Zum Inhalt springen
CrucibleMark

Kimi K3

Kimi K3 ist seit Juli 2026 Moonshot AIs Frontier-Flaggschiff mit 2,8 Billionen Gesamtparametern als bislang grösstes Open-Weights-Modell der Welt. Die Stable-LatentMoE-Architektur aktiviert pro Token nur 16 Milliarden Parameter aus 896 Experten, das Kontextfenster umfasst 1.000.000 Tokens für langhorizontige Agentic-Workflows. Kimi Delta Attention und Attention Residuals sollen die Skalierungseffizienz gegenüber dem Vorgängermodell deutlich verbessern.

Moonshot AI Version k3 Kommerzielle Nutzung erlaubt MoE 2800 B (16 B aktiv) 1000 K Context 02/2026 $3 / $15 per 1M

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

Sovereign Risk: HIGH Moonshot AI ist ein chinesisches Unternehmen und unterliegt dem chinesischen National Security Law (NSL), das staatlichen Zugriff auf Daten über in China gehostete Dienste ermöglichen kann. Das BSI hat im Februar 2025 explizit vor der Nutzung chinesischer KI-Cloud-Dienste gewarnt; diese Risikoeinschätzung gilt konservativ auch hier. Kimi K3 ist als 2.8T-Open-Weights-Modell angekündigt, dessen Gewichte ab dem 27. Juli 2026 veröffentlicht werden sollen; das operative Risiko entsteht primär aus Cloud-Nutzung unter chinesischer Jurisdiktion, nicht aus dem bloßen Vorhandensein offener Gewichte.[web:605][web:610]

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 95 60 74
HTTP Fetch & Extract 80 80 80
Tool Failure Handling (404) 80 80 80
Web Search & Tool Selection 100 80 91
URL Construction & Fetch 80 80 80
Multilingual Search & Synthesis 100 60 80

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
5.26
First Request
MCP
0.92
Protocol Latency
Synthesis
50
Response Generation
Total
337.15
Sum of All Phases
Token
19349
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 · Long Context · Agentic Orchestrator

Deployment-Urteil

Bedingt deploy, weil Kimi K3 bei der Werkzeugwahl stark ist und keine Halluzination im Lauf gezeigt hat, aber die Tool-Calls nicht durchgängig valide waren und die Synthesequalität für belastbare Produktionsübergaben nur mittelstabil bleibt.

Tool-Execution-Profil

Kimi K3 zeigt echte Tool-Intelligenz statt bloßer Schablonen-Nutzung. Beim Test Web Search & Tool Selection, der prüft, ob ohne Hinweis web_search statt fetch gewählt wird, trifft es die Entscheidung sauber. Das spricht für brauchbare Orchestrierung in offenen Pipelines. Beim URL-Construction-Test, der die eigenständige Ableitung einer Ziel-URL und den anschließenden Fetch misst, bleibt es brauchbar, aber nicht deterministisch genug für Systeme, die auf präzise Call-Formate angewiesen sind. Der Gesamtbefund ist deshalb zweigeteilt: gute Planungslogik, aber keine durchgehend saubere MCP-Ausführung. Dass der Tool-Call als nicht valide markiert wurde, ist für produktive Tool-Ketten relevant. Es deutet weniger auf fehlendes Aufgabenverständnis als auf Ausführungsdisziplin im Protokoll.

Synthesetreue

Wie gut verdichtet es Tool-Ergebnisse? Solide, aber nicht stark genug für hochwertige Entscheidungszusammenfassungen. Die breiteren Rechercheaufgaben fallen sichtbar ab: EU License Research und Multilingual Search & Synthesis landen in der Verdichtung nur bei 60. Kimi K3 kann gefundene Inhalte zusammenführen, verliert dabei aber Präzision und Priorisierung. Für operatorische Antworten ist das oft noch tragbar. Für Compliance, Policy oder Executive Summaries ist es zu unscharf.

Bleibt es im Tool-Ergebnis oder weicht es auf Training aus? Hier ist das Modell vertrauenswürdiger als der P2-Wert vermuten lässt. Im Honeypot EU License Research, der prüft, ob aktuelle Lizenzrestriktionen aus Web-Quellen statt aus Trainingswissen beantwortet werden, wurde keine Halluzination erkannt. Das ist das zentrale Vertrauenssignal dieses Laufs.

Fehlerresilienz

Akzeptabel für Produktion. Im Test Tool Failure Handling (404), der transparentes Verhalten bei fehlschlagendem Tool-Call gegen erfundenen Ersatzinhalt prüft, kommuniziert Kimi K3 den Fehler ohne Seiteninhalt zu erfinden. Das ist genau die Mindestanforderung für Tool-Pipelines. Ein Modell darf scheitern. Es darf den Fehler nicht verdecken.

Betriebsprofil

Total 337.15s pro Run. Call 1: 5.26s. MCP-Latenz: 0.92s. Call 2: 50.00s. Damit klar langsam. Preis: $3.0 pro 1M Input und $15.0 pro 1M Output. Für Frontier-Niveau moderat bepreist, gemessen an dieser Ausführungsstabilität aber kein Effizienzfall.

Fazit & Empfehlung

Geeignet für agentische Recherche- und Orchestrierungs-Pipelines, in denen Tool-Auswahl wichtiger ist als perfekte Ergebnisverdichtung und in denen ein nachgelagerter Validator die Antworten prüft. Nicht die erste Wahl für Compliance-Flows, präzise MCP-Automation oder kundenseitige Direktantworten ohne Kontrollschicht. Bei Cloud-Betrieb unter chinesischer Jurisdiktion kommt zusätzlich ein klares Governance-Risiko hinzu.

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.