos de ejecución seguros. El lanzamiento de infraestructura de Moonshot AI aborda estas necesidades de forma directa.
MoonEP: Comunicación de expertos MoE
MoonEP es una librería de comunicación para el paralelismo de expertos MoE. En los sistemas MoE, los tokens se enrutan hacia diferentes expertos, y esos expertos pueden distribuirse en varios dispositivos. Esto crea 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 problema importante a nivel de sistemas. MoonEP está diseñado para mejorar la comunicación distribuida entre expertos y reducir cuellos de botella en implementaciones MoE a gran escala.
FlashKDA: Atención de contexto largo más rápida
FlashKDA es un kernel de atención optimizado para KDA. Su papel es especialmente importante para cargas de trabajo de contexto largo, donde el cómputo de prefill puede resultar costoso. Moonshot AI informó que FlashKDA ofrece una aceleración de 1,72x a 2,22x en el rendimiento de prefill en GPU Nvidia H20 en comparación con las referencias de flash-linear-attention.
Esto importa porque una ventana de contexto de 1M tokens solo es útil si se puede servir de forma eficiente. Los kernels de atención más rápidos pueden hacer que el análisis de documentos largos, las revisiones de código, los flujos de investigación y el razonamiento de varios pasos sean más viables en producción.
AgentEnv: Entorno de pruebas para agentes de IA
AgentEnv es un sistema de sandbox para agentes desarrollado conjuntamente con KVCache.ai. Ofrece unentorno de sandbox aislado para agentes que necesitan ejecutar pasos, probar acciones, bifurcar el estado, restaurar estados anteriores o ejecutar ramas en paralelo.
Los flujos de trabajo de los agentes a menudo implican más que la generación de texto. Pueden utilizar archivos, herramientas, ejecución de código y decisiones de varios pasos. Un sandbox ayuda a separar el comportamiento del agente de los sistemas externos, al tiempo que permite experimentar. Las funciones de snapshot, restore y fork de AgentEnv son útiles cuando los agentes necesitan explorar múltiples caminos antes de producir un resultado final.
Por qué importa el acceso a pesos abiertos
El acceso a pesos abiertos cambia la relación entre proveedores de modelos y creadores. Una API alojada y 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 ofrece a los equipos cualificados más margen para desplegarlo, adaptarlo, optimizarlo e integrarlo en sus propios sistemas.
Para las empresas, la mayor ventaja es el despliegue y el control de los 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 el despliegue local o en nube privada, donde la gobernanza de los 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 pilas de inferencia, probar métodos de adaptación y construir flujos de trabajo basados en las fortalezas del modelo. La escala MoE de Kimi K3, el contexto de 1 millón de tokens, la capacidad de visión MoonViT-V2 y los lanzamientos de infraestructura crean una base para aplicaciones especializadas.
La diferencia con el software de código abierto sigue siendo esencial. Los pesos abiertos no proporcionan automáticamente los datos de entrenamiento, el pipeline de origen ni la receta completa de reproducción. Sin embargo, aún puede reducir barreras prácticas para los equipos que necesitan acceso al modelo, despliegue privado o más control sobre el rendimiento y la privacidad.
El veredicto: lanzamiento de un modelo y de la infraestructura
Kimi K3 Open Day se entiende mejor como un lanzamiento coordinado en tres capas: acceso al modelo, divulgación técnica y infraestructura de despliegue. 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 sustanciales: 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 3:1, MoonViT-V2 y una mejora de eficiencia de escalado de 2,5x reportada. MoonEP, FlashKDA y AgentEnv muestran que Moonshot AI también está abordando los sistemas necesarios para operar eficazmente modelos grandes de pesos abiertos.
Kimi K3 no se describe como completamente de código abierto; es de pesos abiertos. Aun así, al liberar pesos, detalles técnicos y la infraestructura de soporte, Moonshot AI convirtió a Kimi K3 en un evento importante 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 (Mixture of Experts) de pesos abiertos con 2,8 billones de parámetros de Moonshot AI, anunciado en Kimi K3 Open Day el 27 de julio de 2026.
P: ¿Qué significa “pesos abiertos”?
R: “Pesos abiertos” significa que los pesos del modelo entrenado están disponibles bajo términos de licencia definidos. Se diferencia del software de código abierto, que normalmente implica un acceso más amplio al código fuente, los datos y los pipelines de reproducción.
P: ¿Qué tecnologías de infraestructura se lanzaron con Kimi K3?
R: Moonshot AI lanzó MoonEP, FlashKDA y AgentEnv. MoonEP respalda la comunicación MoE, FlashKDA acelera la atención KDA y AgentEnv proporciona un sistema de sandbox para agentes de IA.
P: ¿Cuáles son las especificaciones más importantes de Kimi K3?
R: Kimi K3 tiene 2,8 T 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 eficiencia de escalado de 2,5x.
