Moonshot lanza Kimi K2 Thinking, un modelo abierto capaz de encadenar 300 llamadas a herramientas

Moonshot AI ha lanzado Kimi K2 Thinking, su modelo abierto de razonamiento más potente. Está diseñado como agente: piensa paso a paso y llama a herramientas entre un paso y otro, hasta 200–300 llamadas seguidas sin intervención humana. En Humanity's Last Exam, con búsqueda, Python y navegador, el modelo obtuvo un 44,9%; en BrowseComp, un 60,2% frente al 29,2% del nivel humano; y en SWE-Bench Verified, un 71,3%. El modelo está disponible en el chat de kimi.ai y a través de la API.

Cómo funciona el bucle agéntico

Moonshot lo describe como escalado en tiempo de inferencia: no crece solo el número de tokens de razonamiento, sino también el de pasos con herramientas. Un ciclo típico es este: piensa, busca, abre el navegador, vuelve a pensar, escribe código. Por el camino, el modelo plantea y afina hipótesis, comprueba fuentes y construye la respuesta. En uno de los ejemplos de la compañía, resolvió un problema matemático de nivel PhD en 23 pasos que alternaban razonamiento y llamadas a herramientas.

Las notas al pie del propio lanzamiento incluyen una salvedad práctica. El chat de kimi.ai usa un conjunto recortado de herramientas y menos turnos, por lo que las cifras de los benchmarks pueden no reproducirse allí. El modo agéntico completo en el producto llegará más adelante.

Velocidad: INT4 sin pérdida de calidad

El principal detalle de ingeniería es la cuantización. Los modelos con razonamiento largo generan secuencias enormes, y la compresión a pocos bits suele perjudicar de forma notable la calidad. Moonshot aplicó Quantization-Aware Training en la fase de posentrenamiento: los pesos de los componentes MoE se almacenan en INT4 (weight-only). Esto permite una inferencia INT4 nativa y una generación aproximadamente el doble de rápida. Todos los resultados publicados se obtuvieron precisamente en INT4, es decir, sin descuento respecto a la precisión «completa».

Cifras clave del lanzamiento:

• HLE con herramientas: 44,9% (sin bloquear el acceso a Hugging Face, 51,3%).
• BrowseComp: 60,2%; el nivel base humano es del 29,2%.
• SWE-Bench Verified: 71,3%; SWE-Multilingual: 61,1%; Terminal-Bench: 47,1%.
• Contexto: 256k tokens, temperatura 1,0 en la mayoría de las pruebas.
• HLE: hasta 120 pasos y 48k tokens de razonamiento por paso; búsqueda agéntica: hasta 300 pasos y 24k tokens por paso.
• Heavy Mode: ocho trayectorias paralelas con agregación posterior de las respuestas; en la comparación se utiliza GPT-5 Pro.

Qué conviene verificar en la metodología

Moonshot detalla las condiciones de las pruebas, lo que permite evaluar las cifras con espíritu crítico. En HLE se bloqueó el acceso a Hugging Face por el riesgo de filtración de respuestas; con acceso, el resultado subiría hasta el 51,3%. Como evaluador actuó o3-mini con los prompts oficiales de HLE.

Para GPT-5 se usó un nivel alto de reasoning effort. Parte de los resultados de otros modelos procede de publicaciones oficiales (en HLE con herramientas, 35,2 para GPT-5 y 38,6 para Grok-4), mientras que los que faltaban se volvieron a medir en las mismas condiciones y se marcaron con un asterisco. Para IMO-AnswerBench, Moonshot volvió a ejecutar GPT-5 a través de la API y obtuvo 76 frente a los 65,6 del artículo del benchmark.

Los resultados de programación son el promedio de cinco ejecuciones con un arnés propio derivado de SWE-agent, con ventanas recortadas en las herramientas Bash y Edit y un prompt de sistema reescrito. Una prueba independiente y reproducible con otro arnés puede arrojar números distintos.

Para quién es útil y cómo aprovecharlo

Conviene probar el modelo donde importa una cadena larga de acciones: búsqueda de investigación en información enrevesada, tareas de varios pasos en terminal y frontend en HTML y React, donde Moonshot afirma haber logrado una mejora notable. Los equipos que construyen sus propios agentes deberían incluir la gestión del contexto en su pipeline. En las pruebas, cuando se desbordaban los 256k, Moonshot simplemente ocultaba todos los resultados anteriores de las herramientas, un recurso fácil de replicar.

Para evaluar el modelo con datos propios hay que ejecutarlo con el conjunto completo de herramientas y con límites de pasos cercanos a los de los benchmarks: el chat de kimi.ai no sirve para esto, mientras que la API se acerca más a las condiciones de la prueba. La ganancia del INT4 importa a quienes pagan por latencia y memoria de GPU: una generación el doble de rápida cambia de forma notable la economía de los agentes con cientos de pasos.