Kimi K3 no se limita a liderar la clasificación de desarrollo frontend. Los resultados publicados por Moonshot AI sitúan al modelo de 2,8 billones de parámetros cerca de GPT-5.6 Sol y Claude Fable 5 en programación, navegación web, automatización, hojas de cálculo y razonamiento visual. Aun así, la propia compañía admite que su rendimiento general y su experiencia de uso todavía quedan por detrás de los modelos propietarios más avanzados.
Las claves de los resultados de Kimi K3 en 30 segundos
- Kimi K3 lidera Program Bench, SWE Marathon, BrowseComp, Automation Bench y SpreadsheetBench 2 entre los modelos comparados.
- Queda a solo 0,5 puntos de GPT-5.6 Sol en Terminal Bench 2.1.
- Claude Fable 5 conserva ventaja en DeepSWE, FrontierSWE, JobBench y varias pruebas visuales.
- Las comparaciones utilizan distintos entornos de agentes, por lo que no todas son equivalentes.
- Moonshot prevé publicar los pesos completos antes del 27/07/2026.
La tabla completa ofrece una lectura más matizada que el primer puesto obtenido por Kimi K3 en Frontend Code Arena. El nuevo modelo compite en la parte alta de casi todas las categorías, pero no existe un vencedor único. GPT-5.6 Sol destaca en algunas pruebas de programación y razonamiento, Claude Fable 5 mantiene ventajas en desarrollo de software complejo y tareas profesionales, mientras Kimi K3 logra sus mejores resultados en sesiones prolongadas, navegación, automatización y determinadas cargas de creación visual.
Moonshot ha evaluado Kimi K3 con el nivel máximo de razonamiento, una temperatura de 1,0 y diferentes entornos de ejecución según cada prueba. El desarrollador advierte además de que los modelos no siempre utilizaron el mismo harness: Kimi Code, Claude Code o Codex pueden cambiar de forma apreciable el resultado de un modelo.
Kimi K3 se acerca a GPT-5.6 en programación prolongada
En Terminal Bench 2.1, una prueba que evalúa la capacidad para resolver tareas mediante una terminal, Kimi K3 alcanza 88,3 puntos. GPT-5.6 Sol mantiene el primer puesto con 88,8, una diferencia de solo medio punto.
Kimi supera en esa prueba a Claude Fable 5 y Claude Opus 4.8, ambos con 84,6, además de GPT-5.5 y GLM-5.2. El resultado encaja con la orientación del modelo hacia sesiones largas, uso de herramientas y navegación por repositorios extensos.
| Prueba de programación | Kimi K3 | Mejor resultado | Posición de Kimi |
|---|---|---|---|
| DeepSWE | 67,5 | GPT-5.6 Sol: 73,0 | 3.ª |
| Program Bench | 77,8 | Kimi K3: 77,8 | 1.ª |
| Terminal Bench 2.1 | 88,3 | GPT-5.6 Sol: 88,8 | 2.ª |
| FrontierSWE | 81,2 | Claude Fable 5: 86,6 | 2.ª |
| SWE Marathon | 42,0 | Kimi K3: 42,0 | 1.ª |
| Kimi Code Bench 2.0 | 72,9 | Claude Fable 5: 76,9 | 2.ª |
Program Bench termina con Kimi K3 en primera posición, con 77,8 puntos, frente a los 77,6 de GPT-5.6 Sol y los 76,8 de Fable 5. La distancia es tan pequeña que no permite hablar de una ventaja amplia, pero confirma que K3 puede competir con modelos cerrados de primera línea en generación y resolución de programas.
SWE Marathon ofrece una diferencia más clara. Kimi K3 obtiene 42 puntos, por delante de Claude Opus 4.8, con 40, GPT-5.6 Sol, con 39, y Fable 5, con 35. Esta prueba busca medir la capacidad para mantener trabajo de ingeniería durante recorridos más extensos, una de las áreas en las que Moonshot ha concentrado el entrenamiento del modelo.
Los resultados cambian en DeepSWE. GPT-5.6 Sol alcanza 73 puntos, Fable 5 consigue 70 y Kimi K3 queda tercero con 67,5. En FrontierSWE, Fable 5 encabeza la clasificación con 86,6, seguido por K3 con 81,2.
Esta distribución muestra que Kimi K3 no domina la programación en términos generales. Su ventaja aparece principalmente en tareas que requieren continuidad, exploración y uso de herramientas, mientras GPT-5.6 y Fable 5 mantienen mejor rendimiento en otras evaluaciones de ingeniería de software.
También hay diferencias metodológicas. Kimi K3 utiliza Kimi Code en varias pruebas, GPT-5.6 Sol se ejecuta con Codex y los modelos de Anthropic emplean Claude Code o Terminus. Un buen entorno puede gestionar mejor el contexto, elegir herramientas adecuadas y recuperarse de errores, por lo que parte de la puntuación corresponde al sistema completo y no únicamente al modelo.
Moonshot reconoce además que algunos resultados de Claude Fable 5 pueden incluir una sustitución automática por Claude Opus 4.8 cuando el modelo rechaza una tarea debido a sus políticas de uso. Las cifras de GPT-5.6 Sol pueden verse afectadas por sus controles de ciberseguridad. Estas condiciones dificultan una comparación completamente uniforme.
BrowseComp y Automation Bench muestran su fortaleza como agente
Los resultados más favorables para Kimi K3 aparecen fuera de la programación convencional. En BrowseComp, una prueba de investigación y navegación web, obtiene 91,2 puntos, frente a los 90,4 de GPT-5.6 Sol y los 88 de Fable 5.
En Automation Bench también lidera con 30,8 puntos. GPT-5.6 Sol consigue 29,7 y Fable 5 alcanza 29,1. La ventaja no es grande, pero resulta relevante porque la prueba analiza tareas donde el modelo debe coordinar acciones y herramientas en lugar de limitarse a producir una respuesta textual.
| Prueba de agentes | Kimi K3 | Modelo líder |
|---|---|---|
| BrowseComp | 91,2 | Kimi K3 |
| Automation Bench | 30,8 | Kimi K3 |
| SpreadsheetBench 2 | 34,8 | Kimi K3 |
| AA-Briefcase Elo | 1.548 | Fable 5: 1.583 |
| GDPval-AA v2 Elo | 1.668 | Fable 5: 1.760 |
| JobBench | 52,9 | Fable 5: 57,4 |
| MCP Atlas | 84,2 | Fable 5: 84,7 |
| Toolathlon-Verified | 73,2 | Fable 5: 77,9 |
K3 también encabeza SpreadsheetBench 2 con 34,8 puntos, apenas una décima por encima de Fable 5. GPT-5.6 Sol obtiene 32,4 y Claude Opus 4.8 queda en 31,6.
La prueba resulta interesante porque trabajar con hojas de cálculo exige interpretar estructuras, modificar celdas, utilizar fórmulas y mantener coherencia entre varias operaciones. No basta con conocer sintaxis: el agente debe comprender qué resultado busca el usuario y aplicar cambios sobre un documento existente.
Fable 5 continúa por delante en JobBench, con 57,4 puntos frente a los 52,9 de Kimi K3, y en GDPval-AA v2, donde obtiene 1.760 puntos Elo frente a los 1.668 de K3. Estas evaluaciones intentan aproximarse a tareas profesionales más amplias, por lo que respaldan la afirmación de Moonshot de que Kimi todavía no ha alcanzado la experiencia general de los mejores modelos cerrados.
En AA-Briefcase, Fable 5 también mantiene el primer lugar con 1.583 puntos. Kimi K3 queda cerca, con 1.548, y supera a GPT-5.6 Sol, que alcanza 1.495.
MCP Atlas, centrado en tareas vinculadas al protocolo Model Context Protocol, presenta resultados muy ajustados: Fable 5 consigue 84,7; Kimi K3, 84,2; y GPT-5.6 Sol y Opus 4.8, 83,6. Una diferencia inferior a un punto no basta para establecer una superioridad clara, especialmente cuando las mediciones dependen de un modelo juez y de un límite de 100 turnos.
Visión nativa, pero Claude conserva ventaja en varias pruebas
Kimi K3 incorpora capacidades visuales dentro del propio modelo y puede combinar capturas, texto, vídeo y código durante una misma tarea. Moonshot utiliza esta característica para explicar su rendimiento en frontend, videojuegos, gráficos y edición.
Los resultados visuales vuelven a mostrar una competición equilibrada. Kimi K3 consigue 91,3 puntos en CharXiv con Python, por debajo de los 93,5 de Fable 5, pero por encima de GPT-5.6 Sol, Opus 4.8 y GPT-5.5.
| Prueba visual | Kimi K3 | Mejor resultado |
|---|---|---|
| MMMU-Pro | 81,6 | GPT-5.6 Sol: 83,0 |
| MMMU-Pro con Python | 83,4 | Fable 5: 86,5 |
| CharXiv con Python | 91,3 | Fable 5: 93,5 |
| MathVision | 94,3 | GPT-5.6 Sol: 95,8 |
| MathVision con Python | 97,8 | Fable 5: 98,6 |
| ZeroBench con Python | 41,0 | Fable 5: 46,0 |
| OmniDocBench | 91,1 | Kimi K3: 91,1 |
| PerceptionBench | 58,5 | GPT-5.6 Sol: 59,7 |
En OmniDocBench, Kimi K3 sí obtiene el mejor resultado, con 91,1 puntos. La prueba evalúa la comprensión de documentos complejos y combina texto, estructura y elementos visuales.
En MathVision con Python, K3 alcanza 97,8, igualado con GPT-5.6 Sol y cerca de Fable 5, que obtiene 98,6. Las puntuaciones son altas para todos los modelos principales, por lo que la diferencia práctica dependerá del tipo de problema y de cómo utilicen la herramienta de cálculo.
Claude Fable 5 domina varias de las pruebas más exigentes de visión asistida, mientras GPT-5.6 Sol encabeza MMMU-Pro y MathVision sin Python. Kimi K3 destaca por mantenerse cerca de ambos y superar en varias tareas a Claude Opus 4.8 y GPT-5.5.
La ventaja visual también aparece en demostraciones menos estructuradas. Moonshot asegura que K3 puede observar el resultado generado por su propio código y corregirlo mediante capturas sucesivas. Ese proceso, descrito como “visión en el bucle”, permite modificar una interfaz, un juego o un diseño asistido por ordenador después de ver su comportamiento real.
Un modelo de 2,8 billones de parámetros que solo activa una fracción
Kimi K3 utiliza una arquitectura de mezcla de expertos con 2,8 billones de parámetros totales. En cada operación selecciona 16 de los 896 expertos disponibles, lo que reduce el cálculo necesario frente a un modelo denso del mismo tamaño.
Moonshot atribuye parte de la mejora a Kimi Delta Attention, Attention Residuals y Stable LatentMoE. Según la compañía, el conjunto ofrece aproximadamente 2,5 veces más eficiencia de escalado que Kimi K2.
| Característica técnica | Kimi K3 |
|---|---|
| Parámetros totales | 2,8 billones |
| Arquitectura | Mezcla de expertos |
| Expertos disponibles | 896 |
| Expertos activados | 16 |
| Contexto máximo | Un millón de tokens |
| Entrada multimodal | Texto, imagen y vídeo |
| Cuantización de entrenamiento | MXFP4 para pesos y MXFP8 para activaciones |
| Despliegue recomendado | Supernodos con al menos 64 aceleradores |
La escala del modelo limita la utilidad de la futura publicación de sus pesos para usuarios domésticos. Ejecutar Kimi K3 completo requerirá una infraestructura con numerosos aceleradores y conexiones de gran ancho de banda.
Moonshot recomienda supernodos con 64 dispositivos o más para ofrecer una inferencia eficiente. La comunidad podrá estudiar, adaptar o cuantizar los pesos, pero el despliegue completo quedará inicialmente en manos de centros de investigación, proveedores de inferencia y grandes compañías.
La API oficial cuesta 0,30 dólares por cada millón de tokens de entrada recuperados desde caché, 3 dólares para entrada sin caché y 15 dólares para salida. Moonshot afirma que su arquitectura Mooncake supera el 90 % de aciertos de caché en tareas de programación, una cifra procedente de sus propios sistemas.
Moonshot reconoce inestabilidad y exceso de iniciativa
El desarrollador incluye dos limitaciones técnicas relevantes. Kimi K3 fue entrenado para conservar el historial de razonamiento durante una sesión. Si el entorno no devuelve correctamente esa información o se cambia a K3 después de haber trabajado con otro modelo, la calidad puede volverse inestable.
Por eso Moonshot recomienda utilizar Kimi Code u otro entorno que haya verificado la compatibilidad con esta forma de mantener el contexto. También desaconseja sustituir el modelo a mitad de una tarea prolongada.
La segunda limitación es su tendencia a tomar decisiones por iniciativa propia. El entrenamiento para proyectos largos puede hacer que K3 improvise cuando encuentra una instrucción ambigua o un problema menor. En aplicaciones donde el agente debe actuar dentro de límites estrictos, Moonshot recomienda definir restricciones explícitas en el mensaje del sistema o en archivos como AGENTS.md.
Estas advertencias son especialmente importantes en desarrollo de software. Un agente demasiado activo puede cambiar archivos no solicitados, instalar dependencias, alterar la arquitectura o resolver una ambigüedad de forma distinta a la esperada.
Kimi K3 muestra que los modelos con pesos abiertos prometidos están reduciendo la distancia frente a las plataformas cerradas. Lidera varias pruebas y queda muy cerca en otras, pero todavía no supera de forma general a GPT-5.6 Sol o Claude Fable 5.
La conclusión más sólida no es que exista un nuevo vencedor absoluto. Es que un modelo que Moonshot planea liberar puede competir en programación, navegación, automatización y visión con servicios propietarios de primera línea. La publicación de los pesos, la licencia y el informe técnico completo permitirá comprobar cuánto de ese rendimiento puede reproducirse fuera de la infraestructura del fabricante.
Preguntas frecuentes
¿Kimi K3 supera a GPT-5.6 Sol en programación?
Depende de la prueba. Kimi lidera Program Bench y SWE Marathon, mientras GPT-5.6 Sol queda por delante en DeepSWE y Terminal Bench 2.1.
¿Es mejor que Claude Fable 5 como agente?
Kimi gana en BrowseComp, Automation Bench y SpreadsheetBench 2. Fable 5 conserva ventaja en JobBench, GDPval-AA, AA-Briefcase y varias pruebas visuales.
¿Son comparables directamente todos los resultados?
No completamente. Los modelos utilizan diferentes entornos de agentes, niveles de razonamiento y mecanismos de seguridad. Algunas cifras proceden además de evaluaciones internas.
¿Cuándo se publicarán los pesos de Kimi K3?
Moonshot AI prevé liberar los pesos completos antes del 27/07/2026, junto con más información sobre la arquitectura, el entrenamiento y las evaluaciones.
Fuente: Noticias inteligencia artificial
