El 12 de junio de 2026, Moonshot AI publicó en HuggingFace Kimi K2.7 Code — un sucesor especializado en código de Kimi K2.6 que mantiene la misma arquitectura de un billón de parámetros pero reentrenó por completo el modelo de recompensa y la canalización de datos para tareas reales de ingeniería de software a largo plazo. Los pesos se publican bajo una Licencia MIT Modificada que permite expresamente el uso comercial.
En la comunidad de IA local en X la semana pasada ha habido un debate intenso sobre qué modelos de código abierto pueden competir con los servicios frontier propietarios. Kimi K2.7 Code es la respuesta más reciente: calidad de frontera bajo licencia abierta, completamente auto-alojable sin depender de APIs externas.
Qué es Kimi K2.7 Code
Según la documentación publicada por Moonshot AI, el modelo utiliza una arquitectura Mixture-of-Experts (MoE) con las siguientes especificaciones:
- 1 billón de parámetros totales (1T)
- 32 000 millones de parámetros activos por paso de inferencia
- 384 módulos expertos
- Ventana de contexto de 256 000 tokens — suficiente para procesar repositorios de código completos en una sola llamada
- Modo HighSpeed (nuevo en K2.7) — reduce la latencia en respuestas cortas
Frente a K2.6, K2.7 Code reorienta el entrenamiento hacia proyectos de software reales y multietapa, en lugar de tareas cortas diseñadas para benchmarks.
Nota importante sobre la evaluación del rendimiento: según informes de la comunidad de desarrolladores, en la fecha de lanzamiento no existían evaluaciones independientes en los leaderboards estándar (SWE-bench Verified, LiveCodeBench), ya que Moonshot AI optó por no presentar el modelo a benchmarks oficiales. Para decisiones de producción, las pruebas en las propias tareas internas de la empresa son más fiables que las clasificaciones externas.
La licencia MIT: qué significa para las pymes
La Licencia MIT Modificada de Kimi K2.7 Code permite:
- Uso comercial sin royalties ni límites de uso
- Despliegue en local en infraestructura propia o servidores on-premise
- Sin transferencia de datos a Moonshot AI en la inferencia — los pesos se descargan una vez y el modelo funciona completamente sin conexión
- Ajuste fino y personalización sobre datos propios
Este es exactamente el punto de partida que el RGPD artículo 25 (privacidad desde el diseño) recomienda para tratamientos de datos de riesgo: eliminar la necesidad técnica de transferir datos a terceros. Nuestro resumen sobre IA local y soberanía de datos explica en detalle cómo los modelos locales se mapean a las obligaciones específicas del RGPD.
Para comparar: la mayoría de asistentes de código en la nube envían los prompts — incluyendo fragmentos de código fuente — a servidores externos para su procesamiento. Que eso sea conforme al RGPD en cada contexto empresarial depende de contratos de encargo del tratamiento (art. 28) y, en caso de transferencias a terceros países, de los mecanismos documentados del art. 44–49. Muchas pymes no tienen esta documentación completamente en regla.
Realidad del hardware: qué necesita K2.7 Code
Kimi K2.7 Code no es un modelo para hardware de consumo. Según mediciones reportadas por la comunidad de desarrolladores:
| Cuantización | RAM/VRAM combinados necesarios |
|---|---|
| Versión mínima utilizable (INT4) | aprox. 340 GB |
| Calidad completa (FP8/FP16) | aprox. 640 GB |
| Pesos en disco | aprox. 600 GB |
La calidad completa equivale aproximadamente a 8 GPUs NVIDIA H200. La variante cuantizada más pequeña requiere un servidor multi-GPU más RAM de sistema para el offloading de expertos.
Un Mac Studio M3 Ultra con 192 GB de memoria unificada no alcanza el umbral mínimo. Para equipos con Apple Silicon y pymes sin infraestructura NVIDIA dedicada, K2.7 Code está hoy fuera de alcance para el despliegue directo. Esta es la situación actual — no un límite permanente.
Cómo desplegarlo en local
Moonshot AI recomienda tres motores de inferencia de código abierto:
vLLM (versión 0.19.1 o posterior) es la opción recomendada para entornos de producción con múltiples usuarios simultáneos. PagedAttention y el batching continuo permiten escalar eficientemente la concurrencia:
vllm serve moonshotai/Kimi-K2.7-Code-Instruct \
--tool-call-parser kimi_k2 \
--enable-reasoning \
--max-model-len 65536SGLang está optimizado para salidas estructuradas y flujos de trabajo agénticos donde el modelo llama a herramientas repetidamente y coordina tareas multietapa.
KTransformers permite el offloading a CPU y RAM para configuraciones donde el VRAM total es insuficiente — con una penalización en el rendimiento.
Los pesos están disponibles en HuggingFace y se pueden descargar con herramientas estándar.
Qué significa esto para las pymes hoy
La utilización directa de K2.7 Code está limitada para la mayoría de pymes. La barrera de hardware es real. Pero la señal estratégica es clara:
La brecha de calidad entre modelos de código abierto y modelos frontier propietarios se está cerrando más rápido de lo que muchas organizaciones esperaban.
Kimi K2.6 (lanzado el 20 de abril de 2026) encabezó, según informes de la comunidad, el OpenRouter Weekly LLM Leaderboard en la semana de su publicación, compitiendo directamente con APIs frontier comerciales. K2.7 Code va un paso más allá y concentra esa calidad en tareas de código.
Para la planificación, esto tiene dos implicaciones:
- La inversión actual en infraestructura de IA local escala hacia adelante. Un servidor vLLM con GPUs NVIDIA desplegado hoy para modelos de 70B tiene el mismo hardware que ejecutará las próximas variantes destiladas de modelos K2.7 en 12–18 meses, con calidad superior a lo que los modelos 70B actuales ofrecen.
- La licencia de código abierto crea previsibilidad de costes a largo plazo. A diferencia del precio de las APIs, que puede cambiar en cualquier momento, los pesos con licencia MIT que ya posees no tienen exposición de costes recurrentes.
Kit Digital: IA local con apoyo público para pymes españolas
Según nuestra interpretación de la convocatoria vigente de Kit Digital, el segmento de Inteligencia Artificial y Analítica Avanzada puede cubrir la implementación de soluciones de IA generativa para pymes de entre 3 y 50 empleados con sede en España. Un proyecto de IA local — que incluya despliegue de modelos open-weight, configuración de infraestructura y formación del equipo — puede encajar en esta categoría.
Las pymes que comiencen hoy con modelos accesibles (como Qwen 2.5-Coder o Phi-4 en hardware disponible) y documenten los casos de uso validados estarán mejor posicionadas para una solicitud Kit Digital que justifique inversiones de infraestructura más grandes cuando las próximas generaciones de modelos reduzcan los requisitos de hardware.
Más información en nuestra página sobre Kit Digital para IA local.
Pasos prácticos para pymes sin servidor GPU
- Empezar con lo disponible: Qwen 2.5-Coder (7B–32B) y Phi-4 (14B) funcionan en 8–40 GB VRAM y abordan bien una amplia gama de tareas de código y documentación. Ollama facilita el despliegue en cualquier Mac o servidor Linux
- Identificar casos de uso internos: ¿Qué procesos — revisión de código, generación de documentación, consultas SQL, análisis de contratos — se beneficiarían más del apoyo de IA?
- Ejecutar un proyecto piloto estructurado: Validar con modelos disponibles y tareas reales antes de dimensionar la inversión en hardware
Nuestro programa de proyecto piloto ayuda a las pymes a realizar esa evaluación de forma estructurada y sin comprometer presupuesto de infraestructura antes de validar el caso de uso.
RGPD: la ventaja estructural de los modelos locales
Cuando Kimi K2.7 Code — o cualquier modelo open-weight — se ejecuta en los servidores propios de la empresa:
- Los prompts no salen de la red interna de la organización
- Las salidas se generan localmente y se almacenan internamente
- No llegan registros de uso a Moonshot AI ni a ningún endpoint externo
- No se necesita ningún mecanismo de transferencia del artículo 44 del RGPD
Para organizaciones cuyos desarrolladores trabajan con código propietario, datos personales en fixtures de prueba o lógica de negocio comercialmente sensible, esto no es una ventaja teórica: elimina una categoría específica de riesgo RGPD que los asistentes de código en la nube introducen por diseño.
La misma lógica se aplica a cualquier modelo open-weight que la organización despliegue localmente, independientemente del tamaño que soporte el hardware actual. El beneficio de cumplimiento es estructural, no específico de un modelo.
Si quiere entender qué estrategia de IA local es realista para su empresa hoy — y cómo planificar la hoja de ruta de hardware hacia modelos auto-alojados de calidad frontier — estamos a su disposición. Contáctenos