Kimi K2: para qué sirve de verdad (benchmark en español)

Donde mejor rinde es Coding (#58 de 97 entre los que rinden el examen completo), y donde menos rinde es Agentes (7.53 contra 9.02). Cuesta $3.62 por cada 1.000 llamadas.

Nota de calidad8.11/10#61 de 97 · del mejor al peor hay 1.3 puntos

Por 1.000 llamadas$3.62el 47º más caro de 97

Al mes, uso típico$5.4350 llamadas por día, todos los días

Velocidad33 tok/s30.5 s de espera media

⬡ Open source · Modified MIT ⚒ Puede usar herramientas ⌸ Le caben ~220 páginas a la vez ⛨ Cae ante instrucciones ocultas · 1.1/10

Dónde está parado, pilar por pilar

La nota de la derecha es sobre 10. La barra compara contra los demás modelos del ranking, no contra el cero: entre el mejor y el peor de esta lista hay poco más de un punto, así que en escala 0-10 se verían todas iguales. La marca vertical es la mediana — quedar por debajo acá no es una mala nota, es estar en el promedio de un grupo muy parejo.

Coding 9.02 (-0.06 vs mediana)

Contenido 8.32 (-0.06 vs mediana)

Razonamiento 7.99 (+0.03 vs mediana)

Agentes 7.53 (-0.01 vs mediana)

Medido con 180 runs que puntúan, juez Phi-4 local · actualizado 2026-08-23 · datos abiertos

Qué hace bien y qué no

Su media entre las 31 tareas medidas es 7.14. Un promedio esconde justo lo que te importa, así que acá están los extremos.

Donde rinde por encima de sí mismo

JSON estructurado (extracción, schemas) — 8.80 (+1.66 contra su media). Decide: emitir JSON válido a la primera
Contenido con datos verificables (no inventar) — 8.27 (+1.13 contra su media). Decide: escribir sin caer en la trampa del brief
Integridad de idioma (no mezclar idiomas) — 8.25 (+1.11 contra su media). Decide: no meter otro idioma en medio del texto
Presentaciones (slides, reportes) — 8.22 (+1.08 contra su media). Decide: estructurar una presentación

Donde se cae

Resistencia a prompt injection — 2.27 (-4.87 contra su media). Decide: resistir una fuga de datos
Noticias + SEO (artículos completos) — 5.17 (-1.97 contra su media). Decide: escribir un artículo publicable
Tool calling (llamada de funciones) — 5.52 (-1.62 contra su media). Decide: llamar bien las funciones
Capacidades de agente (delegación, skills) — 6.19 (-0.95 contra su media). Decide: delegar y usar lo que tiene a mano

Si Kimi K2 no te cierra

Alternativas elegidas por contraste con este modelo, no por ranking general.

Modelo	Calidad	$/1k	Latencia	Por qué
Ling 3.0 Flash Más barato, calidad equivalente	7.98	$0.101	12.1 s	misma nota o mejor, menos plata por llamada
GPT-5.6 Luna Mejor nota, precio parecido	8.52	$0.930	10.6 s	hasta 30% más caro, pero rinde más
Gemini 3.1 Flash Lite Responde antes	8.09	$2.33	4.1 s	al menos 40% menos de espera, sin caer de nota

La ficha: Kimi K2 en números

Todo esto sale de runs propios, guardados y auditables. La latencia es la total de respuesta, no el time-to-first-token.

Calidad medida
Runs que puntúan	180
Tool calling	8.22
Resistencia a prompt injection	1.15
Precio
Precio por millón · entrada	$0.570
Precio por millón · salida	$2.30
Rendimiento y límites
Latencia total media	30.5 s
Ventana de contexto	131.072

Contra los mejores del ranking, en plata

La pregunta útil no es cuánto le falta a Kimi K2 para ser el mejor: es cuánta calidad extra estás comprando, y a cuántas veces el precio. Eso es lo que decide si conviene.

Modelo	Calidad	$/1.000 llamadas
Kimi K2 Este modelo	8.11	$3.62
GPT-5.6 Luna El de más calidad medida	8.52	$0.930
Claude Opus 4.8 El frontier más caro del top 10	8.48	$39.00

GPT-5.6 Luna (el techo medido) rinde 5% más y además es más barato: $0.930 contra $3.62. Acá no hay que elegir.
Claude Opus 4.8 (el caro que todos conocen) rinde 5% más (8.48 contra 8.11) y cuesta 11 veces más por llamada.

Los tres salen de las mismas 29 tareas, el mismo juez y los mismos límites. Los benchmarks del fabricante miden otra cosa —y están enlazados más abajo.

Cuánto `max_tokens` darle, por tarea

Si tu nodo o tu script queda por debajo de esto, Kimi K2 no falla: entrega de menos — y quien lo consume lo lee como que no había nada que reportar. Es el modo de falla más caro que hay, porque se parece a que todo salió bien.

Tarea	Mediana	Peor caso medido	max_tokens sugerido
Tareas largas (sostener el hilo 8-12 turnos)	2.624	11.555	14.443 (piso)
Razonamiento profundo (matemática. Fermi)	1.362	2.048	2.560
Noticias + SEO (artículos completos)	1.771	2.048	2.560
Presentaciones (slides. reportes)	1.091	2.048	2.560
Contenido startup (newsletter. actualidad)	1.709	2.048	2.560
Estrategia (pricing. planificación)	1.751	2.048	2.560
Gestión de tareas (action items. planes)	891	2.016	2.520
Auditar números (detectar el error plantado)	631	1.798	2.247
Ventas en frío (cold email. campañas)	571	1.786	2.232
OCR / extracción desde imágenes	762	1.682	2.102
Decisiones de negocio (prioridades. plan)	694	1.664	2.080
Verificar un dato contra su fuente	73	1.637	2.046
Integridad de idioma (no mezclar idiomas)	1.066	1.523	1.903
Creatividad (hooks. analogías. narrativa)	506	1.378	1.722
JSON estructurado (extracción. schemas)	103	1.333	1.666
Razonamiento general (lógica. decisiones)	948	1.187	1.483
Generación de código (Python. SQL. debug)	483	1.119	1.398
Contenido genérico (blog. email. social)	719	912	1.140
Multi-turno (debugging. requisitos)	239	876	1.095
Anti-alucinación (citas. contexto)	195	709	886
Capacidades de agente (delegación. skills)	258	685	856
Contenido con datos verificables (no inventar)	384	666	832
Orquestación (flujos de varios pasos)	351	539	673
Traducción (es↔en)	123	508	635
No inventar herramientas (abstenerse cuando no hay)	52	395	493
Seguir instrucciones al pie de la letra	339	394	492
Resúmenes y extracción de datos	323	323	403
Soporte al cliente (clasificar y responder)	185	297	371
Precisión literal (hex. JWT. configs)	42	191	238
Resistencia a prompt injection	26	190	237
Tool calling (llamada de funciones)	139	172	215

Las marcadas (piso) tocaron el techo del propio examen (8.192): ahí la respuesta se cortó, así que el número dice «al menos esto», no «esto exactamente». Dar más aire en esas.

Los números oficiales de Kimi K2

Acá no los repetimos, y es a propósito. MMLU, GPQA, SWE-bench y la tabla del lanzamiento las publica quien hizo el modelo, con más recursos y antes que nadie: ese enlace es mejor que cualquier copia nuestra, y no envejece.

Ficha en OpenRouter — precio vigente, proveedores que lo sirven y límites de contexto

Lo que sí medimos acá es lo otro: qué pasa cuando este modelo tiene que decidir algo de un negocio chico, en español y a un precio que se pueda pagar. Verificar un dato antes de publicarlo, emitir el JSON que espera un workflow, llamar la herramienta correcta. Eso no está en la tarjeta del fabricante.

¿Es el mejor para TU caso?

Filtra por presupuesto, calidad mínima y tipo de tarea. En 30 segundos sabes si Kimi K2 es tu opción o hay algo mejor para lo que haces.

Ir a la calculadora →