Kimi K3 vs Fable 5, GPT-5.6 & Opus 4.8: Probamos el hype

Kimi K3 es el nuevo buque insignia de Moonshot AI, y durante unos días de julio de 2026 fue el modelo más probado en internet. Apareció por primera vez en el sitio de evaluación Arena como un modelo misterioso con el nombre clave "Kivine" — autodescrito como "de Moonshot labs" con un corte de conocimiento de enero de 2025 — antes de que Moonshot lo anunciara oficialmente el 16 de julio de 2026, con la promesa de pesos abiertos antes del 27 de julio. El titular recurrente de los evaluadores: Kimi K3 se sitúa en algún lugar alrededor de Claude Fable 5, y a menudo por delante de GPT-5.6 en trabajo creativo y 3D. Esta reseña de primeras impresiones reúne las especificaciones, la columna vertebral de los benchmarks y una docena de pruebas comunitarias en un solo lugar.

Una nota para constructores: estas son pruebas comunitarias tempranas y no controladas, así que trátelas como indicativas, no como puntuaciones. OrcaRouter coloca modelos disponibles mediante API detrás de un endpoint compatible con OpenAI, así que una vez Kimi K3 su API esté disponible puede probarla contra Fable 5 y GPT-5.6 sin tener que conectar múltiples SDKs.

TL;DR veredicto. Kimi K3 es el primer modelo de pesos abiertos que alcanza de manera creíble el rango de Fable 5 en frontend, 3D y one-shots creativos — encabeza la tabla de líderes de frontend de Arena y ocupa el puesto #4 en el Artificial Analysis Index. Pero es verboso y lento (una compilación de frontend tomó 35 minutos), está por detrás de Fable en codificación agentiva, y los veredictos de "victoria" son primeras impresiones de Arena, no benchmarks auditados. Impresionante, pero no confirmado.

Conclusiones clave

•  Kimi K3 es un MoE de 2.8 billones de parámetros, posicionado como el modelo de pesos abiertos más grande hasta la fecha, con pesos abiertos disponibles antes del 27 de julio.

•  En evaluaciones neutrales de terceros ocupa el puesto #4 de 189 en el AA Intelligence Index (57) y #1 en el tablero de código frontend de Arena (1679), por encima del 1631 de Fable 5.

•  Precio de $3 / $15 por 1M tokens — el modelo más caro de Moonshot jamás creado, pero aún así aproximadamente un tercio de los $10 / $50 de Fable 5.

• Los testers lo llaman repetidamente "Fable level"; los escépticos dicen que las comparaciones directas están seleccionadas a dedo y que todavía va por detrás en tareas agentivas de múltiples pasos.

•  Ten en cuenta las advertencias: salida detallada (~2x mediana de tokens entre pares), ~34s de latencia del primer token, y aún está por detrás de Fable en FrontierSWE y DeepSWE.

La columna de especificaciones y benchmarks

Aquí están los datos concretos, cada cifra atribuida a su fuente.

•  Arquitectura — Kimi K3: 2.8T MoE (896 expertos, 16 activos), Kimi Delta Attention, contexto de 1M, visión nativa; Punto de comparación: El modelo de peso abierto más grande hasta la fecha (Moonshot, reportado por el proveedor)

•  Variantes — Kimi K3: K3 Max (chat/agente), K3 Swarm Max (paralelo); Punto de comparación: —

• Precios (entrada/salida) — Kimi K3: $3 / $15 por 1M; acierto de caché ~$0.30; Punto de comparación: Fable 5 en $10 / $50 (~3.3 veces más)

• AA Intelligence Index — Kimi K3: 57 — #4 de 189; Punto de comparación: Por detrás de dos configuraciones de Fable 5 + GPT-5.6 Sol; por encima de Opus 4.8, Sonnet 5, GLM-5.2 (Artificial Analysis)

• Arena frontend-code — Kimi K3: #1 en 1679, ganó 6 de 7 categorías; Punto de comparación: Por encima del 1631 de Fable 5; subió del #18 de K2.6 (Arena / LMArena)

•  GDPval-AA v2 / AA-Briefcase — Kimi K3: 1687 (#3) / 1527 (#2); Punto de comparación: Artificial Analysis

•  GPQA Diamond — Kimi K3: 93.5% (modelo abierto más fuerte); Punto de comparación: reportado por el proveedor

•  BrowseComp / HLE con herramientas — Kimi K3: 91.2% / 56.0%; Punto de comparación: reportado por el proveedor

•  Agentic SWE — Kimi K3: FrontierSWE 81.2, DeepSWE 67.5; Punto de comparación: Detrás de los 86.6 / 70.0 de Fable 5

•  Terminal-Bench 2.1 — Kimi K3: 88.3; Punto de comparación: Por encima del 84.6 de Fable 5 (advertencia de mezcla de arnés a continuación)

Dos cosas moderan las victorias. Primero, la ventaja de precio es parcialmente consumida por verbosidad — K3 emite aproximadamente el doble de tokens de salida que la mediana de sus pares en tareas comparables — más una latencia de primer token de ~34 segundos. Segundo, la ventaja de Terminal-Bench viene con una advertencia de @ChrissGPT: los benchmarks de Moonshot "a menudo prefieren usar Terminal 2 en lugar de 2.1," por lo que se deben tratar las comparaciones entre conjuntos de pruebas con cuidado. De forma independiente, antes de que se publicara el índice oficial, @teortaxesTex estimó "~55ish AA… alrededor de Opus 4.8 o GPT 5.5."

Resumen de pruebas de la comunidad

La evidencia que convirtió a Kimi K3 en una historia es la avalancha de one-shots de Arena. Aquí hay una muestra representativa: probador, tarea y veredicto, cada uno enlazado a la publicación original.

•  @synthwavedd — Tarea: Pruebas de estrés generales; Veredicto: "Otro momento DeepSeek R1… a menudo nivel Fable, tal vez un poco peor, pero consistentemente mejor que 5.6. Una bestia."

•  @chetaslua — Tarea: Codificación, cara a cara contra Fable; Veredicto: «Supera a todos los modelos de código abierto… a la par que Fable, a veces mejor calidad»

•  @Gc_qube — Tarea: 3D / juegos vs Fable 5; Veredicto: "Kimi K3 ganó… el primer modelo que ha alcanzado a Fable"

•  @abhinavflac — Tarea: render de bonsái Sakura; Veredicto: "Superó a Claude Fable — logró perfectamente el tronco retorcido y la copa en capas"

•  @testingcatalog — Tarea: Universe-sim vs Fable 5; Veredicto: "Fable terminó más rápido con una UX más robusta; K3 mucho más complejo y visualmente atractivo… muy reñido"

•  @israfill — Tarea: misma indicación de simulación de universo; Veredicto: "K3 gana por su densa producción creativa y momentos de 'cómo hizo eso'… sorprendido de lo cerca que está esto"

•  @mirochill — Tarea: Frontend one-shot (Francés); Veredicto: "Igual a 5.6 Pro, mejor que Fable 5, en un solo intento" (problemas de iluminación señalados)

• @jun_song — Tarea: Flappy Bird vs Opus 4.8; Veredicto: "Significativamente mejor que Opus… Opus-5 level"

•  @JustinGorya — Tarea: Minecraft en un solo archivo HTML; Veredicto: "Un nuevo hito… increíble en 3D y front end" (respuesta: "Esto es de un solo intento. Locoooo")

•  @redkendl — Tarea: Juego de avión de papel 3D; Veredicto: "Derribado de un solo golpe… Resultado de nivel Fable 5 / GPT-5.6. Los laboratorios chinos ya no están 8 meses atrasados"

•  @noctus91 — Tarea: Experiencias 3D interactivas; Veredicto: "El nivel de detalle, pulido y calidad general es francamente increíble"

•  @Lentils80 — Tarea: página frontend; Veredicto: "MUY lento — tomó 35 minutos — pero uno de los mejores resultados que he visto de este prompt"

Porristas vs escépticos

El caso alcista es sencillo: un modelo de pesos abiertos que iguala a un buque insignia cerrado de frontera en trabajo creativo y de frontend, a un tercio del precio, es genuinamente nuevo. @notjazii calificó una salida temprana como "a new SOTA model dropping today, moonshot cooked", y @chetaslua lo enmarcó como un "deepseek moment again for OSS".

Los escépticos se resisten con fuerza, y sus objeciones son las mismas tres cada vez:

•  Demos seleccionadas a dedo. En la prueba de bonsai, @Heeseon respondió "cualquiera puede ver que Fable 5 ganó", y @sebuzdugan señaló "una muestra de bonsai muestra control de estilo, no fiabilidad entre semillas".

•  Fable es simplemente mejor. En el hilo de Gc_qube, @victor_vibing dijo tajantemente: "Fable es mucho mejor. Incomparablemente mejor."

•  Misma estética, no rango real. @_everythingism argumentó que los outputs "todos tienen la 'Claude aesthetic'… generando un tipo específico de diseño una y otra vez," y en pruebas de Opus @MCharles10581 simplemente dijo "parece que opus es mejor."

El marco más útil proviene de @teortaxesTex, quien ni siquiera había probado K3 él mismo. Su punto es sobre una brecha de esfuerzo/gusto, no una barrera de capacidad: "incluso Fable y Sol hacen tanto SLOP… Kimi no falla tanto en las cosas sino que hace cosas menos interesantes y detalladas, no da el paso extra." Para la codificación agente con intervención humana en tareas objetivas, espera que K3 "debería acercarse de manera increíblemente cercana." Y el golpe estratégico: "cada modelo chino que meramente *mantiene* la brecha… es una hazaña heroica." Esa es la lectura honesta — K3 cierra la distancia en tareas medibles y pierde un poco en gusto, que es exactamente lo que muestran sus benchmarks.

Preguntas frecuentes

¿Es Kimi K3 tan bueno como Fable 5?

En frontend y en one-shots 3D, los evaluadores dicen que sí — supera al panel frontend de Arena (1679 vs 1631) y múltiples enfrentamientos directos lo calificaron como una victoria o un empate. En codificación agentiva todavía va detrás (FrontierSWE 81.2 vs 86.6), y los escépticos argumentan que Fable mantiene una ventaja en pulido y fiabilidad entre semillas.

¿Es Kimi K3 de código abierto?

Es de pesos abiertos: Moonshot prometió liberar los pesos antes del 27 de julio de 2026. En su lanzamiento solo era API/web. Como el modelo de pesos abiertos más grande hasta la fecha (2.8T MoE), ese lanzamiento es el evento principal.

¿Cuánto cuesta Kimi K3?

$3 / $15 por cada 1M de tokens de entrada/salida, con aciertos de caché alrededor de $0.30. Ese es el modelo más caro de Moonshot hasta la fecha (K2.6 costaba $0.95/$4), pero aún así aproximadamente un tercio de los $10 / $50 de Fable 5 — aunque la salida verbosa reduce la brecha en el mundo real.

¿Es Kimi K3 mejor que GPT-5.6?

Los evaluadores se inclinan positivamente hacia el trabajo creativo y 3D — @synthwavedd lo llamó "consistentemente mejor que 5.6" y @mirochill lo puso al nivel de 5.6 Pro. Pero en el Índice AA, GPT-5.6 Sol todavía se clasifica por encima de K3, y Fable 5 y 5.6 Sol lideran en Terminal 2.1.

¿Cuándo se lanzó Kimi K3?

Anunciado oficialmente el 16 de julio de 2026, tras aparecer en Arena como "Kivine" alrededor del 14 de julio. Se prometieron pesos abiertos antes del 27 de julio de 2026.

En resumen

Kimi K3 es la impresión inicial más fuerte que un modelo de pesos abiertos ha dejado desde el momento original de DeepSeek: salida creativa y frontend en el rango de Fable-5, en la cima del tablero frontend de Arena, a aproximadamente un tercio del precio de Fable. Simplemente mantén el entusiasmo en "direccional": es verboso, lento, todavía detrás en codificación agentiva, y cada "victoria" anterior es una impresión temprana de Arena, no un benchmark auditado. Cuando los pesos se publiquen antes del 27 de julio, las pruebas controladas nos dirán si el hype se mantuvo.