Esta es una guía completa de principio a fin sobre los Swarms de Agentes de IA: qué son y cómo usarlos.
Por qué cambian todo en la forma de trabajar con la IA.
Guarda esto antes de que lo olvides.
Kimi K2.6, el modelo open-weight insignia de Moonshot AI (abril de 2026), es la implementación open-source más sólida de esta idea que he visto.
Las tareas reales tienen amplitud. Cincuenta empresas que investigar.
Doscientos archivos que analizar. Una docena de subtareas que no dependen unas de otras y no deberían esperar en fila. Un swarm de agentes es la arquitectura para eso.
Esta guía desglosa cómo funciona, desde la infraestructura de entrenamiento hasta la API, y luego aborda el patrón que considero más relevante hoy en día: Kimi para ejecución, Claude Opus 4.8 para planificación y verificación.
Así es como se ve el flujo de trabajo final.
Sección 1: ¿Qué es un swarm de agentes?
Un swarm de agentes son múltiples agentes trabajando simultáneamente en subtareas descompuestas, coordinados por un orquestador que agrega los resultados.
La diferencia con una cadena secuencial es el núcleo del concepto:
- Cadena secuencial: El agente A ejecuta, pasa el control a B, B a C. Tiempo total = A + B + C.
- Swarm: El orquestador divide el objetivo, los agentes A, B, C ejecutan al mismo tiempo en subtareas independientes, los resultados se fusionan. Tiempo total ≈ máx(A, B, C).
Cuando una tarea tiene una estructura genuinamente paralela, esa es la diferencia entre minutos y horas.
Un swarm también resuelve el desbordamiento de contexto. Un solo agente en una tarea larga acumula tokens hasta que su ventana se satura. Un swarm le da a cada subtarea su propio contexto acotado, y solo la salida estructurada regresa al orquestador.
Los seis componentes básicos
Todo swarm tiene los mismos componentes esenciales:
Componente
Qué Hace
Orquestador
Descompone la tarea, asigna subtareas, supervisa la ejecución, agrega resultados
Subagentes
Trabajadores especializados en un dominio (investigación, código, análisis, redacción)
Herramientas
Funciones que los agentes pueden invocar: búsqueda web, intérprete de código, E/S de archivos, APIs
Memoria
Estado compartido que el swarm puede leer/escribir
Transferencias / Enrutamiento
Mecanismo para pasar el control o datos entre agentes
Guardarraíles
Límites de iteraciones, tiempos de espera, puntos de intervención humana, recuperación de errores
Si logras estos seis, tienes un swarm. Si fallas en cualquiera, tendrás una sesión de depuración costosa.
Sección 2: Qué es realmente Kimi K2.6
Antes de adentrarnos en el comportamiento del swarm, vale la pena entender qué hay debajo. K2.6 es un modelo Mezcla de Expertos (MoE) de 1 billón de parámetros de Moonshot AI, lanzado con pesos abiertos el 20 de abril de 2026 bajo una Licencia MIT Modificada. El uso comercial es gratuito por debajo de $20M de ingresos mensuales o 100M de usuarios activos mensuales, por lo que es prácticamente gratuito para la mayoría de los desarrolladores.
0:29
Especificaciones de arquitectura
Especificación
Valor
Parámetros totales
~1.04 billones
Activados por token
~32 mil millones (8 expertos seleccionados + 1 compartido)
Expertos totales
384, distribuidos en 61 capas transformer
Ventana de contexto
262,144 tokens (262K)
Atención
Atención Latente Multi-Cabeza (MLA) — menor huella de caché KV
Función de activación
SwiGLU
Codificador de visión
MoonViT-3D (400M parámetros, imagen + video hasta 2K)
Cuantización
INT4 mediante Entrenamiento Consciente de Cuantización (~594GB en disco)
Tamaño completo FP16
~2TB
Licencia
MIT Modificada
La variante INT4 QAT se ejecuta de forma nativa en 4x H80GB. FP16 necesita 8x H80GB. Los tres frameworks de inferencia compatibles (vLLM, SGLang, KTransformers) exponen APIs compatibles con OpenAI
Sección 3: El optimizador MuonClip, o por qué el entrenamiento es estable
Entrenar un MoE disperso de un billón de parámetros sin que explote es difícil. El modo de fallo específico: a medida que crece la longitud de la secuencia, el producto punto consulta-clave (QK) en las capas de atención puede crecer sin límite. Aparecen picos de pérdida, y a esta escala un pico de pérdida puede ser irrecuperable.
El artículo técnico de Kimi K2 (arxiv: 2507.20534) introduce MuonClip para solucionarlo.
Muon es un optimizador de gradientes más eficiente en tokens que AdamW. Misma calidad, menos pasos de entrenamiento. El problema: Muon por sí solo produce inestabilidad en la atención a escala de un billón de parámetros.
QK-Clip añade un recorte por token y por cabeza directamente en las matrices QK antes del softmax. Esto acota la magnitud de las puntuaciones de atención y elimina la patología de la explosión. Sin ajuste manual, sin trucos en la tasa de aprendizaje.
Del resumen del artículo:
"Presentamos MuonClip, un nuevo optimizador que integra el algoritmo Muon, eficiente en tokens, con un mecanismo de mejora de estabilidad llamado QK-Clip... Usando MuonClip, Kimi K2 logra un rendimiento competitivo mientras requiere significativamente menos tokens de entrenamiento que las líneas base de AdamW."
¿Por qué debería importarle a un desarrollador un detalle del entrenamiento? Porque la razón por la que K2.6 puede mantener 4,000 llamadas a herramientas durante más de 12 horas sin degradarse se remonta a esto. Un modelo entrenado con inestabilidad en la atención tiende a alucinar en condiciones de contexto largo y alto número de pasos. Que es exactamente el régimen en el que vive un Swarm de Agentes.
Sección 4: PARL, la investigación detrás del swarm
El Swarm de Agentes no es un framework añadido sobre K2.6. El comportamiento se entrenó directamente en el modelo, mediante un paradigma que Moonshot llama PARL: Aprendizaje por Refuerzo de Agentes en Paralelo, descrito en el artículo técnico de Kimi K2.5 (arxiv: 2602.02276).
Orquestador entrenable, subagentes congelados
La forma habitual de construir sistemas multi-agente es coordinar múltiples instancias de modelos en vivo en la capa de aplicación. Entonces la asignación de créditos se vuelve un desastre: ¿cuál de tus agentes hizo que la respuesta final fuera buena o mala? Entrenar de extremo a extremo a través de ese grafo es computacionalmente inviable.
PARL lo evita:
- El orquestador es entrenable, actualizado mediante RL basado en recompensas de resultado
- Los subagentes están congelados, son puntos de control de política intermedia fijos
Las trayectorias de los subagentes se tratan como observaciones del entorno, no como puntos de decisión diferenciables. Eso desacopla dos problemas difíciles a la vez. El crédito va solo a las acciones del orquestador, nunca a 300 subagentes simultáneos. Y el entrenamiento se mantiene estable porque solo se actualiza un modelo.
El orquestador aprende cuándo paralelizar, cuántos subagentes generar y cómo dividir el trabajo. Nadie especificó esos comportamientos a mano. Surgen de la maximización de recompensas.
La función de recompensa de tres partes
El orquestador se entrena con tres señales.
Una recompensa de paralelismo lo impulsa a generar subagentes concurrentes en lugar de ejecutar tareas de forma secuencial. Sin ella, el modelo por defecto usa un agente a la vez: seguro, predecible, lento.
Una recompensa de finalización asegura que los subagentes realmente completen sus tareas. Esto bloquea el "paralelismo espurio", donde el orquestador genera una multitud de agentes inactivos solo para obtener la recompensa de paralelismo.
Una recompensa de rendimiento puntúa la calidad de la salida final con respecto al objetivo de la tarea. Esta es la verdad fundamental a la que sirve todo lo demás.
El detalle que me parece más interesante: la métrica de optimización son los pasos críticos (longitud de la ruta crítica), no los pasos totales. El modelo recibe recompensa por acortar la cadena de dependencias más larga, no por maximizar la concurrencia bruta. Eso es lo que realmente reduce el tiempo de ejecución real.
Resultados de PARL
- BrowseComp: El modo swarm alcanzó 78.4% en K2.5, una mejora absoluta de 17.8 puntos sobre el K2.5 mono-agente (60.6%), que superó a GPT-5.2 Pro (77.9%) en ese momento. K2.6 eleva esto a 86.3%.
- WideSearch: Mejora absoluta de 6.3 puntos en Item-F1 (72.7% a 79.0%)
- Tiempo de ejecución: Reducción de 3 a 4.5 veces en tareas paralelizables frente a la línea base mono-agente
- Llamadas a herramientas paralelas: hasta 4,000 pasos coordinados en K2.6
Sección 5: Mooncake, la infraestructura detrás de Kimi
La infraestructura de servicio de Moonshot explica por qué K2.6 puede mantener 300 agentes paralelos sin derretirse. Los pesos del modelo son solo la mitad de la historia; el sistema que los sirve es la otra mitad.
La infraestructura está bien estructurada para tareas de contexto largo
Arquitectura desagregada centrada en caché KV
La plataforma de servicio de Moonshot se llama Mooncake, descrita en su artículo de infraestructura de 2024 (arxiv: 2407.00079). Es el motor que ejecuta Kimi a escala, y su elección de diseño es inusual.
La inferencia tradicional de LLM ejecuta prefill (procesamiento del prompt de entrada) y decode (generación de tokens) en las mismas instancias de GPU. Mooncake los desagrega en clústeres separados:
- Clúster de prefill: maneja el procesamiento inicial del prompt, escala de forma independiente para entradas de contexto largo
- Clúster de decode: maneja la generación de tokens, optimizado para rendimiento y latencia
El caché KV, el estado de atención intermedio que hace eficiente la generación autoregresiva, se gestiona como un recurso del sistema de primera clase. Mooncake construye un caché KV distribuido que abarca VRAM de GPU, DRAM de CPU y SSD, con un motor de transferencia personalizado que mueve el caché entre nodos.
Por qué esto importa para el Swarm de Agentes
Cuando 300 subagentes se ejecutan simultáneamente, cada uno genera su propio caché KV. En una arquitectura tradicional, eso supone una presión masiva sobre la memoria de la GPU y conflictos de planificación. Con el caché desagregado de Mooncake:
- Los cachés KV de subagentes completados pueden ser expulsados a DRAM o SSD y recuperarse si es necesario
- El clúster de prefill maneja los prompts de sistema (a menudo grandes) para cada subagente de forma independiente
- El planificador maximiza el rendimiento general mientras mantiene los SLA de latencia por agente
Del artículo de Mooncake: "En comparación con el método base, Mooncake puede lograr hasta un aumento del 525% en el rendimiento en ciertos escenarios simulados mientras cumple con los SLA. Bajo cargas de trabajo reales, la innovadora arquitectura de Mooncake permite que Kimi maneje un 75% más de solicitudes."
El artículo actualizado informa que Mooncake "opera en miles de nodos, procesando más de 100 mil millones de tokens al día", y maneja un 115% más de solicitudes en clústeres A800 y un 107% más en clústeres H800 en comparación con sistemas anteriores.
Desagregación PD a escala: el despliegue de K2 en 128 GPU
LMSYS publicó un caso de estudio de despliegue para Kimi K2 utilizando Desagregación de Prefill y Decode (PD) en 128 GPU H200 a través del Enrutador SGLang. La arquitectura:
- Enrutador SGLang: servicio ligero para descubrimiento dinámico de nodos de prefill y decode mediante selectores de etiquetas
- Paralelismo de Expertos: los 384 expertos de K2 distribuidos entre nodos, con enrutamiento a nivel de red
- OME (Open Model Engine): orquestación nativa de Kubernetes para la capa de servicio
Esta es la pila que ejecuta la familia K2 a escala de producción. Si estás alojando K2.6 por tu cuenta, esta es tu plantilla.
Sección 6: Cómo funciona el Swarm de Agentes, paso a paso
La secuencia mecánica cuando K2.6 ejecuta una tarea en modo swarm:
Paso 1: Descomposición de la tarea
El orquestador analiza la tarea y construye el grafo de dependencias: qué subtareas son independientes y pueden ejecutarse en paralelo, y cuáles dependen de salidas anteriores.
Para "investigar 100 empresas de YC y producir un análisis sectorial", el orquestador identifica 100 tareas de investigación independientes, luego 1 tarea de agregación, luego 1 tarea de síntesis. La primera capa es completamente paralelizable.
Paso 2: Generación de agentes especializados
El orquestador genera subagentes especializados por dominio según el tipo de subtarea. K2.6 instancia agentes dinámicamente con instrucciones específicas del rol y acceso a herramientas específicas:
- Agentes de investigación web: herramientas de búsqueda + navegador
- Agentes de análisis de datos: ejecución de Python + herramientas de hoja de cálculo
- Agentes de redacción: síntesis y generación de documentos
- Agentes verificadores: referencias cruzadas y validación
Cada subagente opera dentro de su propio contexto local acotado. Maneja una tarea delimitada, produce una salida estructurada y finaliza. El contexto local no carga todo lo que sabe el orquestador, solo lo que ese subagente necesita. Así es como K2.6 evita desbordarse en tareas que llenarían la ventana de cualquier agente individual en minutos.
Paso 3: Ejecución paralela en oleadas
Los agentes ejecutan en oleadas. La primera oleada maneja tareas completamente independientes.
- A medida que llegan los resultados, el orquestador lanza una segunda oleada con tareas que dependían de las salidas de la primera oleada, y así sucesivamente hasta que se resuelve el grafo de dependencias.
- K2.6 admite hasta 300 subagentes y 4,000 pasos coordinados por sesión. El orquestador supervisa la ejecución en tiempo real, detecta agentes fallidos o estancados y reasigna sus tareas automáticamente.
- Esa tolerancia a fallos es lo que permite ejecuciones autónomas de más de 12 horas sin supervisión humana.
Paso 4: Agregación y salida
Una vez que todos los subagentes completan, el orquestador agrega los resultados en un entregable final: documento, hoja de cálculo, sitio web, presentación de diapositivas.
- Sintetiza las salidas de los agentes en lugar de concatenarlas, para que el resultado tenga coherencia estructural.
- Otra cosa que vale la pena notar: la estructura del swarm también es la respuesta de Kimi al problema de la ventana de contexto.
- La política explícita de K2.6: "una vez que la ventana de contexto supera el umbral, solo se retiene la ronda más reciente de mensajes relacionados con herramientas." El swarm hace que esa política sea sostenible en horizontes de tarea muy largos.
Sección 7: La arquitectura Kimi x Claude Opus 4.8
Ningún modelo individual es la respuesta correcta para cada capa de un swarm. Kimi K2.6 está diseñado para la escala horizontal: ejecución paralela a través de cientos de agentes, ejecuciones autónomas largas, procesamiento masivo eficiente en costes.
Claude Opus 4.8 está diseñado para el juicio: planificación, razonamiento matizado y detección de sus propios errores. Se complementan estructuralmente, y la brecha que deja cada uno se acerca a la forma de la fortaleza del otro.
El patrón:
1[Objetivo del Usuario]2 |3[Claude Opus 4.8 - Planificador]4 Descompone el objetivo en una especificación de tarea estructurada5 Identifica subtareas paralelas vs. secuenciales6 Define criterios de éxito para cada subtarea7 |8[Kimi K2.6 Swarm de Agentes - Ejecutor]9 Recibe la especificación de tarea estructurada10 Genera hasta 300 subagentes especializados11 Ejecuta en paralelo a través de llamadas a herramientas12 Devuelve resultados estructurados13 |14[Claude Opus 4.8 - Verificador]15 Revisa las salidas de Kimi contra los criterios de éxito16 Señala fallos, lagunas, inconsistencias17 Sintetiza el entregable final
¿Por qué Claude para planificación y verificación?
El cambio más subestimado en Opus 4.8 es la mejora en la honestidad: "Opus 4.8 tiene aproximadamente cuatro veces menos probabilidades que su predecesor de permitir que pasen desapercibidos defectos en el código que ha escrito." En sistemas agénticos, la falsa confianza es el modo de fallo catastrófico.
- Un orquestador que dice "completado" cuando no lo está propagará errores a 300 agentes posteriores. La tendencia de Claude a señalar incertidumbre y detectar sus propios errores a mitad de tarea lo convierte en el ancla adecuada para las capas donde equivocarse es costoso.
- Opus 4.8 también admite una ventana de contexto de 1M de tokens, lo que importa para la pasada de verificación cuando se recogen salidas de más de 50 agentes de investigación paralelos en un solo contexto de revisión.
¿Por qué Kimi para ejecución?
El Swarm de Agentes de K2.6 admite hasta 300 subagentes paralelos y 4,000 pasos de herramientas coordinados por sesión — eso es un comportamiento entrenado, no una envoltura a nivel de aplicación.
- Claude tiene una función de Flujos de Trabajo Dinámicos en Claude Code, pero actualmente está en vista previa de investigación y limitada a planes Enterprise/Max.
- La capacidad de swarm de Kimi está disponible para todos a través de la API ahora mismo. La economía de tokens también importa a escala: K2.6 cuesta $0.95/$4.00 por millón de tokens de entrada/salida. Para ejecución paralela masiva, no es insignificante.
Sección 8: Cuándo necesitas un swarm (y cuándo no)
El error más común en el diseño multi-agente: añadir complejidad de swarm antes de haber alcanzado el techo del agente individual.
Quédate con un solo agente cuando:
- La tarea cabe dentro de una sola ventana de contexto (menos de ~50K tokens de trabajo real)
- La tarea es secuencial por naturaleza, cada paso depende del anterior
- Todavía estás en fase de prototipado: los modos de fallo de un solo agente son mucho más fáciles de depurar
- La tarea se completaría en menos de 10 minutos de todos modos
Recurre a un Swarm de Agentes cuando:
- La tarea tiene n subtareas paralelas e independientes donde n > 5
- El desbordamiento de contexto es un problema real (investigación profunda, bases de código grandes, operaciones por lotes)
- Necesitas agentes especializados por dominio trabajando simultáneamente
- La tarea es demasiado larga para mantener la calidad en una sola sesión secuencial
- Quieres un agente crítico o verificador que revise el trabajo de otro agente
Usa el híbrido Kimi + Claude Opus 4.8 cuando:
- La calidad de la planificación importa y quieres un modelo que se oponga si el plan es incorrecto
- La salida final se envía sin revisión humana adicional, por lo que la verificación debe estar integrada
- Estás ejecutando un volumen alto de ejecución donde los costes de tokens se acumulan rápidamente
- Quieres el juicio de Claude en las capas de decisión y la escala de Kimi en las capas de trabajo
Sección 10: Los cuatro patrones de arquitectura de swarm
Patrón 1: Orquestador-trabajador (el más común)
Un orquestador central asigna subtareas a los trabajadores, los trabajadores ejecutan en paralelo, los resultados se agregan.
1[Objetivo del Usuario]2 |3[Orquestador - Claude Opus 4.8]4 +-- [Trabajador: Agente de Investigación Kimi x N]5 +-- [Trabajador: Agente de Datos Kimi x N]6 +-- [Trabajador: Agente de Código Kimi x N]7 |8[Sintetizador - Claude Opus 4.8]9 |10[Salida Final]
Ideal para: tareas con subtareas claramente separables y un número variable de trabajadores.
Patrón 2: Bucle crítico-refinador
Un agente produce, otro critica, repite hasta que se alcanza el umbral de calidad.
1[Constructor Kimi K2.6] -> borrador -> [Crítico Claude Opus 4.8] -> retroalimentación -> [Constructor Kimi K2.6]2 |3 (aprobado)4 [Salida Final]
Ideal para: generación de código, redacción técnica, salidas sensibles a cumplimiento normativo. Siempre establece un límite máximo de iteraciones.
Patrón 3: Jerárquico
Un orquestador estratégico gestiona orquestadores de dominio, que gestionan trabajadores.
1[Claude Opus 4.8 - Orquestador Estratégico]2 +-- [Kimi K2.6 Swarm - Equipo de Investigación (50 agentes)]3 +-- [Kimi K2.6 Swarm - Equipo de Construcción (50 agentes)]
Ideal para: flujos de trabajo empresariales grandes con dominios distintos.
Patrón 4: Grupos Claw (swarm heterogéneo nativo de Kimi)
K2.6 coordina agentes que ejecutan cualquier modelo, incluidos modelos locales, Claude y GPT, junto con trabajadores humanos en un espacio operativo compartido. Actualmente en vista previa de investigación.
1[Coordinador Kimi K2.6]2 +-- [Claude Opus 4.8 - especialista en razonamiento]3 +-- [Llama 3.3 local - tareas masivas sensibles al coste]4 +-- [Agentes Kimi K2.6 x N - capa de ejecución]5 +-- [Revisor humano - puntos de control de aprobación]
Ideal para: flujos de trabajo que necesitan diversidad de modelos, híbrido local + nube, o requisitos de intervención humana.
Sección 12: Diseño de prompts para tareas de swarm
El prompt de descomposición (orquestadores)
1Eres un arquitecto de tareas. Descompón este objetivo en subtareas independientes y paralelizables.23Reglas:4- Cada subtarea debe ser completable por un solo agente especializado de forma aislada5- Las subtareas con dependencias deben marcarse con su cadena de dependencias6- Salida como JSON: {task_id, description, agent_type, depends_on, success_criteria}78Objetivo: {user_goal}9Tipos de agente disponibles: investigador, analista, programador, redactor, verificador
El prompt de sistema especializado (subagentes)
1Eres un agente {ROLE} especializado en {DOMAIN}.23Tarea: {subtask_description}45RESTRICCIONES:6- Devuelve SOLO JSON válido que coincida con: {output_schema}7- No vayas más allá del alcance de tu tarea8- Si no puedes completar la tarea: {"error": "razón", "partial_results": [...]}9- Máximo de llamadas a herramientas: {max_tool_calls}1011Contexto: {context_from_orchestrator}
El prompt de agregación (sintetizadores)
1Sintetiza la investigación de {n} agentes especializados en una salida coherente.231. Lee todas las salidas de los agentes proporcionadas42. Identifica dónde están de acuerdo, en desacuerdo o tienen lagunas53. Produce un {output_type} que integre todos los hallazgos64. Señala las inconsistencias explícitamente — no resuelvas contradicciones en silencio78Salidas de los agentes: {agent_outputs_as_json}9Formato de salida: {final_output_spec}
Sección 13: Los siete guardarraíles no negociables
1. Máximo de iteraciones por agente. Límite estricto de bucles antes de notificar al orquestador.
2. Tiempo de espera de la sesión. Si el swarm no ha completado en N minutos, termina y devuelve resultados parciales.
3. Aplicación de salida estructurada. Obliga a los agentes a devolver JSON. El texto narrativo de agentes intermedios crea fallos de análisis posteriores.
4. Aislamiento de fallos. Un subagente que falla no debe bloquear al orquestador.
1async def run_subagent_safely(kimi_client, task, agent_id):2 try:3 result = kimi_client.chat.completions.create(4 model="kimi-k2.6",5 messages=[{"role": "user", "content": task}],6 max_tokens=40967 )8 return {"agent_id": agent_id, "status": "success",9 "output": result.choices[0].message.content}10 except Exception as e:11 return {"agent_id": agent_id, "status": "failed", "error": str(e)}
5. Reintento con retroceso exponencial. Maneja errores 429 y errores transitorios sin presentarlos como fallos permanentes.
6. Puntos de control con intervención humana. Para swarms con acceso de escritura (desplegar código, enviar correos electrónicos, hacer mutaciones en APIs), inserta pausas de aprobación obligatorias.
7. Supervisión de costes. Establece presupuestos de tokens por ejecución. Los bucles sin control se manifiestan como anomalías de coste antes que como fallos de calidad, siempre.
Qué construir primero
Comienza con la canalización de tres agentes de la Sección 9. Es lo suficientemente pequeña como para depurarla en una tarde, ejercita la planificación, la ejecución paralela y la verificación, y puedes ejecutarla contra una tarea real en menos de una hora de configuración.
Cuando falle —y lo hará— el modo de fallo te enseñará más sobre el diseño de swarms que otra hora de lectura.
Constrúyelo. Rómpelo a propósito. Luego vuelve a los patrones de la Sección 11 con un punto de referencia concreto.
La arquitectura no es la parte difícil. La parte difícil es la brecha entre "funciona en pruebas" y "funciona a las 3 a.m. sin que nadie esté mirando", y esa brecha está completamente en los guardarraíles, la observabilidad y el diseño de la memoria.
Conclusión
Kimi 2.6 es una revolución agéntica en cómo el aprendizaje por refuerzo puede establecer swarms de agentes.
También muestra cómo los horizontes de contexto largo pueden aprovechar estas infraestructuras basadas en orquestadores, que permiten generar múltiples subagentes para construir sistemas complejos utilizando uno solo.
Descargo de responsabilidad
El artículo ha sido escrito utilizando la documentación técnica de Kimi 2.6 y artículos de investigación como notas del autor, y editado por una IA, Opus 4.7.
