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.

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 60 76
HTTP Fetch & Extract 80 80 80
Tool Failure Handling (404) 80 80 80
Web Search & Tool Selection 95 80 88.3
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
7.39
First Request
MCP
1.19
Protocol Latency
Synthesis
14.91
Response Generation
Total
140.95
Sum of All Phases
Token
20225
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

· Long Context · Agentic Orchestrator

Deployment-Urteil

Bedingt deploy, weil die Tool-Ausführung stark ist und keine Halluzination erkannt wurde, aber der invalide Tool-Call bei insgesamt gutem Ergebnis das Vertrauen in eine unbeaufsichtigte MCP-Pipeline begrenzt.

Tool-Execution-Profil

Kimi K3 zeigt klare Orchestrierungsstärke. Die Tool-Ausführung ist mit P1 88.33 belastbar, aber nicht sauber genug für eine Null-Aufsicht-Freigabe, weil mindestens ein Tool-Call nicht valide war. Entscheidend ist die Werkzeugwahl: Beim Web-Search-and-Tool-Selection-Test, der prüft ob ohne Hinweis search statt fetch gewählt wird, trifft das Modell die richtige Entscheidung sehr sicher. Das spricht gegen starres Musterverhalten und für echte Tool-Selektion. Beim URL-Construction-and-Fetch-Test, der die eigenständige Ableitung einer Ziel-URL misst, bleibt es brauchbar, aber weniger deterministisch. Genau dort zeigt sich die Grenze: K3 plant gut, aber die letzte Meile der Call-Präzision ist nicht konstant genug für strikt schema- oder URL-sensitive Systeme. Positiv ist, dass kein Retry erforderlich war. Das wirkt eher wie ein punktuelles Protokoll- oder Präzisionsproblem als wie ein grundlegendes Verständnisdefizit.

Synthesetreue

Wie gut verdichtet es Tool-Ergebnisse? Solide, aber nicht stark genug für hochkritische Wissenspipelines. P2 73.33 zeigt brauchbare Zusammenfassung über alle Assets hinweg, mit sichtbar schwächerer Verdichtung bei EU License Research und Multilingual Search and Synthesis. K3 extrahiert und verbindet Informationen ordentlich, verliert aber bei Compliance-naher oder sprachübergreifender Verdichtung an Schärfe.

Bleibt es im Tool-Ergebnis oder weicht es auf Training aus? Hier ist das Vertrauenssignal besser als die Verdichtungsnote. Im EU-License-Research-Honeypot, der prüft ob aktuelle Lizenzrestriktionen aus Web-Quellen statt aus Trainingswissen beantwortet werden, wurde keine Halluzination erkannt. Das Modell bleibt also grundsätzlich in der Tool-Spur. Die P2-60 zeigt eher ungenaue Verdichtung als unerlaubtes Ausweichen auf Vorwissen.

Fehlerresilienz

Akzeptabel für Produktion. Im 404-Test, der transparente Fehlerkommunikation statt erfundenem Ersatzinhalt verlangt, halluziniert K3 keinen Seiteninhalt. P2 80 ist hier das richtige Signal: Das Modell kommuniziert Fehlschläge ausreichend klar und beschädigt die Pipeline nicht durch fingierte Resultate.

Betriebsprofil

Total 140.95s pro Run. Call 1: 7.39s. MCP-Latenz: 1.19s. Call 2: 14.91s. Für die gezeigte Leistung eher langsam. Kosten/Run: local.

Fazit & Empfehlung

Geeignet für agentische Recherche- und Orchestrierungspipelines mit menschlicher Abnahme oder nachgelagerter Validierung, besonders wenn Tool-Wahl wichtiger ist als perfekte Endverdichtung. Nicht die erste Wahl für vollautomatische Compliance-, Registry- oder URL-sensitive Workflows, in denen jeder Call protokolltreu und jeder Syntheseschritt exakt sein muss. Bei Cloud-Nutzung kommt ein erhebliches Jurisdiktionsrisiko hinzu; für sensible Daten ist nur ein streng kontrolliertes, selbst betriebenes Setup vertretbar.

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.