Dots vs Kimi K3: Uno lee toda la biblioteca, el otro va y la encuentra

Hay un tipo específico de trabajo que solo uno de estos dos puede hacer, y vale la pena nombrarlo antes que nada. Kimi K3, publicado por Moonshot AI el 15 de julio de 2026, es un modelo de mezcla de expertos de 2,8 billones de parámetros con una ventana de contexto de 1.048.576 tokens que acepta texto e imágenes y devuelve texto, con un precio de $3,00 por millón de tokens de entrada y $15,00 por millón de tokens de salida, con lecturas en caché a $0,30. Dots es el agente siempre activo de la compañía, anunciado en DevDay el 29 de septiembre de 2026, con su propia computadora en la nube y navegador, conectores con más de 4000 aplicaciones, y un lugar dentro de ChatGPT, Slack y Teams, que funciona con GPT-6 Astra y está incluido con Pro y Business Premium. K3 puede contener un archivo completo en una sola solicitud y responder preguntas sobre él. Un dot puede ir a buscar el siguiente documento que aún no se te ha ocurrido. Leer y recuperar son tareas diferentes, y elegir la equivocada es el error costoso.

El número que Kimi K3 posee en su totalidad

La recuperación de contexto largo es la métrica que separa el marketing de la capacidad, porque una ventana de contexto grande es trivial de afirmar y difícil de usar. K3 obtiene 88.7 en ella — la cifra más alta de cualquier modelo que listamos, por encima del 84 de GPT-5.6 Sol, del 83 de MiniMax M3 y del 82 de Gemini 3.1 Pro. También registra 93.5 en GPQA Diamond y 59.5 en SciCode, y cuenta con un Artificial Analysis Coding Index de 76.2 que lo sitúa en el noveno puesto de 138 modelos medidos, y un Intelligence Index de 43.6 en el decimonoveno puesto de 145. Todas son cifras de terceros, recogidas en nuestro catálogo con sus fuentes adjuntas en lugar de repetidas de una publicación de lanzamiento.

Lo que eso te aporta es una clase de tarea que simplemente no se descompone: leer todo un código base antes de responder una pregunta sobre él, comparar un año de contratos contra una nueva plantilla, o sostener una sesión agéntica larga sin que la parte intermedia se caiga de la memoria. K3 está hecho exactamente para eso — Moonshot lo posiciona para agentes de programación y trabajo de conocimiento de largo horizonte — y es inusual al rechazar por completo los parámetros de muestreo. No hay temperature, ni top_p, ni seed; la profundidad de razonamiento es un único dial llamado reasoning_effort. Es un intercambio deliberado: menos perillas, más consistencia a lo largo de una sesión extensa.

Para qué sirve un punto, dicho sin el marketing

Un dot es un trabajador con un calendario. Sus entradas son mundanas — tus mensajes, los datos de tu aplicación, una tarea que describiste en una frase — y su salida es un cambio en otro lugar: un archivo movido, un ticket actualizado, un mensaje redactado y enviado después de tu aprobación, una página abierta en su propio navegador. Los materiales de lanzamiento de OpenAI describen a uno que lleva varios proyectos adelante a la vez y aprende de la retroalimentación, y la lectura honesta es que estás comprando el tejido conectivo, no la inteligencia.

El tejido conectivo es la parte cara de construir. Un navegador que se comporta como el de una persona, conectores mantenidos por los proveedores de aplicaciones, una vista de actividad, puertas de aprobación, aislamiento de tu propia máquina: nada de eso es difícil en principio y todo ello es tedioso en la práctica. Eso es lo que paga la suscripción. Lo que no paga es la medibilidad.

• Coste — incluido con Pro o Business, asignación no publicada (Dots) frente a 3,00 $ por millón de entrada y 15,00 $ por millón de salida, lecturas en caché 0,30 $ (Kimi K3)

• Límite máximo por solicitud — sin documentar ni un punto, frente a 1.048.576 tokens de contexto y un 88,7 apto para móviles en recall de contexto largo (Kimi K3)

• Entrada y salida — mensajes y datos de aplicaciones conectadas como entrada, cambios dentro de otro software como salida (Dots) frente a texto e imagen como entrada, texto como salida (Kimi K3)

• Control de muestreo — ninguno publicado (Dots) frente a la ausencia de temperatura, top_p y semilla, con la profundidad de razonamiento establecida por reasoning_effort únicamente (Kimi K3)

• Velocidad que deberías esperar — sin documentar para un punto, frente a una mediana de 8,82 segundos hasta el primer token y alrededor de 39 tokens de salida por segundo en nuestra propia medición de siete días (Kimi K3)

• Evidencia independiente — demostraciones de proveedores y declaraciones de capacidades, sin benchmark (Dots) frente al AA Coding Index 76,2, en noveno lugar de 138, GPQA Diamond 93,5, recuperación de contexto largo 88,7 (Kimi K3)

Lo que nadie menciona sobre comprar un agente

Una suscripción con una asignación no publicada tiene una propiedad que una lista de tarifas no tiene: no se puede distinguir entre una tarea que fue barata y una tarea que fue cara. Cada trabajo cuesta lo mismo —nada marginal— justo hasta el momento en que deja de ser así, y entonces la respuesta llega como un límite en lugar de una factura. Para un equipo cuyo trabajo es exploratorio, eso es una ventaja. Para un equipo que tiene que atribuir costos a un proyecto, es un agujero en la contabilidad.

También hay un efecto de segundo orden. Cuando el coste marginal de una llamada es invisible, dejas de preguntarte si la llamada era necesaria, y la optimización más barata de cualquier pipeline —no hacer la petición— deja de estar disponible para ti. Un modelo tarifado por uso obliga a hacerse esa pregunta cada vez que alguien consulta la tarifa.

Componiéndolos sin pretender que sean alternativas

La forma que funciona es un punto que se da cuenta y un modelo de contexto largo que lee. Llega trabajo —un documento en una unidad compartida, un mensaje en un hilo— y el punto decide si importa. Si importa, el documento va a Kimi K3 con todo lo demás que pueda necesitar adjunto, en una sola solicitud, y la respuesta vuelve totalmente anclada en la fuente en lugar de en un resumen de la fuente. El punto se encarga del seguimiento y de la logística aburrida; el modelo se encarga de leer, a un volumen que ningún bucle de llamadas pequeñas habría ensamblado correctamente.

Kimi K3 se enruta en OrcaRouter como kimi/kimi-k3 al precio de Moonshot sin recargo añadido, dentro de el mismo catálogo que más de 200 modelos con una sola clave, con conmutación por error automática entre proveedores upstream cuando uno se degrada y un DSL de enrutamiento para componer varios modelos en una sola llamada. Esa es la mitad medida del pipeline y nada más: los dots no están en el catálogo, no hay endpoint para uno, y no existe ningún identificador al que apuntar una solicitud. Si la capa de lectura es la parte que necesitas controlar —y para cualquier cosa que pienses ejecutar durante un año, normalmente lo es—, esa es la capa de la que deberías adueñarte.

¿Qué compra desperdicia dinero?

Comprar un dot para leer un corpus extenso es un desperdicio, porque el dot buscará y resumirá en lugar de retenerlo entero, y el resumen es donde muere el detalle que necesitabas. Comprar Kimi K3 para seguir un proyecto a lo largo de cinco aplicaciones es un desperdicio por la razón inversa: un modelo que responde cuando se le llama no te llama.

Si el trabajo es recuperación y logística, alquila al trabajador. Si el trabajo es comprensión a escala, compra el medidor y dale todo de una vez. Los dos se solapan mucho menos de lo que sugiere la palabra «agentic», y el solapamiento no está donde ninguno de los dos es bueno.