Kimi K3 im Test: Moonshots offenes Frontier-Modell im Praxistest

Was ist Kimi K3?

Kimi K3 ist das Flaggschiff von Moonshot AI, dem chinesischen Labor hinter dem früheren offenen Kimi K2. Moonshot beschreibt K3 als "das weltweit erste offene Modell der 3-Billionen-Parameter-Klasse, entwickelt für Frontier-Intelligenz bei langfristigem Coding, Wissensarbeit und Reasoning."

Bemerkenswert ist, wie ungewöhnlich ehrlich Moonshot damit umgeht, wo K3 wirklich steht. Der Launch-Blog schreibt unumwunden: "Auch wenn die Gesamtleistung noch hinter den leistungsstärksten proprietären Modellen, Claude Fable 5 und GPT 5.6 Sol, zurückbleibt, zeigte Kimi K3 in unserer gesamten Evaluierungssuite eine Leistung auf Frontier-Niveau und übertraf dabei durchgängig alle anderen getesteten Modelle." Selten führt ein Labor mit dem an, was sein Modell nicht kann, und das macht die restlichen Aussagen glaubwürdiger.

Ein Haken sei gleich vorab erwähnt. Moonshot nennt das Modell offen, aber beim Launch lief es nur über die API. Der offizielle Blog schreibt: "die vollständigen Modellgewichte werden bis zum 27. Juli 2026 veröffentlicht", und in der Launch-Woche lieferte das HuggingFace-Repo noch einen 404-Fehler. Wer also vorhatte, es gleich am ersten Tag selbst zu hosten, muss diesen Plan um ein paar Wochen verschieben.

Wie Kimi K3 tatsächlich funktioniert

Wer schon mit solchen Modellen gebaut hat, weiß: Das Interessante an K3 ist nicht die Parameterzahl, sondern wie Moonshot dorthin gekommen ist, ohne dass die Kosten explodieren. Hier die Pipeline in einem Bild.

Ein paar Bausteine leisten hier die Hauptarbeit:

• Eine sehr spärliche Mixture of Experts. K3 hat insgesamt 2,8 Billionen Parameter, aktiviert pro Token aber "effektiv nur 16 von 896 Experten", über das, was Moonshot ein Stable-LatentMoE-Framework nennt. Sparse Routing ist der Trick, mit dem ein riesiges Modell trotzdem bezahlbar bleibt, denn pro Token feuert nur ein Bruchteil davon.
• Kimi Delta Attention (KDA). Ein hybrider linearer Attention-Mechanismus, der das 1-Millionen-Token-Kontextfenster praktikabel hält, statt es ruinös teuer zu machen.
• Attention Residuals (AttnRes). Ein direkter Ersatz für herkömmliche Residual-Verbindungen, den Moonshot separat als Open Source unter github.com/MoonshotAI/Attention-Residuals veröffentlicht hat.
• Permanentes Reasoning. K3 "denkt" immer, es gibt keinen günstigeren Modus ohne Reasoning. Der Aufwand wird über ein Feld reasoning_effort gesteuert, das aktuell nur max akzeptiert, niedrigere Stufen sind "demnächst verfügbar".

In der Summe beansprucht Moonshot "eine ungefähr 2,5-fache Verbesserung der gesamten Skalierungseffizienz im Vergleich zu Kimi K2". Das ist die eigentliche Story hier: nicht nur größer, sondern deutlich mehr Output pro Einheit Trainingsrechenleistung. Eine ehrliche Lücke bleibt: Der vollständige technische Bericht und die genaue Zahl aktiver Parameter fehlen noch, ein Teil des Wie ist also noch ein Versprechen.

Wie Kimi K3 in Benchmarks abschneidet

Hier verdient sich K3 das Label "Frontier". Moonshot veröffentlichte direkte Vergleichscharts gegen Fable 5, GPT-5.6 Sol, Opus 4.8 und GPT-5.5, und unabhängige Tests beginnen, diese zu bestätigen.

Das Muster ist durchgängig. K3 liegt meist eine Stufe hinter Fable 5 und GPT-5.6 Sol, aber deutlich vor der vorherigen Flaggschiff-Klasse. Ein paar konkrete Werte aus Moonshots Charts:

• Agentenbasierte Web-Aufgaben (BrowseComp): K3 führt mit 91.2, vor GPT-5.6 Sol (90.4) und Fable 5 (88.0).
• Automation Bench: K3 vorn mit 30.8, knapp vor GPT-5.6 Sol (29.7) und Fable 5 (29.1).
• SWE Marathon (langfristiges Coding): K3 liegt mit 42.0 an der Spitze, vor Opus 4.8 (40.0) und GPT-5.6 Sol (39.0).
• GDPval-AA v2 (Wissensarbeit): hier fällt es mit 1668 auf Platz drei zurück, hinter Fable 5 (1760) und GPT-5.6 Sol (1748).

Unabhängige Tests erzählen dieselbe Geschichte. Bei Artificial Analysis erreicht K3 einen Intelligence Index von 57, Rang 4 von 189 Modellen, und bei deren privater Evaluierung für langfristige Wissensarbeit "schlägt es meist Claude Opus 4.8 max und GPT-5.5 high, verliert aber gegen Claude Fable 5 und GPT-5.6 Sol". Die Ausgabegeschwindigkeit ist mit rund 62 Token/Sekunde eher durchschnittlich. Meine Einschätzung: Behandle K3 als starke, verlässliche Nummer zwei statt als Giant-Killer, und lies jede Schlagzeile à la "schlägt Opus 4.8" als aufgabenspezifisch, denn bei vielen Aufgaben trifft genau das zu.

Was sich von Kimi K2 zu K3 geändert hat

Wer Kimi als das günstige, leistungsfähige chinesische Modell kannte, muss mit K3 zwei dieser Annahmen überdenken. Es ist deutlich größer und pro Recheneinheit deutlich effizienter, aber eben auch nicht mehr günstig.

Die Preiszeile ist die, die die ganze Erzählung verschoben hat. "Kimi ist der ultra-günstige Frontier-Killer" war eine Geschichte aus der K2-Ära. Mit K3 ist Moonshot ins Flaggschiff-Preissegment gegangen und setzt darauf, dass die Intelligenz das rechtfertigt.

Kimi-K3-Preise

Schauen wir uns die echten Zahlen an, denn "erschwingliches offenes Modell" beschreibt nicht mehr, was du tatsächlich zahlst. Die offizielle K3-API-Preisliste ist angenehm simpel: ein Modell, ein Preis, einheitlich über das gesamte Kontextfenster.

Zwei Dinge gefallen mir hier. Es gibt keine Premium-Stufe für lange Prompts, das 1M-Fenster wird durchgehend gleich bepreist, anders als bei manchen Konkurrenten, die ab einer bestimmten Token-Schwelle mehr verlangen. Und der Context-Caching-Rabatt ist real: Ein Cache Hit senkt den Input-Preis auf $0.30/M, eine Ersparnis von 90 %. Bei Arbeiten mit langen Dokumenten oder langfristigen Agenten-Workflows, bei denen der Großteil des Inputs ein stabiler, gecachter Kontext ist, wird K3 hier wirklich konkurrenzfähig.

Wer statt der API die Verbraucher-App nutzt: Kimi berechnet zusätzlich zu einem kostenlosen Plan vier Abo-Stufen, benannt nach musikalischen Tempobezeichnungen:

Quelle: Kimi-Mitgliedschaftspreise. Gut zu wissen: Auf dieser Seite gibt es einen Banner, der neue Pläne ankündigt und darauf hinweist, dass die Leistungen von Kimi Chat und Kimi Code in getrennte Produkte aufgeteilt werden. Diese Preisstaffel könnte also bald anders aussehen.

Wie schlägt sich 3 $ / 15 $ also wirklich? Der einzige harte, direkte Vergleich ist DeepSeek, dessen V4 Flash mit 0,14 $ / 0,28 $ pro Million läuft, beim Output rund 21-mal günstiger als K3. DeepSeek bleibt die echte Budget-Option unter den Frontier-Modellen; auf dieser Achse konkurriert K3 nicht mehr. Die Community in der Launch-Woche sah es noch deutlicher: Wie es ein Kommentator auf Hacker News formulierte, verschiebt sich der Ruf von "total günstig" zu einem Modell, das etwa so viel kostet wie Claudes Sonnet-Klasse. K3s Preisvorteil liegt nicht in der Schlagzeilen-Rate pro Token, sondern im einheitlichen 1M-Fenster plus dem 90-%-Cache-Rabatt.

Was die Leute wirklich denken

Die Launch-Woche eines offenen Frontier-Modells ist laut, und die Reaktionen auf K3 teilten sich klar in Begeisterung über die Fähigkeiten und Skepsis beim Preis. Das nützlichste Signal kam von Leuten, die es tatsächlich an echter Arbeit ausprobiert haben.

Die stärksten Lobeshymnen galten der Coding-Parität:

"Ich spiele jetzt seit ein paar Stunden damit herum und finde es ein großartiges Modell. Ich bin mir nicht sicher, ob ich es im Blindtest von Fable unterscheiden könnte. Das Kontingent im 100-$-Kimi-Coding-Plan scheint ungefähr dem zu entsprechen, was ich beim 200-$-Anthropic-Plan bekomme, wenn ich hauptsächlich Fable nutze."

InsideOutSanta, Hacker News

Es gibt auch einen echten emotionalen Moment darüber, dass ein offenes Modell mit den geschlossenen Labs auf Augenhöhe mithält:

"Kimi K3 ist offiziell veröffentlicht! Schaut euch dieses Voxel-Spiel an, erzeugt mit dem einfachen Prompt: 'Voxel star wars pod-racers run'. Chinesische Modelle haben die Lücke geschlossen! Wir treten in eine neue Phase der KI ein."

Ivan Fioravanti, LinkedIn

Der Hype vor dem Launch hatte die Messlatte noch höher gelegt:

"K3 ist ein anderes Kaliber. Gerüchten zufolge soll Kimi K3 ein deutlich größeres Modell sein, auf Augenhöhe mit Claude Opus 4.7."

BridgeMind, X

Und die ruhigere Fraktion sah es ungefähr dort, wo auch die Zahlen es einordnen: eine Spur unter der absoluten Spitze:

"Also, Fable ist erst vor 2 Wochen wirklich erschienen, und GPT-5.6 Sol erst vor 1 Woche. Ja, Kimi K3 wirkt eine Spur unter beiden, aber über allen anderen Modellen. Ich würde also sagen: ein paar Wochen zurück, nicht mehr Monate..."

frabcus, Hacker News

Der größte Kritikpunkt war nicht die Qualität, sondern die Kosten, dazu die wiederkehrende Beschwerde, dass K3 für dieselbe Aufgabe mehr Token verbrennt als Fable. Genau diese Frage der Token-Effizienz entscheidet am Ende über deine Rechnung, und es lohnt sich, das zu beobachten, wenn unabhängige Tests ausgereifter werden.

Was Kimi K3 bauen kann

Die Launch-Showcase macht wirklich Spaß und ist die deutlichste Demonstration des langfristigen Codings, das Moonshot verkauft. In einem einzigen autonomen 48-Stunden-Lauf entwarf K3 einen Chip (Nangate 45nm, 4mm², simuliert mit über 8,700 Token/Sekunde beim Decoding). Außerdem baute es "MiniTriton", einen Triton-ähnlichen GPU-Compiler mit eigener IR, der bei einigen Workloads mit torch.compile gleichzieht oder es übertrifft. Und es erzeugte aus einzelnen Prompts spielbare 3D-Spiele:

Die Reaktion der Community auf den GPU-Compiler brachte die Stimmung auf den Punkt, zu gleichen Teilen Ehrfurcht und "zeig mir die Belege":

"Hat jemand im Blogpost gesehen, dass es einen kompletten GPU-Compiler von Grund auf programmieren konnte? Es sieht sogar so aus, als hätte es Triton bei einigen GPU-Kernels übertroffen. Das erscheint mir einfach wahnsinnig. Ich frage mich, ob sie das als Open Source veröffentlichen und zeigen, wie viele Token es gekostet hat."

swimwiththebeat, Hacker News

Solche Demos sind real, und sie sind gleichzeitig die bestmöglichen, stark vorbereiteten Läufe, die jedes Labor beim Launch zeigt. Die Lücke zwischen "hat das einmal in einer Sandbox gemacht" und "macht das zuverlässig für meinen Anwendungsfall" ist der eigentliche Knackpunkt, und damit komme ich zu dem Teil, der mir am wichtigsten ist.

Ein Benchmark-Score ist kein Support-Agent

Das ist der Punkt, den jeder Modell-Launch-Post übergeht, und genau der zählt, wenn du hier gelandet bist, weil du ein Modell für den Kundenservice auswählen willst. Eine 57 im Intelligence Index sagt dir, dass die rohe Engine stark ist. Sie sagt dir nichts darüber, ob sie deine Kunden sicher beantworten wird.

Ich baue KI-Agenten bei eesel, und was wir auf die harte Tour gelernt haben: Modellqualität ist vielleicht ein Drittel des Problems. Wir haben erlebt, wie selbstbewusst klingende Bots still und leise falsche Antworten gaben, und genau deshalb simulieren wir heute jeden Rollout an den historischen Tickets eines Unternehmens, bevor er je mit einem Kunden spricht. Ein roher K3-API-Key gibt dir davon nichts. Um aus einem großartigen Modell ein Teammitglied zu machen, dem du in der Warteschlange vertrauen würdest, musst du es trotzdem auf deiner Wissensdatenbank trainieren, in Routing einbinden, das bei Unsicherheit eskaliert, und dort einsetzen, wo dein Team schon arbeitet. Das ist die Lücke, und es ist dieselbe Lücke, egal ob das zugrunde liegende Modell K3, Claude Opus oder etwas anderes ist.

eesel ausprobieren

Wenn du diesen Kimi-K3-Test liest, weil du bessere KI auf deiner Support-Warteschlange willst: Das Modell ist der einfache Teil. eesel ist die Schicht, die aus einem Frontier-Modell einen echten Support-Agenten macht: Sie trainiert auf deinem Helpcenter und vergangenen Tickets, entwirft oder löst Antworten vollständig innerhalb deines bestehenden Helpdesks, und lässt dich, entscheidend, das Ganze an deiner echten Ticket-Historie simulieren, sodass du Lösungsquote und Kosten siehst, bevor es live geht.

Weil eesel modellunabhängig ist, kannst du auf der Frontier mitreiten und mit dem jeweils besten Top-Modell des Monats arbeiten, ohne Prompts umzuschreiben oder eine rohe API zu betreuen. Und die Preisgestaltung ist auf die Support-Ökonomie zugeschnitten: nutzungsbasiert, keine Gebühren pro Sitzplatz, sodass ein arbeitsreicher Monat dich nicht dafür bestraft, ein größeres Team zu haben. Du kannst eesel kostenlos testen und es in wenigen Minuten an deinen eigenen Tickets simulieren.