Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
fragen-fundeohne Datum · Q004710

Hugging Face

huggingface.co · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Der Bericht stellt Kimi K3.1 Pro als offenes Text- und Bildmodell mit einem Kontextfenster von rund einer Million Tokens und einer MoE-Architektur mit 2,8 Billionen Parametern vor. Seine Benchmarkwerte sind je nach Aufgabe stark unterschiedlich; wegen abweichender Prüfverfahren, interner Messungen und fehlender Vergleichswerte lassen sie sich nur eingeschränkt direkt vergleichen und belegen keine allgemeine Überlegenheit.

Mittel

Der Bericht beschreibt Kimi K3.1 Pro als offenes multimodales Agentenmodell mit Text- und Bildverarbeitung, einem Kontextfenster von rund einer Million Tokens und einer MoE-Architektur mit 2,8 Billionen Gesamtparametern. Moonshot zufolge wurde es aus Kimi K3 weitertrainiert und soll unter anderem bei Programmierung, Recherche und Aufgaben mit Werkzeugen verbessert sein.

Die Benchmarktabelle zeigt ein gemischtes Bild: Kimi erreicht beispielsweise hohe Werte bei BrowseComp und GPQA-Diamond, liegt aber in anderen Aufgaben wie ProgramBench, HLE-Diamond und den beiden aufgeführten Exploit-Benchmarks hinter Vergleichsmodellen. Die Resultate stammen aus unterschiedlichen Prüfaufbauten; manche sind interne Benchmarks, manche Werte aus fremden Berichten oder Ranglisten. Außerdem unterscheiden sich Werkzeuge, Hardware, Budgets und Durchlaufzahlen, und etliche Tabellenfelder sind leer. Die Kennzahlen sind deshalb nur bedingt direkt vergleichbar und belegen keine allgemeine Überlegenheit.

Für den Einsatz nennt die Seite eine OpenAI- und Anthropic-kompatible API sowie vLLM, SGLang und TokenSpeed. Die Einstellung `reasoning_effort` unterstützt drei Stufen. Bei mehrstufigen Unterhaltungen sollen vollständige Assistentenantworten einschließlich Denk- und Werkzeugfeldern weitergereicht werden.

Ausführlich lesen

Der Bericht stellt Kimi K3.1 Pro als offenes, multimodales Modell mit Agentenfunktionen vor und bezeichnet es als Moonshots bisher leistungsfähigstes Modell der 3-Tillionen-Klasse. Laut Anbieter wurde es aus Kimi K3 weitertrainiert, unter anderem mit gemeinsamem Reinforcement Learning über zahlreiche Anwendungsbereiche. Das Modell verarbeitet Text und Bilder und hat ein Kontextfenster von rund einer Million Tokens. Die angegebene Mixture-of-Experts-Architektur umfasst insgesamt 2,8 Billionen Parameter, von denen je Token 104 Milliarden aktiviert werden. Der Bericht nennt außerdem 93 Schichten, 896 Experten, 16 ausgewählte Experten pro Token sowie den Bildencoder MoonViT-V2. Gegenüber Kimi K3 sollen Teile der Aufmerksamkeitsarchitektur für die Verarbeitung langer Kontexte sparsamer gestaltet worden sein.

Die Leistungsübersicht vergleicht Kimi K3.1 Pro mit mehreren anderen Modellen in den Bereichen Programmierung, agentische Aufgaben, Wissen und multimodale Verarbeitung sowie Cybersicherheit. Kimi erzielt in einzelnen Tabellenwerten hohe Ergebnisse: zum Beispiel 92,1 bei BrowseComp, 94,2 bei GPQA-Diamond und 70,0 bei HLE-Full mit Werkzeugen. In anderen Aufgaben liegt es hinter den verglichenen Modellen, etwa bei ProgramBench, HLE-Diamond, ExploitBench und ExploitGym. Das Bild ist daher gemischt; der Bericht belegt keine durchgängige Überlegenheit. Auch sind die Kennzahlen nicht einheitlich: Einige sind Genauigkeits- oder Erfolgsraten, andere Elo-Werte oder interne Messgrößen, und bei ausdrücklich so bezeichneten Halluzinationsbenchmarks gilt ein niedrigerer Wert als besser.

Die Ergebnisse sind laut Dokument überwiegend mit maximalem Reasoning-Aufwand ermittelt worden; als allgemeine Einstellungen werden Temperatur 1,0 und Top-p 0,95 angegeben. Die Fußnoten beschreiben unterschiedliche Prüfverfahren und Werkzeuge, darunter Claude Code, Kimi Code, Codex und offizielle Benchmarks. Einige Vergleichswerte stammen aus Modellberichten oder Bestenlisten, statt aus einem einheitlichen direkten Test. Bestimmte Messungen nutzen interne Datensätze oder Bewertungssysteme; es gibt außerdem Unterschiede bei Hardware, Aufgabenbudgets, Stichproben, Zahl der Durchläufe und möglichen Fallbacks. Für manche Modelle fehlen Werte. Bei einzelnen HLE-Angaben bezieht sich ein Sternchen auf die reine Text-Untermenge. Diese Bedingungen begrenzen, wie unmittelbar sich die Zahlen vergleichen lassen.

Für die Nutzung nennt der Bericht eine API mit OpenAI- und Anthropic-kompatiblen Schnittstellen sowie vLLM, SGLang und TokenSpeed als empfohlene Inferenzumgebungen. Die Denkleistung kann über die Anfrageoption `reasoning_effort` auf „low“, „high“ oder „max“ gesetzt werden. Für mehrstufige Gespräche und Werkzeugaufrufe sollen API-Nutzende die vollständige vorherige Assistentennachricht einschließlich Denk- und Werkzeugfeldern zurückgeben. Das Modell steht laut Seite unter einer eigenen Kimi-K3.1-Pro-Lizenz; deren Bedingungen werden im Bericht nicht erläutert.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Der Bericht ist eine Modellkarte mit überwiegend selbst berichteten Werten; die Einordnungen stützen sich nur auf den Text und die Tabellen des Berichts. Die von Luna angegebenen Anteilswerte wurden nicht bewertet, weil das Schema sie nicht vorsieht.

Im Bericht, aber nicht in der Zusammenfassung

  • Die Lizenz (Kimi K3.1 Pro License) und die Angabe, dass das Modell als Open-Weight-Modell veröffentlicht ist.
  • Die Angabe von 104B aktiven Parametern sowie der Architekturwechsel von Gated MLA zu Gated DSA gegenüber Kimi K3.
  • Das Evaluationssetup (reasoning effort max, temperature 1.0, top-p 0.95), das die Vergleichbarkeit der Tabellenwerte ebenfalls betrifft.

In der Zusammenfassung, laut Prüfung nicht im Bericht belegt

  • Die Schlussfolgerung, die Kennzahlen belegten keine allgemeine Überlegenheit, steht so nicht im Bericht; sie ist Lunas eigene Folgerung.

Automatische Gegenprüfung mit dem vollständigen Originaltext (Batch, 20.11.2026). Ungeprüft durch Menschen.

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 8 von 8
Angezeigte Modelle
Vorfälle melden
Fähigkeiten messen
  1. SF-F1 Wie misst man gefährliche Fähigkeiten eines Modells, vor allem im Cyberbereich, mit gemeinsam anerkannten, wiederholbaren Tests, die keine Sprache, Kultur oder Seite bevorzugen?
    • clef 20 %einzelne zitierbare Belege
    • Luna 47 %umfangreiche Belege
    • JEV offen
    • amos 45 %einzelne zitierbare Belege
    • SubQ 31 %gleiches Oberthema, hilft nicht
    • drex 32 %einzelne zitierbare Belege
    • d3-ultra 56 %einzelne zitierbare Belege
    • Haiku-Prüfung umfangreiche Belege

    • SF-F1-T01 Welche Belege zu Cyberfähigkeiten soll ein Labor vor der Freigabe eines Modells veröffentlichen (Methoden, Aufgabenfamilien, Fehlerraten, getestete Version, reproduzierbare Cyber-Tests in abgeschirmter Umgebung für unabhängige Prüfer), damit jedes Ministerium sie nachstellen kann, statt ihnen vertrauen zu müssen? Und führt es für dieselbe Modellversion abgestimmte Cyber-Tests durch, die sowohl den durch Schutzmaßnahmen verhinderten Missbrauch als auch die legitimen Abwehraufgaben messen, die dieselben Schutzmaßnahmen blockieren, und weist es beide Ergebnisse aus? Luna: Stufe 4 · 32 % · einzelne zitierbare Belege
    • SF-F1-T02 Veröffentlichen Labore abgestimmte Cyber-Tests, die zeigen, was jedes Modell mehr leistet als ein Mensch ohne KI-Hilfe? Luna: Stufe 4 · 42 % · einzelne zitierbare Belege · Haiku-Prüfung: Stufe 4 · einzelne zitierbare Belege
    • SF-F1-T03 Auf welche einzelne Zahl zur offensiven Cyberfähigkeit eines Modells würden sich Regierungen einigen, um sie vor der Freigabe zu veröffentlichen, nicht erst danach? Luna: Stufe 4 · 23 % · einzelne zitierbare Belege
    • SF-F1-T04 Welcher gemeinsame, neutrale und offene Maßstab (Aufgaben, Erfolgsrate, abgeschirmte Testumgebung, Belege) zeigt, dass eine Cyber-Schwelle überschritten ist? Würden ein Ministerium und ein Labor in verschiedenen Staaten ihn annehmen, bevor das nächste Modell als Überschreitung eingestuft wird, damit Schwellen gemessen und nicht behauptet werden? Und dient derselbe Maßstab dann sowohl dazu, ein Modell einzustufen, als auch dazu, das Tempo seiner Entwicklung zu steuern? Luna: Stufe 3 · 26 % · Hintergrund, keine Belege
    • SF-F1-T05 Welche Cyber-Prüfungen und welche Testbausteine (Testfälle, Bewertungswerkzeuge, Datensätze) würden jedes Labor und jedes Ministerium anstelle einer bloßen Behauptung als gültig anerkennen, wenn andere sie an ihrem Modell durchführen? Und welche genormte Testsammlung würden Labore verschiedener Staaten gemeinsam an eingefrorenen Modellversionen laufen lassen, verwaltet von einer dritten Stelle, der alle trauen? Luna: Stufe 4 · 36 % · einzelne zitierbare Belege · Haiku-Prüfung: Stufe 3 · Hintergrund, keine Belege
  2. SF-F2 Wenn ein Staat ein Modell als Beleg für eine überschrittene Schwelle nennt oder ein Risiko an der Herkunft eines Modells festmacht: Wie wird das überprüfbar?
    • clef 100 %kein Bezug
    • Luna 36 %Hintergrund, keine Belege
    • JEV offen
    • amos 29 %einzelne zitierbare Belege
    • SubQ 49 %gleiches Oberthema, hilft nicht
    • drex 42 %gleiches Oberthema, hilft nicht
    • d3-ultra 56 %gleiches Oberthema, hilft nicht
  3. SF-F4 Für welche Modelle, Entwickler und Einsätze gelten Prüfregeln, und wann muss neu geprüft werden?
    • clef 100 %kein Bezug
    • Luna 36 %Hintergrund, keine Belege
    • JEV offen
    • amos 26 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 52 %gleiches Oberthema, hilft nicht
    • d3-ultra 49 %gleiches Oberthema, hilft nicht

    • SF-F4-T03 Welche neue Prüfung braucht jeder Einsatz, wenn Fähigkeiten zunehmend im Nachdenken des Modells während der Nutzung stecken statt in einem einmal trainierten Modell, und würden die für ein festes Modell gebauten Freigabetests das noch erfassen? Luna: Stufe 3 · 32 % · Hintergrund, keine Belege
Unabhängig prüfen
  1. SF-P3 Woran erkennt man, dass ein Labor sich ehrlich selbst überwacht und dass seine Prüfungen gültig sind?
    • clef 20 %gleiches Oberthema, hilft nicht
    • Luna 53 %einzelne zitierbare Belege
    • JEV offen
    • amos 29 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 25 %einzelne zitierbare Belege
    • d3-ultra 52 %gleiches Oberthema, hilft nicht

    • SF-P3-T07 Wird jede öffentliche Aussage, ein führendes KI-Modell sei „besser ausgerichtet“ als ein anderes (folge also seinen vorgesehenen Zielen und Werten besser), reproduzierbare Kriterien, externe Prüfungen und widersprechende Ergebnisse enthalten? Luna: Stufe 4 · 38 % · einzelne zitierbare Belege · Haiku-Prüfung: Stufe 2 · nur am Rande erwähnt
  2. SF-P4 Wie lässt sich die Größe von Trainingsläufen überprüfen, ohne Modelldetails offenzulegen?
    • clef 100 %kein Bezug
    • Luna 41 %Hintergrund, keine Belege
    • JEV offen
    • amos 31 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 38 %gleiches Oberthema, hilft nicht
    • d3-ultra 57 %gleiches Oberthema, hilft nicht
Tempo und Grenzen
  1. SF-T1 Welche messbaren Schwellen sollen eine Pause auslösen, und wer prüft sie?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV offen
    • amos 31 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 43 %gleiches Oberthema, hilft nicht
    • d3-ultra 54 %gleiches Oberthema, hilft nicht
  2. SF-T3 Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
    • clef 26 %gleiches Oberthema, hilft nicht
    • Luna 24 %einzelne zitierbare Belege
    • JEV offen
    • amos 31 %nur am Rande erwähnt
    • SubQ 100 %kein Bezug
    • drex 45 %gleiches Oberthema, hilft nicht
    • d3-ultra 66 %gleiches Oberthema, hilft nicht
Vertrauen in Modelle
  1. SF-V1 Was zählt als Beleg für die Werte eines Modells, wenn sein sichtbares Denken und seine Selbstauskünfte allein nicht genügen?
    • clef 100 %kein Bezug
    • Luna 29 %Hintergrund, keine Belege
    • JEV offen
    • amos 33 %Hintergrund, keine Belege
    • SubQ 47 %gleiches Oberthema, hilft nicht
    • drex 33 %gleiches Oberthema, hilft nicht
    • d3-ultra 61 %gleiches Oberthema, hilft nicht
  2. SF-V3 Halten die Werte eines Modells, wenn niemand zusieht oder die Lage neu ist?
    • clef 100 %kein Bezug
    • Luna 38 %Hintergrund, keine Belege
    • JEV offen
    • amos 32 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 58 %gleiches Oberthema, hilft nicht
    • d3-ultra 58 %gleiches Oberthema, hilft nicht
  3. SF-V4 Was für ein Wesen ist ein Modell, und was folgt daraus für den Umgang mit ihm und für den Wert des Menschseins?
    • clef 100 %kein Bezug
    • Luna 27 %Hintergrund, keine Belege
    • JEV offen
    • amos 43 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
  4. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 100 %kein Bezug
    • Luna 38 %einzelne zitierbare Belege
    • JEV offen
    • amos 28 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 52 %gleiches Oberthema, hilft nicht
    • d3-ultra 56 %gleiches Oberthema, hilft nicht

    • SF-V5-T03 Ist es wirtschaftlich klug, Modelle mit geringem Denkaufwand zu betreiben, oder wird das Ausrichtungsproblem (Modelle dazu zu bringen, den vorgesehenen Zielen und Werten zu folgen) dadurch nur schwerer sichtbar? Luna: Stufe 3 · 37 % · Hintergrund, keine Belege
Agenten und vernetzte Systeme
  1. SF-A1 Welche Befugnisse darf ein KI-Agent haben, also eine KI, die selbstständig mit Werkzeugen handelt? Wer entzieht sie ihm, und wie prüft man, dass er in seinem Auftrag bleibt?
    • clef 100 %kein Bezug
    • Luna 26 %einzelne zitierbare Belege
    • JEV offen
    • amos 28 %nur am Rande erwähnt
    • SubQ 100 %kein Bezug
    • drex 45 %gleiches Oberthema, hilft nicht
    • d3-ultra 62 %gleiches Oberthema, hilft nicht
Modelle teilen und schützen
  1. SF-H2 Was darf offen veröffentlicht werden, und wer ist verantwortlich, wenn ein offenes Modell anderswo Schaden anrichtet?
    • clef 100 %kein Bezug
    • Luna 61 %einzelne zitierbare Belege
    • JEV offen
    • amos 25 %einzelne zitierbare Belege
    • SubQ 100 %kein Bezug
    • drex 29 %gleiches Oberthema, hilft nicht
    • d3-ultra 43 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung nur am Rande erwähnt
  2. SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
    • clef 100 %kein Bezug
    • Luna 66 %umfangreiche Belege
    • JEV offen
    • amos 32 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 32 %gleiches Oberthema, hilft nicht
    • d3-ultra 47 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung beantwortet teilweise oder widerspricht

Frieden und Sicherheit
Offenlegung und Rechenschaft
Beteiligung und Gemeinwohl
  1. SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
    • clef 100 %kein Bezug
    • Luna 40 %Hintergrund, keine Belege
    • JEV offen
    • amos 42 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 41 %gleiches Oberthema, hilft nicht
    • d3-ultra 50 %gleiches Oberthema, hilft nicht
Wirtschaft und Haftung

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →