Kimi K2 Thinking
Kimi K2 Thinking ist das Reasoning-Modell von Moonshot AI, das schrittweises Denken mit Tool-Aufrufen kombiniert. Die MoE-Architektur vereint eine Billion Gesamtparameter mit 32 Milliarden aktiven Parametern pro Token, das Kontextfenster umfasst 256.000 Tokens. Das Modell ist auf komplexe agentische Aufgaben und lange Reasoning-Ketten ausgelegt, als Text-only-Variante verfügbar. Die chinesische Hersteller-Jurisdiktion erfordert bei Cloud-Nutzung eine separate Bewertung.
- Open Weights
- Frontier
- OR
- Text
- Agentic Orchestrator
- Interactive
Schlüsselmetriken
Score · Latenz · Kosten · Qualität
- Total Score Silver
- 75.04
- Routine
- 45.16
- Reasoning
- 29.88
- LLM Judge Avg
- 3.85 / 5
- 100 Coverage
- Avg Task Duration
- 32.46s
- Interactive
- Token Rate
- 34.89tok/s
- Output Rate
- P95 Latency
- 83.81s
- Top 5 %
- Total Tokens
- 147600
- Output Volume
- Cost per 1K
- $0.0025
- USD / 1K Requests
- Benchmark Cost
- $0.37
- Total · 147600 tok
Benchmark-Module
10 Module · gewichtet · vs. Modellmedian & Spitzenreiter
Kimi K2 Thinking
Bestes Modell
Ø Alle Modelle
Code Quality
71.04
CLI Benchmark
89
Logical Reasoning
77
UX Writing
67.05
Documentation
71.91
Content Transform.
78.25
Cultural Intelligence
78.12
Synthesis Quality
70
Tool Execution
82.5
ToolUse Score
75.75
Benchmark Cost
$0.37
Token-Effizienz & Latenz
Verbrauch pro Modul vs. Modellmedian
Token-Verbrauch pro Modul
Performance-Profil
Schlüsselmetriken – Legende
Score
- Total Score
- Gesamtpunktzahl aus Routine- und Reasoning-Score. Basis für den Flotten-Rang und die Tier-Zuordnung (Gold / Silver / Bronze).
- Routine
- Punktzahl für Standardaufgaben: Code-Generierung, Texttransformation, strukturierte Ausgaben. Gewichtet nach Aufgabenkomplexität.
- Reasoning
- Punktzahl für analytische und logische Aufgaben: mehrstufige Problemlösung, mathematisches Schlussfolgern, strukturierte Argumentationen.
- Rang
- Position im Flottenvergleich, sortiert nach Total Score. Bezieht sich auf den Snapshot zum Zeitpunkt des Tests.
LLM Judge
- LLM Judge Ø
- Durchschnittliche Qualitätsbewertung durch ein unabhängiges Richter-Modell auf einer Skala von 1–5.
- Coverage
- Anteil der Aufgaben, für die eine Judge-Bewertung vorliegt. 100 % bedeutet, alle Antworten wurden bewertet.
Latenz & Geschwindigkeit
- Avg. Task Duration
- Durchschnittliche Zeit pro Aufgabe vom ersten bis zum letzten Token der Antwort, gemessen über alle Benchmark-Aufgaben.
- Token Rate
- Ausgabe-Geschwindigkeit in Tokens pro Sekunde. Relevant für interaktive Anwendungen und Echtzeit-Streaming.
- P95 Latency
- 95. Perzentil der Antwortzeiten – zeigt Ausreißer. Niedrigere Werte bedeuten weniger lange Wartezeiten in Ausnahmefällen.
Kosten
- Cost per 1K
- API-Preis pro 1.000 Output-Tokens in US-Dollar. Basis für Kostenkalkulation bei produktivem Einsatz.
- Benchmark Cost
- Gesamtkosten für den vollständigen Benchmark-Durchlauf dieses Modells.