--- title: "Kimi K2 en 2026: Qué Usar Ahora (K2.5, K2.6, K3)" description: "Kimi K2 cambió la IA de código abierto en 2025, pero ¿qué deberías usar ahora? Compara la familia K (K2.5, K2.6, K3), precios, benchmarks y autoalojamiento." date: 2025-07-14 categories: ["ai"] tags: ["kimi-k2","moonshot-ai","open-source-llm"] --- import Notice from "@components/widgets/Notice.astro"; import ListCheck from "@components/widgets/ListCheck.astro"; import Accordion from "@components/widgets/Accordion.astro"; import Tabs from "@components/widgets/Tabs.astro"; import Tab from "@components/widgets/Tab.astro"; import YouTubeEmbed from "@components/widgets/YouTubeEmbed.astro"; Kimi K2 fue un punto de inflexión para la IA de pesos abiertos. Cuando Moonshot AI lo lanzó en julio de 2025, fue el primer modelo de código abierto serio diseñado específicamente para tareas agénticas: uso de herramientas, razonamiento de varios pasos, generación de código, no solo conversación. Con 1 billón de parámetros totales y 32 mil millones activados mediante una arquitectura Mixture-of-Experts, compitió directamente con los modelos frontera cerrados. Pero mucho ha cambiado desde entonces. Groq abandonó K2 por completo, los sucesores han incorporado visión, pensamiento y soporte MCP, y el panorama de precios es completamente diferente. Si sigues pensando en Kimi K2 tal como lo describían los artículos del lanzamiento de julio de 2025, estás trabajando con información desactualizada. Este artículo cubre qué fue realmente K2, dónde está la familia K en agosto de 2026 y qué modelo deberías usar hoy. Si te interesa [crear tu propio agente de IA con Mastra](/es/crear-agente-ia-mastra/) o explorar otros frameworks agénticos, los modelos de la familia K están entre las opciones de pesos abiertos más potentes disponibles. Este artículo se publicó originalmente en julio de 2025 y se ha renovado por completo. Las pestañas de Groq, las tablas de precios antiguas y las secciones de hoja de ruta se han reemplazado con información actual. Todos los elementos de la "hoja de ruta futura" del lanzamiento original de K2 ya se han materializado en los modelos sucesores. ## ¿Qué hizo destacar a Kimi K2? A diferencia de los modelos de lenguaje tradicionales que sobresalen en la conversación, Kimi K2 estaba optimizado para **tareas agénticas**. No solo entiende tu petición: planifica, ejecuta y entrega soluciones completas usando herramientas y razonamiento de varios pasos. Esto lo convirtió en el primer modelo de pesos abiertos capaz de competir de verdad con los modelos cerrados en los benchmarks de llamada a herramientas. Moonshot AI lo logró con una enorme arquitectura MoE: 384 expertos con 8 seleccionados por token más 1 experto compartido, entrenado con 15.5 billones de tokens sin ninguna inestabilidad de entrenamiento. El resultado fue un modelo que alcanzó un 65.8% en SWE-bench Verified (un solo intento) y un 70.6% en el benchmark de uso de herramientas Tau2 retail, igualando a los modelos frontera cerrados de la época. Para los desarrolladores que buscaban las [mejores herramientas y agentes de codificación con IA](/es/herramientas-codificacion-ia/), Kimi K2 fue el modelo que demostró que la codificación agéntica de pesos abiertos era viable. ### Especificaciones técnicas clave **Diseño Mixture-of-Experts (MoE):** - **Parámetros totales**: 1 billón - **Parámetros activados**: 32 mil millones por paso hacia adelante - **Configuración de expertos**: 384 expertos + 1 experto compartido, 8 seleccionados por token - **Capas**: 61 (1 densa) - **Dimensión oculta de atención**: 7168, 64 cabezas - **Tamaño del vocabulario**: 160 000 - **Atención**: Multi-head Latent Attention (MLA) con SwiGLU - **Ventana de contexto**: 131 072 tokens (128K) - **Datos de entrenamiento**: 15.5 billones de tokens sin picos de entrenamiento - **Optimizador**: MuonClip (ver el análisis técnico más abajo) - **Corte de conocimiento**: diciembre de 2024 **Resultados de benchmarks (en el lanzamiento, julio de 2025):** - **LiveCodeBench v6**: 53.7% Pass@1 - **SWE-bench Verified**: 65.8% de precisión en un solo intento - **MMLU**: 89.5% de coincidencia exacta - **AIME 2025**: 49.5% (Avg@64) - **Tau2 retail (uso de herramientas)**: 70.6% Avg@4 - **Matemáticas y STEM**: estado del arte en múltiples benchmarks en su lanzamiento **Funciones de inteligencia agéntica:** - **Uso avanzado de herramientas**: integración con APIs y herramientas externas - **Razonamiento de varios pasos**: flujos de resolución de problemas complejos - **Generación de código**: rendimiento sólido en múltiples lenguajes - **Análisis de datos**: análisis estadístico con generación de visualizaciones - **Desarrollo web**: capacidad de construir aplicaciones completas - **Operaciones de línea de comandos**: interacción directa con el sistema y manipulación de archivos - **Sin modo JSON forzado**: el K2 original no admite `response_format`. Usa prompting estructurado en su lugar. - **Temperatura recomendada**: 0.6 ## Kimi K2 frente a la competencia en su lanzamiento (julio de 2025) Estas comparaciones reflejan el panorama competitivo cuando se lanzó K2. Los tres competidores listados aquí están ahora dos o más generaciones por detrás: GPT-5.x, Claude Fable 5 y DeepSeek V3.2 son los equivalentes actuales. Para comparaciones de la generación actual, consulta la sección de la familia K más abajo. | Característica | Kimi K2 | GPT-4.1 | | ----------------------- | -------------- | -------- | | Codificación (LiveCodeBench) | 53.7% | 44.7% | | Uso de herramientas (AceBench) | 76.5% | 80.1% | | Matemáticas (AIME 2025) | 49.5% | 37.0% | | Ventana de contexto | 131K | 128K | | Capacidades agénticas | Nativas | Limitadas | | Coste (entrada/salida) | $0.55-1/$2.2-3 | Más alto | **Ganador en el lanzamiento**: Kimi K2 para codificación y tareas agénticas | Característica | Kimi K2 | Claude Sonnet 4 | | ------------------ | ------- | --------------- | | SWE-bench Verified | 65.8% | 72.7% | | MMLU | 89.5% | 91.5% | | Uso de herramientas | 76.5% | 76.2% | | Código abierto | Sí | No | | Autoalojamiento | Sí | No | **Ganador en el lanzamiento**: competencia reñida — Kimi K2 ganó en accesibilidad y coste | Característica | Kimi K2 | DeepSeek V3 | | ---------------------- | --------------- | ----------------- | | Rendimiento en codificación | 53.7% | 46.9% | | Razonamiento matemático | 49.5% | 46.7% | | Uso de herramientas | 76.5% | 72.7% | | Parámetros | 1T (32B activos) | 671B (37B activos) | | Estabilidad de entrenamiento | Cero picos | Estándar | | Enfoque agéntico | Diseñado para ello | General | **Ganador en el lanzamiento**: Kimi K2 para aplicaciones agénticas especializadas Estos modelos ya están desactualizados. GPT-5.x, Claude Fable 5 y DeepSeek V3.2 son los equivalentes de la generación actual. Para ver cómo compite la familia K hoy, consulta la alineación K2.5/K2.6/K3 más abajo. También puedes ver nuestra guía de [Qwen 3.6 para agentes de codificación con IA](/es/qwen36-agentes-codificacion-ia/) como otra opción actual de pesos abiertos. ## La familia K en 2026: K2.5, K2.6 y K3 Todos los elementos de la "hoja de ruta futura" del lanzamiento original de K2 se han materializado en un sucesor. Esta es la línea temporal completa: | Modelo | Lanzamiento | Parámetros | Contexto | Novedad clave | Precio en OpenRouter | | --- | --- | --- | --- | --- | --- | | **Kimi K2 (0711)** | jul 2025 | 1T / 32B activos | 128K | Original — uso agéntico de herramientas, MoE | $0.57 / $2.30 | | **Kimi K2 0905** | sep 2025 | 1T / 32B activos | 256K | Mejor codificación agéntica | $0.60 / $2.50 | | **Kimi K2 Thinking** | nov 2025 | 1T / 32B activos | 256K | Pensamiento intercalado + uso de herramientas, 200-300 llamadas a herramientas secuenciales | ~$0.60 / $2.50 | | **Kimi K2.5** | ene 2026 | 1T / 32B activos | 256K | Multimodal (MoonViT 400M), Agent Swarm | $0.45 / $2.25 | | **Kimi K2.6** | abr 2026 | ~1T MoE | 262K | Codificación de largo alcance (más de 4 000 llamadas a herramientas / sesiones de 12 h), salidas estructuradas | $0.57 / $3.41 | | **Kimi K2.7-Code** | jun 2026 | ~1T MoE | 262K | Enfocado en codificación, ~30% menos de tokens de razonamiento | — | | **Kimi K3** | jul 2026 | 2.8T / 104B activos | 1M | Kimi Delta Attention, MoonViT-V2, MXFP4, MCPMark 94.5 | $2.80 / $14.00 | K2 demostró que la IA agéntica de pesos abiertos funciona, K2 Thinking añadió razonamiento, K2.5 añadió visión, K2.6 impulsó la codificación de largo alcance y K3 alcanzó la frontera con 2.8 billones de parámetros y una ventana de contexto de un millón de tokens. Si estás comparando la familia K con otras opciones de pesos abiertos, consulta nuestra guía de los [mejores LLM de código abierto para reemplazar a Claude o GPT](/es/mejores-llms-opensource-alternativa-claude/). ## Precios y disponibilidad de Kimi K2 hoy Este es el estado actual a agosto de 2026. ### Kimi K2 original El K2 original (versión 0711) sigue disponible en OpenRouter, pero ahora es un modelo heredado servido por un único proveedor: - **Precio**: $0.57/M de entrada, $2.30/M de salida - **Contexto**: 131K tokens, salida máxima de 100 352 tokens - **Rendimiento**: ~34 tokens/segundo (en el momento de escribir esto) - **Proveedores**: 1 (un único proveedor) Funciona, pero K2.5 es más barato y mejor para la mayoría de los casos de uso. Groq retiró `moonshotai/kimi-k2-instruct` el 10 de octubre de 2025, y su sucesor `kimi-k2-instruct-0905` se apagó el 15 de abril de 2026. Groq ahora dirige a los usuarios a `openai/gpt-oss-120b`. Si buscas la API gratuita de Groq para otros modelos, consulta nuestra guía sobre [la API gratuita de Groq](/groq-api-mistral-streamlit/). ### Qué usar realmente hoy **La recomendación por defecto para la mayoría de los desarrolladores.** - **Precio**: $0.45/M de entrada, $2.25/M de salida (lectura de caché: $0.07/M) - **Contexto**: 262K tokens, salida máxima de 64K - **Proveedores**: 10 en OpenRouter (DeepInfra, SiliconFlow, DigitalOcean, Venice, NovitaAI, Amazon Bedrock y más) - **Funciones clave**: multimodal vía MoonViT (codificador de visión de 400M parámetros), Agent Swarm, modos thinking + instant - **Ideal para**: tareas agénticas con visión, codificación general, cargas de trabajo sensibles al coste K2.5 es el modelo multimodal más barato de la familia K y el que recomendaría para empezar. A $0.45/M de entrada con precios de caché a $0.07/M, es uno de los [modelos de IA más baratos para agentes](/es/mejores-modelos-baratos-hermes-agent/) que aún ofrece un rendimiento agéntico sólido. **Para desarrolladores que necesitan soporte de esquema JSON y codificación de largo alcance.** - **Precio**: $0.57/M de entrada, $3.41/M de salida (lectura de caché: $0.20/M) - **Contexto**: 262K tokens, salida máxima de 262K - **Proveedores**: 20 en OpenRouter - **Funciones clave**: salidas estructuradas vía esquema JSON, entrada de imágenes, más de 4 000 llamadas a herramientas en ejecuciones individuales (hasta 12 horas), Agent Swarm con cientos de subagentes - **Ideal para**: pipelines de producción que requieren salidas estructuradas, flujos de trabajo agénticos de larga duración K2.6 es el caballo de batalla para la codificación agéntica en producción. El soporte de salidas estructuradas (vía esquema JSON) es una mejora significativa sobre el K2 original, que no tenía modo JSON forzado. Con 20 proveedores en OpenRouter, tienes buena redundancia. Para enrutamiento multimodelo entre Kimi, Claude y GPT, considera [Agent Router](https://go.bitdoze.com/agentrouter). **Razonamiento frontera y una ventana de contexto de un millón de tokens.** - **Precio**: $2.80/M de entrada, $14.00/M de salida (lectura de caché: ~$0.29/M) - **Contexto**: 1 000 000 tokens (1M) - **Parámetros**: 2.8T totales / 104B activos, 896 expertos (16 seleccionados + 2 compartidos) - **Funciones clave**: Kimi Delta Attention (KDA) + Gated MLA, MoonViT-V2, cuantización MXFP4, MCPMark-Verified 94.5, parámetro `reasoning_effort` (`low`/`high`/`max`, por defecto `max`) - **Ideal para**: tareas de razonamiento frontera, análisis de contexto masivo, flujos de trabajo intensivos en MCP K3 es el nivel premium, aproximadamente 5 veces el coste de K2.5. Ten en cuenta que K3 siempre devuelve `reasoning_content` y requiere devolver el mensaje completo del asistente (incluyendo `reasoning_content` + `tool_calls`) en conversaciones de varios turnos. También puedes [acceder a Kimi K3 a través de OpenCode Go](/es/opencode-go-plan/), un agente de codificación de código abierto, u [obtener Kimi K3 barato](/es/opencode-go-vs-clinepass-modelos-baratos/) mediante acceso API empaquetado. La plataforma internacional de Moonshot AI está ahora en `platform.kimi.ai` (no en el endpoint `.cn`). El alias `kimi-latest` se retiró el 28 de enero de 2026 — usa siempre slugs de modelo explícitos como `kimi-k3` o `moonshotai/kimi-k2.5`. ## Autoalojar Kimi K2: una comprobación de realidad El artículo original mencionaba "autoalojamiento disponible con vLLM/SGLang/KTransformers". Técnicamente es cierto, pero necesita contexto para la audiencia de bitdoze. Un modelo MoE de 1T de parámetros en block-FP8 requiere clústeres multi-GPU (8x clase H100/H200) y cientos de GB de VRAM. Esto no es trabajo para un VPS. Para la mayoría de los operadores en solitario, el acceso por API a través de OpenRouter o DeepInfra es la opción práctica. **Motores de autoalojamiento** (todos confirmados en el README oficial de GitHub): - **vLLM** — el más popular para servir en producción - **SGLang** — optimizado para generación estructurada - **KTransformers** — descarga híbrida CPU/GPU - **TensorRT-LLM** — inferencia optimizada para NVIDIA **Qué cambió con los sucesores**: K2 Thinking añadió cuantización INT4 nativa, y K3 introdujo MXFP4 — ambos hacen que los clústeres de GPU más pequeños sean casi viables. Pero "casi" sigue significando hardware GPU dedicado, no un VPS de [Hetzner](https://go.bitdoze.com/hetzner) ejecutando tu stack de Docker. _Los precios de los VPS subieron en 2026 — si estás replanteándote un servidor alquilado, mira [qué cambió y cuándo gana un mini PC](/es/subidas-precios-vps/)._ **Detalles de la licencia**: de K2 a K2.6 son de pesos abiertos bajo una licencia MIT modificada. Gratuita para la mayoría de los usos, pero se requiere una licencia comercial separada si tu producto supera los **100 millones de usuarios activos mensuales** o los **$20 millones/mes de ingresos**. La licencia también tiene una excepción de datos sintéticos (las salidas del modelo no están cubiertas) — relevante si estás haciendo fine-tuning. K3 usa una "Licencia Kimi K3" separada. **Kimi Vendor Verifier**: Moonshot incluye una herramienta para confirmar que un endpoint de terceros realmente sirve el modelo correcto. Vale la pena usarla si enrutas a través de proveedores menos conocidos. ## Lo que se ha lanzado desde entonces: visión, pensamiento y MCP El artículo original de K2 tenía una sección de "hoja de ruta futura". Todo en ella se materializó: K2.5 (enero de 2026) añadió capacidades multimodales nativas a través de **MoonViT**, un codificador de visión de 400M parámetros. Esto significa que K2.5 puede procesar imágenes junto con texto — útil para análisis de UI, comprensión de documentos y tareas de depuración visual. K3 lo actualizó a MoonViT-V2 con soporte de vídeo. K2 Thinking (noviembre de 2025) añadió pensamiento intercalado con uso de herramientas. El modelo puede razonar problemas paso a paso mientras llama herramientas en secuencia. Soporta 200-300 llamadas a herramientas secuenciales en una sola ejecución, con 256K de contexto. Benchmarks: SWE-bench Verified 71.3%, HLE 44.9%, BrowseComp 60.2%. K2.6 (abril de 2026) impulsó la codificación agéntica de largo alcance con soporte para más de 4 000 llamadas a herramientas en ejecuciones de hasta 12 horas, con Agent Swarm coordinando cientos de subagentes. K3 (julio de 2026) añadió MCPMark-Verified 94.5 — un sólido soporte del Model Context Protocol para orquestación de herramientas complejas. ## Pruebas reales con Kimi K2 Los resultados de las pruebas siguientes son del lanzamiento original de K2. Reflejan las capacidades del modelo en ese momento. Para pruebas de K2.5/K3, consulta las recomendaciones de la sección de precios más arriba. Probé Kimi K2 construyendo un sitio web completo de paneles solares usando Astro en el editor Zed. Esto es lo que pasó: **Lo que entregó Kimi K2:** - **Estructura completa del proyecto Astro** con la configuración adecuada - **Sistema de diseño responsive** usando Tailwind CSS - **Arquitectura de componentes** con elementos de UI reutilizables - **Optimización SEO** con metaetiquetas adecuadas y datos estructurados - **Optimización de rendimiento** con lazy loading y optimización de imágenes - **Cumplimiento de accesibilidad** siguiendo las pautas WCAG El modelo entendió los requisitos del proyecto y entregó una base de código lista para producción sin múltiples iteraciones. **Capacidades impresionantes:** - **Código limpio y mantenible** siguiendo los estándares de la industria - **Integración adecuada de TypeScript** con seguridad de tipos - **Prácticas modernas de CSS** con CSS Grid y Flexbox - **Composición de componentes** con manejo adecuado de props - **Manejo de errores** y gestión de casos límite - **Documentación** con comentarios en línea y README El código generado parecía escrito por un desarrollador experimentado, no por una IA. **Ejecución de varios pasos:** - **Analizó los requisitos** y propuso una arquitectura óptima - **Creó la estructura de archivos** e inicializó las dependencias del proyecto - **Construyó componentes incrementalmente** con las pruebas adecuadas - **Manejó conflictos de estilos** y desafíos de diseño responsive - **Optimizó el rendimiento** identificando cuellos de botella - **Desplegó y probó** la aplicación final Esto no era solo generación de código — era ingeniería de software genuina. ## Primeros pasos: ejemplos de código Fragmentos de código actualizados para los modelos que realmente deberías usar hoy. **Usando K2.5 (la recomendación por defecto):** ```javascript import OpenAI from "openai"; const openai = new OpenAI({ baseURL: "https://openrouter.ai/api/v1", apiKey: process.env.OPENROUTER_API_KEY, }); const completion = await openai.chat.completions.create({ model: "moonshotai/kimi-k2.5", messages: [ { role: "user", content: "Build a React component for a solar panel calculator", }, ], tools: [ { type: "function", function: { name: "create_file", description: "Create a new file with content", }, }, ], }); console.log(completion.choices[0].message); ``` **Para K3 (razonamiento frontera):** ```javascript const completion = await openai.chat.completions.create({ model: "moonshotai/kimi-k3", messages: [ { role: "user", content: "Analyze this codebase and suggest architectural improvements", }, ], // K3 supports reasoning_effort: "low" | "high" | "max" (default: "max") }); ``` Nota: K3 siempre devuelve `reasoning_content`. En conversaciones de varios turnos, devuelve el mensaje completo del asistente (incluyendo `reasoning_content` y `tool_calls`). **Endpoint internacional corregido:** ```bash curl -X POST "https://api.moonshot.ai/v1/chat/completions" \ -H "Authorization: Bearer $MOONSHOT_API_KEY" \ -H "Content-Type: application/json" \ -d '{ "model": "kimi-k3", "messages": [ { "role": "user", "content": "Help me build a complete web application" } ] }' ``` El alias `kimi-latest` se retiró el 28 de enero de 2026. Usa siempre slugs de modelo explícitos: `kimi-k3`, `kimi-k2.5`, etc. La documentación está en `platform.kimi.ai`. ## Optimización de rendimiento y costes **Actualizado para 2026:** - **Se acabaron los 250 TPS de Groq** — Groq abandonó todas las variantes de K2; la inferencia más rápida de la familia K ahora es a través de DeepInfra o SiliconFlow en OpenRouter - **K2.5 en DeepInfra/SiliconFlow** para la mejor relación velocidad-coste - **K3 para capacidad** cuando necesitas razonamiento frontera o contexto de 1M - **Activa el streaming** para respuestas en tiempo real en flujos de trabajo agénticos - **Usa salidas estructuradas** (solo K2.6+, vía esquema JSON) para un formato consistente - **Implementa caché** — lecturas de caché de K2.5 a $0.07/M, K3 a $0.29/M **Estrategias económicas:** - **Empieza con K2.5** a $0.45/M de entrada — es el modelo multimodal más barato de la familia K - **Usa los precios de caché** para patrones repetidos (K2.5: lecturas de caché a $0.07/M) - **Agrupa peticiones similares** cuando sea posible - **Elige el nivel de modelo adecuado** — no uses K3 ($14/M de salida) para tareas que K2.5 ($2.25/M) maneja bien - **Supervisa el uso** con los paneles de proveedores de OpenRouter - **Considera [OpenCode Go](https://go.bitdoze.com/opencode-go)** para acceso empaquetado a K3 y otros 17 modelos **Buenas prácticas:** - **Ajustes de temperatura**: K2 original = 0.6; K2.5/K2 Thinking = 1.0 (modo thinking) / 0.6 (modo instant); top_p 0.95 - **Proporciona definiciones de herramientas claras** con parámetros explícitos - **Estructura las tareas complejas** en pasos claros - **Usa salidas estructuradas** (solo K2.6+) — el K2 original no admite `response_format` - **Incluye ejemplos** en tus prompts para mejores resultados a la primera - **Prueba con diferentes proveedores** para encontrar el rendimiento óptimo para tu carga de trabajo ## Innovación técnica: el optimizador MuonClip La estabilidad de Kimi K2 proviene de una innovación de entrenamiento que resolvió uno de los mayores problemas de los modelos MoE grandes. Kimi K2 introdujo el optimizador MuonClip, resolviendo los problemas de inestabilidad de entrenamiento que aquejan a los modelos MoE grandes. Esta innovación permitió cero picos de entrenamiento a lo largo de 15.5 billones de tokens — una primicia a esta escala. **Innovaciones clave:** - **Técnica QK-Clip**: evita las explosiones de logits de atención que causan divergencia en el entrenamiento de modelos MoE grandes - **Escalado adaptativo**: ajuste dinámico basado en patrones de atención durante el entrenamiento - **Entrenamiento estable**: cero picos durante entrenamientos de 15.5 billones de tokens - **Eficiencia por token**: rendimiento superior por token de entrenamiento en comparación con optimizadores estándar Las innovaciones de estabilidad de MuonClip se trasladaron a todos los sucesores de la familia K. La estabilidad de entrenamiento que permitió es una de las razones por las que Moonshot AI pudo iterar tan rápido de K2 a K3 en solo un año. ## Veredicto final: ¿qué modelo Kimi deberías usar? - **Agéntico económico + visión** → **K2.5** ($0.45/$2.25, 10 proveedores, multimodal, caché $0.07) — el valor por defecto para la mayoría de los desarrolladores - **Salidas estructuradas + codificación de largo alcance** → **K2.6** ($0.57/$3.41, esquema JSON, 20 proveedores, entrada de imágenes) - **Razonamiento frontera + contexto de 1M** → **K3** ($2.80/$14.00, 2.8T de parámetros, MCPMark 94.5) - **K2 original** → solo si necesitas específicamente la versión 0711 por compatibilidad; en caso contrario usa K2.5 Para la mayoría de los desarrolladores en 2026, empieza con **Kimi K2.5 en OpenRouter**. Es el modelo multimodal más barato de la familia K con 10 proveedores, precios de caché a $0.07/M y un rendimiento agéntico sólido. Si necesitas salidas estructuradas o codificación de largo alcance, sube a K2.6. Reserva K3 para tareas frontera que realmente necesiten un contexto de un millón de tokens. ¿Quieres probar Kimi K3 sin el precio premium? [OpenCode Go](https://go.bitdoze.com/opencode-go) te da acceso a K3 y otros 17 modelos por unos $10/mes. Para una visión más amplia de las opciones de pesos abiertos, consulta nuestra guía de los [mejores LLM de código abierto para reemplazar a Claude o GPT](/es/mejores-llms-opensource-alternativa-claude/). ## Preguntas frecuentes Sí. El Kimi K2 original (versión 0711) sigue disponible en OpenRouter a $0.57/M de entrada y $2.30/M de salida, servido por un único proveedor con un rendimiento de ~34 tokens/segundo. Sin embargo, K2.5 es más barato ($0.45/$2.25), tiene más proveedores (10 frente a 1) y añade capacidades multimodales. A menos que necesites específicamente la versión 0711 por compatibilidad, usa K2.5. Groq retiró `moonshotai/kimi-k2-instruct` el 10 de octubre de 2025, redirigiendo a los usuarios a la versión 0905. Ese sucesor quedó obsoleto el 23 de marzo de 2026 y se apagó el 15 de abril de 2026, reemplazado por `openai/gpt-oss-120b`. La razón probable es la optimización de costes y demanda — el hardware personalizado de Groq se aprovecha mejor sirviendo modelos con mayores requisitos de rendimiento. No. Un modelo MoE de 1T de parámetros en block-FP8 requiere 8 GPUs de clase H100/H200 y cientos de GB de VRAM. Es una carga de trabajo de clúster multi-GPU, no algo que ejecutes en un VPS. La INT4 nativa de K2 Thinking y la cuantización MXFP4 de K3 hacen que los clústeres más pequeños sean casi viables, pero "más pequeños" sigue significando hardware GPU dedicado. Para la mayoría de los operadores en solitario, el acceso por API a través de OpenRouter es el camino práctico. | Modelo | Precio (Entrada/Salida) | Contexto | Función clave | Proveedores | | --- | --- | --- | --- | --- | | K2.5 | $0.45 / $2.25 | 262K | Multimodal (visión), el más barato | 10 | | K2.6 | $0.57 / $3.41 | 262K | Salidas estructuradas (esquema JSON), largo alcance | 20 | | K3 | $2.80 / $14.00 | 1M | Razonamiento frontera, MCPMark 94.5 | Varios | Empieza con K2.5. Sube a K2.6 cuando necesites salidas estructuradas. Usa K3 solo para tareas frontera. De pesos abiertos bajo una licencia MIT modificada. Gratuito para la mayoría de los usos. Se requiere una licencia comercial separada si tu producto supera los 100 millones de usuarios activos mensuales o los $20 millones/mes de ingresos. La licencia también tiene una excepción de datos sintéticos (las salidas del modelo no están cubiertas por la licencia). K3 usa una "Licencia Kimi K3" separada con términos diferentes.