Moonshot abre Kimi para agentes y cambia la pregunta sobre los modelos descargables

El 6 de noviembre de 2025, Moonshot AI publicó los pesos de Kimi K2 Thinking, una versión orientada al razonamiento y al uso de herramientas. La tarjeta oficial del modelo describe una mezcla de expertos con un billón de parámetros totales, 32.000 millones activados por token, contexto de 256.000 tokens y pesos en cuantización INT4. También afirma que mantiene el uso estable de herramientas durante secuencias de hasta 200 o 300 llamadas.

Es una combinación relevante, pero no cabe resumirla como “un rival de GPT-5”. La propia tabla de Moonshot cambia de ganador según la prueba, si hay herramientas y cuánto cómputo se permite. Además, pesos descargables, eficiencia de inferencia y autonomía son propiedades distintas. La capacidad duradera consiste en auditarlas por separado antes de elegir una infraestructura o delegar una tarea.

Parámetros totales y activos responden preguntas diferentes

Kimi K2 utiliza una arquitectura de mezcla de expertos. Un enrutador selecciona parte de los bloques especializados para procesar cada token. Que se activen 32.000 millones no convierte al modelo en uno de ese tamaño: el sistema conserva un billón de parámetros totales y debe poder acceder a los expertos que el enrutador elija.

Los parámetros activos aproximan parte del cálculo realizado por token. Los totales pesan en almacenamiento y memoria; la distribución de expertos añade comunicaciones entre dispositivos; la longitud de entrada aumenta trabajo de atención y memoria temporal. Hardware, software de inferencia, tamaño de lote y cuantización también cambian velocidad y coste. Ninguna cifra aislada los determina.

La tarjeta identifica Kimi K2 Thinking como un modelo INT4 nativo. Cuatro bits por cada uno de un billón de parámetros dan un mínimo aritmético cercano a 500 gigabytes decimales solo para pesos, antes de metadatos, escalas de cuantización, caché, activaciones y sobrecarga del motor. Es una estimación de orden de magnitud, no el requisito de una configuración concreta. “Abierto” no significa “cabe en un portátil”.

Moonshot atribuye a su entrenamiento consciente de cuantización una reducción de memoria y una aceleración de dos veces en un modo de baja latencia sin pérdida. Esa es una afirmación del desarrollador. Para trasladarla a un despliegue hay que comparar la misma salida, hardware, motor, lote, longitud, precisión y criterio de calidad. Una cuantización puede conservar un benchmark medio y cambiar casos particulares.

Pesos abiertos no significan sistema reproducible

Moonshot publica código y pesos bajo una licencia MIT modificada. Esto permite inspeccionar y operar un artefacto que un servicio cerrado no entrega, sujeto a las condiciones de la licencia y a los avisos de terceros. La organización puede fijar una versión, calcular su huella, ejecutarla dentro de su red y modificar la capa que la rodea.

Eso no equivale automáticamente a “código abierto” en todos los sentidos ni a reproducir el modelo desde cero. Los pesos son el resultado del entrenamiento. Para repetirlo harían falta datos, filtrado, orden, código completo, hiperparámetros y cómputo. La licencia responde qué usos concede el titular; la documentación responde qué puede estudiarse; la reproducibilidad responde si otra parte puede reconstruir el resultado. Son tres ejes.

El informe técnico de la familia Kimi K2, publicado antes de esta versión, documenta la base de mezcla de expertos: 1,04 billones de parámetros totales, unos 32.000 millones activos, 384 expertos y ocho seleccionados por token, además del experto compartido. También describe preentrenamiento sobre 15,5 billones de tokens. K2 Thinking reutiliza esa base, pero su tarjeta de noviembre es la fuente específica para la cuantización, el contexto y las evaluaciones de la variante de razonamiento.

La tabla no declara un vencedor universal

En Humanity’s Last Exam sin herramientas, Moonshot publicó 23,9 para Kimi K2 Thinking y 26,3 para GPT-5 en configuración High. Con herramientas, la tabla cambió a 44,9 y 41,7. En el ajuste llamado “heavy”, comunicó 51,0 y 42,0. La tarea era la misma por nombre, pero el sistema evaluado ya incluía presupuestos y herramientas distintos.

BrowseComp, una prueba de búsqueda agéntica, mostraba 60,2 para Kimi y 54,9 para GPT-5 con herramientas. GPQA sin herramientas invertía de nuevo el orden: 84,5 para Kimi y 85,7 para GPT-5. Esos resultados del proveedor pueden justificar una prueba práctica; no sostienen que un modelo supere al otro en conversación, programación, seguridad, coste o cualquier agente.

Una tabla comparable necesita versión exacta, fecha, conjunto de preguntas, herramientas, instrucciones, límite de tokens, límite de llamadas, muestreo, número de intentos, juez y tratamiento de errores. “Heavy” tampoco es una unidad universal: debe traducirse a presupuesto de cómputo y coste. Si dos sistemas reciben recursos distintos, la comparación puede seguir siendo útil como producto, pero no aísla la calidad del modelo.

La pregunta empresarial no es quién gana más celdas. Es cuánto cuesta conseguir un resultado aceptado en la tarea elegida. Un agente que resuelve más casos pero consume muchas más llamadas puede ser preferible en investigación crítica y peor en soporte de gran volumen. El valor depende del error, tiempo y supervisión tolerables.

Doscientas llamadas no son doscientas decisiones correctas

Moonshot afirma que Kimi K2 Thinking conserva comportamiento orientado al objetivo a lo largo de 200 o 300 invocaciones consecutivas. Esa frase describe una capacidad observada por el proveedor, no una obligación de consumir tantas llamadas ni una garantía sobre cualquier herramienta. Una secuencia larga puede ser señal de planificación, repetición inútil o recuperación de fallos.

La fiabilidad compuesta ayuda a entender el reto. En un ejemplo hipotético, si 200 pasos obligatorios fueran independientes y cada uno acertara el 99%, la probabilidad de que todos salieran bien sería aproximadamente el 13,4%. Los supuestos son deliberadamente simplificadores: algunos errores se corrigen y otros se propagan. Aun así, el cálculo muestra por qué ampliar horizonte exige verificación, reintentos y puntos de control, no solo una ventana mayor.

El presupuesto de llamadas debe acompañarse de un estado verificable. Después de cada herramienta, el agente necesita comprobar el resultado contra una condición externa, no creer su propio resumen. Debe distinguir éxito, error recuperable, permiso denegado y dato incompleto. Un límite de coste o tiempo detiene bucles; una aprobación humana protege operaciones irreversibles; un registro permite reconstruir el recorrido.

Cómo probar un agente sin optimizar para el escaparate

Elija tareas reales con inicio y final definidos: localizar cláusulas en un conjunto cerrado, corregir un fallo con tests, o reunir fuentes que respalden una tabla. Prepare variantes no vistas y una respuesta de referencia. Ejecute varias veces con la misma versión y registre tasa de éxito completo, errores parciales, llamadas, tokens, tiempo, coste, intervención humana y cambios no solicitados.

Pruebe también el entorno, no solo el modelo. Una búsqueda puede devolver una página caída; una API, datos mal formados; una terminal, un permiso denegado. El agente útil reconoce la excepción, conserva el estado y elige una recuperación segura. La evaluación debe penalizar una respuesta que parece terminada pero no supera el test externo.

Para despliegue local, fije el hash del artefacto, revise licencia y avisos, limite salida de red, aísle ejecución, separe secretos y registre llamadas. Pesar los archivos antes de comprar hardware evita confundir parámetros activos con memoria total. Medir en el motor y lote previstos evita convertir una cifra de laboratorio en presupuesto.

Kimi K2 Thinking trasladó capacidades de razonamiento y herramientas a un artefacto descargable de enorme escala. Eso amplía quién puede investigar y operar el modelo, pero también desplaza trabajo al usuario: infraestructura, seguridad, evaluación y mantenimiento. La prueba decisiva no es si encadena cientos de llamadas. Es si llega a un resultado verificable con un presupuesto conocido, conserva límites y deja un rastro que otra persona pueda auditar.

Ese criterio sigue siendo válido cuando cambie el nombre del modelo.