Kimi K3.1 Pro: benchmarks agénticos y la ruta del agente

Publicado el 27 de octubre de 2026.

Un modelo cuyos pesos todavía no salieron entró en cuarto lugar entre 221 modelos, con 55 puntos, y quedó por delante de Claude Sonnet 5.5 en la evaluación que mide trabajo de terminal. Kimi K3.1 Pro no se vuelve noticia por la posición.

Quien firma la factura de inferencia reconoce la pregunta que queda: ¿dónde el modelo cerrado todavía se paga?

¿Qué lanzó Moonshot el 23 de octubre?

Kimi K3.1 Pro es el modelo que Moonshot AI lanzó el 23 de octubre de 2026 y que Artificial Analysis colocó en 4º de 221 en el Intelligence Index v4.3.2, con 55 puntos. En las tareas agénticas: 67% en Terminal-Bench 4.0, 73% en AutomationBench-AA, 1.846 Elo en GDPval-AA y US$ 2,11 por tarea en la página del modelo, leída el 27/10/2026.

Imagen: Moonshot AI

Imagen: Moonshot AI, reproducida del anuncio de lanzamiento de Kimi K3.1 Pro (23/10/2026).

El artículo de Artificial Analysis del 23 de octubre de 2026, leído el 27/10/2026, es la fuente primaria de esta lectura. El índice es la parte fácil. Por delante quedaron tres modelos: Claude Opus 5.5, con 58 puntos, Claude Sonnet 5.5 y Muse Wonder Full, con 56.

La pieza lee los tres instrumentos por separado y deriva la frontera de ruta por familia de tarea.

¿Qué explica la ficha técnica y qué no explica?

La ficha repite la familia K3: 2,8 billones de parámetros totales, 104 mil millones activos por solicitud, ventana de 1 millón de tokens, entrada de texto e imagen. Nada de eso es nuevo. K3.1 Pro es un sucesor posentrenado, y la ganancia medida viene de ahí, no de una arquitectura que la fuente no describe.

La pieza sobre los pesos abiertos del K3 ya describió la atención KDA y la licencia de la generación anterior. Aquí la arquitectura entra como heredada: el salto de 13% a 67% en Terminal-Bench 4.0 no se explica por parámetro, sino por el ajuste después del preentrenamiento.

La página del modelo, leída el 27/10/2026, registra disponibilidad por API de primera parte. El precio de lista es US$ 2 por millón de entrada, US$ 10 de salida y US$ 0,20 de lectura de caché, 33% por debajo de Kimi K3 en las tres tarifas.

Lo que falta es el peso: la fuente clasifica a K3.1 Pro como propietario en la fecha de lectura, y no hay licencia publicada.

¿Qué mide Terminal-Bench 4.0 que los otros no miden?

Mide trabajo de terminal con horizonte largo: secuencia de comandos, estado que persiste entre pasos y corrección de error a mitad de camino. Kimi K3.1 Pro marcó 67% y el antecesor, 13%, en el artículo de 23/10/2026. Es donde el modelo de pesos no publicados ya disputa la ruta.

Trece por ciento es el marcador de un modelo que describe el comando correcto. Sesenta y siete por ciento es el de un modelo que se equivoca, lee el error e intenta de nuevo hasta que el entorno queda correcto.

La prueba exige continuidad. La tarea encadena comandos dentro del mismo entorno: el estado de un paso es la entrada del siguiente, y un error temprano contamina lo que viene después.

En la misma fuente y la misma fecha, Claude Sonnet 5.5 marcó 64%. El artículo describe los 67% como la mayor puntuación de cualquier modelo en esa evaluación. El artículo de 23/10 no trae el marcador de Opus 5.5 en esa prueba.

En código y terminal con horizonte largo, el modelo cerrado dejó de ser elección automática: Kimi K3.1 Pro, de pesos todavía no publicados, está por delante de Sonnet 5.5 por 67% contra 64% y cobra US$ 2,11 por tarea del índice contra US$ 5,46. Los dos números de costo son de las páginas leídas el 27/10/2026.

¿Qué dice 73% en AutomationBench-AA sobre el flujo de trabajo en SaaS?

Dice que el modelo encadena acciones dentro de software de negocio: llena campo, respeta permiso, trata excepción de formulario. Kimi K3.1 Pro subió de 58% en K3 a 73%, según el artículo de 23/10/2026. Ejecutar un comando es una cosa. Operar un sistema que no fue diseñado para agentes es otra.

Un error en terminal deja una prueba en rojo. Un error en flujo de SaaS graba el registro equivocado, dispara el correo al cliente o mueve el inventario, y el dato queda.

Setenta y tres por ciento no es 100%, y la distancia entre los dos números define si el flujo puede correr sin revisión humana.

Aquí la ruta todavía es mixta: el artículo de 23/10 no trae el marcador de un modelo cerrado en esta evaluación. Kimi K3.1 Pro entra con aceptación humana y registro de cada acción; un modelo cerrado se queda en el flujo donde la excepción cuesta dato de cliente.

¿Por qué GDPval-AA se lee en Elo y no en porcentaje?

Porque GDPval-AA compara entregables entre modelos, y Elo es una escala relativa: no es aprovechamiento de prueba y no se convierte en porcentaje. Kimi K3.1 Pro marcó 1.846 Elo y quedó en 3º, por detrás de Claude Opus 5.5, con 1.866, y de Muse Wonder Full, con 1.857, en el artículo de 23/10/2026.

La ganancia sobre el antecesor: 312 Elo. Lo que mide es la distancia entre entregables juzgados por pares, no la porción de tareas resueltas.

Veinte puntos de Elo separan a K3.1 Pro de Opus 5.5, y eso es poco en la escala. Kimi K3.1 Pro empata en el centro del trabajo de oficina, y quien entrega informe, propuesta o pieza jurídica paga el modelo cerrado por la garantía.

¿Qué muestra el índice de 55 de Kimi K3.1 Pro y qué esconde?

Muestra el promedio ponderado de diez evaluaciones en el Intelligence Index v4.3.2 y la 4ª posición entre 221 modelos. Esconde la distribución. La ganancia sobre los 44 de K3 en la variante max viene concentrada en tres evaluaciones agénticas, y las otras suben poco.

Las demás se mueven en paso corto, según el artículo de 23/10/2026: CritPt de 23% a 25%, SciCode de 59% a 61%. En AA-Omniscience, el índice va de 20 a 30, la alucinación baja de 53% a 44% y la precisión sube de 48% a 51%.

La versión del índice que produce ese 55 tiene Terminal-Bench 4.0 dentro y AutomationBench-AA con peso propio, como describe la pieza sobre el índice v4.3.

Artificial Analysis proyecta que, publicados los pesos, K3.1 Pro será el abierto de mayor puntuación del índice, con la distancia entre líder abierto y líder cerrado cayendo de 12 a 3 puntos. Es proyección, no medición.

¿Por qué dos modelos con el mismo precio cuestan tres veces más por tarea?

Porque el precio de lista es igual y el consumo no. Kimi K3.1 Pro y Claude Sonnet 5.5 cobran US$ 2 por millón de entrada y US$ 10 de salida, y el costo por tarea del índice es US$ 2,11 contra US$ 5,46 en las páginas leídas el 27/10/2026. Lo que separa a los dos es el gasto en tokens de salida.

Fuente: Artificial Analysis, artículo de 23/10/2026 y páginas de modelo leídas el 27/10/2026.

Los 150 millones de tokens de salida de la última columna son del índice completo. Por tarea, son 55 mil. Mezclar los dos inventa una diferencia de tres órdenes de magnitud.

El patrón es verbosidad, y no se convierte en fórmula. Cuatrocientos veinte millones contra 150 millones es 2,8 veces, y el costo por tarea es 2,59 veces mayor. Opus 5.5 cobra el doble en la tabla, consume 260 millones y queda en US$ 5,98, no en los US$ 7,31 que sugeriría una regla de tres a partir de los US$ 2,11 de K3.1 Pro.

El artículo de lanzamiento publicó US$ 1,98 por tarea; la página del modelo, leída el 27/10/2026, trae US$ 2,11 en promedio ponderado, y la tabla usa el número de la página porque los tres modelos se leyeron en la misma fecha.

La pieza del 26/10 ya trató el precio del token contra el costo en el mismo modelo, y esa cuenta no se repite aquí.

¿Qué cambian 41,4 tokens por segundo en un agente de larga duración?

Cambian la fila. Kimi K3.1 Pro entrega 41,4 tokens de salida por segundo en la página del modelo leída el 27/10/2026, contra 98,3 de Claude Opus 5.5 y 141,2 de Claude Sonnet 5.5, en la misma fuente y la misma fecha. En una pregunta aislada eso es comodidad.

En un agente de decenas de pasos, es espera acumulada: K3.1 Pro aparece en 188º de 192 modelos en velocidad de salida en la misma página.

Cada paso espera al anterior. Un agente que encadena treinta llamadas paga la tarifa de salida treinta veces, y la distancia entre 41,4 y 141,2 se convierte en tiempo de pared.

La velocidad de la evaluadora se mide en su entorno, no es la que anuncia cada proveedor.

En alto volumen con respuesta corta, entra en el criterio al lado del precio.

¿Qué cambia el calendario de los pesos en el alojamiento?

Cambia quién puede correr el modelo, dónde queda el dato y cómo se diseña caché y fallback. Los pesos de Kimi K3.1 Pro no fueron publicados, y Artificial Analysis proyecta la publicación poco después del lanzamiento, sin fecha. Hasta entonces, la ganancia agéntica es un número de API de primera parte.

La proyección es de la evaluadora y no lleva fecha: los pesos salen, el modelo se vuelve el abierto de mayor puntuación y la distancia al líder cerrado cae de 12 a 3 puntos.

Hoy el alojamiento es una elección entre proveedores, y la caché es del proveedor.

Cuando el peso sale, el modelo puede correr en el entorno de quien contrata, la caché pasa a ser suya, y el fallback deja de depender de un segundo proveedor. No es una decisión de precio. Es una decisión de dónde queda el dato.

No hay fecha fijada por la fuente ni licencia publicada para los pesos de K3.1 Pro, así que ninguna frase sobre uso comercial se sostiene. La disputa entre líder abierto y cerrado es el eje del texto sobre el fin del duopolio.

¿Cómo enrutar agentes con este conjunto de números?

Se enruta por la evaluación más parecida a la tarea, no por la posición en el índice. Código y terminal con horizonte largo van a Kimi K3.1 Pro, con un modelo cerrado en el segundo intento. El entregable de oficina de alto riesgo y la tarea que exige el tope del índice siguen en el cerrado.

La vara de medir viene antes del proveedor. La pieza sobre las tres evaluaciones agénticas ya mostró que miden cosas distintas, y aquí la diferencia aparece dentro del mismo modelo, que sube de 13% a 67% en una evaluación y de 58% a 73% en la otra.

1. Elegir la vara de medir por la tarea, antes de mirar cualquier ranking.
2. Medir el costo por tarea en la propia carga, con modelo, tokens y resultado en el mismo registro.
3. Definir el fallback por familia y probarlo antes del primer incidente.

La regla en una frase: enrute por la evaluación que se parece a su tarea, nunca por la posición en el índice.

¿Dónde entra Nexforce Router en esta decisión?

Entra como el lugar donde la regla por familia de tarea se aplica y se audita. El Nexforce Router es un gateway con una API para los principales proveedores, enrutamiento por costo, desempeño, latencia y contexto, failover automático con fallback configurable, presupuesto por clave, agente o proyecto y registro de cada llamada.

Una tabla de ruta solo vale si existe un punto único que aplique la regla y muestre qué pasó por ella. Con el Router, cambiar el modelo de una familia se vuelve configuración, no reintegración de código.

El límite es claro. El Router ejecuta y registra la ruta definida, y no decide qué cuenta como tarea concluida.

Preguntas frecuentes

¿Qué es Kimi K3.1 Pro?

Es el modelo que Moonshot AI lanzó el 23 de octubre de 2026, sucesor posentrenado de Kimi K3, con 2,8 billones de parámetros totales y 104 mil millones activos por solicitud. Artificial Analysis lo colocó en 4º de 221 modelos en el Intelligence Index v4.3.2, con 55 puntos. La ganancia sobre el antecesor está en Terminal-Bench 4.0: 67% contra 13% de Kimi K3, según el artículo de 23/10/2026.

¿Ya es un modelo de pesos abiertos?

No. Los pesos de K3.1 Pro no fueron publicados en la fecha de la verificación, y la página del modelo lo clasifica como propietario en la lectura del 27/10/2026. Artificial Analysis proyecta que, publicados los pesos, será el abierto de mayor puntuación del índice. En la misma proyección, la distancia entre el líder abierto y el líder cerrado cae de 12 a 3 puntos. La fuente no fija fecha.

¿Por qué cuesta menos por tarea con el mismo precio de token?

Porque consume menos salida por tarea del índice. Kimi K3.1 Pro y Claude Sonnet 5.5 cobran US$ 2 por millón de entrada y US$ 10 de salida, y el costo por tarea es US$ 2,11 contra US$ 5,46, en las páginas leídas el 27/10/2026. K3.1 Pro gasta 150 millones de tokens de salida en el índice completo, contra 420 millones de Sonnet 5.5.

¿Qué benchmark usar para decidir la ruta de un agente?

El que mide la misma familia de trabajo de su tarea. Terminal-Bench 4.0 sirve para código y terminal con horizonte largo, AutomationBench-AA para flujo en software de SaaS y GDPval-AA para entregable de oficina. En atención de alto volumen con respuesta corta, la vara de medir es precio de lista y velocidad de salida: K3.1 Pro entrega 41,4 tokens por segundo en la página del modelo leída el 27/10/2026. Ninguno de los tres sustituye el costo por tarea medido en la propia carga.

Referencias y lectura complementaria

• Artificial Analysis, "Kimi K3.1 Pro launches at 4th on the Intelligence Index and will lead open weights models", 23 de octubre de 2026: https://artificialanalysis.ai/articles/kimi-k3-1-pro-launch-benchmarks (acceso el 27/10/2026).
• Artificial Analysis, páginas de los modelos Kimi K3.1 Pro, Claude Opus 5.5, Claude Sonnet 5.5 y Muse Wonder Full: https://artificialanalysis.ai/models/kimi-k3-1-pro, https://artificialanalysis.ai/models/claude-opus-5-5, https://artificialanalysis.ai/models/claude-sonnet-5-5, https://artificialanalysis.ai/models/muse-wonder-full (acceso el 27/10/2026).

Lo que queda para el modelo cerrado

La lista de lo que exige modelo cerrado quedó más corta. Lo que resta es el tope del índice y el entregable donde un error cuesta un contrato, dos casos en los que ningún benchmark publicado responde por el riesgo.

Cuando la ruta cambia, el Nexforce Router aplica y registra la elección, con costo y fallback en el mismo registro.