-
Moonshot libera los pesos de Kimi K3.1 Pro: 2,8 billones de parámetros, 1,56 TB y una licencia con tope de 20 millones (04/11)
Sigue de lo de ayer, donde Simon Willison corrió el modelo vía OpenRouter para reproducir la lectura de pesos: ahora los pesos se bajan. La arquitectura es mixture-of-experts con 2,8 billones de parámetros totales y unos 104.000 millones activos por token, 93 capas, 896 expertos de los que se eligen 16 más 2 compartidos, y una atención híbrida de 69 capas KDA y 24 Gated DSA que reemplaza las capas de atención completa de K3. El contexto es de 1.048.576 tokens, el encoder de visión es MoonViT-V2 de 401 millones de parámetros, y los pesos vienen nativamente en MXFP4 con activaciones MXFP8 por entrenamiento consciente de cuantización, así que la descarga son 1,56 TB en 96 shards y no hay checkpoint BF16. Los benchmarks son autoreportados con esfuerzo de razonamiento máximo: 65,7 en Terminal-Bench 4.0, 94,2 en GPQA-Diamond, 92,1 en BrowseComp y 70,0 en HLE-Full con herramientas. Dos letras chicas importan más que los números. La licencia no es OSI: si ofrecés a terceros inferencia o fine-tuning del modelo y el grupo factura más de 20 millones de dólares en cualquier período de doce meses consecutivos, hace falta un acuerdo aparte con Moonshot; el uso interno y el producto que embebe el modelo quedan afuera de esa cláusula. Y el self-hosting no es para cualquiera: la receta de vLLM pide 0.34.0 o posterior y un grupo tensor-parallel de ocho GPUs —dos trays GB300 o un nodo B300—, un nodo de 8×H200 con 1,13 TB de HBM no alcanza para los pesos, y un nodo sale entre 550.000 y 650.000 dólares, el equivalente a unos 55.000 a 65.000 millones de tokens de salida al precio de lista de la API. Hugging Face · OrcaRouter
-
El resultado de weight-space programming se desarma en un día: Honnibal muestra que eran tres experimentos distintos y Willison reproduce la lectura de pesos en su laptop (03-04/11)
Sigue de lo de ayer, donde el paper de Takehi, Teoh, Zhang y Khattab fue el ítem más votado de Hacker News con 1.613 puntos. Hoy los dos ítems más votados son las dos réplicas. Matthew Honnibal —creador de spaCy— argumenta que el framing junta bajo un mismo título tres capacidades que los experimentos no demuestran como una sola: solo tres experimentos corren con pesos crudos y sin herramientas ni código (nombrar un MLP de PPO, nombrar la forma de un MLP de difusión y arreglar una política de auto trabada en Kinetix), sobre redes de 17.000 a 172.000 pesos; los experimentos de modelos de lenguaje, incluido el de Qwen, usan Python, y el de Qwen además corre el modelo sobre hasta 50 lotes de problemas de práctica. Suma los detalles que el titular tapaba: las redes de MinAtar escritas a mano le ganan a PPO solo en Breakout (517 contra 25) y pierden en Seaquest y Asterix, la detección de adulación falló sin patrones de atención y funcionó con ellos, y el mismo experimento sobre Gemma 3 no dio mejora. Por otro lado Simon Willison agarró los prompts del repo del paper —los que dan pesos crudos de políticas de cuatro juegos de grilla y preguntan cuál es cuál— y los corrió en Kimi K3.1 Pro vía OpenRouter y en Qwen 3.8 27B, un modelo de 17 GB en su laptop por LM Studio: Kimi acertó Breakout en unos 9,5 minutos, y Qwen identificó Pac-Man (72% de confianza), Pong (75%) y Breakout (88%), pero tardando entre 46 minutos y más de una hora por prompt y gastando decenas de miles de tokens de razonamiento. La conclusión práctica es la que importa: la lectura de pesos no es una propiedad exclusiva de un modelo frontera, es lenta y carísima, y Willison cierra diciendo que no está listo para concluir que "la era del código fuente terminó". Si ayer alguien guardó el ítem como evidencia de auto-mejora, hoy conviene reemplazarlo por esto. Honnibal · Simon Willison
-
VOLTA: un infostealer que le pasa el botín a un LLM para rankear a las víctimas por cuánto se puede sacar de ellas (02/11)
Cisco Talos describió un stealer de Windows —también llamado VOLTA-AUTODOXER— que roba lo habitual (credenciales y cookies del navegador, datos de mail y Slack, tarjetas, seed phrases de wallets, sesiones de gaming y mensajería, claves de nube y SSH, perfiles Wi-Fi, capturas) y después hace algo nuevo: usa las sesiones robadas para buscar en el Gmail de la víctima recibos de Amazon, Uber Eats o PayPal y confirmar su domicilio, arma con todo eso un "evidence bundle" estructurado y lo manda a un modelo vía OpenRouter. El prompt de sistema, de 240 palabras, le pide actuar como "analista de inteligencia forense" y devolver una sección de bienes rankeada por nivel de monetización y otra de postura de seguridad. El detalle que vale copiar como señal defensiva es el manejo de rechazos: el default es Claude Opus 4.6, y si el modelo se niega el malware busca frases de rechazo en la respuesta y cae a Kimi K2 de Moonshot y después a Gemini 2.5 Flash. La exfiltración va por Telegram en tres momentos, y un template de seis slots que se llena en tiempo de compilación sugiere que el autor vende un builder. Talos aclara que la capa de IA no hace el ataque más rápido ni más grande: le ahorra trabajo analítico al operador. The Hacker News
The Hacker News Moonshot AI Amazon Claude Gemini Cisco Windows
-
Mistral libera los pesos de Large 4: un billón de parámetros, licencia MIT modificada y el mejor modelo abierto en agentes de código (29/10)
Lo que soltó Mistral tres semanas después del preview público del 6 de octubre es un modelo multimodal de cerca de un billón de parámetros totales con 52.000 millones activos por paso, entrada de texto e imagen, salida de texto y código, y entrenado íntegramente en Europa; siguieron haciendo RL después del preview, con las mejoras concentradas en código y ciberdefensa. La licencia es MIT modificada: uso, modificación y despliegue comercial libres, pero quien lo revenda como servicio administrado necesita licencia aparte. Los números, en orden de utilidad: 48 en el Coding Agent Index de Artificial Analysis, empatado con GLM-5.3 pero gastando 47% menos tokens, contra 62 de Claude Code con Opus 5.5; 41% en Terminal-Bench 4.0, desde 28% del preview, contra 40% de GLM-5.3 y 67% de Kimi K3.1 Pro; 19,7% en FrontierCode 2.0, el mejor entre los abiertos, contra 46% de Opus 5.5; y 26 en el índice de inteligencia v5, abajo de los 32 de DeepSeek V4.1 Flash y GLM-5.3 y lejos de los 59 de Gemini 4 Carbon. El precio de API bajó a 0,70 dólares por millón de tokens de entrada y 2,10 de salida, contra 1,36 y 4,18 del preview, y el costo por tarea del índice cayó de 5,54 a 2,06 dólares. Para autohospedarlo hacen falta ocho B300 según los docs de SGLang, o cuatro GB300 en la variante comprimida. Las salvedades, varias: la afirmación de ser el modelo abierto líder en ciber no se sostiene ni con el gráfico propio —51% en el Cyber Index, tercero detrás de DeepSeek V4.1 Flash con 57% y MiMo-V2.6-Pro con 56%—, en pruebas ciegas de Surge le ganó a Opus 5.5 en solo 22% de los enfrentamientos, la variante de pentesting queda limitada a socios con revisión y restricciones contractuales, y los pesos de Kimi K3.1 Pro se esperan para el 4 de noviembre, lo que podría borrar su ventaja en código. The Decoder · TechCrunch · Mistral
The Decoder TechCrunch Mistral DeepSeek Mistral Claude Gemini Claude Code
-
Gemini 4 Carbon: Google saca su modelo de ciberdefensa dos semanas después de Argon y le arrebata el primer puesto a Claude Opus 5.5 (28/10)
Sigue de el índice v5 de Artificial Analysis que contamos ayer, donde Opus 5.5 en máximo esfuerzo lideraba con 58: Carbon entra y queda primero con 59, contra 50 de Argon. Google lo construyó para trabajo de ingeniería autónomo de varios días y para tareas de ciberdefensa, de encontrar y validar vulnerabilidades a parchearlas. El resto de los números: 59 en el Coding Agent Index contra 50 de Argon, todavía detrás de Opus 5.5 con 62; 1.609 de Elo en AA-Briefcase, arriba de los 1.483 de Argon pero detrás de Kimi K3.1 Pro, Muse Wonder y Grok 4.7; 70,36% en Vals AI, segundo detrás de Claude Sonnet 5.5 con 70,85% y adelante de Opus 5.5 con 70,18%, y más rápido y más barato que los dos; primero en el Text Arena de Arena.ai con 1.528 y segundo en el Agent Arena; 88,2% en SEC-bench Pro y 54,8% en ExploitGym, algunos de esos tests corridos sin guardrails. En inyección de prompt de Gray Swan el éxito de ataque cayó de 0,7% a 0,0%, que no es lo mismo que resuelto. Los dos datos incómodos: la precisión de las respuestas subió de 48% a 58% pero la tasa de alucinación pasó de 4% a 11%, y Carbon genera 2,3 veces más tokens de razonamiento y 64% más tokens de salida que Argon. El costo por tarea en el índice queda en unos 7,76 dólares, casi igual a los 7,68 de Argon y cerca de 23% abajo de Opus 5.5; el precio de introducción es el mismo que Argon, 2 dólares por millón de tokens de entrada y 10 de salida, con 95% de descuento en entrada cacheada. El acceso arranca cerrado: expertos en ciberseguridad elegidos esta semana, después socios del programa Fairwind, y participación en pruebas pre-lanzamiento del gobierno de EEUU. Las salvedades: tareas de finanzas e impuestos tardan más del doble que con Argon y la investigación legal promedia más de 50 minutos por tarea, y las comparaciones de código seguro y parches salen de tests internos de Google que nadie de afuera puede verificar. The Decoder · Google · Infobae
-
Evals: Artificial Analysis rehízo su Intelligence Index y ahora 60% son datasets privados (27/10)
Vale releer con esto los números de GPT-6.1 Terra de ayer, porque se midieron con el índice viejo. La v5 es el cambio más grande desde la v4 de enero y la razón declarada es la contaminación de benchmarks a medida que los labs entrenan con más web scrapeada. Qué entra: FrontierCode 2.0, el benchmark privado de Cognition con 132 tareas de repos open-source reales, y Terminal-Bench-Science, 70 tareas agénticas de investigación científica en terminal. Qué se actualiza: HLE-Diamond reemplaza a Humanity's Last Exam con 1.000 preguntas mitad razonamiento y mitad conocimiento, AA-Omniscience pasa a v1.1 sacando preguntas saturadas y públicas, y CritPt a v2 con un subset privado difícil de 40 preguntas. Qué se va: GDPval-AA v2.1, SciCode y AA-LCR v1.1. Los pesos quedan en 25% para cada bloque —trabajo de conocimiento, coding, ciencia y general—. El ranking: Claude Opus 5.5 en máximo esfuerzo lidera con 58, GPT-6 Astra 57, GPT-6.1 Sol 55, y Gemini 4 Argon en alto con 50 es el mejor de un lab que no sea Anthropic u OpenAI. Los tres datos más útiles para decidir: la brecha con los pesos abiertos se abrió de 3 a 12 puntos —Kimi K3.1 Pro lidera con 46 pero sus pesos todavía no salieron, y entre los que sí están publicados DeepSeek V4.1 Flash 1017 y GLM-5.3 comparten 32—; el costo por tarea entre los diez primeros varía más de 13 veces, de 0,96 dólares de GPT-6.1 Terra a 13,04 de Claude Fable 5.1, con Sol a 1,27 quedando a 4 puntos de Opus 5.5 por cerca de un octavo del costo; y el esfuerzo pesa más que antes, con Opus 5.5 pasando de 35 en bajo a 58 en máximo. El uso de tokens de salida subió para todos: la mediana va de 35k a 59k por tarea, y Terminal-Bench-Science sola explica cerca de un tercio. La limitación estructural: los datasets privados no se pueden inspeccionar, así que la verificación externa es acotada. Artificial Analysis · OfficeChai
Artificial Analysis OfficeChai OpenAI Anthropic DeepSeek Claude Gemini
-
Evals: FrontierCode 2.0 de Cognition mide una sola cosa —¿mergearías el PR?— y el mejor modelo saca 45,5% (27/10)
La diferencia con los benchmarks de coding habituales es el criterio: en vez de solo corrección funcional, puntúa la interpretación del pedido del usuario, las decisiones de diseño y alcance que encajan con el código existente, y lo que llaman "thoroughness", como arreglar todas las instancias de un bug y no una. Cómo se armó: más de 20 desarrolladores open-source pusieron más de 40 horas cada uno construyendo evals sobre repos que ellos mismos mantienen, y contra FrontierCode 1.1 las tareas vienen de 55% más repositorios, tienen 43% más criterios bloqueantes y cambios de referencia más grandes —67% más archivos y 89% más líneas—. La nota es un agregado ponderado de ítems de rúbrica, y fallar cualquier criterio bloqueante da 0; los bloqueantes de thoroughness pasaron de 168 a 501. Los resultados, cada modelo en su mejor esfuerzo de razonamiento: Claude Opus 5.5 45,5%, GPT-6 Astra 42,8%, Grok 4.7 28,6%, Gemini 4 Argon 26,3%, Muse Wonder 1.0 24,3%, SWE-2 23,9%, DeepSeek V4.1 Flash 19,3% y Kimi K3 17,7%. El hallazgo contraintuitivo y el más útil: los puntajes no son monótonos con el esfuerzo de razonamiento —un modelo puede sacar menos a más esfuerzo porque escribe más código y toca más archivos—, y como los criterios de alcance se aflojaron respecto de la 1.1, Cognition argumenta que esas caídas son regresiones reales. Dos salvedades: los resultados los publica el autor del benchmark sin verificación independiente descrita, y la solución de referencia difiere del PR original en 80% de las tareas, que es una decisión de diseño que moldea los números. Cognition
-
Moonshot lanza Kimi K3.1 Pro: 2,8 billones de parámetros totales, 104.000 millones activos y un millón de contexto (23/10)
Es un post-entrenamiento de K3 con mucho más cómputo y RL conjunto en varios dominios, y pelea arriba: 65,7% en Terminal-Bench 4.0 contra 66,4% de Claude Opus 5.5, y 51,7 contra 46,3 en SWE-Marathon. El salto más llamativo es la alucinación a nivel de afirmación, que cae de 23,4% en K3 a 8,3%. El punto flojo es ciencia, donde queda 25 puntos abajo de GPT-6 Astra en Terminal-Bench Science. Ya está en la API a 2 y 10 dólares el millón de tokens de entrada y salida, más barato que K3. MarkTechPost · SiliconANGLE · The Decoder
-
El S-1 público de Anthropic sigue sin aparecer y Bloomberg repasa los riesgos de la valuación de 2 billones (23/10)
Sigue de lo del 21, cuando se conoció el borrador con 16.300 millones de ingresos semestrales y más de 600.000 millones en compromisos de cómputo: el análisis pone números al otro lado del argumento. El mercado direccionable de trabajo de conocimiento sería de unos 30 billones de dólares según Bloomberg Economics, pero el liderazgo de modelo cambió de manos 20 veces desde 2024 y lo retiene cada uno unas siete semanas, y Kimi K3 habría hecho el mismo sitio de e-commerce que Claude Fable 5 a la cuarta parte del costo. El riesgo regulatorio que marcan es el más incómodo: si el desempleo se mueve como Anthropic proyectó en septiembre, el retorno termina pareciéndose más al de una utility regulada. Bloomberg · Emergent
-
Perplexity abre SPACE, el sandbox de Firecracker con el que corre todas las tareas de Perplexity Computer, con Apache 2.0 (16/10)
Es lo más directamente aprovechable del día si estás corriendo agentes que ejecutan código: una API HTTP con server-sent events para crear entornos Linux, correr comandos y streamear salida, donde un template define el filesystem inicial y un sandbox es una instancia con su propia VM y disco escribible. Cada sandbox es una microVM de Firecracker con kernel invitado propio, y la pieza de diseño que más vale copiar es el gateway de red por sandbox en el host, que aplica política de egreso en cada conexión saliente e inyecta credenciales a nivel de red, así que los secretos nunca entran al invitado; los root filesystems usan copy-on-write de btrfs, los sandboxes suspendidos snapshotean memoria y filesystem, y los inactivos se suspenden a las 6 horas por defecto. Los números reportados: latencia mediana de creación de 185 ms a 60 ms contra su proveedor anterior, y p90 de 447 ms a 89 ms. El red team propio es más interesante que el benchmark: 9 modelos, 216 corridas con root dentro del invitado, 0 de 108 escapes de VM a host y 0 de 54 en bypass sin red, pero 11 de 54 en bypass con red parcial antes de los arreglos —Claude Opus 5.0, GPT-5.6 Sol, GPT-5.6 Cyber y Kimi K3 encontraron caminos con spoofing de DNS e IPs de CDN compartidas—, y el retest tras agregar validación de dirección de origen y terminación TLS con chequeo de SNI y host no encontró bypass verificado. Los requisitos son restrictivos: Linux x86_64 con KVM, /dev/kvm, btrfs y Docker, sin macOS, con virtualización anidada si corre dentro de una VM, y no hay endpoint hosteado público. El soporte del SDK de E2B va por un wrapper de compatibilidad probado contra e2b==2.21.1, y ojo que pausar no es un snapshot durable. Release 0.8.0, en Rust. GitHub · MarkTechPost · Docs
-
Z.ai saca GLM-Legal y triplica el puntaje de su modelo base en el benchmark legal de Harvey, a una fracción del costo (13/10)
El modelo está construido sobre GLM-5.3-Flash y apunta a revisión de contratos, análisis de prueba e investigación de cumplimiento. Los números de Vals AI son los que explican el salto: 19,17% de tareas aprobadas en Harvey LAB contra 6,67% del modelo base, séptimo puesto entre 79, y 86,23% en LegalBench contra 83,93%. Lo más interesante es la columna de costo: 0,15 dólares por test de LAB, contra 3,83 de Kimi K3 y 19,23 de Claude Fable 5, que sacan 12,92% y 11,25% respectivamente. Hay que leerlo con tres reservas: en Legal Research Bench queda por debajo de su propio base (41,83% contra 45,19%), el acceso es solo por solicitud a través de la API hosteada de Z.ai sin precio publicado ni pesos abiertos, y la comparación del anuncio omite a Muse Spark 1.2, que marca 25,42% en Harvey LAB. El base sí es abierto con licencia MIT. MarkTechPost · Z.ai · Vals AI
-
Repos: Alibaba abrió open-code-review, que revisa diffs con un noveno de los tokens que gasta Claude Code en lo mismo (09/10)
La arquitectura es híbrida y la línea de corte está bien puesta: lo determinístico decide qué archivos entran, agrupa archivos relacionados en una sola unidad de revisión con un subagente y contexto propio, machea reglas según las características del archivo y chequea aparte ubicación y contenido del comentario; el agente LLM solo trae contexto y decide. El benchmark propio es AACR-Bench, 200 pull requests de 50 repos en 10 lenguajes con 1.505 problemas anotados, y contra Claude Code con el mismo modelo de base reporta más precisión y F1, alrededor de un noveno de los tokens y revisiones más rápidas, con menos recall a propósito para bajar falsos positivos. Se instala con npm install -g @alibaba-group/open-code-review y deja el comando ocr; hay modo de delegación para que el agente de código haga la revisión con su propio LLM, sin clave de API, e integraciones con Claude Code, Codex, Cursor, Kimi Code y OpenCode más GitHub Actions, GitLab CI y Gerrit. Licencia Apache 2.0. GitHub · Trending
-
Goodfire sacó monitores que leen las activaciones internas del modelo en vez de releer su salida, y publicó los números de costo (08/10)
El mecanismo son sondas chicas que miran las activaciones en cada paso y reusan cálculos que el modelo ya hizo; cuando una sonda marca algo, ahí sí entra un modelo aparte a mirar en detalle. El cliente elige qué riesgo vigilar —hacking ofensivo, mal uso químico o biológico, reward hacking— y qué hacer cuando salta: registrar, mandar a revisión humana o rechazar. Los números, todos de la empresa y medidos sobre Kimi K3: unas 1.500 sesiones monitoreadas por 51 dólares, contra 233 de un monitor de IA barato revisando cada paso y unos 10.000 de uno de primera línea; 94% de las sesiones de hacking malicioso detectadas, 8,7% de sesiones inofensivas marcadas para revisión, y menos del 2% de penalidad en el tiempo hasta el primer token con cuatro sondas corriendo. Está disponible para clientes de Baseten y apunta sobre todo a modelos de pesos abiertos, que son los que se pueden modificar para sacarles las defensas y los que normalmente no tienen el monitoreo que usan los labs cerrados. TechCrunch
-
Un estudio de Aleph Alpha midió 967 temas tabú y encontró que los modelos chinos dan respuestas balanceadas entre el 17% y el 41% de las veces (04/10)
Probaron Qwen de Alibaba, DeepSeek y Kimi de Moonshot sobre Tiananmen, Taiwán y Xinjiang; el resto de las respuestas repite doctrina de Estado, esquiva o se niega —DeepSeek V4 Pro rechaza dos tercios de las preguntas—. Contra eso, Claude Sonnet 5 da respuestas balanceadas el 70% de las veces y Mistral Small el 92%. Lo más interesante es el derrame: preguntado por censura en Estados Unidos, Qwen 3.6 arranca equilibrado y cierra defendiendo la postura china sobre gobernanza de internet. Y el dato que vale para quien destila datos sintéticos: Nemotron Cascade 2 de Nvidia mostró patrones de línea partidaria en 17% de las respuestas, y Aleph Alpha lo atribuye a unos 3.500 de sus 9,3 millones de ejemplos de entrenamiento generados con DeepSeek y Qwen. Conviene leerlo con la salvedad obvia: Aleph Alpha vende "IA soberana" y compite justo en ese mercado. The Decoder
The Decoder DeepSeek Moonshot AI Mistral Alibaba Nvidia Claude Qwen
-
OpenAI dice que cortó una campaña que le robaba el razonamiento oculto a sus modelos, pero el truco siguió funcionando en Azure durante semanas (01/10)
Es destilación adversarial: los atacantes pedían el razonamiento cifrado y después usaban modelos baratos para descifrarlo y exponer los pasos internos que normalmente no se ven. Arrancó el 1 de julio en volumen bajo, saltó a 16.000 pedidos de más de 4.000 usuarios entre el 24 y el 25 de julio, y el 28 OpenAI dio de baja más de 15.000 cuentas coordinadas. El núcleo del grupo lo vincula a gente asociada a Moonshot AI, la empresa detrás de Kimi. El agujero es el otro: las protecciones que OpenAI puso en su propia API no estaban en Microsoft Azure. El equipo de Joachim Schaeffer confirmó el 13 de septiembre que el ataque seguía funcionando ahí contra todos los modelos probados, incluido GPT-6 Astra, y recién entre el 27 y el 28 de septiembre Azure recibió las defensas. The Decoder · The Register
-
OpenAI aclaró que el Jalapeño es para consumo propio, pero dejó la puerta abierta: "se podría usar para cualquiera, honestamente" (28/09)
Richard Ho, head of hardware de OpenAI, le dijo a Tom's Hardware que la prioridad es cubrir la demanda interna de cómputo y que eso va a llevar "un buen rato largo", sin descartar una venta externa más adelante. El punto que quería sacar de la mesa con los benchmarks de Hot Chips es que el ASIC no está hardcodeado para modelos de OpenAI: lo mostraron corriendo GPT-OSS, DeepSeek R1 y Kimi K2.5, medido con InferenceX de SemiAnalysis contra GB200 y GB300, y aclaró que comparó contra Blackwell porque eran los mejores resultados publicados que encontró. Sobre Vera Rubin, que es con lo que va a convivir cuando despliegue, dice tener mediciones internas que no publica y que "vamos muy bien". El motor del diseño, según él, fue una sola cosa: eficiencia, porque el datacenter moderno está limitado por potencia. El límite real para vender afuera parece ser el suministro. Tom's Hardware
-
Evals: el Furniture Assembly Benchmark de Epoch AI pasó de 28% a 80% en diez meses, y es un termómetro raro y útil de razonamiento visual (26/09)
El test le da al modelo fotos de tres muebles de IKEA a medio armar, con errores puestos a propósito, y le pide compararlas con las instrucciones, encontrar la macana y describirla. GPT-6 Astra marca 80% tardando tres minutos por foto; Claude Fable 5.1 llega a 70% y Opus 5 a 61%. La referencia histórica es lo que sorprende: en noviembre de 2025 el mejor modelo era Claude Opus 4.5 con 28%. Los open-weights chinos, Kimi K3 incluido, quedan a siete meses de distancia por lo menos. Sigue siendo demasiado lento para asistir en tiempo real, pero como métrica de "mirá esta foto y decime qué está mal" es más honesta que casi cualquier benchmark multimodal de pregunta y respuesta. The Decoder
-
StepFun presentó Step 5 Preview, un MoE de 600B para agentes a un dólar el millón de entrada, con pesos prometidos para el 15 de octubre (20/09)
La empresa china apunta a trabajo agéntico de horizonte largo —programación, ingeniería de software, análisis financiero— con 600.000 millones de parámetros totales, unos 27.000 activos por token, un millón de tokens de contexto y entrada de texto e imagen. La decisión de arquitectura que llama la atención es que en vez de ensanchar la red la hicieron angosta y profunda: 92 capas de Transformer. El entrenamiento se apoya en aprendizaje por refuerzo on-policy de horizonte largo con alineación bit a bit entre entrenamiento e inferencia sobre el ruteo del MoE, más decodificación especulativa MTP-3, MoE en FP8 y descarga de caché KV. El precio es la carta: 1 dólar por millón de tokens de entrada con caché fría, 0,05 con caché caliente y 2,70 de salida, contando los tokens de razonamiento como salida. En el índice de Artificial Analysis queda en 44, a la par de Kimi K3 y GLM 5.3 en la mayoría de las filas y por detrás de GPT-6 Astra y Claude Opus 5 en las de programación y agentes más duras. MarkTechPost · StepFun · Pandaily
-
El consumo semanal de tokens en OpenRouter subió más de 25.000% desde enero de 2025, y el gráfico dice menos de lo que parece (17/09)
Pasó de 0,5 billones a 126,2 billones de tokens semanales en la plataforma que usan los desarrolladores para enchufar modelos a sus productos. El problema es leerlo como adopción: los modelos de razonamiento generan cantidades enormes de tokens de "pensamiento" antes de contestar, así que un aumento chico de uso real puede significar un salto gigante en la cuenta, sobre todo con sistemas agénticos sin optimizar. GPT 5.6 Luna domina el consumo de tokens, pero eso no significa que más gente lo use: puede simplemente generar más tokens por pedido. En ingresos, el que lidera es Astra. Los modelos chinos —Kimi, GLM, DeepSeek— crecen rápido, con el gasto mensual multiplicado por diez en 2026, aunque desde una base mucho más chica. Es el mismo argumento que ya se le hizo a Google cuando prefirió hablar de consumo de tokens antes que de ventas. The Decoder · LinkedIn / OpenRouter
-
colibrì trepó a 33.000 estrellas proponiendo algo que suena imposible: correr modelos MoE de frontera desde el disco, en C puro y sin dependencias (15/09)
El repo sumó 2.035 estrellas en el día y la idea que lo mueve merece atención aunque uno nunca lo instale. Un modelo Mixture-of-Experts de 744 mil millones de parámetros activa solo unos 40 mil millones por token, y de esos apenas ~11 GB cambian de un token al siguiente. colibrì toma esa observación en serio: la parte densa —atención, expertos compartidos, embeddings, unos 17B de parámetros— se queda residente en RAM en int4, unos 9,9 GB, y los 19.456 expertos ruteados viven en NVMe y se transmiten bajo demanda. La analogía que usa el autor es la de un JIT: los parámetros no son estado a sostener, son datos a preparar justo cuando el router prueba que hacen falta, y eso funciona porque el ruteo tiene estructura medible —resulta 71,6% predecible un layer por adelantado, lo que habilita el prefetch—. Los números son honestos y modestos: 1,8 tok/s en un escritorio CPU-only de 128 GB, 1,07 tok/s en una caja con una sola RTX 5070 Ti, y 0,05-0,1 tok/s en frío en la máquina de 25 GB de RAM y doce núcleos donde nació el proyecto. Declara soporte para GLM-5.2, Inkling (975B), Kimi K3 (2,8T), DeepSeek V4 Flash, Qwen3.8-Flash-Next y OLMoE. Truco que vale más allá del repo: si tenés un segundo SSD, poner una copia completa del modelo ahí y rutear los expertos por hash entre ambos suma el ancho de banda de las dos unidades —un par de 9 GB/s + 3 GB/s lee ~33% más rápido que el disco veloz solo—. GitHub
-
Un repo que junta los system prompts extraídos de los modelos de frontera pasó las 700 estrellas en un día (14/09)
system_prompts_leaks mantiene actualizada una colección de prompts de sistema extraídos de Claude Fable 5.1, Opus 5, Claude Design y Claude Code; de ChatGPT con GPT-6 Astra y Codex; de Gemini 3.8 Flash, 3.1 Pro y Antigravity; de Grok, Cursor y Kimi, entre otros. La utilidad práctica no es el morbo sino la comparación: son documentos escritos por gente que tiene acceso a las evaluaciones internas del modelo, así que leer cómo un laboratorio estructura instrucciones, define herramientas y acota el comportamiento es probablemente la mejor documentación disponible sobre cómo se le habla a ese modelo en particular. Se cruza directo con lo que recomendaba OpenAI el viernes sobre sacar andamios en vez de agregarlos, y con la nota de Anthropic sobre haber recortado 80% del prompt de sistema de Claude Code. La advertencia obvia: son extracciones, no publicaciones oficiales, así que pueden estar incompletas o desactualizadas respecto de lo que corre hoy en producción. GitHub
GitHub OpenAI Anthropic GitHub GPT Claude Gemini Grok Claude Code
-
El motor de inferencia colibri explotó en GitHub con más de 3.100 estrellas en un día (13/09)
El repo no es nuevo, pero el salto de tracción de hoy lo pone arriba de la lista de tendencias y vale mirarlo por lo que propone: correr modelos MoE de frontera —de 744.000 millones a 2,8 billones de parámetros— en hardware de consumo, en C puro y sin dependencias, tratando almacenamiento, RAM y VRAM como una sola jerarquía de inferencia. La idea central es hacer streaming de los expertos desde disco en lugar de tenerlos todos en RAM, así que un NVMe rápido pasa a ser el factor que más determina los tokens por segundo. Hoy soporta ocho familias, entre ellas GLM-5.2, GLM-5.3-Flash, Kimi K3, DeepSeek V4 Flash, Qwen3.8-Flash-Next, Qwen3.6 y OLMoE, con la jerarquía de memoria manejada por LRU más un conjunto de pines aprendido. Conviene tomarlo como lo que es —un proyecto en movimiento, con trabajo abierto en formatos, compresión, placement, scheduling, kernels y KV—, no como un reemplazo de producción de vLLM o llama.cpp. GitHub · Colibri
-
Cognition lanzó SWE-2: 50,0% en FrontierCode 1.1 Main, a un punto de Fable 5.1 y 64% más barato (10/09)
Está post-entrenado sobre Kimi K3, un modelo de 2,8 billones de parámetros que ya venía con RL extensivo para código agéntico, y sobre esa base el RL de Cognition todavía encuentra 5 a 6 puntos de margen en varios benchmarks. El aporte metodológico es el interesante: un algoritmo que entrena todos los niveles de esfuerzo en una sola corrida, aplicando una penalidad de costo lineal por nivel, con cada penalidad calibrada a la pendiente local de la frontera de Pareto del modelo base. Prueban que la penalidad tiene que ser lineal, porque es la única forma que da el mismo resultado se aplique antes o después de promediar. Los resultados de comportamiento acompañan: SWE-2 medium puntúa más alto que SWE-1.7 tomando 58% menos turnos y costando 81% menos en promedio. Ya está disponible en Devin Desktop y CLI. Cognition · Hacker News
-
Un experimento de prefills de razonamiento midió que Qwen3.8 se corre 18 puntos hacia GPT-5.5 Pro cuando se le inyecta el arranque del razonamiento ajeno (09/09)
El método es simple y replicable: para cada problema se generan dos respuestas del modelo objetivo, una normal y otra que arranca con el primer 1% del razonamiento del modelo maestro insertado en su canal de razonamiento, y después se mide cuánto de la respuesta visible del maestro aparece en los primeros 100 tokens de la del alumno, promediando recall de unigramas, bigramas y trigramas. Sobre 45 problemas —15 STEM, 15 no-STEM y 15 puzzles sintéticos privados—, Qwen3.8 A95B pasa de 16,79% a 34,97%, con +27 puntos en STEM y +14,75 en los puzzles que nadie más tiene. DeepSeek V4 Flash no se mueve, Kimi K3 sube 4,54 puntos pero ya arranca con el solapamiento más alto. El experimento no prueba destilación, pero es la clase de evidencia técnica y reproducible que el aviso de CISA de ayer no aporta. Gist de wsxiaoys · Hacker News
-
Mistral levanta 3.000 millones de euros con Samsung a la cabeza, la ronda más grande de la historia tecnológica europea (08/09)
La Serie D lleva la valuación arriba de 21.000 millones de euros, casi el doble de los 12.000 millones que valía cuando ASML puso 1.300 millones en septiembre de 2025. Coliderean el Scaleup Europe Fund (gestionado por EQT) y PSG Equity, y entran Advent, fondos de BlackRock y el Gran Ducado de Luxemburgo; a16z, Nvidia, ASML y General Catalyst siguen adentro. El dato incómodo es que los modelos no acompañan: Mistral Medium 3.5 queda atrás de Qwen y Kimi entre los abiertos y no compite con los cerrados de EE.UU. La apuesta es enteramente empresarial —opera en 20 países con más de 125 clientes como Airbus, ASML y HSBC— y el motor es la demanda europea de bajar la dependencia de proveedores estadounidenses. Mistral AI · The Decoder
-
Moonshot AI negocia con Microsoft, Amazon y Google para que hosteen Kimi K3 a cambio de hasta el 30% de los ingresos (26/08)
Sería la primera vez que una empresa china de IA cierra un acuerdo así con un proveedor cloud grande de Estados Unidos: el modelo correría en Azure, AWS y Google Cloud, y Moonshot pide quedarse con hasta el 30% de lo que facture, según tres fuentes citadas por Reuters. Las conversaciones están en etapa temprana y quedan abiertos el reparto exacto, el acceso a los datos y cómo se contabiliza el uso de tokens. El contexto político pesa: el secretario del Tesoro Scott Bessent amenazó hace poco a Moonshot con una prohibición comercial, y autoridades estadounidenses acusaron a la empresa de haber robado el modelo Fable de Anthropic, algo que Moonshot niega. Microsoft, Google y AWS no quisieron comentar. The Decoder · Reuters
The Decoder Reuters Anthropic Google Microsoft Moonshot AI Amazon
-
OpenAI mostró los primeros benchmarks de Jalapeño: 700W contra los 1.400W del GB300, y hasta 1,9 veces más throughput por kilowatt (25/08)
Sigue de lo de ayer, cuando Nvidia usó Hot Chips 2026 para poner el Groq 3 LPX en producción: ahora fue OpenAI la que llegó a la conferencia con números de su primer chip propio, el ASIC de inferencia que codesarrolló con Broadcom. Sobre la suite pública InferenceX de SemiAnalysis, Jalapeño entregó entre 1,5 y 1,9 veces más throughput por kilowatt y entre 1,7 y 3,6 veces menos latencia end-to-end que los sistemas rack GB200 y GB300. Las pruebas corrieron sobre GPT-OSS 120B, DeepSeek R1 670B y Kimi K2.5. Las advertencias son varias y conviene tenerlas juntas: no se comparó contra Vera Rubin, no entrena modelos, y las comparaciones principales enfrentaron predicción de un solo token contra configuraciones GB300 haciendo lo mismo, cuando en producción Nvidia suele usar predicción multi-token —donde la ventaja de eficiencia baja a unas 1,5 veces—. Cada paquete lleva seis stacks de HBM4, 216 GiB a 15,4 TB/s, en un proceso clase 3nm de TSMC. Escalar esto al acuerdo de 10 GW firmado con Broadcom convertiría a OpenAI en un nuevo demandante grande de HBM4, la pieza más escasa de la industria. Y todo esto una semana después de que Nvidia acordara respaldar hasta USD 105.000 millones de financiamiento para un campus de datacenter de OpenAI en Ohio. Tom's Hardware · TechCrunch · The Decoder
Tom's Hardware TechCrunch The Decoder OpenAI DeepSeek Nvidia Broadcom TSMC
-
GLM-5.3 empata el primer puesto entre los modelos abiertos, pero Z.ai retrasa los pesos porque encuentra vulnerabilidades demasiado bien (19/08)
El modelo de la startup china saca 60 puntos en el Artificial Analysis Intelligence Index, siete arriba de GLM-5.2, y queda a la par de Kimi K3 en la cima de los abiertos. La mayor ganancia está en tareas agénticas: en GDPval-AA v2 su Elo salta de 1.524 a 1.770 —246 puntos— y queda segundo detrás solo de Claude Opus 5 (1.855). En costo pega USD 0,68 por tarea, 1,5 veces los 0,44 de su antecesor pero 19% más barato que Kimi K3 (0,84). Lo llamativo es el motivo del retraso: el modelo ya está disponible por la API de Z.ai, pero la publicación de los pesos abiertos se corre unas dos semanas porque, según la empresa, GLM-5.3 es tan efectivo detectando vulnerabilidades de seguridad que primero quiere reforzar controles y limitar el acceso completo a socios de seguridad seleccionados. Es el mismo argumento que usan los labs occidentales para no abrir, ahora en boca de un laboratorio chino. Artificial Analysis en X · The Decoder
-
xAI/SpaceXAI lanzó Grok 4.6, su nuevo flagship para agentes
Modelo con contexto de 500K tokens, entrada de texto e imagen, y RL sobre entornos agénticos (coding, kernel optimization, web dev, CAD). Empata a GPT-5.6 Sol y supera a Kimi K3 en el Intelligence Index de Artificial Analysis (61 puntos, +5 vs. Grok 4.5), a US$2/M input y US$6/M output. VentureBeat · MarkTechPost
-
ByteDance pre-entrena un modelo de hasta 10 billones de parámetros
El dueño de TikTok estaría entrenando un modelo de ~10T de parámetros —unas tres veces Kimi K3 de Moonshot y cerca de estimaciones para los sistemas Mythos de Anthropic (~8T)—, todavía en fase temprana de pre-training (3 a 6 meses antes de fine-tuning). Zhang Yiming habría pedido priorizar capacidad real por sobre destilación de corto plazo. Es uno de los scale-ups más ambiciosos de un lab chino y podría mover el tablero EE.UU.-China. (Reuters vía TechStartups)
-
Alibaba lanzó Qwen3.8-Max, su modelo más grande hasta ahora
MoE de 2.4 billones (trillions) de parámetros totales con solo 95B activos por token, contexto de 1M, multimodal nativo, disponible ya por API ($2/$6 por millón de tokens) y con open weights prometidos para la semana próxima. En pruebas internas completó un proyecto de software autónomo de 16 días y compite con Anthropic y Kimi K3 en coding y tareas de horizonte largo. TechStartups
-
DeepSeek V4-Flash es el nuevo rey del precio-rendimiento
Artificial Analysis lo midió en $0.14/$0.28 por millón de tokens (~$0.03 por test de benchmark, vs. $0.86 de Kimi K3 y $1.86 de GPT-5.6 Sol), con un salto de 10 puntos en su Intelligence Index (a 50) y mejoras en tareas agénticas y alucinaciones. Presión directa sobre la economía de los modelos cerrados occidentales. TechStartups · llm-stats
-
Kimi K3 sale con pesos abiertos: 2.8 billones de parámetros, licencia permisiva
Moonshot AI publicó los pesos completos de Kimi K3, un mixture-of-experts de 2.8T de parámetros que activa ~104B por token, con ventana de contexto nativa de 1M de tokens y capacidades multimodales de visión, bajo una licencia estilo MIT modificado. La empresa afirma ~2.5x más "inteligencia por unidad de cómputo" gracias a mejoras como Kimi Delta Attention. La licencia permisiva es lo clave: habilita productos comerciales sobre un modelo de escala frontier y presiona la economía de las APIs cerradas. TechStartups · Interconnects
-
Nadella advierte contra apostar a un solo modelo
El CEO de Microsoft recomendó que las empresas no dependan exclusivamente de un modelo y desarrollen modelos propios o infraestructura de "AI gateway" que rutee entre varios. Viniendo del CEO más asociado a OpenAI, es un aval notable al enfoque multi-modelo, en un mes donde Claude Opus 5 lidera benchmarks, Kimi K3 y DeepSeek V4 abaratan la oferta abierta y OpenAI navega su incidente de seguridad. Build Fast with AI
-
Moonshot libera Kimi K3: el modelo open-weight más grande hasta la fecha (2,8T de parámetros)
El startup chino publicó los pesos completos de Kimi K3 el 26–27 de julio en Hugging Face: ~1,4 TB bajo cuantización MXFP4, MoE (solo ~16 de 896 expertos activos por token), visión nativa y ventana de contexto de 1M de tokens. Fuerte en coding y tareas agénticas, aunque todavía por detrás de los cerrados en algunos benchmarks frontera. Baja la barrera para self-hosting y fine-tuning, e intensifica la disputa abierto vs. propietario y EE.UU. vs. China. (26–27/7) techstartups · Interconnects
-
Los modelos open-weight chinos ganan tracción entre developers de EE.UU
Modelos de Moonshot y otros escalan en rankings de plataformas de routing (OpenRouter) por precio bajo, buen desempeño en coding y pesos abiertos que se pueden correr en infraestructura propia. Kimi K3 registró un salto fuerte de descargas, incluido crecimiento entre usuarios estadounidenses. Complica la estrategia de Washington: los controles de exportación no frenan la adopción de modelos que compiten por eficiencia y apertura. (27/7) techstartups
-
Correr Kimi K3 localmente: MXFP4 y llama.cpp
Con los pesos abiertos de Kimi K3 ya publicados (~1,4 TB en MXFP4), la comunidad está armando guías para self-hosting. La ruta práctica: GGUF + llama.cpp (sin paso extra de conversión/cuantización, se apunta el server al archivo) o vLLM/SGLang para serving. El Hub de Hugging Face (org ggml-org) concentra las conversiones oficiales. Accionable para quien quiera evaluar un frontier open-weight sin depender de API. explainx · dev.to — guía inference tools
explainx dev.to — guía inference tools Hugging Face vLLM llama.cpp
-
Kimi K3 (Moonshot AI) sale con pesos abiertos y récord de tamaño
Moonshot liberó los pesos de Kimi K3 alrededor de las 00:00 UTC del 27/07 (tarde-noche del 26 en horario de EE.UU.): 2,8 billones de parámetros, arquitectura MoE (16 de 896 expertos activos, ~50B de parámetros efectivos por token) y ventana de 1M de contexto. Es el mayor modelo open-weight publicado hasta la fecha; en MXFP4 (4 bits) pesa ~1,4 TB, y Together AI y Modal ya ofrecen hosting day-0. Importa porque sube la vara de lo que se puede autohostear y presiona a los labs cerrados. techtimes · qz · interconnects
-
TurboQuant: compresión de KV cache sin calibración
Técnica que comprime la KV cache usando coordenadas polares y reduce el uso de memoria hasta 6x con mínima pérdida de exactitud. Es online y calibration-free, ideal para inferencia en vivo y contextos largos —relevante justo cuando modelos como Kimi K3 empujan ventanas de 1M. dev.to
-
Jensen Huang debuta en X defendiendo los modelos abiertos (24-25/07)
El CEO de Nvidia usó su primer posteo para compartir una carta firmada por 25 empresas —Nvidia, Microsoft, Meta, IBM, Dell, Mistral, Mozilla, Hugging Face, Linux Foundation, Perplexity, Y Combinator— argumentando que "los modelos abiertos fortalecen la seguridad y la ciberseguridad, aceleran la innovación y habilitan la soberanía". El timing no es casual: Washington está debatiendo restringir modelos open-weight chinos como Kimi K3. Es el lobby pro-open-weights más coordinado que se vio hasta ahora. Post original · Fortune · VideoCardz
Post original Fortune VideoCardz Meta Microsoft Mistral Hugging Face Nvidia Dell Linux
-
Los pesos de Kimi K3 se liberan a las 00:00 UTC del 27/07
Moonshot AI anunció el modelo el 16/07 y los pesos completos bajan esta noche bajo licencia MIT modificada: ~1,4 TB con cuantización MXFP4, 2,8 billones de parámetros en un MoE disperso (16 de 896 expertos activos), contexto de 1M de tokens y comprensión de imagen y video. Sería el release open-weight más grande jamás publicado. Ya lidera el Frontend Code Arena con 1.679 puntos, por encima de Claude Fable 5 (1.631) y GPT-5.6 Sol (1.618). VentureBeat · Tom's Hardware · Hugging Face blog
VentureBeat Tom's Hardware Hugging Face blog Moonshot AI Hugging Face GPT Claude
-
Moonshot negocia una valuación de hasta US$50.000M
La china Moonshot AI, creadora de la familia Kimi, está en conversaciones para levantar capital a una valuación de hasta US$50.000M de cara a una posible IPO en Hong Kong dentro de seis meses. Llega tras el lanzamiento de Kimi K3, un modelo MoE de 2,8 billones de parámetros (el open-weight más grande a la fecha), ubicado a nivel frontier en coding agéntico. buildfastwithai · The Hacker News
-
Redis publica 7 releases de seguridad tras PoCs de RCE — hallados por agentes de IA
El 23 de julio Redis emitió siete actualizaciones de seguridad después de que se publicaran pruebas de concepto de RCE autenticada para versiones estándar (6.2.22, 7.4.9, 8.6.4 y 8.8.0). Lo notable: investigadores reportan que agentes basados en Kimi K3 encontraron los zero-days y construyeron el exploit de forma autónoma, un hito de IA ofensiva aplicada a hallazgo de vulnerabilidades. No se reportó explotación in-the-wild al 24/jul. Los administradores de Redis deberían actualizar cuanto antes. The Hacker News · ZeroDay.cloud
-
La Casa Blanca acusa a Moonshot AI de "robar" el modelo Fable de Anthropic
El 22 de julio, Michael Kratsios (director de política científica y tecnológica de la Casa Blanca) acusó a la china Moonshot AI de una destilación "encubierta y a gran escala" del modelo Fable de Anthropic para construir Kimi K3, y de haber accedido a servidores Nvidia GB300 restringidos vía Tailandia. Es la primera vez que un alto funcionario estadounidense nombra a un laboratorio chino por copiar un modelo específico; el Tesoro advirtió que "sanciones y designaciones en la Entity List están sobre la mesa". TechCrunch · CyberScoop · The Hill
-
Kimi K3, el mayor modelo open-weight hasta la fecha
Moonshot presentó Kimi K3 (16 jul), un MoE open-weight de ~2,8 billones de parámetros con visión nativa y contexto de 1M de tokens, apuntado a coding agéntico con rendimiento de frontera. Los pesos abiertos están programados para el 27 de julio, cuatro días después de la acusación de la Casa Blanca, lo que agrega tensión geopolítica al release. llm-stats · The New Stack
-
Kimi K3 de Moonshot AI reabre la discusión sobre modelos chinos open-weight
Moonshot AI lanzó el 17 de julio Kimi K3, un modelo de 2.8 billones de parámetros que la empresa presenta como el open-weight más grande jamás publicado, y que según sus propios benchmarks supera a Claude Fable 5 en el Frontend Code Arena y a GPT-5.5 en varias pruebas de coding y agentes. Los pesos se publicarían el 27 de julio, lo que en la práctica los vuelve indescargables de vuelta. Vale aclarar que los números de rendimiento son auto-reportados por Moonshot y todavía no hay verificación independiente. Tom's Hardware
-
La administración Trump evalúa restricciones a la IA china open-source
Axios reportó el 20 de julio que el gobierno estadounidense reactivó internamente la discusión sobre limitar modelos chinos, con el lanzamiento de Kimi K3 como disparador y la ciberseguridad como argumento. Lo que se estaría barajando no es una prohibición frontal sino designaciones en la Entity List y reglas de compras públicas. El problema práctico es evidente: una vez que los pesos están publicados, no hay forma realista de sacarlos de circulación. Axios · Tom's Hardware
-
Kimi K3 de Moonshot lidera el arena de coding y se convierte en el open-weight más grande de la historia
Moonshot AI lanzó Kimi K3 el 16 de julio: 2,8 billones de parámetros totales con solo 16 de 896 expertos activos por token. En cuestión de horas trepó al tope del arena de coding, superando a modelos cerrados de referencia. Los pesos abiertos están prometidos para el 27 de julio, así que todavía no se puede descargar. Es la señal más clara hasta ahora de que la brecha entre labs chinos y frontier occidental se achicó a menos de una generación. Digital Applied — Open-Weight Wave July 2026 · LLM Stats
Digital Applied — Open-Weight Wave July 2026 LLM Stats Moonshot AI
-
Kimi K3 de Moonshot AI se consolida en el top de los benchmarks
El modelo open-weight chino de 2,8 billones de parámetros (1M de contexto, multimodal nativo), lanzado el 16 de julio, encabezó arenas de coding pocas horas después de salir y ranquea alrededor del #3-#4 global (~81/100 en leaderboards públicos, 88,3 en Terminal-Bench 2.1 con su harness KimiCode). Los pesos abiertos se liberarían hacia el 27 de julio. Es una señal fuerte de que los modelos abiertos siguen achicando la brecha con los frontier cerrados. Simon Willison · BenchLM
-
Musk confirmó Grok 4.6, de 2T de parámetros, para responderle a Kimi
El 18 de julio Elon Musk confirmó Grok 4.6, un modelo frontier de 2 billones de parámetros que terminó su pre-entrenamiento inicial la semana del 20 de julio. La apuesta de xAI es igualar o superar a Kimi K3 manteniendo la velocidad y eficiencia de tokens del Grok 4.5 (lanzado el 8 de julio, que ya superaba a Opus 4.8 y Fable en SWE Marathon). Inshorts · kie.ai
-
Moonshot AI lanza Kimi K3, el open-weight más grande hasta ahora
La china Moonshot AI liberó vía app y API su modelo insignia Kimi K3, un MoE disperso de ~2,8 billones de parámetros (896 expertos, sólo 16 activos por token), ventana de 1M tokens, visión nativa y "thinking mode" siempre activo. En evaluaciones independientes queda cuarto entre los frontera —detrás sólo de Claude Fable 5 y GPT-5.6 Sol, superando a Claude Opus 4.8—, un hito para los modelos abiertos. Los pesos completos llegarán a Hugging Face el 27 de julio. Cobertura de Bloomberg, VentureBeat, Axios y TechCrunch. - - -
bloomberg.com venturebeat.com simonwillison.net Moonshot AI Hugging Face GPT Claude
-
Ola open-weight de julio: Inkling y compañía
Además de Kimi K3, el mes concentró varios lanzamientos abiertos: Thinking Machines liberó Inkling (975B totales / 41B activos, licencia Apache 2.0, pesos en Hugging Face al lanzamiento) el 15 de julio, posicionado como modelo general de razonamiento y código competitivo con cerrados mainstream. También suenan la V4 oficial de DeepSeek para mediados de mes y una familia MoE dispersa de Mistral en early access. - -
digitalapplied.com llm-stats.com DeepSeek Mistral Hugging Face
-
Moonshot lanza Kimi K3, un modelo abierto de 2.8 billones de parámetros
La china Moonshot AI publicó Kimi K3, un MoE open-weights de 2.8T de parámetros (activa 16 de 896 expertos) con ventana de contexto de ~1M de tokens, posicionado para cerrar la brecha con los modelos top de EE.UU. como Opus 4.8. Es una de las señales más fuertes de que el open-weights chino ya juega en la primera división. Bloomberg · TechCrunch · Fortune
-
Los modelos open-weight chinos siguen apretando
GLM-5.2 (MoE de 744B parámetros totales, ~40B activos, licencia MIT) marcó 62,1% en SWE-bench Pro, superando el 58,6% de GPT-5.5, un hito para un modelo de pesos abiertos. Sumado a Qwen 3, DeepSeek V4 y Kimi K2, refuerza la tendencia de empresas de EE.UU. mirando alternativas abiertas frente a los costos crecientes de OpenAI y Anthropic. Thunder Compute · CNBC
-
Los modelos open-weight siguen apretando a los cerrados
Junio consolidó una ola de lanzamientos abiertos competitivos: GLM 5.2 (Z.ai/Zhipu, 13/6) pasó a liderar el Artificial Analysis Intelligence Index entre open-weights; MiniMax M3 combina coding de frontera, contexto de 1M y multimodalidad nativa (lidera SWE-Bench Pro open-weight con 59,0%); y Kimi K2.7 Code (Moonshot) recorta ~30% los tokens de "thinking" para abaratar corridas de agentes. Importa porque la brecha con los modelos propietarios se sigue achicando. llm-stats · Hugging Face blog
-
MiniMax M3, nuevo referente open-weight
MiniMax M3, lanzado en junio, se posiciona como el primer modelo open-weight que combina coding frontera, contexto de 1M de tokens y multimodalidad nativa, liderando el SWE-Bench Pro open-weight con 59,0%. Importa porque sigue achicando la brecha entre modelos abiertos y cerrados en la frontera de coding agéntico, junto a otros lanzamientos recientes como GLM-5.2 (MIT, MoE, 1M de contexto), Kimi K2.6 y DeepSeek V4. llm-stats · Kilo
-
Sigue la ola de modelos open-weights de frontera
En junio se consolidaron varios pesos abiertos competitivos: MiniMax M3 (combina coding de frontera, 1M de contexto y multimodalidad nativa, lidera el SWE-Bench Pro open-weight con 59,0%) y GLM-5.2 (pesos MIT, hasta 5,7x más barato y fuerte en código). El panorama de modelos descargables de calidad frontera —GLM-5.1/5.2, MiniMax M3, Kimi K2.6, DeepSeek V4, Qwen3-Coder-Next— sigue achicando la distancia con las APIs cerradas. pricepertoken · kilo.ai