El acceso atribuido a Moonshot a 20.000 chips Nvidia deja sin verificar el coste de entrenamiento de Kimi K3

Kimi K3 debuta sin revelar el hardware ni el coste de entrenamiento

La cuenta de Kimi de Moonshot anunció Kimi K3 en la red social X a las 18:58 UTC. Moonshot presentó un modelo de inteligencia artificial de pesos abiertos con 2,8 billones de parámetros, cuyos valores numéricos podían descargarse, y publicó tarifas de API inusualmente bajas para el acceso automatizado. No identificó los procesadores Nvidia, el tamaño del clúster ni el gasto de la principal fase de entrenamiento. Reuters informó del lanzamiento a primera hora del 17 de julio. Cinco días después, Michael Kratsios formuló la primera acusación concreta sobre el hardware.

El tamaño y las tarifas de K3 ponen de relieve un coste de infraestructura no revelado

K3 tiene 2,8 billones de parámetros, pero utiliza una arquitectura de mezcla de expertos que solo activa determinadas partes del modelo para cada token de texto. En concreto, activa 16 de sus 896 expertos enrutados por token, lo que reduce el cálculo frente a un modelo denso con el mismo número total de parámetros. Moonshot afirmó que la eficiencia de escalado era 2,5 veces superior a la de Kimi K2, recomendó configuraciones con al menos 64 aceleradores y publicó tarifas reducidas por token. Reuters señaló que el tamaño del modelo impediría a la mayoría de los usuarios alojarlo por su cuenta. Moonshot no identificó los aceleradores empleados para entrenar K3 ni tradujo su mejora de eficiencia en un coste total.

Washington denuncia un acceso no verificado a sistemas Nvidia GB300

Kratsios dijo el 22 de julio que el Gobierno estadounidense disponía de información según la cual Moonshot había adquirido servidores equipados con procesadores Nvidia GB300, pertenecientes a la generación Blackwell, y utilizado más sistemas GB300 en Tailandia (Thailand), probablemente para entrenar inteligencia artificial. No publicó contratos, números de serie, cantidades ni otras pruebas, por lo que la acusación sigue sin confirmar. Moonshot no respondió a las preguntas de TechCrunch sobre su proceso de entrenamiento. Expertos citados por ese medio dijeron que las capacidades de K3 no podían explicarse únicamente por otra acusación de la Casa Blanca, según la cual Moonshot copió resultados del modelo Fable de Anthropic. Añadieron que el aprendizaje por refuerzo a gran escala, que mejora un modelo mediante retroalimentación puntuada, requeriría por sí mismo una infraestructura informática considerable.

Los pesos abiertos revelan los requisitos de servicio, pero no el origen del entrenamiento

Moonshot publicó los pesos de K3 y un informe técnico de 47 páginas. La publicación permitió examinar el modelo terminado: unos 104.000 millones de parámetros están activos en cada token, los pesos emplean el formato numérico de baja precisión MXFP4 y el repositorio del modelo en Hugging Face ocupa cerca de 1,56 terabytes repartidos en 96 fragmentos principales. El informe describe métodos distribuidos de entrenamiento y servicio, pero no identifica el modelo ni la cantidad de procesadores utilizados en la principal fase de entrenamiento, las horas-GPU totales ni un desglose completo del coste. La mención de procesadores Nvidia H20 para ciertas evaluaciones no demuestra que esos sistemas se emplearan en el entrenamiento original.

El 28 de julio, The Information citó fuentes anónimas según las cuales K3 utilizó procesadores Blackwell y Moonshot buscaba más capacidad para un modelo K4 de mayor tamaño. Una de las fuentes situó parte del entrenamiento en China, a diferencia del énfasis de Kratsios en Tailandia. Tom’s Hardware resumió la misma información sin confirmarla por su cuenta y dijo que Moonshot interconectó servidores Blackwell disponibles a través de al menos dos proveedores chinos y varios centros de datos, además de recurrir ampliamente a sistemas H20 para la inferencia, el proceso de generar respuestas del modelo. Las informaciones apuntan a una estrategia informática con varios proveedores, pero no ofrecen un inventario auditable del clúster ni de sus costes.

El acuerdo con Alibaba aporta la primera estimación del tamaño del clúster

Bloomberg informó de que Moonshot tiene un acuerdo para utilizar unos 20.000 chips Nvidia mediante la infraestructura informática de Alibaba, según personas conocedoras del pacto confidencial. Las fuentes describieron procesadores para centros de datos de la generación Hopper que representarían una parte sustancial de la capacidad utilizada por los modelos Kimi. La información acredita un supuesto acceso alquilado o contratado, no que Moonshot sea propietaria de una instalación de 20.000 chips, la posea físicamente o la controle en exclusiva. Tampoco reveló la ubicación del clúster ni la capacidad que Moonshot tendría garantizada.

Varias fuentes de Bloomberg identificaron los procesadores como H200, pero Alibaba calificó de infundada esa afirmación. Bloomberg dijo que Alibaba no negó haber proporcionado una capacidad equivalente a unos 20.000 chips Nvidia y que se negó a identificar otro modelo de procesador. El medio también informó de una vía de acceso a Blackwell a través del Sudeste Asiático (Southeast Asia), sin determinar si se trataba de un alquiler remoto generalmente permitido o de compras directas prohibidas. Reuters recogió la información, dijo que no podía verificarla de forma independiente y no obtuvo confirmación de Moonshot, Nvidia ni de las autoridades estadounidenses competentes.