Kimi K3: Frontier-Leistung zum Frontier-Preis – die Billig-Ära ist vorbei

Moonshot AI hat am 16. Juli Kimi K3 veröffentlicht, und der Launch lief ab wie eine Premiere aus dem Valley – geleakte Promo-Seite zwei Tage vorher, Vorbericht bei TechCrunch auf Basis der Financial Times, danach Fortune, MarkTechPost und ein X-Feed voller Benchmark-Charts. Releases großer chinesischer Modelle werden inzwischen durchs Dorf getrieben, wie Gossip aus dem englischen Königshaus. Das allein erzählt schon die halbe Geschichte. Die andere Hälfte steckt im Kleingedruckten – und die schauen wir uns jetzt an.

Ein Modell der 3-Billionen-Klasse – auf dem Papier offen

Die Eckdaten aus dem Tech-Blog von Moonshot: 2,8 Billionen Parameter, Mixture-of-Experts mit 16 von 896 aktiven Experten, native Vision, ein Kontextfenster von einer Million Tokens. Als Architektur-Unterbau dienen zwei Neuerungen namens Kimi Delta Attention und Attention Residuals, die zusammen eine rund 2,5-fache Scaling-Effizienz gegenüber Kimi K2 bringen sollen – herstellereigene Angabe, keine unabhängige Drittmessung, das übliche Sternchen.

Erstaunlich ehrlich ist Moonshot an anderer Stelle. Der eigene Blogpost räumt ein, dass K3 in der Gesamtleistung hinter Claude Fable 5 und GPT 5.6 Sol liegt – wer sich erinnert, wie OpenAI den Launch von GPT 5.6 Sol, Terra und Luna inszeniert hat, weiß, dass diese Sorte Understatement in Pressemitteilungen nicht selbstverständlich ist.

Bleibt das Wort „offen“. Die vollständigen Weights sollen bis zum 27. Juli nachgereicht werden. Stand heute ist K3 also ein proprietäres Modell mit Open-Weights-Versprechen – ein Muster, das wir bei MiniMax M3 schon einmal durchdekliniert haben. Ich gehe davon aus, dass Moonshot liefert, die Firma hat bei den K2-Modellen Wort gehalten.

Kimi K3 in der unabhängigen Messung

Artificial Analysis hat K3 direkt vermessen und kommt auf 57 Punkte im Intelligence Index – hinter Fable 5 (60) und GPT 5.6 Sol (59), auf Augenhöhe mit Opus 4.8 (56). Dass im Leaderboard trotzdem Platz 4 steht, liegt an einer Zählweise-Fußnote, denn zwei Sol-Konfigurationen laufen dort als getrennte Einträge. Für ein Modell, dessen Weights demnächst frei verfügbar sein sollen, ist das eine Ansage. Der Sprung zeigt sich am deutlichsten bei den agentischen Benchmarks: Auf GDPval-AA v2 klettert K3 auf eine Elo von 1.668, der Vorgänger K2.6 lag bei 1.190. Auf AutomationBench-AA steht K3 auf Platz 1, und in der Frontend Code Arena debütierte das Modell an der Spitze vor Fable 5 und GPT 5.6 Sol – dort stimmen echte Entwickler über echte Aufgaben ab, kein Labor-Setup.

Die Kehrseite steht im selben Bericht. K3 beantwortet auf dem AA-Omniscience-Index mehr Fragen richtig als K2.6, die Halluzinationsrate stieg gleichzeitig von 39 auf 51 Prozent. Das Modell rät also häufiger, statt zu passen – für lange agentische Läufe ohne menschliche Aufsicht, das erklärte Haupteinsatzgebiet, ist das keine Fußnote.

Apropos Fußnoten: Wer die Benchmark-Tabelle von Moonshot liest, sollte die Anmerkungen darunter nicht überspringen. Je nach Test kommen unterschiedliche Harnesses zum Einsatz, und die Fable-5-Werte tragen den Zusatz „with fallback“ – Anfragen, die Fable 5 aus Policy-Gründen verweigert, wurden automatisch von Opus 4.8 beantwortet. Vergleichbarkeit sieht anders aus. Genau deshalb ist die unabhängige Messung von Artificial Analysis mehr wert als jede Zeile der Hersteller-Tabelle.

15 Dollar für die Million Output – die Billig-Ära ist vorbei

Der API-Preis hat es in sich. 3 $ pro Million Input-Tokens, 15 $ pro Million Output – Simon Willison merkt an, dass K3 damit auf dem Niveau von Anthropics Sonnet-Serie liegt und das teuerste Modell ist, das je ein chinesisches Lab veröffentlicht hat. K2.6 kostete noch 0,95 $ und 4 $. Rechnet man auf Kosten pro Task um, landet K3 laut Artificial Analysis bei 0,94 $ – nah an GPT 5.6 Sol, etwa halb so teuer wie Opus 4.8, aber ein Vielfaches von GLM-5.2, das mit Open Weights und 1M Kontext bei rund 0,32 $ pro Task liegt.

Die Botschaft dahinter ist unbequem für alle, die chinesische Modelle als Discount-Alternative eingeplant hatten. Wer Frontier-Leistung will, zahlt Frontier-Preise – der Pass wird zunehmend egal.

Regen, Traufe und der dritte Weg

Und damit zum Teil, der bei der ganzen Benchmark-Euphorie gern untergeht. Wenn wir uns für Frontiermodelle entscheiden, überlegen wir im Moment im Kern, ob wir unsere Daten lieber in die USA oder nach China schicken – vom Regen in die Traufe, je nach Blickrichtung. Für K3 gilt das Stand heute uneingeschränkt, denn ohne veröffentlichte Weights führt jeder Prompt über die API von Moonshot.

Der ehrliche Zusatz gehört aber dazu. Sobald die Weights draußen sind, ändert sich die Rechnung, denn Open-Weights-Modelle laufen dort, wo du sie hinstellst – DeepSeek-R1 gibt es seit Anfang 2025 als Managed Model auf Amazon Bedrock, Qwen-Modelle ebenso, und wer die Hardware hat, hostet gleich selbst. Ob ein 2,8-Billionen-Parameter-Brocken, für den Moonshot Deployments mit 64 und mehr Beschleunigern empfiehlt, in deinem Serverraum realistisch ist, steht auf einem anderen Blatt. Für die Hyperscaler ist es keiner.

Das weniger lustige Kapitel

Über die Trainings-„Zensur“ chinesischer Modelle dürfen wir uns keiner Illusion hingeben – aber ehrlich, wirklich unzensiert ist keines der Frontiermodelle, die du über eine API oder einen Webchat nutzen kannst. In vielen Fällen ist das sinnvoll und hat trotzdem Raum für Diskussionen gelassen – man rufe sich das viel strapazierte Stichwort „Bombenbauanleitung“ in Erinnerung. Weniger lustig wird es, wenn Geschichtsrevisionismus dazukommt, und das muss ich an dieser Stelle nicht weiter ausführen.

Fairerweise gilt für K3: Unabhängige Tests zu politischen Inhalten existieren noch nicht, der Release ist zum Zeitpunkt meines Beitrags keine 48 Stunden alt. Die Erfahrung mit den Vorgängern und den Modellen der Nachbarschaft gibt allerdings wenig Anlass, hier eine Ausnahme zu erwarten. Wer K3 produktiv einsetzen will, sollte diesen Punkt in seine Evals aufnehmen – nicht als Gesinnungsprüfung, sondern als schlichte Qualitätskontrolle für alles, was auch nur in die Nähe historischer oder politischer Themen kommt.

Einordnung

K3 ist ein ernst zu nehmendes Modell, unabhängig bestätigt, und der Abstand zur geschlossenen Spitze schrumpft von Release zu Release. Die Zeiten, in denen chinesische Modelle die Billig-Schiene bedienten, enden gerade vor unseren Augen.

Steile These zum Schluss: Der eigentliche Machtwechsel passiert nicht auf den Leaderboards, sondern am 27. Juli. Wenn Moonshot die Weights wie versprochen liefert, gibt es erstmals ein Modell knapp unter der absoluten Spitze, das jeder Hyperscaler, jeder EU-Anbieter und jede Behörde mit genug Blech selbst betreiben kann – und dann stellt sich die Regen-oder-Traufe-Frage plötzlich den geschlossenen US-Modellen. Bis dahin gilt: Benchmark-Gossip genießen, Kleingedrucktes lesen, Daten dort lassen, wo sie hingehören.