Kimi K2, K2 Thinking y K3 en detalle: la familia de modelos de Moonshot AI explicada

Quien profundiza en la familia de modelos de Moonshot AI se encuentra rápidamente con toda una serie de denominaciones: Kimi K2, Kimi K2 Thinking, K2.5, K2.6, K2.7 Code y, finalmente, K3. A diferencia de muchos proveedores occidentales, que rara vez hacen públicas sus versiones de modelo, Moonshot AI publica para cada versión importante informes técnicos y los propios pesos del modelo para su descarga. Para las personas interesadas del sector inmobiliario y financiero merece la pena echar un vistazo más detallado, porque detrás de los números de versión se ocultan diferencias concretas en la ventana de contexto, la carga computacional y las capacidades de agente, y con ello también en la pregunta de para qué es realmente adecuado un modelo en el día a día laboral.

Del modelo de investigación al peso pesado: la serie Kimi K2

Kimi K2: la base técnica

La versión original de Kimi K2 se presentó en julio de 2025 y se describió en detalle en un informe técnico («Kimi K2: Open Agentic Intelligence»). Técnicamente se trata de un llamado modelo de mezcla de expertos (Mixture-of-Experts, MoE): en lugar de una única red neuronal activa de forma continua, el modelo se compone de muchas subredes especializadas («expertos»), de las cuales, en cada consulta, solo se activa realmente una pequeña parte. En Kimi K2, según indica Moonshot AI, se trata en total de alrededor de un billón de parámetros, de los cuales se utilizan activamente unos 32.000 millones en cada consulta individual. El modelo se distribuye en 384 expertos, de los cuales se seleccionan específicamente 8 por cada fragmento de texto, complementados por un experto «compartido» siempre activo.

Esta estructura explica por qué Kimi K2, a pesar de su enorme tamaño total, puede funcionar de forma comparativamente económica: no es necesario calcular todo el billón de parámetros para cada consulta, sino solo una pequeña parte seleccionada. Según Moonshot AI, el modelo se entrenó con un método de optimización especialmente desarrollado (MuonClip), destinado a mejorar la estabilidad del entrenamiento en modelos MoE de este tamaño. La versión base original ofrecía una ventana de contexto de 128.000 tokens; la versión Instruct (para diálogos e instrucciones), publicada al mismo tiempo, se amplió a 256.000 tokens.

Kimi K2 Thinking: pensar y actuar en un solo modelo

En el otoño de 2025, según informes coincidentes de noviembre de 2025, Moonshot AI presentó con «Kimi K2 Thinking» una variante que incorpora, además, un razonamiento detallado y de varios pasos antes de la respuesta propiamente dicha, y que ya durante el proceso de razonamiento puede recurrir a herramientas (por ejemplo, una búsqueda web o una calculadora). Según los datos de referencia disponibles, el modelo alcanzó en la conocida prueba de programación «SWE-Bench Verified» un valor de aproximadamente el 71 por ciento y pudo, en escenarios de prueba, realizar de forma autónoma varios cientos de llamadas a herramientas consecutivas para resolver tareas complejas y prolongadas. Con ello, Moonshot AI se posicionó deliberadamente en el ámbito de los llamados modelos de agente, que no solo responden, sino que planifican y ejecutan de forma autónoma tareas de varios pasos.

La evolución en 2026: K2.5, K2.6 y K3

A lo largo de 2026, Moonshot AI publicó varias ampliaciones adicionales. Según fuentes coincidentes, aunque no siempre uniformes, aparecieron K2.5 y, en abril de 2026, K2.6, con una ventana de contexto ampliada a 256.000 tokens y capacidades de programación mejoradas, seguidas de una variante especializada en tareas de programación llamada K2.7 Code. En julio de 2026 llegó finalmente Kimi K3, que, según el fabricante, se presenta con una ventana de contexto ampliada a aproximadamente 1 millón de tokens y procesamiento nativo de imágenes (Vision), cuatro veces mayor, según Moonshot AI, que la ventana de contexto de K2.6. Sobre el tamaño exacto de parámetros de K3 circulan diferentes cifras en distintas fuentes (en parte en el rango de aproximadamente dos a tres billones de parámetros totales); actualmente no puede confirmarse con total seguridad una cifra oficial y definitiva unificada, por lo que aquí se habla deliberadamente de un orden de magnitud en lugar de una cifra exacta.

¿Qué hace especiales a los modelos Kimi técnica y estratégicamente?

Pesos abiertos con condición comercial

Moonshot AI publica los pesos del modelo de K2 y sus sucesores bajo una licencia MIT modificada, formulada por la propia empresa. En esencia, se trata de una licencia de código abierto muy libre, que también permite el uso comercial. Una particularidad: quien opere un producto o servicio basado en los modelos con más de 100 millones de usuarios activos al mes o más de 20 millones de dólares estadounidenses de facturación mensual debe mostrar de forma visible la indicación «Kimi K2» en su propia interfaz. Para la gran mayoría de los casos de uso pequeños y medianos –también en el sector inmobiliario– esta cláusula prácticamente no tiene efecto, pero muestra que «abierto» en el caso de Kimi no se entiende de forma del todo incondicional.

Capacidades de agente y gran ventana de contexto

El enfoque estratégico de los modelos Kimi se centra claramente en las llamadas capacidades de agente: la posibilidad de abordar de forma autónoma tareas de varios pasos con uso de herramientas, acceso web y ejecución de código, en lugar de limitarse a responder preguntas individuales. En combinación con una ventana de contexto muy grande –en K3, alrededor de un millón de tokens–, esto permite procesar en una sola pasada colecciones de documentos muy extensas, por ejemplo, varios cientos de páginas de documentación contractual o una gran colección de documentos de un inmueble.

Regla mnemotécnica: la gran ventana de contexto permite leer muchísimos documentos al mismo tiempo, pero eso no sustituye una revisión cuidadosa del resultado, ya que ni siquiera una ventana de contexto grande protege frente a errores u omisiones en el resultado.

Ejemplos de aplicación práctica

1. Resumen automatizado de grandes volúmenes de expedientes

Un empleado administrativo de una administración de fincas podría hacer que, a través de la API, se leyeran varios cientos de liquidaciones de gastos comunes o actas de asambleas de propietarios en una sola pasada, para que se marcaran de forma automatizada anomalías, por ejemplo, partidas de gastos inusualmente elevadas. La gran ventana de contexto de K2.6 o K3 hace esto técnicamente posible sin tener que dividir previamente los documentos en muchas partes pequeñas.

2. Borrador y maquetación de un dosier

En el modo agente, un agente inmobiliario puede hacer crear una primera versión de borrador de varias páginas de un dosier del inmueble, incluida una presentación web sencilla, que posteriormente se revisa a mano desde el punto de vista editorial y se compara con los datos reales y jurídicamente vinculantes del inmueble.

3. Apoyo en programación para herramientas internas

Dado que los modelos Kimi obtienen resultados especialmente sólidos en pruebas comparativas de tareas de programación, algunos departamentos de TI de empresas inmobiliarias utilizan Kimi como apoyo en la creación de pequeños scripts internos de automatización, por ejemplo, para conciliar listas de alquileres entre dos sistemas de software.

4. Investigación y observación del mercado

A través de la función de navegación web del modo agente, se puede utilizar un modelo para la observación continua de datos de mercado públicamente accesibles, por ejemplo, para resumir la evolución de los tipos de interés o informes de mercado inmobiliario de acceso público; en este caso es importante trabajar exclusivamente con fuentes públicamente disponibles y sin datos personales.

5. Comunicación multilingüe

En carteras inmobiliarias internacionales, un empleado del área financiera puede utilizar Kimi para traducir escritos estándar o resúmenes entre varios idiomas; también aquí se aplica, sin embargo, la limitación descrita anteriormente en cuanto a contenidos con datos personales.

Regla mnemotécnica: cuanto mayor es el volumen de datos que un modelo procesa en una sola pasada, más importante se vuelve la pregunta de dónde se encuentran exactamente esos datos durante el procesamiento; la capacidad de rendimiento y la protección de datos son dos cuestiones separadas que deben responderse ambas.

FAQ sobre los modelos Kimi

¿Cuál es la diferencia entre Kimi K2 y Kimi K2 Thinking?

Kimi K2 es el modelo base original; Kimi K2 Thinking es una variante presentada en noviembre de 2025 que incorpora, antes de la respuesta, un razonamiento más detallado y de varios pasos con uso de herramientas, con lo que obtiene mejores resultados en tareas complejas.

¿Qué tamaño tiene la ventana de contexto de los modelos actuales?

Los modelos de la serie K2 ofrecen generalmente 256.000 tokens de contexto; Kimi K3, presentado en julio de 2026, se indica con alrededor de un millón de tokens.

¿Son realmente de código abierto los modelos Kimi?

Los pesos del modelo son de acceso abierto y se publican bajo una licencia MIT modificada y muy libre. Una particularidad es la obligación de atribución para aplicaciones comerciales muy grandes (más de 100 millones de usuarios o 20 millones de dólares estadounidenses de facturación mensual).

¿Son adecuados los modelos para tareas de programación?

Sí, la serie Kimi K2 y, en particular, la variante especializada K2.7 Code obtienen resultados comparativamente sólidos en pruebas comparativas públicas de programación y se utilizan con frecuencia para agentes de programación.

¿Puedo ejecutar los modelos yo mismo en lugar de usar el sitio web de Kimi?

Sí, dado que los pesos se publican de forma abierta, pueden ejecutarse a través de diversos proveedores de nube o en hardware propio. Sin embargo, esto requiere conocimientos técnicos especializados y capacidad de cálculo suficiente, ya que se trata de modelos muy grandes.

Encontrará información básica sobre la empresa Moonshot AI, los precios y la protección de datos en nuestra página del proveedor. Puede consultar una comparación de los diez proveedores de IA del clúster en la página de resumen.