Ilustración generada con image2. No es una captura del producto.
Cada vez que aparece un modelo con el precio por token más bajo, alguien propone migrar. La propuesta suele apoyarse en una hoja de cálculo con dos columnas y una resta. El problema es que esa resta no es la que aparece en la factura.
Kimi K3.1 Pro se anuncia a 2 dólares por millón de tokens de entrada y 10 por millón de salida, frente a 3 y 15 del modelo anterior, kimi-k3. Un tercio más barato en ambos lados. Con esa información, la decisión parece obvia.
No lo es. En siete tareas medidas con la misma cuenta y el mismo día, el modelo nuevo ganó cinco y perdió dos, y las dos derrotas fueron en trabajo que se ejecuta a diario.
De dónde viene la diferencia
La factura no cobra por token publicado, cobra por token generado. Y estos modelos facturan el razonamiento interno como token de salida.
Un modelo que piensa más antes de responder produce más tokens facturables aunque la respuesta visible tenga el mismo largo. En la tarea de reparar código, el modelo nuevo generó 1.545 tokens de salida, de los cuales 1.468 fueron razonamiento. El anterior generó 328. La respuesta visible fue idéntica en ambos casos: 77 tokens.
Ahí está el desajuste. Cinco dólares de descuento por millón no compensan mil cuatrocientos tokens de pensamiento.
Qué se midió
Siete tareas, dos modelos, un día. Mismo enunciado para ambos, mismos documentos, sin ajustar el prompt por modelo. El objetivo era comparar el coste de migrar en condiciones equivalentes, no obtener la mejor respuesta posible de cada uno.
Los tamaños de entrada fueron de 181 a 61.576 tokens. El coste total del experimento, catorce llamadas, fue de 1,14 dólares.
| Tarea | Entrada | Salida kimi-k3 | Salida K3.1 Pro | Coste kimi-k3 | Coste K3.1 Pro |
|---|---|---|---|---|---|
| Buscar en documento de 55k | 61.567 | 279 | 240 | $0,189 | $0,126 |
| Reparar código | 181 | 328 | 1.545 | $0,0055 | $0,0160 |
| Llamada a herramienta y cálculo | 540 | 197 | 101 | $0,0046 | $0,0021 |
| Resumir documento de 55k | 61.576 | 4.102 | 6.098 | $0,246 | $0,184 |
| Buscar en documento de 12k | 11.786 | 1.048 | 2.000 | $0,0511 | $0,0436 |
| Resumir documento de 12k | 11.773 | 2.530 | 8.000 | $0,0733 | $0,1035 |
| Responder correo de 12k | 11.789 | 882 | 2.258 | $0,0486 | $0,0462 |
Cada fila normalizada a su valor máximo. Medición del 26-10-2026.
Qué significa cada número
Los tres datos no valen lo mismo y conviene no mezclarlos.
La entrada es el único número estable: depende del documento y del tokenizador, no del modelo. Si cambias de modelo y el mismo texto pasa de 11.000 a 14.000 tokens, esa diferencia es del tokenizador y hay que medirla, no calcularla.
La salida es el número que decide. Incluye la respuesta y el razonamiento, y por eso casi nunca se parece al largo del texto que ves en pantalla.
El razonamiento es el número que nadie mira. En estas tareas representó entre el 45 y el 95 por ciento de la salida según el tipo de trabajo, y es la razón por la que dos modelos con el mismo precio pueden facturar el triple.
La regla que sale de aquí
Las dos listas de precios se reducen a dos expresiones, con entrada y salida en millones de tokens:
-
kimi-k3: 3 × entrada + 15 × salida
-
K3.1 Pro: 2 × entrada + 10 × salida
El modelo nuevo conviene cuando la segunda es menor que la primera. Al restar, parte del término de entrada se cancela:
10 × salida de K3.1 Pro − 15 × salida de kimi-k3 < entrada
Los dos lados son recuentos de tokens, así que se comparan directamente. Si el lado izquierdo es negativo, el modelo nuevo gana sin importar cuánto se envíe.
Esta desigualdad acertó el signo del resultado en las siete tareas, incluidas las dos que quedaron cerca del límite: el resumen de 55k con −550 frente a 61.576 de entrada, y la respuesta de 12k con 9.350 frente a 11.789.
Cómo replicarlo en una hora
No hace falta montar nada especial. Cuatro pasos y un documento propio.
Elige un documento largo de tu trabajo, no un ejemplo de artículo: la longitud y la densidad cambian el recuento de tokens.
Define cuatro formas de tarea: buscar dentro de ese documento, reparar un fragmento de código, llamar a una herramienta con cálculo, y resumir el mismo documento. Esas cuatro cubren casi todo el trabajo real.
Envía el mismo enunciado a los dos modelos, sin retocarlo para cada uno. Lo que se compara es el coste en condiciones equivalentes.
Por último, lee el bloque de uso de la respuesta, no el texto: entrada, salida y cuánto de esa salida fue razonamiento. Multiplica por las tarifas publicadas y resta.
El coste a escala
Las cifras por tarea parecen pequeñas hasta que se multiplican.
Con 200 documentos largos al día, 22 días al mes, el modelo anterior cuesta unos 1.082 dólares y el nuevo unos 810. La diferencia son 272 dólares al mes, unos 3.260 al año. Para ese volumen, cambiar el flujo de trabajo tiene sentido.
Con 20 reparaciones de código al día, los mismos 22 días, el anterior cuesta 7 dólares y el nuevo 2,4. La diferencia no llega a 5 dólares al mes. Ahí la decisión debe tomarla la calidad de las respuestas, no el precio.
La conclusión no es que el modelo nuevo sea más barato ni más caro. Es que la pregunta por el precio solo tiene sentido después de saber cuántas veces se ejecuta la tarea.
Dónde falló el modelo nuevo
Respuesta vacía con factura completa. Con un límite de salida de 8.000 tokens, la tarea de resumen consumió 7.997 en razonamiento, devolvió contenido vacío, terminó con motivo length y cobró 0,1035 dólares tras 229,6 segundos. Subir el límite a 16.000 completó la misma tarea en 150,8 segundos por 0,184 dólares.
Lo relevante no es el fallo, sino que no genera error. La combinación de contenido vacío y motivo length es la única señal; un panel que solo vigila códigos de estado sigue en verde.
El parámetro temperature se rechaza. La misma petición con temperature 0 o 0,6 devuelve HTTP 400, y el mensaje no indica qué campo sobra. Quitarlo restaura la respuesta correcta.
Límites de esta prueba
Cuatro cosas no están verificadas aquí y conviene no darlas por buenas:
-
La ventaja de velocidad de la variante highspeed.
-
El comportamiento con un millón de tokens de contexto realmente ocupados.
-
Cómo se tokenizan las imágenes de entrada.
-
La caída de alucinación de 23,4 a 8,3 por ciento, que es una cifra interna sin replicación independiente.
Además, los datos vienen de un solo día y una sola cuenta. Los recuentos de razonamiento cambian con el prompt y con las actualizaciones del modelo, así que la conclusión se sostiene en el método, no en los números exactos.
Para discutir
Lo que me interesa del hilo no es si el modelo es bueno, sino cómo está repartido el trabajo de cada uno.
Si tu carga se parece más a buscar dentro de documentos largos, la regla dice que migres: la entrada domina y el precio de entrada es un tercio menor. Si se parece más a reparar código o resumir textos medianos, la regla dice que te quedes, y el ahorro desaparece en el razonamiento.
¿Alguien ha medido la proporción de tokens de razonamiento sobre el total en sus propios prompts? En estas pruebas varió entre el 45 y el 95 por ciento según el tipo de tarea, una dispersión mucho mayor que la que sugieren las cifras de presentación.
Y para quien ya usa los dos modelos: ¿dividió las tareas o mantuvo uno solo por simplicidad? La aritmética favorece dividir; la operación favorece tener menos piezas.
Ambos modelos están disponibles en el mismo endpoint; los precios y la disponibilidad actual figuran en el catálogo de modelos.
Precios y especificaciones según la publicación del 26 de octubre de 2026; recuentos de tokens y costes medidos ese mismo día.