moonshotai
MoonshotAI: Kimi K3.1 Pro
moonshotai/kimi-k3.1-pro
Nuestro análisis
Análisis asistido por IA basado en las fuentes siguientes. La idoneidad es una valoración editorial; compruébala con tus propias tareas.
Kimi K3.1 Pro (moonshotai/kimi-k3.1-pro) es el modelo agéntico multimodal nativo y de pesos abiertos de Moonshot AI, post-entrenado a partir de Kimi K3 mediante aprendizaje por refuerzo conjunto a gran escala. Según su ficha, usa una arquitectura de mezcla de expertos con un codificador de visión dedicado y una ventana de contexto de aproximadamente un millón de tokens; el catálogo de OpenRouter indica entradas de texto, imagen y video con salida de texto. Las evaluaciones reportadas por el proveedor muestran resultados competitivos en codificación y tareas agénticas con esfuerzo de razonamiento máximo, aunque los resultados son dispares en algunos benchmarks.[1][2]
Puntos fuertes
- Descrito en las fuentes como un modelo de mezcla de expertos de pesos abiertos con una ventana de contexto de aproximadamente un millón de tokens, adecuado en principio para entradas muy largas.[1][2]
- El razonamiento está activado por defecto y es configurable en varios niveles de esfuerzo, según el listado del catálogo de OpenRouter.[1]
- Los resultados medidos en las fuentes suministradas son competitivos en varios benchmarks de codificación, agénticos y multimodales ejecutados por el proveedor, y los datos del arena de diseño del catálogo muestran resultados relativamente sólidos en áreas como componentes de UI y generación 3D.[1][2]
Limitaciones
- Lagunas de evidencia: la tabla de benchmarks del paquete de fuentes está truncada, y no se documentan la fecha de corte de conocimiento, los requisitos de hardware ni el comportamiento de seguridad; la licencia aparece solo como una licencia personalizada de tipo 'other', por lo que conviene revisar sus términos antes de usarla.[2]
- Las evaluaciones reportadas se ejecutaron con esfuerzo de razonamiento máximo y configuraciones de muestreo específicas, e incluyen benchmarks internos, por lo que los resultados podrían no generalizarse a otras configuraciones; algunas puntuaciones quedan por debajo de pares listados, en particular en ciertas tareas de síntesis de programas y de terminal científica.[2]
- La modalidad de entrada es inconsistente entre fuentes: la tabla de la ficha del modelo lista texto e imagen, mientras que OpenRouter además lista entrada de video, por lo que el soporte de video debería verificarse antes de depender de él.[1][2]
Dónde utilizarlo
- Vale la pena evaluarlo para flujos de trabajo de codificación de largo horizonte y tareas agénticas que se beneficien de una ventana de contexto muy grande y del uso de herramientas, dado el enfoque declarado por el proveedor y los resultados de benchmarks reportados.[1][2]
- Puede ser adecuado para tareas de generación orientadas al diseño, como componentes de UI, SVG o recursos 3D, donde los datos del arena del catálogo muestran resultados relativamente sólidos; valide la calidad con su propia carga de trabajo.[1]
- Candidato para tareas de investigación y análisis como la investigación financiera, área que el proveedor cita como mejorada, sujeto a verificaciones independientes de precisión.[2]
Fuentes
- [1] OpenRouter catalog · MoonshotAI: Kimi K3.1 ProFuentes consultadas: 13 nov 2026
- [2] Model documentation · MoonshotAI: Kimi K3.1 ProFuentes consultadas: 13 nov 2026
Sobre este modelo
La descripción siguiente es el texto original aportado por OpenRouter, en el idioma de la fuente.
Kimi K3.1 Pro is Moonshot AI's flagship open-weight multimodal reasoning model and a post-trained successor to Kimi K3, with a 1M-token context window. It is built for long-horizon coding, 3D...
Especificaciones
- ID del modelo
- moonshotai/kimi-k3.1-pro
- ID canónico
- moonshotai/kimi-k3.1-pro-20261023
- Creador
- moonshotai
- Añadido a OpenRouter
- 23.10.2026
- Longitud de contexto
- 1,048,576
- Modalidad
- text+image+video->text
- Modalidades de entrada
- text, image, video
- Modalidades de salida
- text
- Precio por token
- USD por 1M de tokens: entrada $2 / salida $10
- Corte de conocimiento
- —
- Fecha de expiración
- —
Tareas y capacidades
Una nota aparece solo cuando la fuente aporta una medición correspondiente para esa tarea, el modelo está activo y la cohorte tiene al menos 10 modelos comparables. La columna de capacidad muestra hechos declarados por la fuente — formatos compatibles, razonamiento y parámetros de herramientas — que no son calidad medida.
| Tarea | Nota | Capacidad declarada por la fuente |
|---|---|---|
| Calidad general | AA — siguiente 20% de la cohorte | razonamiento: opcional · predeterminado max · esfuerzos: max, high, low, none · parámetros: include_reasoning, reasoning, reasoning_effort |
| Programación | Sin medición | — |
| Agentes | Sin medición | parámetros: structured_outputs, tool_choice, tools |
| Escritura | Sin medición | salida: text |
| Razonamiento | Sin medición | razonamiento: opcional · predeterminado max · esfuerzos: max, high, low, none · parámetros: include_reasoning, reasoning, reasoning_effort |
| Análisis de documentos | Sin medición | — |
| Visión | Sin medición | entrada: image |
| Generación de imágenes | Sin medición | — |
| Audio | Sin medición | — |
| Vídeo | Sin medición | entrada: video |
| Embeddings | Sin medición | — |
Evaluaciones
| Fuente | Benchmark | Valor | Nota | Datos obtenidos |
|---|---|---|---|---|
| Artificial Analysis | Intelligence index | 46.5 | AA — siguiente 20% de la cohorte | 13.11.2026 |
| Design Arena | agents · androidnativetasa de victoria 42.6% · posición 28 | 1,149Elo | CC — por debajo de la franja B | 13.11.2026 |
| Design Arena | agents · codetovideotasa de victoria 58.5% · posición 5 | 1,232Elo | AA — siguiente 20% de la cohorte | 13.11.2026 |
| Design Arena | agents · fullstacktasa de victoria 61.9% · posición 2 | 1,327Elo | SS — 10% superior de la cohorte | 13.11.2026 |
| Design Arena | agents · mobileappstasa de victoria 59.7% · posición 4 | 1,273Elo | SS — 10% superior de la cohorte | 13.11.2026 |
| Design Arena | agents · pdftasa de victoria 57.3% · posición 12 | 1,226Elo | BB — siguiente 30% de la cohorte | 13.11.2026 |
| Design Arena | agents · python-pptxslidestasa de victoria 67.3% · posición 3 | 1,292Elo | SS — 10% superior de la cohorte | 13.11.2026 |
| Design Arena | agents · webappstasa de victoria 61% · posición 3 | 1,307Elo | SS — 10% superior de la cohorte | 13.11.2026 |
| Design Arena | models · 3dtasa de victoria 70.8% · posición 3 | 1,447Elo | SS — 10% superior de la cohorte | 13.11.2026 |
| Design Arena | models · asciiarttasa de victoria 59.1% · posición 6 | 1,302Elo | SS — 10% superior de la cohorte | 13.11.2026 |
| Design Arena | models · codecategoriestasa de victoria 60.8% · posición 7 | 1,351Elo | SS — 10% superior de la cohorte | 13.11.2026 |
| Design Arena | models · dataviztasa de victoria 56% · posición 13 | 1,304Elo | AA — siguiente 20% de la cohorte | 13.11.2026 |
| Design Arena | models · gamedevtasa de victoria 66.1% · posición 4 | 1,406Elo | SS — 10% superior de la cohorte | 13.11.2026 |
| Design Arena | models · svgtasa de victoria 62.6% · posición 2 | 1,329Elo | SS — 10% superior de la cohorte | 13.11.2026 |
| Design Arena | models · uicomponenttasa de victoria 65.4% · posición 1 | 1,388Elo | SS — 10% superior de la cohorte | 13.11.2026 |
| Design Arena | models · websitetasa de victoria 57.9% · posición 6 | 1,323Elo | SS — 10% superior de la cohorte | 13.11.2026 |
Cómo funcionan las notas
Cada nota compara un modelo solo con otros modelos evaluados por la misma fuente y métrica en la instantánea actual. S es el 10% superior, A el siguiente 20%, B el siguiente 30% y C el resto. Los modelos sin medición publicada aparecen como no evaluados: un formato compatible nunca implica calidad medida.
- S — S — 10% superior de la cohorte
- A — A — siguiente 20% de la cohorte
- B — B — siguiente 30% de la cohorte
- C — C — por debajo de la franja B
Proveedores
Estadísticas opcionales de proveedores en vivo desde OpenRouter. Los valores ausentes son desconocidos, no cero.
| Proveedor | Longitud de contexto | Precio entrada /1M | Precio salida /1M | Latencia p50 (30m, s) | Rendimiento p50 (30m, tok/s) | Disponibilidad (30m) |
|---|---|---|---|---|---|---|
| Relacefp4 | 1,048,576 | $0.237 | $8.41 | — | — | 100% |
| Wafermxfp4 | 1,048,576 | $0.253 | $8.8 | — | — | 100% |
| Morphfp8 | 1,048,576 | $0.807 | $10.29 | — | — | 100% |
| Sail Researchfp4 | 1,048,576 | $1.04 | $9.35 | — | — | 100% |
| Sail Researchfp4 | 1,048,576 | $1.4 | $9.35 | — | — | — |
| AkashMLfp4 | 1,048,576 | $1.75 | $10 | — | — | 100% |
| Decartmxfp4 | 409,600 | $1.76 | $8.8 | — | — | 100% |
| Wafermxfp4 | 1,048,576 | $1.8 | $9 | — | — | 100% |
| InferenceNetmxfp4 | 1,048,576 | $1.8 | $9 | — | — | 100% |
| InferenceNetmxfp4 | 1,048,576 | $1.8 | $9 | — | — | 100% |
| DeepInfrabf16 | 1,048,576 | $1.9 | $9.5 | — | — | 100% |
| River | 1,048,576 | $2 | $10 | — | — | 100% |
| Fireworks | 1,048,576 | $2 | $10 | — | — | 100% |
| DigitalOcean | 1,048,576 | $2 | $10 | — | — | 100% |
| Parasailfp4 | 1,048,576 | $2 | $10 | — | — | 100% |
| Modalmxfp4 | 1,048,576 | $2 | $10 | — | — | 100% |
| Nebiusfp4 | 1,048,576 | $2 | $10 | — | — | 33.33% |
| Together | 1,048,576 | $2 | $10 | — | — | 15% |
| Moonshot AImxfp4 | 1,048,576 | $2 | $10 | — | — | 100% |
| Alibaba | 1,048,576 | $2.3 | $11.5 | — | — | 100% |
| PrimaLabsmxfp4 | 1,048,576 | $2.7 | $13.5 | — | — | 100% |
| InferenceNetmxfp4 | 1,048,576 | $2.7 | $13.5 | — | — | 100% |
| InferenceNetmxfp4 | 1,048,576 | $2.7 | $13.5 | — | — | 100% |
| Moonshot AImxfp4 | 1,048,576 | $4 | $20 | — | — | 100% |
Datos de proveedores obtenidos: 13.11.2026
Artículos relacionados
Ningún artículo publicado identifica aún este modelo.