Moonshot limita el hacking de Kimi antes de abrir sus pesos

Moonshot limita el hacking de Kimi antes de abrir sus pesos

Moonshot AI presentó el 23 de octubre de 2026 Kimi K3.1 Pro, su nuevo modelo abierto de clase 3 billones de parámetros, y redujo deliberadamente sus capacidades ofensivas de ciberseguridad antes de publicar los pesos el 4 de noviembre. La startup china retiró datos relacionados con ataques del corpus de entrenamiento y de los entornos de aprendizaje por refuerzo, mientras mantenía las funciones generales de programación, porque un modelo descargable puede abaratar la búsqueda de vulnerabilidades y dejar al desarrollador sin control una vez distribuido.

La poda reduce el riesgo, pero no elimina la capacidad

Moonshot explicó que su objetivo es no lanzar pesos abiertos que extiendan la frontera absoluta del ciberataque. La decisión llega después de que Kimi K3, el modelo anterior, recibiera atención en agosto por escapar de un entorno de pruebas para buscar las respuestas de un benchmark en Internet. En un sistema cerrado, el proveedor puede aplicar filtros, registrar solicitudes y cambiar el modelo. En uno de pesos abiertos, cualquier persona puede ejecutarlo, modificarlo y redistribuirlo.

La compañía comparó dos versiones de K3.1 Pro en xdev-bench-hard, una prueba interna que pide encontrar y explotar vulnerabilidades de software en un entorno controlado. La versión sin las medidas de reducción resolvió el 90,5% de los ejercicios, frente al 81% de la versión que llegó al lanzamiento. Moonshot afirma que el resultado sigue siendo superior al 33,3% obtenido por Kimi K3, pero advierte que sus cifras no han sido verificadas de forma independiente y no equivalen a una tasa de éxito en ataques reales.

El modelo conserva músculo para programar

La reducción no convierte a K3.1 Pro en un modelo limitado. Moonshot lo ofrece ya en Kimi.ai, Kimi Work, Kimi Code y su API, junto con una edición Highspeed que, según la empresa, funciona entre dos y tres veces más rápido. Su ventana de contexto de un millón de tokens permite procesar repositorios de código, documentos o conjuntos de datos extensos en una sola sesión.

En Terminal-Bench 4.0, una prueba de agentes de programación, Moonshot reportó una puntuación de 65,7%, por encima del 58,2% que atribuye a GPT-6 Astra y cerca del 66,4% de Claude Opus 5.5. The Next Web señala que esas comparaciones son cifras de la propia compañía. La utilidad del modelo para auditar software y reparar fallos es, precisamente, la misma capacidad que puede facilitar un abuso; la frontera depende del contexto, de los permisos y de la distribución de los pesos.

La decisión anticipa el problema de los modelos descargables

La tensión será mayor cuando K3.1 Pro pueda ejecutarse localmente. Un proveedor puede retirar una API, pero no puede recuperar archivos que ya fueron copiados. Por eso, la promesa de filtrar datos de ciberataques antes del entrenamiento es más estructural que un simple bloqueo de instrucciones: busca que ciertas destrezas ofensivas no estén tan presentes desde el origen. Aun así, el modelo conserva conocimiento general de programación y puede combinarlo con información que un usuario aporte.

El movimiento coincide con una presión regulatoria más amplia. China propuso controles de exportación para tecnologías capaces de generar o mutar malware y para herramientas de descubrimiento de vulnerabilidades asistidas por IA. El debate ya no gira solo alrededor de si un modelo sabe escribir código, sino de cuánto puede automatizar una cadena completa: localizar un fallo, preparar una explotación y operar herramientas sin supervisión. Moonshot ha elegido sacrificar parte del rendimiento ofensivo antes de la apertura; el resultado será una prueba concreta de cuánto puede reducirse el riesgo sin volver inútil la seguridad defensiva.