Qwen 3.8 Max vs Kimi K3: die Zahlen, die kein Labor veröffentlicht hat

Die 60-Sekunden-Tabelle

Jede Zahl unten stammt aus den eigenen veröffentlichten Seiten der Anbieter, geprüft am 3. August 2026. Wo ein Wert nicht veröffentlicht ist, habe ich das so vermerkt, statt eine Zahl von einem Aggregator zu übernehmen.

Drei Zeilen machen den größten Unterschied aus. Qwen veröffentlicht eine Anzahl aktiver Parameter, Moonshot nicht, was wichtig ist, weil aktive Parameter Latenz und Rechnung bestimmen, nicht die Gesamtzahl. Qwen ist bei jeder Kennzahl günstiger. Und Kimi ist von beiden das einzige, das man tatsächlich herunterladen kann.

Was Qwen 3.8 Max ist

Qwen ist Alibabas Modellfamilie, und Max ist die proprietäre Flaggschiff-Linie oberhalb der günstigeren Plus- und Turbo-Stufen. Qwen 3.8 Max wurde in zwei Akten veröffentlicht: eine Preview am 19. Juli auf der World AI Conference mit einer mündlichen Spitzenreiter-Aussage und ohne veröffentlichte Zahlen, gefolgt von einem 5.000 Wörter langen Launch-Post am 2. August mit allem, was die Preview zurückgehalten hatte.

Die Architektur, wie Alibaba sie beschreibt: 2,4 Billionen Parameter insgesamt mit 95 Milliarden aktiven, ein spärliches Mixture-of-Experts-Design, aufgebaut auf der Basis von Qwen 3.5. Die breitere Familiengeschichte steht in meiner Qwen-Review, die Qwen-Übersicht deckt die älteren Stufen ab.

Reasoning wird über reasoning_effort gesteuert, das low, medium und xhigh akzeptiert, mit xhigh als Standard. Alibaba aktiviert außerdem preserve_thinking standardmäßig "für die beste Out-of-the-Box-Erfahrung". Diesen Punkt sollte man sich merken, denn er taucht weiter unten als Kostenproblem wieder auf.

Was Kimi K3 ist

Kimi K3 ist Moonshot AIs Flaggschiff, und die technische Geschichte dahinter ist ungewöhnlicher als bei Qwen. Es hat 2,8 Billionen Parameter insgesamt, wobei Moonshot beschreibt, dass 16 von 896 Experten unter einem Stable-LatentMoE-Framework aktiviert werden, ergänzt um zwei neuartige Bausteine: Kimi Delta Attention, einen hybriden linearen Attention-Mechanismus, und Attention Residuals, einen Drop-in-Ersatz für Standard-Residualverbindungen, den Moonshot separat als Open Source veröffentlicht hat. Es beansprucht eine rund 2,5-fach bessere Skalierungseffizienz gegenüber Kimi K2.5.

Moonshot ist in seinem eigenen Launch-Post ungewöhnlich offen darüber, wo das Modell steht:

"While its overall performance still trails the most powerful proprietary models, Claude Fable 5 and GPT 5.6 Sol, Kimi K3 demonstrated frontier-level performance across our evaluation suite, consistently outperforming other tested models."

Vergleicht man das mit Alibabas Preview-Positionierung, die noch vor der Veröffentlichung eines einzigen Ergebnisses zu "nur knapp hinter Fable 5" griff, zeigt sich: zwei Labore mit sehr unterschiedlichem Grad an Wohlfühlen bei den eigenen Belegen. Meine tieferen Analysen stecken in der Kimi K3 Review und der Qwen 3.8 Max Review.

Was K3 nicht bietet, ist ein Reasoning-Regler. reasoning_effort akzeptiert nur max und sonst nichts, low und high sind als "demnächst verfügbar" gelistet. Eine günstigere Non-Thinking-SKU gibt es nicht. Ein Modell, ein Preis, immer im Denkmodus.

Benchmarks: keines misst das andere

Genau hier schummeln die meisten direkten Vergleiche leise. Alibaba veröffentlichte am 2. August eine Tabelle mit sechzehn Panels. Moonshot veröffentlichte im Juli eine eigene. Keine der beiden Tabellen enthält das jeweils andere Modell.

Es gibt jedoch eine Möglichkeit, beide zu verknüpfen, und fast niemand macht sich diese Mühe. Beide Tabellen führen dieselben Referenzmodelle: Claude Fable 5, Claude Opus 4.8, GPT-5.6 Sol. Also gilt: Wo beide Labore für dasselbe Referenzmodell im selben Benchmark denselben Wert melden, verhalten sich beide Harnesses vergleichbar, und die eigenen Zahlen lassen sich gegenüberstellen. Wo die Referenzwerte auseinandergehen, geht das nicht.

Wendet man diesen Test auf beide Tabellen an, überleben genau drei Zeilen:

Zusammengefasst: je ein klarer Sieg bei einer coding-nahen Auswertung und einer Chart-Verständnis-Auswertung, sowie ein statistisches Unentschieden bei agentischer Wissensarbeit. Das ist der gesamte vertretbare direkte Vergleich. Wer eine Fünfzehn-Zeilen-Tabelle mit einem erklärten Sieger zeigt, hat Zahlen aus zwei verschiedenen Harnesses zusammengewürfelt.

Und der Grund, hier streng zu sein, zeigt sich genau in der vierten Zeile, die ich verwerfen musste. Bei FrontierSWE setzt Alibabas Tabelle GPT-5.6 Sol bei 88.8 an, Moonshots Tabelle bei 71.3. Dasselbe Modell, derselbe Benchmark, eine Differenz von 17,5 Punkten. Welche Tabelle auch richtig liegt: Eine der beiden misst etwas, das die andere nicht misst, und diese Lücke ist größer als der Vorsprung, den eines der Labore gegenüber dem anderen für sich beansprucht.

Auch Alibabas Fußnoten lohnen sich. Es wird offengelegt, dass sechs der eigenen Coding-Benchmarks intern und unveröffentlicht sind, dass Wettbewerberwerte aus gemischten Harnesses übernommen statt neu ausgeführt wurden, dass die Ergebnisse von Fable 5 "möglicherweise Fallbacks beinhalten", und dass mehrere Zeilen von konkurrierenden Modellen bewertet werden: gemini-3.1-pro-preview bewertet PLawBench, Claude Opus 4.6 bewertet PaperBench. Moonshots Tabelle enthält eine eigene Version desselben Vorbehalts.

Die einzige unabhängige Einschätzung stammt von Artificial Analysis, das Kimi K3 mit 57 Punkten auf seinem Intelligence Index bewertet, Platz vier von 189 getesteten Modellen, mit einer Output-Geschwindigkeit von rund 62 Token pro Sekunde. Bei der eigenen privaten Langzeit-Wissensarbeits-Auswertung erreichte K3 eine Elo-Zahl von 1547, was laut derselben Zusammenfassung +732 gegenüber Kimi K2.6 bedeutet.

Die Preistabelle sagt Qwen. Die Rechnung sagt Unentschieden.

Qwen ist bei jeder veröffentlichten Kennzahl günstiger. Input kostet ein Drittel weniger, Output 60% weniger, und der implizite Cache-Lesezugriff liegt bei $0.25 gegenüber Kimis Cache-Hit-Rate von $0.30. Bei identischer Token-Zahl gibt es hier keine Diskussion.

Die Token-Zahlen sind aber nicht identisch. Ein Entwickler, der denselben Web-App-Build mit beiden Modellen im jeweils eigenen Anbieter-Harness durchlaufen ließ, hat die Abrechnung veröffentlicht:

"* Kimi K3: 9532k input (9172k cached), 114k output - cost $5.5

Qwen 3.8 Max: 18020k input (17836k cached), 114k output - cost $6.3"

senko, Hacker News

Diese $6,30 stammen aus der Zeit vor der allgemeinen Verfügbarkeit, wurden also zu Preview-Konditionen abgerechnet und nicht zur am 2. August veröffentlichten Preistabelle. Rechnet man dieselben Token-Zahlen mit den heutigen Preisen durch, kommt Qwen auf etwa $5,51 (0,184M ungecachter Input zu $2, 17,836M gecachter Input zu $0,25, 0,114M Output zu $6). Kimi kommt auf $5,54. Ein um 60% günstigerer Output-Preis, fast bis auf den Cent aufgehoben durch das 1,9-Fache an benötigten Input-Token.

Das ist die Zahl, die tatsächlich über die Rechnung entscheidet, und sie steht auf keiner der beiden Preisseiten. Qwen aktiviert xhigh-Reasoning standardmäßig zusammen mit preserve_thinking, und Reasoning-Token werden als Output abgerechnet. Kimi läuft ebenfalls immer im Max-Modus, und die eigene Community war unmissverständlich, was das bedeutet:

"The shift from "value" models to "intelligent, huge and slow" models coming from China is an interesting change in strategy. My main issue with GLM 5.2 and Kimi 3 is that they're extremely token hungry and thus feel slow(er) to use."

LaurensBER, Hacker News

Keines der beiden ist mehr die günstige Option. Beide liegen im Preissegment von Claude Sonnet, und DeepSeek V3.2 liegt weiterhin eine Größenordnung unter beiden. Das Framing "billiges chinesisches Modell" gehört zur vorherigen Generation.

Setzt eure eigenen Volumina ein, einschließlich wie viel eures Inputs gecacht ist und wie viel verbosere Ausgaben ihr von Qwen erwartet:

Schiebt man den Verbositäts-Regler über 1,9x hinaus, gewinnt Kimi bei den Kosten, obwohl es mehr als das Doppelte pro Output-Token berechnet. Dieser Kreuzungspunkt, nicht der Listenpreis, ist das, worauf euer Finance-Team in drei Monaten schauen wird.

Offene Gewichte: der eine klare Unterschied

Beide Modelle wurden als offen angekündigt. Nur eines ist es tatsächlich.

Moonshot hatte gesagt, die Gewichte würden bis zum 27. Juli 2026 verfügbar sein, und das wurden sie. Das Kimi-K3-Repository zeigt einen Checkpoint mit letzter Änderung am 27. Juli, mit einem Safetensors-Index, der insgesamt 2.779.931.837.184 Parameter umfasst, was die 2,8-Billionen-Behauptung von außen bestätigt statt aus einer Pressemitteilung. Er hat inzwischen über 837.000 Downloads und 9.700 Likes, und Community-Quantisierungen existieren bereits. Die Lizenz ist nur als "other" angegeben, also unbedingt lesen, bevor man ein Geschäft darauf aufbaut.

Qwen 3.8 Max wartet noch. Alibabas Launch-Post verspricht die Gewichte auf Hugging Face und ModelScope gleich dreimal "nächste Woche", die qwen.ai-Startseite markiert die Veröffentlichung als "Open-Source", aber es gibt kein Repository, keine Lizenz und kein Datum. Vom 2. August aus bedeutet "nächste Woche" die Woche ab dem 9. August.

Zwei Vorbehalte, bevor die Vorfreude zu groß wird. Erstens: Ein 8-Bit-Checkpoint mit 2,78 Billionen Parametern ist ein Rechenzentrums-Artefakt, kein Modell für die Workstation, sodass "offen" hier auditierbar und selbst hostbar im großen Maßstab bedeutet, nicht lokal. Wenn lokaler Betrieb tatsächlich die Anforderung ist, sind kleine Sprachmodelle die ehrlichere Kategorie. Zweitens war die Local-Model-Community auf Hacker News eindeutig darin, die Qwen-Ankündigung als terminliche Reaktion zu lesen:

"I assume that this announcement has been prompted by that of Moonshot AI, which has just announced a 2.8T parameter open-weights LLM, Kimi K3, to be published on Huggingface by 27 July. Now the response of Alibaba is that they will also publish soon a big open weights LLM, the 2.4T parameter Qwen 3.8."

adrian_b, Hacker News

Was Entwickler, die beide getestet haben, tatsächlich sagen

Benchmarks messen Fähigkeit. Die Produktion misst Fähigkeit geteilt durch Geduld. In den Launch-Threads tendieren die Praxisberichte zu Kimi, und fast keiner davon dreht sich um Intelligenz.

Der schärfste Satz im Qwen-Preview-Thread war ein direkter Vergleich:

"The few tests I ran were by no means comprehensive, but while kimi felt like the real deal qwen seems a bit of a benchmark princess."

revolvingthrow, Hacker News

Ein Entwickler, der über mehrere Tage vier Frontier-Modelle nebeneinander getestet hat, kam zu einem ausgewogeneren Fazit:

"Having tested K3, Qwen 3.8 max preview, Fable and Sol for the past few days, I partially agree. Don't trust the benchmarks, and the Chinese models really are slow and token-inefficient. However they do seem very close to SOTA [...] if I had to find an alternative, I could live with both K3 and Qwen3.8 just fine."

senko, Hacker News

Und ein Bericht ging weiter, als ich es aufgrund einer einzelnen Arbeitslast tun würde, ist aber das am häufigsten wiederholte Urteil im Thread und es lohnt sich, ihn als Datenpunkt zu lesen, nicht als Fazit:

"In my limited anecdotal experience, Kimi K3 is a bit better than Opus 4.8 and Qwen3.8 Max is disastrously bad. It can reason fine, but the moment it tries to do something it gets stuck into long second-guessing loops with no progress."

isqueiros, Hacker News

Es lohnt sich, das mit der Kimi-Seite zu vergleichen, wo die Begeisterung am Launch-Tag hoch war und ein Entwickler es im Blindtest nicht von Anthropics Flaggschiff unterscheiden konnte:

"I've been playing around with it for the past few hours, and I think it's an amazing model. I'm not sure I could tell the difference between this and Fable in a blind test."

InsideOutSanta, Hacker News

Wenn diese Streuung stört, ist eine Shortlist statt einer einzelnen Wahl der sicherere Weg. Meine für diese Seite der Betrachtung sind die Qwen-Alternativen. Die Übersicht Kimi K3 Alternativen deckt es aus der anderen Richtung ab, und es gibt eine engere Liste Qwen 3.8 Max Alternativen allein für dieses Modell.

Einige Dinge sind für keines der beiden Modelle veröffentlicht. Kein Wissensstichtag. Keine System Card. Auf Qwen-Seite überhaupt keine Sicherheitsbewertung, und auf Kimi-Seite kein Architektur-Paper, bis der technische Bericht erscheint. Falls Procurement fragt: Die Antwort heute lautet, dass es das nicht gibt.

Wo ein Frontier-Modell endet und Support-Arbeit beginnt

Das ist der Teil, der mich am meisten interessiert, weil ich hier immer wieder Teams ein ganzes Quartal verlieren sehe.

Keines dieser Modelle kennt eure Rückerstattungsrichtlinie. Keines hat eure letzten 7.000 Tickets gelesen. Keines weiß, dass der Kunde, der euch gerade schreibt, einen Enterprise-Plan hat und bereits zweimal eskaliert wurde. Ein Benchmark-Wert ist kein Support-Agent, und die Distanz zwischen diesen beiden Dingen ist genau dort, wo die meisten Projekte zur KI-Support-Automatisierung still und leise ins Stocken geraten.

Deshalb ist die Wahl eines KI-Helpdesks eine ganz andere Übung als die Wahl eines Modells, und deshalb steht und fällt Ticket-Automatisierung mit Retrieval, nicht mit reinem Reasoning.

Ich habe meine Zeit bei eesel damit verbracht, die Agenten-Schicht zu bauen, und der Fehlermodus, den ich immer wieder sehe, ist schlimmer als "die KI weiß es nicht". Es ist selbstsichere Erfindung. Die Geschichte mit den Automarken vom Anfang dieses Beitrags ist das klarste Beispiel, das ich habe: Das Modell hat sich nicht sprachlich geirrt, es hat sich beim Umfang geirrt, weil im Hilfe-Center stand "wir unterstützen alle Modelle" und es das wörtlich genommen hat. Die eigene Zusammenfassung dieses Teams dazu, wie sie das Setup richtig hinbekommen haben, lautete "am Anfang Trial and Error". Ein Modell mit 2,8 Billionen Parametern hätte dieselbe Behauptung aufgestellt, nur flüssiger.

Die Kontrolle, die das behebt, kam in einem Gespräch mit einer Support-Leitung auf, die 7.000 Tickets pro Monat betreut, und hat nichts mit der Modellwahl zu tun:

"The AI will never be able to answer 100% of the questions, but if it tries and just answers 'sorry I don't know this,' I cannot go and check all my 7,000 tickets to see if the AI actually made a good answer. I need an AI who is only handling the tickets that it's confident to handle and all the other ones, leave them alone."

a CX lead at a 7,000-ticket-a-month DTC brand

Das ist eine Produktentscheidung, keine Modellentscheidung. Deshalb lässt eesel AI eine Simulation über historische Tickets laufen, bevor irgendetwas live geht, sodass man zuerst die Lösungsquote und die tatsächlichen Antworten auf echte vergangene Gespräche sieht.

Deshalb werden Antworten auch nach Konfidenz geroutet, entweder für einen Menschen entworfen oder eskaliert, statt zu raten, und deshalb läuft Ticket-Klassifizierung als eigener Schritt, statt in einen einzigen riesigen Prompt gepackt zu werden.

Das macht die strategische Lesart dieses Vergleichs ein wenig antiklimaktisch: baut so, dass ihr die Engine austauschen könnt. Die Modell-Schicht wird alle paar Wochen besser und günstiger. Kimi K3 kam siebzehn Tage vor Qwen, GPT-5.6 senkte seine günstigste Stufe an einem einzigen Nachmittag um 80%, und was im September die Tabelle anführt, steht heute in keiner der beiden Tabellen.

Aus demselben Grund würde ich mich auch nicht fest an Gemini binden, so gut die Zahlen diesen Monat auch aussehen. Dasselbe gilt für Grok. GLM 5.2 ist das andere chinesische Flaggschiff genau in diesem Segment, und ich würde seinen Business Case mit demselben Schulterzucken lesen.

Für welches Modell solltet ihr euch also entscheiden?

Wenn ihr etwas ausliefert und eine einzige Antwort wollt:

• Lange Agenten-Loops, bei denen Token-Effizienz die Rechnung bestimmt: Kimi K3. Es hat denselben Job mit ungefähr der Hälfte der Input-Token erledigt, und dieser Vorsprung wiegt seine höhere Preistabelle auf.
• Diagramm-, dokumenten- und videolastige Arbeit: Qwen 3.8 Max. Es gewinnt bei CharXiv mit einem vergleichbaren Harness, und Alibaba dokumentiert Video-Input mit konkreten Obergrenzen, die Moonshot im eigenen Launch-Material nicht erreicht.
• Alles, was ihr selbst hosten oder auditieren müsst: Kimi K3, und das ist keine Debatte. Die Gewichte existieren, die Parameterzahl lässt sich am Checkpoint überprüfen, und Qwens Gewichte sind weiterhin nur ein Versprechen.
• Ein Reasoning-Regler, den man herunterdrehen kann: Qwen 3.8 Max, das einzige von beiden mit den Aufwandsstufen low und medium. Kimi läuft entweder auf max oder gar nicht.
• Niedrigste Kosten pro Token, ganz einfach: Qwen, bei jeder Kennzahl. Nur unbedingt die Kosten pro abgeschlossener Aufgabe messen, bevor ein Budget darum herum geplant wird.
• Alles, was direkten Kundenkontakt hat: keines von beiden allein. Wählt zuerst die Schicht und lasst diese das Modell wählen. Die Rechnung steht in meiner Aufschlüsselung der Agentenkosten, die Shortlist in den besten KI-Agenten.

Was ich nicht tun würde, ist eine der beiden Tabellen als abschließend zu behandeln. Drei Zeilen sind die gesamte ehrliche Überschneidung zwischen beiden, sechs von Alibabas Coding-Benchmarks sind eigene unveröffentlichte Evaluierungen, und keine unabhängige Stelle hat irgendetwas davon nachvollzogen.

Rechnet damit, dass sich beide Preistabellen ändern, bevor unabhängige Zahlen vorliegen. Genau deshalb halte ich die Aufschlüsselung zu den Kimi K3 Preisen als lebendige Seite aktuell, ebenso wie bei den Qwen 3.8 Max Preisen. Auch der Vergleich Qwen 3.8 Max vs GPT-5.6 wird zusammen mit diesem hier überarbeitet werden müssen.

eesel ausprobieren

Wenn ihr hier gelandet seid, weil ihr ein Modell wollt, das Tickets schließt statt Charts zu gewinnen, dann ist genau das der Sinn von eesel AI. Es bindet sich in Zendesk, Freshdesk, Gorgias und über 100 weitere Tools ein, lernt von eurem Hilfe-Center und euren bisherigen Tickets und beginnt innerhalb weniger Minuten mit dem Entwerfen von Antworten.

Der Unterschied liegt in der Vertrauensrampe, nicht in der Engine. Simuliert anhand eurer echten Ticket-Historie, lest die Zahlen, startet im Entwurfsmodus, und geht erst dann autonom, wenn euch gefällt, was ihr seht. Ihr übernehmt jeden Frontier-Fortschritt, ob das nun Kimi, Qwen oder was auch immer im September erscheint, ohne irgendetwas neu verkabeln zu müssen. eesel ausprobieren, kostenlos, keine Kreditkarte nötig.