Kimi K3.1 Pro es la misma base que K3 con mucho más RL, y en Terminal-Bench se queda a menos de un punto de Opus 5.5

Moonshot AI puso Kimi K3.1 Pro en su API y sus aplicaciones el 23 de octubre. El modelo base no ha cambiado: la propia empresa explica que K3.1 Pro es una versión post-entrenada de K3 con bastante más cómputo dedicado al post-entrenamiento.

Moonshot mantuvo la base de K3 y añadió mucho más reinforcement learning

Para ejecutar RL conjunto en cientos de dominios, Moonshot asegura que rehízo toda la pila: el framework de RL, la inferencia de contexto largo, la planificación de rollouts y los sandboxes. El resultado es un modelo con una ventana de contexto de 1 millón de tokens que iguala o roza a los modelos propietarios más potentes en pruebas de programación, tareas agénticas y conocimiento. En Terminal-Bench 4.0 declara un 65,7 %, frente al 58,2 % de GPT-6 Astra y el 66,4 % de Claude Opus 5.5. En su propio Kimi Code Bench 3.0 Long-horizon pasa del 55,95 % de K3 al 61,2 %.

Nathan Lambert, que codirigió el proyecto Olmo en Ai2 y escribió un libro sobre post-entrenamiento, lo resumió en X con un solo mensaje. A su juicio, la primera versión de K3 era un modelo base muy impresionante con un post-entrenamiento más ligero, y ahora parece que Moonshot ha dado con la clave de su RL. China, añade, sigue muy de cerca el ritmo de mejora de capacidades.

La medición independiente de Artificial Analysis otorga al modelo 55 puntos en su Intelligence Index. Simon Willison señala que supera los 53 de Claude Fable 5.1, GPT-6 Astra y Gemini 4 Argon y solo queda por detrás de los 58 de Claude Opus 5.5. La API cuesta 2 dólares por millón de tokens de entrada y 10 dólares por millón de salida, lo mismo que GPT-6.1 Sol y la mitad que Opus 5.5. Los pesos aún no están disponibles; Moonshot los promete antes del 4 de noviembre de 2026.

El post-entrenamiento se convierte en el atajo hacia la frontera

Para el mercado, esto pesa más que cualquier puntuación aislada. Si la misma base da semejante salto con más RL, la distancia entre los laboratorios chinos y los estadounidenses ya no se mide solo por quién tiene más chips para el preentrenamiento. El post-entrenamiento puede repetirse con más frecuencia y en tandas más pequeñas, y es ahí donde Moonshot volcó su cómputo. Para los laboratorios de Estados Unidos, que confían en los controles a la exportación de chips, es una señal incómoda: los límites de hardware frenan la construcción de una base nueva, pero mucho menos la remontada por la vía del RL.

Para los equipos de desarrollo cambia la elección de modelo. Un modelo con el precio de GPT-6.1 Sol y resultados justo por debajo de Opus 5.5 debería llegar en pocos días como pesos abiertos. Quien no puede enviar código ni documentos a una nube china tendrá una alternativa que no depende de la API de Moonshot. Eso sí, será un modelo de la clase de 3 billones de parámetros, así que solo podrán ejecutarlo por su cuenta los equipos con un clúster de GPU.

Moonshot midió casi todas estas cifras por su cuenta

Terminal-Bench se ejecutó con el harness de Claude Code, Kimi Code Bench es una prueba interna y las puntuaciones de la competencia proceden de sus blogs y clasificaciones. En una prueba de estrés interna, las alucinaciones por afirmación bajaron del 23,4 % al 8,3 %, aunque la propia Moonshot aclara que no son tasas de error del uso cotidiano. Artificial Analysis registró además que el modelo generó 150 millones de tokens de salida al calcular el índice, frente a una mediana de 87 millones. El precio por millón de tokens dice poco del precio por tarea: un modelo verboso se paga varias veces.

La segunda lectura tiene que ver con la ciberseguridad. Moonshot afirma que eliminó del entrenamiento los datos relacionados con ciberseguridad. Una versión sin esas intervenciones resolvió el 90,5 % de las tareas de la prueba interna xdev-bench-hard; el K3.1 Pro final, el 81,0 %. Su capacidad ofensiva es, por tanto, deliberadamente inferior a lo que la pipeline puede producir y, aun así, muy superior a la de K3. Dónde se fija ese límite la próxima vez lo decide, de momento, solo el laboratorio.

Lo decidirán el 4 de noviembre y las primeras pruebas independientes de los pesos

La primera señal es sencilla: ¿publicará Moonshot los pesos completos antes del 4 de noviembre y con qué licencia? La segunda llegará de equipos independientes que ejecuten el modelo con sus propios harnesses y comprueben si el resultado de Terminal-Bench se sostiene sin Claude Code. La tercera mostrará si la tesis de Lambert vale de forma más amplia. Si DeepSeek o Qwen logran un salto parecido solo con post-entrenamiento, el RL se convertirá en la pista principal de la carrera de los laboratorios chinos.

El veredicto de Lilith

Moonshot cogió el mismo motor y se limitó a rodarlo mucho más tiempo en el circuito. Quien en Washington creía que bastaba con vigilar las fábricas de motores descubre ahora que la carrera se decide en boxes.