Kimi K3.1 Pro

Puntos fuertes

• En mi muestra de API, el modelo devolvió correctamente JSON, un cálculo de IVA y una estimación de memoria. El código generado superó 7/7 casos de prueba.
• En un conjunto separado de 10 tareas simples, Pro y Highspeed obtuvieron 10/10. El conjunto era demasiado fácil para determinar una ventaja sobre K3.
• API: 2 USD por millón de tokens de entrada y 10 USD de salida; ventana de 1M de tokens según la documentación.

Limitaciones

• Con un límite de 1800 tokens, dos de seis intentos no devolvieron una respuesta final. Las repeticiones con límite de 6000 también se cortaron. Esto es una prueba de límites y ajustes, no una prueba de desconocimiento general del idioma.
• Se anunciaron pesos abiertos para el 4 de noviembre de 2026. Aún no he confirmado su disponibilidad.
• Aquí no probé la interfaz de la aplicación, juegos, la ventana completa de 1M ni tareas en todos los idiomas.

Usos

Elegiría la API para extracción y trabajo con código, con validación de respuestas y control de finish_reason. La muestra pequeña no justifica elegir automáticamente el modelo para cada tarea.

Para quién

Para un programador que pueda ajustar el límite de tokens y medir el costo de una tarea completada correctamente. Me convence menos con límites de salida muy cortos. Los prompts probados estaban en polaco; no los presento como una prueba de otros idiomas.

Precios API

Pro: 2/10 USD, Highspeed: 4/20 USD por millón de tokens de entrada/salida, cache input 0,20 USD. Esto es API, no precio de suscripción. Costo de 6 intentos de Pro: 0,055802 USD; Opus 5.5: 0,032004 USD; GPT-6 Astra: 0,030670 USD.

Alternativas y método

Opus 5.5 y GPT-6 Astra completaron los mismos seis intentos con el límite de 1800 tokens. En una prueba separada con límite de 16000, Pro obtuvo 10/10 en 76,0 s y Highspeed 10/10 en 32,6 s. Los diferentes prompts y ajustes descartan combinar estos resultados en una sola clasificación.

Veredicto

7/10: recomiendo probar K3.1 Pro para código y datos, pero no considero que una tarifa baja de tokens garantice la tarea más barata. Mi método consistió en seis llamadas únicas a través de OpenRouter, temperature 0.2, reasoning solicitado low, max_tokens 1800, sin streaming. Una prueba separada de 10 tareas utilizó un límite de 16000 y razonamiento predeterminado. La falta de repeticiones estadísticas y las diferentes condiciones limitan las conclusiones.