Kimi K3.1 Pro sube al 4.º puesto del AA Index con 55 puntos y un salto en agentes

Moonshot ha lanzado Kimi K3.1 Pro y, según Artificial Analysis, el nuevo modelo de razonamiento ha obtenido 55 puntos en el Intelligence Index. Es el cuarto puesto y supone 11 puntos más que Kimi K3, que tenía 44. Solo están por encima Claude Opus 5.5 (58 puntos en el modo max with fallback), Claude Sonnet 5.5 (56) y Muse Wonder Full (56). Los pesos de K3.1 Pro todavía no se han publicado, pero se espera que Moonshot los libere poco después del lanzamiento. Entonces pasará a ser el modelo más potente entre los open weights, y la distancia entre el mejor modelo abierto y el mejor cerrado se reducirá de 12 puntos a 3.

Salto agéntico: Terminal-Bench pasa de 13% a 67%

Los cambios más llamativos afectan al trabajo agéntico. En GDPval-AA, donde los modelos resuelven tareas cercanas al trabajo real de oficina y de expertos, K3.1 Pro logra 1 846 Elo. Son 312 puntos más que Kimi K3 y el tercer puesto, por detrás de Claude Opus 5.5 (1 866) y Muse Wonder Full (1 857). La diferencia con el líder es de solo 20 Elo.

En Terminal-Bench 4.0 el modelo alcanza 67% y supera a todos los demás, incluido Claude Sonnet 5.5, con 64%. A modo de comparación, Kimi K3 resolvía aquí solo el 13%. Un avance así en una sola actualización apunta a un trabajo deliberado sobre el comportamiento del modelo en la línea de comandos: planificación de pasos, corrección de errores y finalización de las tareas.

AutomationBench-AA, que evalúa escenarios agénticos en productos SaaS, ha subido de 58% a 73%.

Alucinaciones y ciencia: un progreso más modesto

En el resto de pruebas, las mejoras son moderadas. Humanity's Last Exam sube de 47% a 52%, CritPt de 23% a 25% y SciCode de 59% a 61%. El salto agéntico parece la gran apuesta de esta versión, más que un aumento uniforme de la inteligencia.

La fiabilidad de las respuestas ha cambiado de forma más notable. El AA-Omniscience Index sube de 20 a 30: la tasa de alucinaciones baja de 53% a 44% y la precisión aumenta de 48% a 51%. El modelo admite con más frecuencia que no sabe la respuesta, en lugar de inventarla. Para los agentes que llaman a herramientas por sí mismos y escriben en sistemas de producción, es una mejora importante.

Precio por tarea y la cuestión de los pesos

K3.1 Pro consume 55K tokens de salida por tarea del Intelligence Index. Kimi K3 usaba 48K, es decir, un 14% menos. En cambio, Moonshot ha reducido los precios un 33% en las tres tarifas: $2 por millón de tokens de entrada, $10 por los de salida y $0,20 por los aciertos de caché. Como resultado, el coste de ejecutar una tarea se mantiene casi igual, en $1,98. El modelo es claramente más potente y su coste es el mismo.

Características clave:

• Intelligence Index: 55 puntos, 4.º puesto (Kimi K3: 44)
• GDPval-AA: 1 846 Elo, 3.er puesto, +312 respecto a K3
• Terminal-Bench 4.0: 67% (K3: 13%), mejor resultado entre los modelos
• AutomationBench-AA: 73% (antes 58%)
• AA-Omniscience Index: 30 (antes 20), alucinaciones 44%
• Tamaño: 2,8T parámetros en total, 104B activos
• Contexto: 1M de tokens, entrada: texto e imágenes
• Precio: $2 / $10 / $0,20 por 1M de tokens (entrada / salida / caché)
• Coste por tarea: $1,98

Qué comprobar antes de pasar a K3.1 Pro

Los equipos que desarrollan agentes de programación y automatización obtienen una alternativa barata a los modelos cerrados. En Terminal-Bench 4.0, K3.1 Pro supera a Claude Sonnet 5.5, y en GDPval-AA queda a 20 Elo del líder. Además, los tokens cuestan bastante menos. Pero el modelo gasta un 14% más de tokens de salida que su predecesor, así que conviene calcular el coste por tarea y no solo el precio por millón de tokens.

La segunda cuestión tiene que ver con los propios pesos. Mientras no se publiquen, el modelo solo está disponible a través de la API de Moonshot. El autoalojamiento de un modelo de 2,8T con 104B parámetros activos exigirá un clúster considerable, y quienes más se beneficiarán de los pesos abiertos serán los proveedores de nube y las grandes empresas con infraestructura propia. Para el resto importa más otra cosa: la presión sobre los precios de los laboratorios cerrados aumenta, porque la brecha de calidad se ha reducido a 3 puntos.

Antes de migrar, conviene probar el modelo en los escenarios agénticos propios. Los benchmarks indican la categoría del modelo, pero no sustituyen la prueba con tareas reales. Y merece atención aparte la tasa de alucinaciones: 44% sigue siendo un valor alto.