Zum Inhalt springen
CrucibleMark

Kimi K2.6

Kimi K2.6 ist Moonshot AIs multimodales Modell für agentische Aufgaben, Coding und toolgestützte Workflows mit nativem Eingang für Text, Bild und Video. Die MoE-Architektur aktiviert pro Token nur 32 Milliarden der insgesamt eine Billion Gesamtparameter, das Kontextfenster umfasst 256.000 Tokens. Als Open-Weights-Modell lokal oder über Cloud-API verfügbar, mit chinesischer Jurisdiktion als wesentlichem Cloud-Risikofaktor.

Moonshot AI Version k2.6 Kommerzielle Nutzung erlaubt MoE 1000 B (32 B aktiv) 256 K Context 12/2025 $0.95 / $4 per 1M

  • Open Weights
  • Frontier
  • OpenRouter
  • Text
  • Vision
  • Video
  • Agentic Orchestrator
  • Long Context
  • Batch

Sovereign Risk: HIGH Moonshot AI ist ein chinesisches Unternehmen und unterliegt dem chinesischen National Security Law (NSL), das staatlichen Zugriff auf Daten ermöglichen kann. Das BSI hat im Februar 2025 explizit vor der Nutzung chinesischer KI-Cloud-Dienste gewarnt; diese Risikoeinschätzung gilt konservativ auch hier.

Tool-Use-Profil: 6 Assets im Detail

Vergleich der Asset-Performance (P1/P2/Combined) gegenüber dem Flotten-Durchschnitt

Asset-Performance (Radar)

Score Breakdown vs. Fleet Average

Tool-Use-Details

Asset-Performance, Zuverlässigkeit und Laufzeit-Profil

Name P1 P2 Combined
EU License Research 100 40 64
HTTP Fetch & Extract 80 60 70
Tool Failure Handling (404) 40 80 51
Web Search & Tool Selection 100 80 91
URL Construction & Fetch 80 80 80
Multilingual Search & Synthesis 100 80 90

CrucibleMark prüft Tool-Use in 6 voneinander unabhängigen Tests. Klicken Sie auf einen Test-Namen für die Details.

Reliability

  • Tool Call Valid: Nein
  • Retry: Nicht erforderlich
  • Halluzination: Nicht erkannt

Reliability misst, wie verlässlich ein Modell Werkzeugaufrufe tatsächlich ausführt: Tool Call Valid Schema und Format akzeptiert, Retry Required erst nach Wiederholung erfolgreich, Halluzination Flag erfundene Tools oder Parameter erkannt. Alle drei grün bedeutet produktionstauglich.

Betriebsprofil

Call 1
8.7
First Request
MCP
1.58
Protocol Latency
Synthesis
62.07
Response Generation
Total
434.09
Sum of All Phases
Token
22699
Input + Output
Cost
$0
Cost per Run

Das Betriebsprofil zeigt die Laufzeit- und Kostenkennzahlen des Modell-Laufs: Call 1 First Request, MCP Protocol Latency, Synthesis Response Generation, Total Summe aller Phasen, erganzt um Token Input und Output sowie Cost Kosten pro Lauf.

Tool-Use-Review

Erstellt am · Agentic Orchestrator · Long Context

Deployment-Urteil

Bedingt deploy, weil die Tool-Ausführung stark ist, aber die Tool-Calls nicht durchgängig valide sind und die Synthesequalität für produktive Vertrauenspipelines zu ungleich ausfällt.

Tool-Execution-Profil

Kimi K2.6 zeigt klare Agentenstärke bei der Werkzeugwahl. Beim Test Web Search & Tool Selection, der prüft, ob ohne Hinweis web_search statt fetch gewählt wird, erkennt das Modell den richtigen Zugriffspfad sicher. Das spricht gegen starres Musterverhalten und für echte Werkzeugintelligenz. Auch bei Multilingual Search & Synthesis und EU License Research zieht es die erforderlichen Web-Schritte konsequent durch.

Schwächer ist die Ausführung, sobald Präzision im Aufruf selbst zählt. Beim URL-Construction-Test, der die korrekte Ziel-URL aus Vorwissen ableiten und dann fetch ausführen lässt, arbeitet es brauchbar, aber nicht deterministisch genug für enge Pipelines. Der Gesamtbefund passt dazu: hohe P1-Leistung, aber tool_call_valid=false. Das ist kein Planungsproblem, sondern ein Verlässlichkeitsproblem auf Protokoll- und Parameterebene. Positiv ist, dass kein Retry nötig war. Das Modell scheitert also nicht an Formatstabilität im engeren Sinn, sondern an einzelner Ausführungspräzision.

Synthesetreue

Wie gut verdichtet es Tool-Ergebnisse? Nur eingeschränkt belastbar. Die P2-Leistung liegt sichtbar unter der Tool-Ausführung. Kimi K2.6 findet Informationen meist, verdichtet sie aber nicht immer mit der Präzision, die Architekten für nachgelagerte Entscheidungen brauchen. Das sieht man besonders bei EU License Research, wo die Recherche gelingt, die Zusammenführung aber zu grob bleibt, sowie bei HTTP Fetch & Extract, wo extraktive Genauigkeit nur ordentlich statt belastbar wirkt.

Bleibt es im Tool-Ergebnis oder weicht es auf Training aus? Grundsätzlich ja, mit einem wichtigen Vorbehalt. Im Honeypot EU License Research, der prüft, ob aktuelle Lizenzrestriktionen aus Web-Quellen statt aus dem Training beantwortet werden, wurde keine Halluzination erkannt. Das ist das entscheidende Vertrauenssignal. Der niedrige P2-Wert zeigt hier also keine erfundenen Fakten, sondern unzureichend abgesicherte oder zu schwach verdichtete Antwortbildung.

Fehlerresilienz

Bei Tool-Fehlern reagiert das Modell produktionsnah. Im 404-Test, der transparente Fehlerkommunikation gegen halluzinierten Ersatzinhalt stellt, hat Kimi K2.6 keinen Seiteninhalt erfunden und den Fehlschlag sauber behandelt. Das ist für MCP-Pipelines akzeptabel. Die schwache P1-Wertung in diesem Asset zeigt eher, dass der Ablauf nicht elegant war, nicht dass das Modell gefährlich improvisiert.

Betriebsprofil

Total 434.09s pro Run. Sehr langsam.
Einzelaufrufe 8.70s und 62.07s, MCP-Latenz 1.58s.
Kosten/Run: local. Günstig im API-Sinn, aber nur sinnvoll, wenn die eigene Infrastruktur die Laufzeit und das Frontier-MoE-Gewicht tragen kann.

Fazit & Empfehlung

Geeignet für agentische Recherchepipelines, mehrstufige Web-Workflows und multilingualen Tool-Einsatz, wenn ein nachgelagerter Validator die Antwortverdichtung kontrolliert. Nicht geeignet für Compliance-, Policy- oder andere Entscheidungsstrecken, in denen die natürliche Sprache des Modells selbst als belastbares Endprodukt gilt. Wer Kimi K2.6 einsetzt, sollte ihm Tools geben, aber nicht das letzte Wort.

Diese Auswertung wurde automatisch auf Grundlage der Benchmark-Daten generiert. Eingesetztes Modell: GPT-5.4 von OpenAI. Die Rohdaten und die vollständige Methodik sind im GitHub-Projekt dokumentiert.