Kimi K3.1 Pro ya está disponible para la anotación automática en Ultralytics Platform

Moonshot AI lanzó Kimi K3.1 Pro el 23 de octubre de 2026, y desde hoy está disponible para la anotación automática en Ultralytics Platform. Lo hemos sometido a la misma prueba que todos los demás modelos de nuestra clasificación de VLM: 360 imágenes de 36 conjuntos de datos de detección del mundo real.

Kimi K3.1 Pro obtuvo un mAP50 de 0,444, un tercio más que Kimi K3 (0,334), y ocupa el séptimo puesto entre 29 modelos, diez posiciones por encima de su predecesor. Todos los modelos que lo superan son modelos cerrados de Google, Anthropic u OpenAI.

Novedades de Kimi K3.1 Pro#

Kimi K3.1 Pro es el primer modelo de la serie K3.1 de Moonshot, y Moonshot lo considera su modelo de pesos abiertos de clase 3T más capaz hasta la fecha. Es una versión de Kimi K3 con entrenamiento posterior, creada con muchos más recursos de computación para el entrenamiento posterior, una ventana de contexto de un millón de tokens y entrada de imágenes y vídeos. Siempre razona antes de responder, y Moonshot tiene previsto publicar los pesos completos antes del 4 de noviembre de 2026. El anuncio de Moonshot incluye sus resultados en programación, finanzas y alucinaciones.

Moonshot también ha bajado el precio. Kimi K3.1 Pro cuesta 2 $ por millón de tokens de entrada y 10 $ por millón de tokens de salida, frente a los 3 $ y 15 $ de Kimi K3.

Kimi K3.1 Pro para la anotación automática en Ultralytics Platform#

Kimi K3.1 Pro se suma a los modelos de lenguaje y visión con indicaciones de clase en el editor de anotaciones de Ultralytics Platform. En un conjunto de datos de detección de objetos con entre 1 y 200 clases, analiza cada imagen y devuelve cuadros delimitadores de las instancias que encuentra de las clases de tu conjunto de datos; puedes revisarlos y guardarlos como cualquier otra predicción.

Puedes usarlo de dos formas:

• Una imagen cada vez: En el editor de anotaciones, cambia al modo Smart, selecciona Kimi K3.1 Pro en Kimi, dentro del selector de modelos, y haz clic en Predict (o pulsa P).
• Un conjunto de datos completo: Ejecuta Batch Annotation desde More actions > Batch Annotation en la página del conjunto de datos para etiquetar todas las imágenes sin etiquetar en una sola ejecución.

Para ver cómo funciona antes de añadir una clave, abre la página del modelo Kimi K3.1 Pro en Ultralytics Platform. Reproduce las predicciones registradas de Kimi K3.1 Pro en 10 imágenes de COCO junto a los cuadros esperados y muestra su puntuación en cada conjunto de datos de evaluación.

Cómo evaluamos Kimi K3.1 Pro#

Un modelo que encuentra casi todos los objetos en fotos cotidianas puede pasar por alto la mayoría en una radiografía médica o una placa de circuito. Por eso, todos los modelos de la clasificación de VLM se someten a la misma prueba fija, UL37 v2: 10 imágenes etiquetadas seleccionadas al azar de cada uno de los 36 conjuntos de datos de detección de UL37, una colección de conjuntos de datos de evaluación del mundo real que Ultralytics utiliza para evaluar modelos. Incluyen imágenes médicas, aéreas y satelitales, inspección de PCB, radiografías de seguridad, estanterías de tiendas, tráfico, deportes, escenas submarinas, imágenes térmicas y mucho más.

Cada imagen pasa por el proceso de anotación de producción de Ultralytics Platform con los nombres de clase de su conjunto de datos, exactamente como lo usan los modos Smart y Batch Annotation, incluido el paso de SAM 3.1 que ajusta los cuadros de cada modelo. Evaluamos los cuadros con las métricas de detección del propio paquete de Ultralytics y calculamos la media dando el mismo peso a los 36 conjuntos de datos. La metodología de la clasificación de VLM incluye más detalles.

Hay una diferencia en la configuración de Kimi. Kimi K3.1 Pro usa por defecto el nivel máximo de razonamiento de Moonshot. En nuestras pruebas, Kimi K3 superó el límite de 115 segundos de Ultralytics Platform en alrededor del 40 % de las imágenes con el nivel máximo, así que Ultralytics Platform ejecuta todos los modelos Kimi con un nivel de razonamiento alto. Tanto Kimi K3 como Kimi K3.1 Pro se evaluaron con ese nivel.

Kimi K3.1 Pro frente a Gemini 4 Argon, Claude Opus 5.5 y GPT-6 Astra#

Kimi K3.1 Pro obtuvo un mAP50 de 0,444. Gemini 4 Argon (0,537), Claude Opus 5.5 (0,527), GPT-6 Astra (0,525), Gemini 3.8 Flash (0,516), GPT-6.1 Sol (0,514) y Claude Sonnet 5.5 (0,472) obtuvieron puntuaciones superiores; Kimi quedó por delante de Claude Haiku 5.5 (0,429), Claude Fable 5.1 (0,427) y todos los modelos de pesos abiertos que ejecutamos en nuestras propias GPU, encabezados por Gemma 4 31B (0,390), que aún no está disponible en Ultralytics Platform.

Mejoraron las dos partes de la puntuación. La precisión subió a 0,560 desde el 0,439 de Kimi K3, y la exhaustividad pasó de 0,376 a 0,483; así, una mayor proporción de sus cuadros era correcta y encontró más objetos etiquetados.

Kimi K3.1 Pro frente a Kimi K3: dónde se nota la mejora#

Kimi K3.1 Pro mejoró los resultados de Kimi K3 en 25 de 36 conjuntos de datos y en 8 de 12 ámbitos. Las mayores mejoras se dieron en deportes (0,68 frente a 0,28), carreteras y tráfico (0,49 frente a 0,26), y documentos, interfaces de usuario y CAD (0,41 frente a 0,26). En pelotas de tenis pasó de 0,08 a 0,74 mAP50, empatando con Gemini 3.8 Flash como mejor resultado de ese conjunto de datos, y en las marcas viales de CeyMo pasó de 0,17 a 0,80.

En deportes, Kimi K3.1 Pro también superó a Gemini 4 Argon (0,68 frente a 0,60) y obtuvo mejores resultados que Argon en seis conjuntos de datos, entre ellos pelotas de tenis, fútbol, espigas de trigo y ecografías de tiroides.

No todos los ámbitos mejoraron. Los resultados bajaron en imágenes submarinas y radiografías de seguridad (un conjunto de datos en cada caso), el comercio minorista retrocedió ligeramente (0,47 frente a 0,48) y los defectos de PCB industriales se mantuvieron cerca de cero con ambos modelos Kimi. Las imágenes especializadas siguen siendo difíciles para todos los modelos, así que trata los cuadros de Kimi K3.1 Pro como un primer borrador para la revisión con intervención humana y comprueba algunas predicciones con tus propias imágenes antes de anotar un conjunto de datos completo.

Precisión, coste y velocidad#

Los modelos de pago utilizan tu propia clave de API del proveedor, que te factura directamente cada predicción. En nuestra evaluación, Kimi K3.1 Pro costó unos 22,50 $ por cada 1.000 imágenes, una cifra similar a los 21,50 $ de Kimi K3. El precio por token es un tercio más bajo, pero utilizó más tokens por imagen; por tanto, la actualización ofrece aproximadamente un tercio más de precisión por un coste similar.

No es la forma más barata de alcanzar esa precisión. Cinco de los seis modelos que lo superan cuestan menos, incluidos Gemini 4 Argon (unos 7,60 $ por cada 1.000 imágenes) y Claude Opus 5.5 (unos 13,90 $); Claude Haiku 5.5 se quedó a unos 0,015 mAP50 de Kimi K3.1 Pro y cuesta unos 0,37 $ por cada 1.000 imágenes.

Kimi K3.1 Pro también es lento. La mediana de duración de sus solicitudes fue de unos 22 segundos por imagen, frente a 4,6 segundos para Gemini 4 Argon y 2,7 segundos para Claude Opus 5.5. Además, el 6,4 % de sus solicitudes no terminó dentro del límite de 115 segundos de Ultralytics Platform, frente al 1,7 % de Kimi K3. Una imagen cuya solicitud agota el tiempo de espera vuelve sin cuadros, y puedes volver a predecirla. Moonshot también ofrece Kimi K3.1 Pro Highspeed, que, según afirma, funciona entre dos y tres veces más rápido con las mismas capacidades; Ultralytics Platform ofrece la versión estándar de Kimi K3.1 Pro.

Empieza a usar Kimi K3.1 Pro en Ultralytics Platform#

1. Crea una clave de API en Kimi API Platform y añádela en Settings > API Keys del espacio de trabajo que contiene tu conjunto de datos, o pide al propietario del espacio de trabajo que añada una (consulta cómo hacerlo).
2. Abre un conjunto de datos de detección en Ultralytics Platform, cambia el editor de anotaciones al modo Smart y selecciona Kimi K3.1 Pro en Kimi.
3. Haz clic en Predict para etiquetar la imagen actual y, después, revisa, ajusta y guarda los cuadros.
4. Cuando los resultados te convenzan, ejecuta Batch Annotation para etiquetar el resto del conjunto de datos.

Batch Annotation añade la tarifa estándar de procesamiento de Ultralytics Platform, de 1,00 $ por cada 1.000 imágenes, independiente de lo que Moonshot facture a tu clave de API. Cada ejecución guarda primero una versión del conjunto de datos, para que siempre puedas revertir los cambios.

Una vez etiquetado el conjunto de datos, entrena un modelo Ultralytics YOLO26 con él en el mismo espacio de trabajo (consulta la documentación de entrenamiento). Para comparar Kimi K3.1 Pro con el modelo líder, lee nuestra publicación sobre la anotación automática con Gemini 4 Argon o consulta todos los modelos en la clasificación de VLM y las páginas de modelos de Ultralytics Platform. Después, inicia sesión en Ultralytics Platform para probar Kimi K3.1 Pro con tus propios datos.