MoonshotAI: Kimi K3

Kimi K3 es un modelo de razonamiento multimodal de Moonshot AI, lanzado por el proveedor el 16 de julio de 2026. Es un modelo de pesos abiertos con 2,8 billones de parámetros, y se sitúa en la categoría de texto en api14 aunque acepta más que texto como entrada. Moonshot AI lo posiciona para programación compleja, trabajo de conocimiento y flujos de trabajo agénticos de horizonte largo.

En el lado de la entrada, Kimi K3 acepta texto, imágenes y vídeo, y produce texto como salida. La ventana de contexto es de 1.048.576 tokens, lo suficientemente grande como para contener documentos muy largos, historiales de conversación extensos o bases de código considerables en una sola solicitud. La salida máxima es de 943.718 tokens, por lo que las respuestas pueden ser a su vez extremadamente largas cuando una tarea lo requiere. El razonamiento forma parte del diseño del modelo, y la API expone controles para ello, incluido un parámetro reasoning, un ajuste reasoning_effort y un indicador include_reasoning para mostrar el contenido del razonamiento.

Esas capacidades apuntan a algunos usos prácticos. El trabajo con contexto largo, como revisar repositorios grandes, resumir o consultar informes extensos, y mantener el estado a lo largo de ejecuciones agénticas de varios pasos, encaja con la ventana de contexto y el enfoque agéntico. Como se pueden pasar imágenes y vídeo junto con texto, el modelo puede manejar tareas que mezclan material visual con instrucciones escritas, por ejemplo describir o extraer información de capturas de pantalla, diagramas o clips. Las salidas estructuradas, el llamamiento a herramientas y los controles de razonamiento lo convierten en una opción razonable para canalizaciones en las que el modelo debe llamar a funciones, devolver JSON o dedicar más esfuerzo a problemas difíciles.

Se llama a Kimi K3 a través de la API compatible con OpenAI de api14 usando el id de modelo "moonshotai/kimi-k3". Los parámetros de solicitud admitidos son frequency_penalty, include_reasoning, logit_bias, logprobs, max_tokens, min_p, presence_penalty, reasoning, reasoning_effort, repetition_penalty, response_format, seed, stop, structured_outputs, temperature, tool_choice, tools, top_k, top_logprobs y top_p. Los controles de muestreo (temperature, top_p, top_k, min_p, los parámetros de penalización, seed y stop) permiten ajustar la salida, mientras que response_format y structured_outputs cubren las respuestas formateadas y tools y tool_choice cubren el llamamiento a funciones. Logprobs y top_logprobs están disponibles si se necesitan probabilidades a nivel de token, y max_tokens limita la longitud de la respuesta dentro de la salida máxima.

Aquí no hay información sobre precios, latencia o rendimiento, por lo que conviene comprobarlos con la tabla de precios en vivo y con las propias pruebas. El modelo solo produce texto, así que si se necesitan imágenes generadas, audio u otras modalidades de salida, se requerirá un modelo diferente. Si la carga de trabajo es pequeña, de contexto corto y no se beneficia del razonamiento ni de la entrada multimodal, un modelo más sencillo puede encajar mejor.