moonshotai
MoonshotAI: Kimi K3.1 Pro (batch)
moonshotai/kimi-k3.1-pro:batch
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 (batch) de MoonshotAI es un modelo de razonamiento multimodal nativo de pesos abiertos, ofrecido en OpenRouter como variante batch, que acepta texto, imagen y, según el catálogo, video como entrada y devuelve texto. Post-entrenado desde Kimi K3, emplea una arquitectura de mezcla de expertos de gran escala y una ventana de contexto de aproximadamente un millón de tokens. El proveedor lo orienta a trabajos agénticos y de codificación de largo alcance; el esfuerzo de razonamiento es configurable y viene activado por defecto. Las evaluaciones del proveedor y de arenas son favorables en varias categorías, pero hace falta validación independiente en cargas reales.[1][2]
Puntos fuertes
- Diseño de mezcla de expertos de pesos abiertos con activación dispersa, descrito por el proveedor como su modelo más capaz en esta clase hasta la fecha.[2]
- Ventana de contexto muy larga, de cerca de un millón de tokens, adecuada para documentos extensos y sesiones de agente prolongadas.[1][2]
- Entrada multimodal y esfuerzo de razonamiento configurable; las evaluaciones publicadas por el proveedor y por arenas reportan resultados competitivos en codificación y tareas agénticas.[1][2]
Limitaciones
- La evidencia proviene solo de un catálogo de mercado y de la ficha del propio proveedor; las puntuaciones reportadas son del proveedor o de arenas y pueden no predecir el rendimiento en sus cargas, así que valide con tareas reales antes de adoptarlo.[1][2]
- Las fuentes difieren en el alcance de entrada: la ficha lista texto e imagen, mientras el catálogo de OpenRouter también lista video; el soporte de video no está verificado aquí.[1][2]
- La fecha de corte de conocimiento, el comportamiento de latencia y entrega del modo batch y los términos de la licencia personalizada kimi-k3.1-pro no están documentados en este paquete de fuentes.[1][2]
Dónde utilizarlo
- Procesamiento por lotes de documentos largos y bases de código grandes que pueden beneficiarse de la ventana de contexto extendida.[1][2]
- Codificación agéntica y generación orientada a aplicaciones, web o diseño, áreas destacadas en las evaluaciones del proveedor y de arenas.[1][2]
- Canalizaciones de investigación o análisis intensivas en razonamiento donde el esfuerzo configurable y el tiempo de entrega batch sean aceptables.[1][2]
Fuentes
- [1] OpenRouter catalog · MoonshotAI: Kimi K3.1 Pro (batch)Fuentes consultadas: 13 nov 2026
- [2] Model documentation · MoonshotAI: Kimi K3.1 Pro (batch)Fuentes 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:batch
- 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 $0.700 / salida $6
- 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 | — |
| 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) |
|---|---|---|---|---|---|---|
| Sail Researchfp4 | 1,048,576 | $0.700 | $6 | — | — | — |
Datos de proveedores obtenidos: 13.11.2026
Artículos relacionados
Ningún artículo publicado identifica aún este modelo.