Curso
Building AI Agents with Google ADK
1 h
3.3K
La IA de código abierto vuelve a causar sensación: Moonshot AI ha lanzado recientemente Kimi K2, un modelo de lenguaje Mixture-of-Experts (MoE) con 32 000 millones de parámetros activados y un billón de parámetros totales.
En este blog, explicaré qué es Kimi K2, cómo acceder a él y te guiaré a través de casos prácticos de uso de Kimi K2. Exploraremos cómo Kimi K2 puede:
- Genera contenido web estructurado y adaptable
- Crea resultados gráficos como SVG.
- Facilita la visualización interactiva de datos y el análisis estadístico.
- Simula fenómenos científicos complejos.
- Desarrolla juegos atractivos
- Planifica itinerarios detallados con funciones interactivas.
Mantenemos a nuestros lectores al día sobre las últimas novedades en IA mediante el envío de The Median, nuestro boletín informativo gratuito de los viernes que resume las noticias más importantes de la semana. Suscríbete y mantente al día en solo unos minutos a la semana:
¿Qué es Kimi K2?
Kimi K2 es un modelo lingüístico diseñado por Moonshot AI, que cuenta con 32 000 millones de parámetros activados dentro de un amplio marco de 1 billón de parámetros totales. Kimi K2 está optimizado para tareas de agencia. Está diseñado para actuar, ejecutar y razonar a través de tareas complejas impulsadas por herramientas.
Kimi K2 está disponible en dos versiones:
- Kimi-K2-Base, un modelo básico para el ajuste personalizado; y
- Kimi-K2-Instruct, optimizado para chat de uso general y ejecución autónoma de tareas.
Kimi K2 muestra resultados prometedores en las pruebas comparativas, especialmente en la codificación agencial y el uso de herramientas:
Fuente: Kimi K2
En comparación con sus homólogos de código abierto, como DeepSeek V3, Qwen 2.5y LLaMA 4, Kimi K2 suele obtener mejores resultados en las pruebas de rendimiento, pero puede requerir una ingeniería de indicaciones cuidadosa para lograr resultados óptimos en la práctica, normalmente mediante un refinamiento iterativo. Incluso se ha descrito informalmente como «DeepSeek V3 con menos cabezas y más expertos», dada su arquitectura MoE de enrutamiento experto.
Aunque la infraestructura de la API aún está madurando y la documentación podría ser más clara, Kimi K2 destaca como una de las opciones más asequibles disponibles actualmente. Es ideal para programadores con experiencia que estén familiarizados con los flujos de trabajo basados en LLM, aunque los principiantes pueden encontrar una curva de aprendizaje más pronunciada.
¿Cómo acceder a Kimi K2?
Puedes acceder a Kimi K2 a través de la interfaz de chat y la API.
Kimi Chat
Puedes acceder a Kimi K2 a través de la interfaz de Kimi Chat:
A continuación, explicaré cómo configurar Kimi K2 a través de la API paso a paso, así que no dudes en pasar directamente a la sección de ejemplos.
Kimi K2 API
También puedes acceder a Kimi K2 a través de un punto final API. Actualmente, su uso es gratuito para consultas generales dentro del nivel gratuito, con un número determinado de consultas antes de pasar a un nivel basado en créditos.
Necesitarás una clave API, que puedes generar desde la Consola para programadores de Moonshot. Repasemos este proceso paso a paso.
Paso 1: Generar una clave API
A continuación se explica cómo acceder a la API de Moonshot para acceder al modelo Kimi K2:
- Inicia sesión en la consola Moonshot con con tu cuenta de Gmail.
- Haz clic en «Recargar» en la pestaña «Facturación» y añade los datos de tu tarjeta. Para este tutorial, con unos 5 dólares es suficiente. Recibirás 5 $ adicionales en forma de vale en la factura.
- Ve a la pestaña Claves API y haz clic en Crear clave API. Rellena el nombre de la clave API y el proyecto (mantén los valores predeterminados inicialmente) y guarda la clave API para su uso futuro.
Paso 2: Configuración de un entorno Python
Ahora, configuremos un entorno para todos nuestros experimentos locales:
conda create -n kimi python=3.10
conda activate kimiEste código crea y activa un entorno Python denominado kimi.
Paso 3: Configuración de una variable global
Se recomienda exportar la clave API como una variable de entorno en tu terminal o guardarla en un archivo .env. A continuación se explica cómo guardarlo en tu entorno Python (kimi en este caso):
export MOONSHOT_API_KEY="your_api_key"Para verificar si la API de Moonshot está correctamente configurada como variable global en tu entorno, ejecuta:
echo $MOONSHOT_API_KEYSi ves el valor de la clave al ejecutar el comando anterior, puedes continuar; de lo contrario, primero configura la clave como variable global. Si estás configurando la clave API en un archivo .env, guárdala de la siguiente manera:
MOONSHOT_API_KEY=your_api_keyAhora estamos listos para explorar las capacidades de Kimi K2.
Paso 4: Realizar una llamada API
Ahora que ya hemos configurado nuestra clave API, probemos una tarea básica de finalización de chat con el modelo Kimi K2.
from openai import OpenAI
import os
MOONSHOT_API_KEY = os.getenv("MOONSHOT_API_KEY", "your-moonshot-api-key")
client = OpenAI(
api_key=MOONSHOT_API_KEY,
base_url="https://api.moonshot.ai/v1"
)
def simple_chat(model_name: str):
messages = [
{"role": "system", "content": "You are Kimi, an AI assistant created by Moonshot AI."},
{"role": "user", "content": "Explain LLM to a 5-year-old."}
]
response = client.chat.completions.create(
model=model_name,
messages=messages,
stream=False,
temperature=0.6,
max_tokens=256
)
print(response.choices[0].message.content)
simple_chat("kimi-k2-0711-preview")El script Python anterior configura el cliente API utilizando la clave API y el punto final proporcionados. La función simple_chat() envía una solicitud predefinida al modelo Kimi (kimi-k2-0711-preview) utilizando un formato de chat con mensajes del sistema y del usuario, que luego imprime la respuesta del asistente.
Kimi K2 tardó bastante más (unos 5 minutos) en generar el código en comparación con otros modelos que he probado recientemente (como Grok 4 o Gemini Diffusion). Sin embargo, a pesar de este retraso inicial, los gráficos y los elementos interactivos de la aplicación resultante fueron muy precisos. Además, Kimi K2 utilizó eficazmente sus capacidades de agencia para obtener una imagen relevante libre de derechos de autor de Unsplash para la página HTML.
Ejemplo 2: Generación de representaciones SVG
A continuación, probé a generar algunas representaciones SVG (Scalable Vector Graphics, gráficos vectoriales escalables). Aunque el modelo tardó algún tiempo en devolver una imagen SVG de buena calidad, finalmente hizo un buen trabajo.
Mensaje: Crea una representación SVG de una mariposa.
Al principio, le pedí al modelo que creara una representación de un dragón, y el resultado fue solo unas sombras y colores. Sin embargo, tras varias iteraciones, el modelo generó una buena representación de una mariposa.
Ejemplo 3: Análisis de un conjunto de datos con simulación
En este ejemplo, le pedí a Kimi K2 que analizara un conjunto de datos sencillo y presentara sus conclusiones a través de un panel de control HTML. Este es el mensaje que utilicé:
Mensaje: Crea un panel interactivo en HTML con una interfaz de usuario fluida y moderna que permita a los usuarios simular y visualizar los efectos del teletrabajo en los salarios de distintos puestos de trabajo, basándose en el conjunto de datos ds_salaries.csv proporcionado.
El panel de control debe incluir los siguientes componentes mejorados:
1. Controles de simulación dinámica (simulador de usuario):
Entradas deslizantes y campos numéricos adaptables para ajustar:
Prima remota (%)
Multiplicadores específicos del perfil del puesto
Inflación o deflación del salario base
Comentarios en tiempo real sobre cómo los cambios en los datos introducidos afectan al conjunto de datos.
Información sobre herramientas que explica el impacto de cada parámetro.
2. Gráficos de interacción y mapas de calor:
Gráfico de interacción entre salario y perfil del puesto × ratio de teletrabajo
Opciones para cambiar entre las vistas de barra, línea o mapa de calor.
Resalta los valores atípicos o las interacciones estadísticamente significativas.
3. Información estadística en tiempo real:
Resultados de regresión en tiempo real (OLS, ANOVA)
Resaltar los valores p y los umbrales de significación
Gráficos visuales de residuos o diagnósticos del modelo (si es posible)
4. Diseño de interfaz moderno:
Diseño optimizado para dispositivos móviles y sin dependencias, utilizando HTML/CSS/JS estándar.
Diseño tipo tarjeta, con secciones plegables para mayor claridad.
Animaciones fluidas, transiciones y cambio entre modo oscuro y claro.
Asegúrate de que todo el resultado esté listo para copiar y pegar en un único archivo index.html, sin dependencias externas. Incluye lógica de marcador de posición para cargar el CSV a través de un elemento <input type="file">. Bonus: añade tabla de vista previa CSV y opciones de descarga-exportación para datos simulados.
En , este experimento con Kimi K2, el modelo aceptó y procesó correctamente el conjunto de datos cargado, actualizando correctamente los controles de simulación en función de las variables derivadas de los datos. La interfaz de usuario admitía funciones como el cambio entre los modos oscuro y claro, lo que ofrecía una experiencia visual fluida.
Sin embargo, el resultado carecía de varios componentes analíticos fundamentales. No había gráficos de interacción, visualizaciones de mapas de calor ni información estadística en tiempo real, como resúmenes de regresión o resultados ANOVA. Aunque Kimi K2 gestionó bien la generación estructural y la lógica de la interfaz de usuario, sus limitaciones en el razonamiento estadístico y la visualización interactiva quedaron patentes en este caso de uso.
Ejemplo 4: Simulación científica
El equipo detrás de Kimi proporcionó un caso de uso para su interfaz de chat con el fin de explorar simulaciones científicas y obtener una vista previa de su código HTML dentro de la interfaz de chat. Estas son las indicaciones que probé:
Mensaje: Crear una simulación de galaxia con partículas en 3D
He intentado realizar algunas modificaciones en la simulación para ver cómo se adapta el modelo a cualquier cambio, como una vista superior con la rotación adecuada de las partículas y un tamaño variable de las mismas.
Mensaje revisado: Modifica la simulación actual de galaxia de partículas 3D para renderizar la galaxia desde una perspectiva superior (como se ve desde arriba del plano galáctico). Las estrellas y las armas deben aparecer como un patrón en espiral que se irradia hacia afuera, con una rotación alrededor del eje Z (perpendicular a la pantalla). Asegúrate de que:
Las posiciones de las estrellas se distribuyen en una espiral plana desde la vista superior.
La velocidad de rotación afecta a la rotación angular dentro del plano XY.
No se muestra la inclinación vertical ni el grosor del eje Y: aplana la dimensión Z.
La cámara/el punto de vista está fijo sobre la galaxia (perspectiva ortográfica o vista desde arriba).
Opcionalmente, añade una protuberancia brillante en el centro para simular el núcleo galáctico.
Mantén todos los controles existentes (número de estrellas, número de brazos, zoom, velocidad de rotación) y asegúrate de que la regeneración refleje el diseño de la vista superior.
