Kimi K3.1 Pro está disponible en AIHubMix con el ID del modelo kimi-k3.1-pro. La página del modelo muestra tanto las tarifas regulares como una tarifa promocional por tiempo limitado: durante la oferta, la entrada cuesta $1.80 / 1M tokens y la salida, $9.00 / 1M tokens, lo que supone un 10% de descuento respecto a las tarifas regulares de $2.00 / $10.00. Se indica que los precios promocionales son válidos hasta el 2026-11-23.
La ventana de contexto es de 1,048,576 tokens (aproximadamente 1M), orientada a tareas de programación y flujos de trabajo con agentes que requieren un contexto de trabajo extenso. Esta publicación es una nota sobre precios y uso, no una evaluación de rendimiento independiente. La facturación final se rige por la página del modelo de AIHubMix.
AIHubMix también anunció la oferta en X.
Resumen
| Elemento | Valor |
|---|---|
| Modelo | Kimi K3.1 Pro |
| ID del modelo | kimi-k3.1-pro |
| Plataforma | AIHubMix |
| Moneda | USD |
| Regular (entrada / salida) | $2.00 / $10.00 por 1M tokens |
| Promocional (entrada / salida) | $1.80 / $9.00 por 1M tokens |
| Descuento | Aproximadamente 10% de descuento sobre la tarifa regular |
| Oferta válida hasta | 2026-11-23 |
| Lectura de caché (regular / promocional) | $0.20 / $0.18 por 1M tokens |
| Ventana de contexto | 1,048,576 tokens |
| Enfoque | Programación y agentes |
Las estimaciones de costos siguientes solo utilizan los precios unitarios de entrada y salida. No incluyen aciertos de caché, unidades mínimas facturables ni redondeos.
Precios regulares y promocionales
Tanto las tarifas regulares como las promocionales provienen de la página del modelo de AIHubMix. Las tarifas regulares no se han deducido a partir del descuento del 10%.
| Medición | Regular | Promocional | Diferencia por 1M tokens |
|---|---|---|---|
| Entrada | $2.00 | $1.80 | $0.20 |
| Salida | $10.00 | $9.00 | $1.00 |
| Lectura de caché | $0.20 | $0.18 | $0.02 |
Estimación con:
Regular cost = input_tokens / 1,000,000 × $2.00
+ output_tokens / 1,000,000 × $10.00
Promo cost = input_tokens / 1,000,000 × $1.80
+ output_tokens / 1,000,000 × $9.00
Savings = regular cost − promo cost
Ejemplos con cantidades redondas:
| Uso supuesto | Regular | Promocional | Ahorro |
|---|---|---|---|
| 100K de entrada + 100K de salida | $1.20 | $1.08 | $0.12 |
| 1M de entrada + 100K de salida | $3.00 | $2.70 | $0.30 |
| 1M de entrada + 1M de salida | $12.00 | $10.80 | $1.20 |
Ejemplo: un cambio de código en varios archivos
Supongamos que una edición en varios archivos incorpora al contexto archivos de código fuente relacionados, notas sobre interfaces, resultados de pruebas fallidas y registros de errores clave —500K tokens de entrada—, y que el modelo devuelve un plan de parches, notas sobre los cambios y pruebas de seguimiento —50K tokens de salida—. Este es un ejemplo de cálculo de facturación, no una ejecución medida.
Con la tarifa regular:
0.5 × $2.00 + 0.05 × $10.00 = $1.00 + $0.50 = $1.50
Con la tarifa promocional:
0.5 × $1.80 + 0.05 × $9.00 = $0.90 + $0.45 = $1.35
Así que, para esa carga de trabajo supuesta:
- Estimación regular: $1.50
- Estimación promocional: $1.35
- Diferencia: $0.15
Las tareas reales varían según el alcance del código, la longitud de los registros, el número de turnos y la gestión del contexto. Antes de comprometerte, vuelve a calcular la estimación con tu propia carga de trabajo. Si hay muchos aciertos de caché, hay que hacer un cálculo aparte con la tarifa de lectura de caché.
Cómo llamarlo y usar el contexto
En AIHubMix puedes llamarlo mediante Chat Completions compatible con OpenAI:
curl -s https://aihubmix.com/v1/chat/completions \
-H "Authorization: Bearer $AIHUBMIX_API_KEY" \
-H "Content-Type: application/json" \
-d '{"model":"kimi-k3.1-pro","messages":[{"role":"user","content":"Hello"}]}'
Una ventana de aproximadamente 1M tokens resulta útil para evaluar la comprensión de repositorios grandes, las refactorizaciones en varios archivos, la clasificación de registros extensos o los flujos de agentes que mantienen en contexto los resultados de llamadas a herramientas de varios pasos. Es una cifra de capacidad, no una asignación gratuita, una cuota mensual ni una garantía de rendimiento.
Preguntas frecuentes
¿Kimi K3.1 Pro ya está disponible en AIHubMix?
Sí. Tanto la página del modelo como el anuncio de AIHubMix indican que ya está disponible con el ID kimi-k3.1-pro. El acceso a la cuenta y las cuotas se rigen por la consola.
¿Qué precio deberías usar para calcular el presupuesto?
Durante la oferta, calcula $1.80 / 1M tokens para la entrada y $9.00 / 1M tokens para la salida. Las tarifas regulares son $2.00 y $10.00. La oferta figura como válida hasta el 2026-11-23; después de esa fecha, consulta la página del modelo.
¿Se han deducido las tarifas de $2.00 / $10.00 a partir del descuento del 10%?
No. Son las tarifas regulares que aparecen en la página del modelo de AIHubMix. Allí también figuran las tarifas promocionales de $1.80 / $9.00, por lo que se pueden comparar directamente.
¿El contexto de 1M tokens es una asignación gratuita?
No. Es el tamaño de la ventana de contexto. No implica una cuota gratuita, una asignación mensual ni un importe final de facturación.
¿Cuándo termina la oferta y dónde se anuncia?
Se indica que los precios promocionales son válidos hasta el 2026-11-23. Comprueba la página del modelo de AIHubMix y el anuncio en X. Si la página cambia más adelante, sigue la información que aparece allí.
¿Estas estimaciones incluyen las lecturas de caché?
No. Los ejemplos solo utilizan los precios unitarios de entrada y salida. Las lecturas de caché se indican por separado: $0.20 con la tarifa regular y $0.18 con la promocional por 1M tokens.
Conclusión
Kimi K3.1 Pro ya está disponible en AIHubMix. Durante la oferta, la entrada cuesta $1.80 y la salida, $9.00 por 1M tokens: aproximadamente un 10% de descuento respecto a las tarifas regulares de $2.00 / $10.00, hasta el 2026-11-23. Para tareas de programación como una edición en varios archivos, calcula el costo según tu propio uso de entrada y salida y, después, confirma las tarifas y condiciones vigentes en la página del modelo.



