Kimi K3 vs DeepSeek V4: ¿qué modelo de IA abierto elegir en 2026?

A primera vista, Kimi K3 y DeepSeek V4 parecen dos modelos chinos de IA similares. Ambos ofrecen una ventana de contexto de aproximadamente un millón de tokens, utilizan arquitecturas Mixture of Experts, están diseñados para programación y trabajo agéntico y se presentan como alternativas a los modelos propietarios de proveedores estadounidenses.

En la práctica, las diferencias son mayores de lo que sugieren los materiales de lanzamiento.

DeepSeek V4 ya está disponible en dos variantes principales: V4-Pro y V4-Flash. Los pesos de ambos modelos pueden descargarse y la licencia MIT permite su uso comercial. Kimi K3 es más reciente y claramente más potente en varias evaluaciones independientes, pero en la fecha de la última verificación sus pesos completos aún no se habían publicado. Moonshot AI anunció que estarían disponibles antes del 27 de julio de 2026, mientras que la licencia definitiva todavía no se había comunicado. [1][2][3]

Esto conduce a la primera y más importante conclusión:

Si necesitas un modelo con pesos abiertos que puedas descargar y desplegar hoy, DeepSeek V4 gana sin matices. Si vas a utilizar una API y te importan sobre todo la calidad, la multimodalidad y el desarrollo de interfaces, Kimi K3 es actualmente el candidato más fuerte.

Primero, una aclaración importante: ¿qué modelo es realmente abierto?

En la industria de la IA, las expresiones «open source», «modelo abierto» y «pesos abiertos» suelen utilizarse como sinónimos, aunque no significan lo mismo.

DeepSeek ha publicado los archivos de V4-Pro y V4-Flash bajo la licencia MIT. Esta permite modificar, desplegar y utilizar comercialmente el modelo, siempre que se conserven los avisos exigidos. No hace transparente todo el proceso de entrenamiento, pero desde el punto de vista práctico del despliegue, DeepSeek V4 es hoy un modelo con pesos verdaderamente disponibles. [2][3]

Moonshot describe Kimi K3 como un modelo abierto de aproximadamente tres billones de parámetros, pero en la fecha de verificación solo podía utilizarse mediante los productos y la API de la empresa. Los pesos completos y el informe técnico se prometieron para más adelante. Hasta que se publiquen los archivos y la licencia, Kimi K3 debe describirse como un modelo con una futura publicación de pesos abiertos anunciada, no como un modelo listo para el despliegue independiente. [1]

Esta diferencia no es un detalle semántico. Determina si una organización puede hoy:

• descargar el modelo sin permiso del proveedor;
• ejecutarlo en su propia infraestructura;
• congelar una versión concreta;
• ajustar o cuantizar los pesos;
• evitar futuros cambios de precios y políticas de la API;
• revisar la licencia antes de comprometerse con un proyecto.

Comparación rápida

Los datos de arquitectura, modalidades, límites y precios proceden de las fichas oficiales de los modelos y de la documentación de las API. [1][2][4][5]

¿Qué es Kimi K3?

Kimi K3 es el último modelo insignia de Moonshot AI. Tiene 2,8 billones de parámetros y utiliza una arquitectura Mixture of Experts dispersa. Durante la generación activa 16 de 896 expertos, por lo que no necesita utilizar toda la red para cada token. [1]

El modelo emplea varias tecnologías desarrolladas por Moonshot:

• Kimi Delta Attention, diseñada para trabajar de manera eficiente con secuencias muy largas;
• Attention Residuals, que recupera selectivamente representaciones de capas anteriores;
• Stable LatentMoE, utilizada para escalar el enrutamiento de expertos de forma estable;
• entrenamiento que tiene en cuenta pesos y activaciones de baja precisión.

Moonshot afirma que K3 ofrece alrededor de 2,5 veces la eficiencia de escalado de Kimi K2. Es una afirmación del proveedor, no un resultado independiente, especialmente porque el informe técnico completo aún no estaba disponible. [1]

K3 se dirige principalmente a programación de larga duración, investigación, trabajo con grandes repositorios, creación de interfaces, videojuegos y proyectos CAD. Acepta imágenes y vídeo de forma nativa, lo que lo diferencia de la familia DeepSeek V4 orientada al texto. [4]

¿Qué es DeepSeek V4?

DeepSeek V4 no es un único modelo, sino una familia que incluye al menos dos variantes importantes.

DeepSeek V4-Pro

V4-Pro tiene 1,6 billones de parámetros, con aproximadamente 49.000 millones activos durante la inferencia. Fue entrenado con más de 32 billones de tokens y admite una ventana de contexto de un millón. DeepSeek lo posiciona para programación difícil, razonamiento, agentes y uso de herramientas. [2][3]

V4-Pro es el competidor adecuado de Kimi K3 cuando se comparan los modelos más potentes de ambas empresas.

DeepSeek V4-Flash

V4-Flash tiene 284.000 millones de parámetros, con aproximadamente 13.000 millones activos. Es menos potente que V4-Pro, pero mucho más fácil y barato de servir. Sigue ofreciendo una ventana de contexto de un millón de tokens, pesos descargables y la misma licencia MIT. [2][3]

Flash puede ser más relevante que Pro para una empresa normal. Sirve para enrutar tareas sencillas, clasificación masiva, extracción, generación de código menos compleja y muchos agentes paralelos sin la economía de un modelo frontier.

¿Qué muestran los benchmarks independientes?

La comparación actual más útil procede de Artificial Analysis, que evalúa los modelos con un conjunto coherente de pruebas de razonamiento, conocimiento, programación, terminal y tareas profesionales.

Kimi lidera el índice agregado por 13 puntos, una diferencia importante. No es una pequeña variación en un único benchmark: en el conjunto independiente actual, Kimi es claramente el modelo general más potente. [6][7]

DeepSeek responde con el precio. Completar la misma clase de evaluación costó unas 15,3 veces menos, aunque DeepSeek generó más tokens de salida. Esto muestra lo agresiva que es su política de precios. [6][7]

También es importante que la velocidad de generación una vez iniciada la respuesta fuera casi idéntica. DeepSeek no consiguió su ventaja de coste reduciendo diez veces el rendimiento. Las mayores diferencias están en la calidad y en el número de tokens necesarios para completar una tarea. [6][7]

¿Qué muestran los rankings de Arena?

En la captura del ranking de texto de Arena del 16 de julio, Kimi K3 tenía una puntuación preliminar de alrededor de 1486 y se encontraba entre los diez primeros. DeepSeek V4-Pro y su variante thinking rondaban los 1456-1458 puntos y aparecían bastante más abajo. La puntuación de Kimi estaba marcada como preliminar y se basaba en menos votos, por lo que la diferencia de posiciones no debe considerarse definitiva. [8][9]

La diferencia era mayor en WebDev Arena. Kimi K3 ocupaba provisionalmente el primer puesto con unos 1679 puntos, mientras que DeepSeek V4-Pro-thinking estaba mucho más abajo, alrededor de 1459. Este ranking es especialmente relevante para el desarrollo de sitios web e interfaces porque evalúa los resultados visuales, no solo la corrección textual de una respuesta. [10][11]

El resultado coincide con las capacidades de los modelos. Kimi puede examinar capturas de pantalla e iterar a partir de una imagen. DeepSeek V4 es un modelo textual, por lo que un flujo similar requiere una capa adicional de descripción visual o un modelo de visión externo.

Programación: ¿qué modelo es mejor?

Actualmente no existe un único conjunto independiente y perfectamente controlado que compare Kimi K3 y DeepSeek V4 en todos los mismos harnesses de agentes de programación.

Moonshot publica para Kimi, entre otros resultados, 67,5 en DeepSWE, 88,3 en Terminal-Bench 2.1, 81,2 en FrontierSWE y 42,0 en SWE Marathon. DeepSeek publica para V4-Pro Max 80,6 en SWE-bench Verified, 55,4 en SWE-bench Pro, 67,9 en Terminal-Bench 2.0 y 93,5 en LiveCodeBench. Estas cifras no deben colocarse en una tabla simplista de ganador y perdedor porque proceden de versiones de benchmarks, agentes, límites y metodologías diferentes. [1][2]

Una conclusión más segura se desprende de las evaluaciones independientes y de la naturaleza de los modelos.

Kimi K3 suele ser mejor cuando:

• la tarea incluye frontend o una interfaz evaluada a partir de capturas de pantalla;
• el agente debe analizar imágenes o grabaciones;
• se necesita la máxima calidad entre estos dos modelos;
• el modelo trabaja durante muchas horas en una tarea difícil;
• el coste importa, pero no es la limitación principal;
• la empresa todavía no necesita un despliegue privado de los pesos.

DeepSeek V4-Pro suele ser mejor cuando:

• la tarea es principalmente textual y de código;
• el presupuesto exige muchas pruebas;
• numerosos agentes deben trabajar en paralelo;
• quieres utilizar Claude Code sin pagar las tarifas de los modelos de Anthropic;
• necesitas congelar y mantener de forma independiente una versión concreta del modelo;
• necesitas un modo sin razonamiento para operaciones simples.

DeepSeek V4-Flash suele ser mejor cuando:

• el rendimiento es la prioridad;
• procesas grandes volúmenes de tareas repetitivas;
• estás creando una capa barata de agentes auxiliares;
• buscas una opción de autoalojamiento más realista;
• no necesitas la calidad de Kimi o V4-Pro en cada solicitud.

Agentes y uso de herramientas

DeepSeek V4 admite llamadas a herramientas, salidas JSON, prefix completion y respuestas largas de hasta 384.000 tokens. La API ofrece un modo sin razonamiento, high y max. La documentación señala que al utilizar herramientas en modo thinking, la aplicación debe devolver reasoning_content en las siguientes solicitudes; omitirlo puede producir un error HTTP 400. [5]

DeepSeek también proporciona compatibilidad con la API de Anthropic y una guía oficial para conectar V4 con Claude Code. La empresa mapea directamente los nombres de los modelos y las variables de entorno, mientras que la búsqueda web puede funcionar en ese entorno mediante la API de DeepSeek. [12]

Kimi también admite function calling, tool_choice, JSON Schema, carga dinámica de herramientas, streaming y caché automática. Al igual que DeepSeek, exige conservar el historial completo de mensajes del asistente relacionado con el razonamiento. Moonshot advierte de que eliminar esos mensajes o cambiar de modelo durante una sesión puede reducir la estabilidad. [4][13]

En la fecha de verificación, la búsqueda web oficial de Kimi se estaba actualizando y no se recomendaba para producción. DeepSeek tenía por tanto una integración más práctica en este ámbito, especialmente para usuarios de Claude Code. [4][12]

Control del razonamiento

Esta parte de la comparación favorece claramente a DeepSeek.

DeepSeek V4 puede funcionar:

• sin razonamiento;
• con reasoning_effort="high";
• con reasoning_effort="max".

La documentación mantiene la compatibilidad con otras etiquetas: low y medium se asignan a high, mientras que xhigh se asigna a max. En tareas agénticas complejas, como las sesiones de Claude Code, la API puede elegir automáticamente el máximo esfuerzo. [5]

Kimi K3 tiene el razonamiento siempre activado y, en su lanzamiento, solo admitía:

reasoning_effort="max"

Moonshot anunció modos con menos esfuerzo, pero todavía no estaban disponibles. [4]

En un problema difícil esto no tiene por qué ser una desventaja. Sin embargo, en transformaciones simples, clasificaciones, respuestas cortas o routing masivo provoca consumo innecesario de tokens e impide adaptar el comportamiento al valor de la tarea.

Imágenes, documentos y vídeo

Kimi K3 tiene una ventaja que no puede compensarse solo con el precio por token: es multimodal.

La API oficial acepta texto, imágenes y archivos de vídeo. Por tanto, el mismo modelo puede analizar código, revisar una captura de una aplicación, identificar diferencias frente a un diseño y aplicar las correcciones. También puede trabajar con vídeo sin extraer manualmente los fotogramas y enviarlos a un modelo separado. [4]

DeepSeek V4-Pro y V4-Flash se describen como modelos textuales. Puede construirse un flujo multimodal a su alrededor, pero exige un modelo de visión adicional, OCR, transcripción o una capa propia de extracción. [2][7]

Para backend, scripts, análisis de repositorios y agentes de terminal, puede no importar. Para frontend, control visual de calidad, aplicaciones móviles, videojuegos y análisis de grabaciones, es una de las diferencias más importantes.

Comparación de precios de la API

Según los precios oficiales, la entrada de V4-Pro es unas 6,9 veces más barata que la de Kimi y la salida unas 17,2 veces más barata. Las lecturas de caché son unas 82,8 veces más baratas. V4-Flash amplía aún más la diferencia. [5][14]

Ejemplo 1: tarea en un repositorio

Supuestos:

• 100.000 tokens de entrada sin caché;
• 10.000 tokens de salida.

V4-Pro es unas 8,6 veces más barato que Kimi en este ejemplo. Flash sigue costando menos de cuatro centavos incluso después de varios intentos similares.

Ejemplo 2: gran contexto en caché

Supuestos:

• 500.000 tokens de entrada en caché;
• 20.000 tokens de salida.

Para un prefijo largo repetido con frecuencia, la diferencia de costes es enorme.

El comportamiento del modelo sigue importando. En la evaluación de Artificial Analysis, DeepSeek generó aproximadamente 180 millones de tokens de salida y Kimi unos 130 millones. DeepSeek fue más prolijo, pero continuó siendo claramente más barato. [6][7]

Autoalojamiento y requisitos de hardware

Los pesos abiertos no significan que el modelo funcione en un ordenador de oficina potente.

DeepSeek V4-Pro tiene 1,6 billones de parámetros totales aunque durante la inferencia estén activos aproximadamente 49.000 millones. Los pesos completos, la memoria, el enrutamiento de expertos, la comunicación entre dispositivos y la caché para un contexto de un millón de tokens requieren infraestructura distribuida. La ficha oficial incluye instrucciones de servicio, pero el despliegue práctico de Pro sigue siendo un proyecto para organizaciones con varios aceleradores. [2][3]

V4-Flash, con 284.000 millones de parámetros totales y unos 13.000 millones activos, es un candidato mucho más realista para infraestructura privada. Sigue sin ser un modelo para portátil, pero el coste de hardware y el rendimiento serán más manejables que con V4-Pro.

Kimi K3 es todavía más grande. Moonshot recomienda configuraciones de supernodos con al menos 64 aceleradores. Incluso después de publicar los pesos, el despliegue privado tendrá sentido principalmente para hiperescaladores, grandes laboratorios y proveedores de infraestructura. [1]

Por tanto, para la mayoría de empresas «autoalojamiento» debería significar más bien:

• utilizar un proveedor especializado de inferencia;
• alquilar un clúster durante la ejecución de una carga;
• desplegar el menor V4-Flash;
• enviar las tareas más difíciles a una API externa.

Privacidad y ubicación de los datos

Un despliegue privado de DeepSeek V4 ofrece el mayor control sobre los datos, pero solo si la organización gestiona realmente la infraestructura, los registros, las copias de seguridad y el acceso de los administradores.

Al usar la API oficial, la política de privacidad de DeepSeek indica que la empresa recopila prompts, archivos, imágenes e historial de conversaciones, puede utilizar datos para mejorar y entrenar su tecnología y procesa datos personales en la República Popular China. La política también describe una forma de oponerse al uso para entrenamiento. [15]

La política de la plataforma Kimi señala que el contenido de los usuarios puede utilizarse para desarrollar y mejorar su tecnología y que los datos se almacenan en servidores seguros de Singapur. La retención depende de factores como el tipo de datos, la actividad de la cuenta y las obligaciones legales. [16]

Ninguna política general de privacidad sustituye un contrato empresarial. Antes de enviar código fuente, secretos comerciales o datos de clientes, la organización debería obtener por escrito las condiciones sobre:

• uso para entrenamiento;
• posibilidades de exclusión;
• retención y eliminación;
• región de procesamiento;
• subencargados;
• respuesta ante incidentes;
• cumplimiento de los requisitos internos.

Limitaciones de Kimi K3

La mayor debilidad actual de Kimi es que su apertura anunciada todavía no puede comprobarse. Se desconocen la licencia definitiva, la integridad de la publicación y las condiciones de uso de los pesos.

El modelo también tiene tres limitaciones prácticas:

1. actualmente solo funciona con el máximo esfuerzo de razonamiento;
2. es sensible a la pérdida del historial completo relacionado con el razonamiento;
3. puede ser excesivamente proactivo y tomar decisiones no autorizadas cuando las instrucciones son ambiguas. [4][13]

Kimi también es mucho más caro que DeepSeek y su ventaja de calidad no es necesaria en todas las cargas. Utilizarlo para parsing sencillo, clasificación o generación de código basada en plantillas puede ser económicamente irracional.

Limitaciones de DeepSeek V4

DeepSeek V4-Pro es claramente menos potente que Kimi K3 en el índice agregado independiente. La diferencia fue aún mayor en WebDev y la falta de entrada nativa de imágenes y vídeo limita su utilidad en flujos visuales. [6][7][10][11]

El modelo también es muy prolijo. En Artificial Analysis produjo unos 180 millones de tokens de salida, más que Kimi. Sus bajos precios hacen que siga siendo económico, pero las trayectorias más largas pueden aumentar la latencia, el volumen de registros y el tiempo de revisión humana. [7]

Las integraciones agénticas deben conservar correctamente reasoning_content. Una gestión incorrecta del historial puede interrumpir una llamada a herramientas. [5]

Los pesos abiertos tampoco resuelven automáticamente la seguridad. Una organización que ejecuta el modelo asume la responsabilidad del aislamiento de herramientas, las actualizaciones, los filtros, la supervisión, el control de acceso y la protección de datos.

¿Qué modelo deberías elegir?

Elige Kimi K3 cuando:

• necesites la máxima calidad entre los modelos comparados;
• desarrolles frontends, aplicaciones, videojuegos o herramientas CAD;
• el agente deba analizar capturas de pantalla o vídeo;
• utilices una API y todavía no necesites pesos privados;
• una tarea individual tenga suficiente valor para que el precio del modelo no domine;
• puedas probar rigurosamente las acciones autónomas.

Elige DeepSeek V4-Pro cuando:

• necesites pesos abiertos realmente disponibles;
• la licencia MIT y el uso comercial sean importantes;
• desarrolles agentes de texto y programación a gran escala;
• quieras reducir radicalmente el coste de la API;
• planees integrar Claude Code o un cliente en formato Anthropic;
• necesites un modo sin razonamiento y más control sobre el esfuerzo;
• aceptes una calidad general inferior a la de Kimi.

Elige DeepSeek V4-Flash cuando:

• el precio y el rendimiento sean las máximas prioridades;
• proceses grandes cantidades de tareas rutinarias;
• estés construyendo un sistema multimodelo;
• necesites una opción de despliegue privado más práctica;
• los casos difíciles puedan escalarse a V4-Pro, Kimi u otro modelo.

Considera el routing entre varios modelos

La arquitectura más razonable no tiene por qué utilizar un único modelo para todas las tareas.

Un ejemplo de routing:

• V4-Flash gestiona clasificación, extracción, correcciones sencillas y agentes auxiliares;
• V4-Pro gestiona tareas de texto y programación más difíciles;
• Kimi K3 se encarga de frontend, imágenes, vídeo y los casos más complejos;
• los datos sensibles permanecen en un despliegue privado de DeepSeek;
• el trabajo menos sensible puede utilizar API externas.

Este enfoque aprovecha los puntos fuertes de Kimi sin pagar su tarifa en cada solicitud.

Veredicto

La pregunta del título tiene dos respuestas diferentes.

El mejor modelo abierto que puede desplegarse hoy es DeepSeek V4. Tiene pesos disponibles, licencia MIT, una API extremadamente barata, una variante Pro para tareas difíciles y una variante Flash para escala. También ofrece compatibilidad madura con los formatos OpenAI y Anthropic, niveles de razonamiento ajustables y una integración oficial con Claude Code. [2][3][5][12]

El modelo más potente cuando se utiliza mediante API es Kimi K3. Lidera Artificial Analysis Intelligence Index, obtiene mejores resultados en los rankings actuales de Arena, admite imágenes y vídeo y es especialmente fuerte en el desarrollo visual de interfaces. [4][6][8][10]

Kimi puede convertirse en un modelo de pesos abiertos muy interesante después de su publicación. Sin embargo, una decisión de infraestructura no debería basarse solo en un anuncio. Conviene esperar a los archivos, la licencia, el informe técnico y las primeras pruebas independientes de despliegue.

A 17 de julio de 2026, la recomendación es sencilla:

• DeepSeek V4-Pro cuando necesites pesos privados, bajo coste y un modelo de texto potente;
• DeepSeek V4-Flash cuando construyas un sistema barato a gran escala;
• Kimi K3 cuando la calidad, el frontend, las imágenes y el vídeo importen más que la apertura completa y el precio.

La mejor decisión sigue procediendo de pruebas con cargas reales. Un benchmark general no muestra cómo gestiona un modelo las convenciones de un repositorio concreto, los formatos de datos de una empresa, su sistema de permisos o los costes de revisión humana.

Fuentes

1. Moonshot AI, Kimi K3: Open Frontier Intelligence
2. DeepSeek, anuncio oficial de DeepSeek V4
3. DeepSeek AI, ficha de DeepSeek V4 en Hugging Face
4. Kimi API Platform, Kimi K3 Quickstart
5. DeepSeek API Docs, modelos, precios y modos de razonamiento
6. Artificial Analysis, evaluación de Kimi K3
7. Artificial Analysis, evaluación de DeepSeek V4 Pro Max
8. Arena, ranking de texto y puntuación de Kimi K3
9. Arena, ranking de texto y puntuación de DeepSeek V4
10. Arena, ranking WebDev y puntuación de Kimi K3
11. Arena, ranking WebDev y puntuación de DeepSeek V4
12. DeepSeek API Docs, integración con Claude Code
13. Moonshot AI, limitaciones y recomendaciones de Kimi K3
14. Kimi API Platform, precios de Kimi K3
15. DeepSeek, Privacy Policy
16. Kimi OpenPlatform, Privacy Policy