Kimi K2 Thinking, de China, marca un nuevo ritmo para la IA de código abierto y supera a GPT 5 en pruebas clave

Un potente modelo abierto desafía a los sistemas más avanzados

Moonshot AI lanzó Kimi K2 Thinking, un modelo de pesos abiertos que apunta directamente al nivel más alto de los sistemas de razonamiento. La empresa afirma que el modelo supera a los principales sistemas propietarios en varias evaluaciones exigentes que miden el razonamiento paso a paso, los agentes de navegación web y la ingeniería de software. K2 Thinking está disponible en la plataforma de Moonshot y en Kimi.com, y sus pesos se publicaron en repositorios públicos para su alojamiento propio, bajo una licencia MIT modificada que permite el uso comercial con un requisito de atribución sencillo para implementaciones de gran escala.

El diseño del modelo combina escala y eficiencia. K2 Thinking utiliza una arquitectura de mezcla de expertos, con un billón de parámetros en total, según lo informado, aunque solo activa alrededor de 32.000 millones por cada token generado. Admite una ventana de contexto de 256.000 tokens y se entrenó para inferencia nativa en INT4 mediante entrenamiento consciente de la cuantización. Esta configuración reduce la latencia y las necesidades de memoria, lo que ayuda a explicar su precio competitivo. Más allá de los resultados brutos, el lanzamiento impulsa a los modelos abiertos hacia el comportamiento de agente. K2 Thinking demuestra planificación a largo plazo y uso estructurado de herramientas a lo largo de entre 200 y 300 llamadas secuenciales, y puede generar trazas de razonamiento transparentes para que los usuarios examinen los pasos intermedios. Estas capacidades, junto con sus menores costos, elevan la presión sobre sus competidores cerrados.

Qué es K2 Thinking y cómo funciona

K2 Thinking está construido como un transformador de mezcla de expertos. Un amplio conjunto de módulos expertos especializados está conectado a un enrutador que selecciona un pequeño grupo para cada token, lo que reduce el cómputo sin sacrificar capacidad. Moonshot describe una arquitectura con 61 capas, 384 expertos, ocho expertos seleccionados por token, 64 cabezales de atención, una dimensión oculta de 7168 y un vocabulario de 160.000 elementos. Solo se activan alrededor de 32.000 millones de parámetros en cada momento, lo que mantiene la inferencia dentro de límites manejables, aunque la capacidad total sea muy elevada. El mecanismo de atención se describe como atención latente multicabezal con activación SwiGLU. El enfoque concentra el entrenamiento y la inferencia en los expertos más pertinentes para el contenido del contexto, lo que mejora tanto el rendimiento como la precisión.

Expertos dispersos y eficiencia

La mezcla de expertos permite que un modelo alcance un billón de parámetros sin ejecutar todos ellos para cada token. En la práctica, esto significa que el modelo puede ofrecer un razonamiento más profundo y un conocimiento más amplio, mientras el uso de memoria y el tiempo de procesamiento se mantienen dentro del rango de los aceleradores actuales. La ventana de contexto de 256.000 tokens permite que el modelo procese bases de código extensas o grandes conjuntos de documentos de investigación y luego planifique muchos pasos mientras utiliza herramientas. Este diseño es especialmente adecuado para tareas de agente, en las que un sistema puede buscar, leer, escribir y verificar resultados mediante decenas o cientos de acciones.

INT4 nativo y entrenamiento consciente de la cuantización

Moonshot entrenó K2 Thinking con métodos conscientes de la cuantización para que pueda ejecutarse de forma nativa en INT4, tanto para almacenar los pesos como para la inferencia. INT4 utiliza cuatro bits por cada valor de parámetro, en lugar de formatos de mayor precisión, lo que reduce las necesidades de memoria y acelera la generación. La empresa informa de una mejora de aproximadamente el doble en la velocidad de generación, con una pérdida mínima de calidad frente a formatos de mayor precisión, y señala que todos los resultados de referencia se obtuvieron en INT4. Esto importa tanto para el costo como para el alcance. Usuarios de la comunidad afirman que ejecutan el modelo en computadoras de escritorio de gama alta, y Moonshot recomienda motores como vLLM, SGLang y KTransformers. El modelo también admite API compatibles con OpenAI y Anthropic, lo que facilita la integración para los equipos que ya utilizan esos formatos.

Pruebas de referencia en las que K2 Thinking lidera

En pruebas públicas, el modelo obtiene resultados que lo sitúan entre los mejores sistemas de razonamiento disponibles y, en varias de ellas, alcanza el primer puesto. Entre las cifras informadas figuran un 44,9 % en Humanity’s Last Exam con herramientas habilitadas, un 23,9 % en una modalidad solo de texto y un 51,0 % en una configuración intensiva; un 60,2 % en BrowseComp, para agentes de navegación web; un 71,3 % en SWE Bench Verified, para corregir errores de software con herramientas; un 83,1 % en LiveCodeBench v6; y un 56,3 % en Seal 0. En matemáticas y ciencias, el modelo alcanza un 94,5 % en AIME25 sin herramientas, un 99,1 % en AIME25 cuando se le permite ejecutar Python, un 89,4 % en HMMT25 sin herramientas y alrededor de un 85 % a un 86 % en la prueba de conocimientos científicos GPQA Diamond. También se informan resultados de 87,0 en Frames, 47,4 en FinSearchComp T3 y 61,1 en SWE Multilingual. En muchas de estas categorías, K2 Thinking iguala o supera a GPT 5, y su resultado en BrowseComp supera ampliamente al de Claude Sonnet 4.5.

Búsqueda y navegación web con agentes

BrowseComp evalúa si un modelo puede planificar, buscar en la web, seguir enlaces, sintetizar hallazgos y verificar respuestas. La puntuación de 60,2 % de K2 Thinking en BrowseComp supera el 54,9 % informado para GPT 5 y aventaja ampliamente el 24,1 % de Claude Sonnet 4.5. El modelo también obtiene buenos resultados en Seal 0 y Frames, que miden la recopilación de información, la planificación y la coherencia al usar herramientas. Estos resultados se ajustan a los objetivos de diseño del modelo. El razonamiento intercalado le permite hacer una pausa, razonar, usar una herramienta y luego actualizar su plan. La compatibilidad con entre 200 y 300 llamadas secuenciales ayuda a mantener el estado durante muchos pasos, mientras la amplia ventana de contexto conserva en memoria el conjunto de trabajo.

Programación e ingeniería de software

SWE Bench Verified evalúa la capacidad de un modelo para leer incidencias de un repositorio, generar un parche y superar las pruebas. K2 Thinking informa de una puntuación del 71,3 % con herramientas, un resultado sólido para un sistema de pesos abiertos. En LiveCodeBench v6 alcanza el 83,1 %, y en SWE Multilingual obtiene un 61,1 %. Demostraciones de la comunidad muestran que puede crear proyectos funcionales a partir de una sola instrucción, incluidos juegos y aplicaciones web completas, y luego corregirlos mediante ciclos iterativos de uso de herramientas. El contexto amplio facilita la navegación por el código, mientras que la inferencia INT4 reduce la latencia durante sesiones de desarrollo prolongadas.

Precio, acceso y licencia

K2 Thinking se distribuye bajo una licencia MIT modificada. Se permite el uso comercial, y las implementaciones de gran escala deben incluir una atribución sencilla. El modelo está disponible para chatear en Kimi.com y se puede utilizar mediante la API de Kimi Open Platform. Para alojarlo por cuenta propia, los equipos pueden obtener los pesos en repositorios públicos de modelos como Hugging Face, en huggingface.co/moonshotai/Kimi-K2-Thinking; la documentación de la plataforma está disponible en platform.moonshot.ai.

Los precios están diseñados para ser inferiores a los de las alternativas cerradas. Moonshot cobra aproximadamente 0,15 dólares por cada millón de tokens cuando hay aciertos de caché, 0,60 dólares por cada millón cuando no los hay y 2,50 dólares por cada millón de tokens de salida. En comparación, GPT 5 cuesta alrededor de 1,25 dólares por cada millón de tokens de entrada y 10 dólares por cada millón de tokens de salida. La compatibilidad nativa de K2 Thinking con INT4 reduce los costos de ejecución, y la arquitectura de mezcla de expertos hace que solo se active una parte de la red en cada momento. En Kimi.com, el modo de chat estándar utiliza un conjunto limitado de herramientas para ofrecer una experiencia más ligera, por lo que los resultados del sitio pueden no coincidir con los de las pruebas de agentes hasta que finalice la implementación del modo Agent.

Por qué esto importa en la carrera por la IA

Los modelos abiertos están acortando distancias con los mejores sistemas cerrados. Los primeros puestos de K2 Thinking en pruebas de referencia indican que la investigación abierta ya puede competir en el nivel más alto en razonamiento, programación y tareas de agente. Esto presiona a los proveedores propietarios para que se diferencien por la fiabilidad, las herramientas de seguridad, el soporte empresarial y los productos integrados, en lugar de hacerlo únicamente por sus resultados más destacados. Para las empresas, los pesos abiertos ofrecen control sobre los datos, el cumplimiento normativo y la infraestructura de implementación. Para los desarrolladores, permiten experimentar con comportamientos avanzados de agente sin pagar tarifas prémium por cada token.

La creciente presencia de China en la IA

Los laboratorios chinos avanzan más rápido y ocupan un lugar cada vez más destacado en el debate. Nombres como DeepSeek, Qwen, MiniMax y Kimi han ganado visibilidad con lanzamientos frecuentes. El modelo anterior de MiniMax estableció un nuevo ritmo para las pruebas de referencia abiertas y un nivel de costos más bajo. K2 Thinking va ahora más lejos en el razonamiento a largo plazo y el uso de herramientas por parte de agentes. Los analistas señalan que los equipos chinos están acortando los ciclos de retroalimentación, recurriendo al escalado durante la inferencia y aprovechando la frecuencia de sus lanzamientos, aunque algunos resultados sigan favoreciendo a los mejores sistemas cerrados. La competencia también está pasando del chat a la inteligencia de agentes, donde un sistema puede planificar, utilizar herramientas y cumplir objetivos complejos. K2 Thinking apunta directamente a ese cambio.

Capacidades y ejemplos reales

Las demostraciones de Moonshot y las pruebas de usuarios destacan cómo el modelo resuelve tareas prolongadas. En una demostración, el sistema aborda una pregunta de matemáticas de nivel doctoral leyendo artículos, extrayendo fórmulas, ejecutando código Python y verificando los resultados a través de más de veinte pasos de razonamiento y uso de herramientas antes de producir una solución final. Otra muestra al modelo realizando búsquedas sucesivas para identificar al actor Jimmy Gary Jr. y confirmar un papel concreto en una película, una tarea que requirió comprobar cuidadosamente las fuentes en numerosas páginas web. En sesiones de programación, quienes lo probaron afirman que K2 Thinking puede crear de una vez un juego funcional al estilo de Space Invaders y luego perfeccionarlo mediante llamadas iterativas a herramientas. Otras demostraciones muestran que puede diseñar sitios web completos, crear componentes de interfaz y hasta replicar una interfaz de escritorio para gestionar archivos y menús.

Qué observan los desarrolladores

Quienes lo prueban de forma independiente en foros de desarrolladores describen un equilibrio entre velocidad y control. Un usuario con experiencia ejecutó el modelo con hardware de consumo y observó un comportamiento estable en cadenas largas de herramientas y con instrucciones extensas. Añadió que la vía nativa INT4 aumentó la velocidad y mantuvo estable la calidad.

En mis pruebas, manejó hasta 300 llamadas secuenciales a herramientas sin perder coherencia, una mejora considerable respecto de modelos anteriores.

Ese mismo usuario destacó una ventana de contexto de 256.000 tokens capaz de procesar grandes proyectos de código, una sólida capacidad de programación multilingüe y mejoras prácticas en tareas de interfaz. En computadoras de escritorio de gama alta, el rendimiento informado llegó a decenas o cientos de tokens por segundo, según la configuración, lo que hace que los ciclos de uso de herramientas sean lo bastante ágiles para trabajar en desarrollo.

La perspectiva de los expertos

Nathan Lambert, investigador de IA que sigue los modelos abiertos y los sistemas de agentes, sostiene que K2 Thinking marca un punto de inflexión para los modelos de pesos abiertos en el nivel más alto de rendimiento. También destaca el ritmo de los lanzamientos de los laboratorios radicados en China.

Se considera que este lanzamiento es lo más cerca que han estado los modelos abiertos de la frontera de rendimiento de los sistemas cerrados.

Lambert también señala que el sector abierto tiene ventaja en la velocidad con que lanza nuevos sistemas y versiones, aunque los modelos cerrados siguen liderando en algunas áreas.

Los modelos abiertos se publican más rápido. Los laboratorios chinos lanzan sus modelos mucho más rápidamente que los occidentales.

Lo que K2 Thinking aún debe demostrar

Liderar en pruebas de referencia no equivale a ser superior en todos los aspectos de la producción. Algunos usuarios informan de fallas ocasionales de memoria en contextos muy extensos, un desafío frecuente en los sistemas con ventanas de contexto amplias. Además, las pruebas de referencia varían en el presupuesto de herramientas permitido y los límites de tokens de razonamiento, por lo que las comparaciones pueden depender de cuánto recurra cada equipo al escalado durante la inferencia. Ejecutar cientos de llamadas a herramientas en una sola sesión también plantea desafíos de alojamiento, ya que los proveedores deben gestionar más estados, más llamadas de red y registros más extensos.

Las empresas estarán atentas a la estabilidad entre versiones, la reproducibilidad de los resultados con configuraciones fijas y las herramientas de seguridad que se integren en los flujos de trabajo existentes. La salida de trazas de razonamiento es un avance útil, ya que permite a los equipos examinar los pasos intermedios, pero también obliga a los operadores a decidir cuánto razonamiento registrar y cuándo ocultar contenido sensible. Por último, el diseño abierto del modelo favorece una rápida iteración de la comunidad, lo cual es una ventaja, pero también dará lugar a numerosas variantes con distintos compromisos entre velocidad, uso de memoria y calidad. Los primeros resultados son prometedores, y las pruebas continuas en distintos idiomas, ámbitos y equipos permitirán determinar en qué destaca K2 Thinking.

En resumen

• Moonshot AI lanzó Kimi K2 Thinking como un modelo de pesos abiertos, bajo una licencia MIT modificada que permite el uso comercial.
• El modelo utiliza una arquitectura de mezcla de expertos con un billón de parámetros en total y alrededor de 32.000 millones activos por token.
• La inferencia nativa INT4, posible gracias al entrenamiento consciente de la cuantización, reduce los costos y la latencia sin sacrificar calidad.
• K2 Thinking informa de un 44,9 % en Humanity’s Last Exam con herramientas y un 60,2 % en BrowseComp, donde supera a GPT 5 en esa prueba de agentes.
• Entre sus resultados de programación figuran un 71,3 % en SWE Bench Verified y un 83,1 % en LiveCodeBench v6.
• El sistema admite una ventana de contexto de 256.000 tokens y puede realizar entre 200 y 300 llamadas secuenciales a herramientas.
• El precio es de aproximadamente 0,15 dólares por millón de tokens para aciertos de caché, 0,60 dólares cuando no los hay y 2,50 dólares para tokens de salida, muy por debajo de las tarifas de GPT 5.
• Se puede acceder al modelo en Kimi.com, mediante la API de Kimi Open Platform y a través de repositorios públicos como Hugging Face.
• Los modelos abiertos de China, entre ellos Kimi, DeepSeek, Qwen y MiniMax, están acelerando el ritmo de los lanzamientos y elevando los resultados en las pruebas de referencia.
• Entre los aspectos que habrá que vigilar están la fiabilidad con contextos extensos, el soporte de alojamiento para ciclos prolongados de uso de herramientas y el rendimiento real bajo las limitaciones de producción.