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 · Q004719

Hugging Face

huggingface.co · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Der Bericht beschreibt Kimi K3 als offengewichtiges, multimodales Agentenmodell mit 2,8 Billionen Parametern und einem Kontextfenster von rund einer Million Tokens. Die aufgeführten Benchmarkwerte fallen je nach Aufgabe unterschiedlich aus und sind wegen verschiedener Testverfahren, Hardware und Quellen nur eingeschränkt vergleichbar.

Mittel

Der Bericht präsentiert Kimi K3 als offengewichtiges multimodales Agentenmodell mit 2,8 Billionen Gesamtparametern, 104 Milliarden aktivierten Parametern und einem Kontextfenster von rund einer Million Tokens. Die Architektur nutzt Mixture-of-Experts, Kimi Delta Attention und Gated MLA. Moonshot zufolge ist das Modell für lange Programmieraufgaben, agentische Wissensarbeit und die Verarbeitung von Text, Bildern und Videos ausgelegt. Diese Leistungsbeschreibungen sind Anbieterangaben.

Die Benchmarktabellen decken Wissen, Coding, Agentenaufgaben und Vision ab. Kimi K3 erreicht beispielsweise 93,5 bei GPQA Diamond, 88,3 bei Terminal-Bench 2.1 und 91,2 bei BrowseComp. Die Ergebnisse sind gemischt: Vergleichsmodelle liegen bei einzelnen Aufgaben vorn, und Kimi K3 führt andere auf. Die Zahlen sind nur bedingt direkt vergleichbar, weil unterschiedliche Harnesses, Hardware, Auswertungsquellen und teils angepasste Testbedingungen verwendet wurden. Einige Bewertungen stammen aus externen Ranglisten, andere aus internen oder anbieterseitigen Tests. Der Bericht beschreibt außerdem MXFP4-Gewichte mit MXFP8-Aktivierungen, API-Zugang und empfohlene Inferenzsysteme. Er dokumentiert damit vor allem Modellangaben und zusammengestellte Benchmarkresultate; ein einheitlicher unabhängiger Fähigkeitsnachweis wird nicht vorgelegt.

Ausführlich lesen

Der Bericht stellt Kimi K3 als offengewichtiges, multimodales Agentenmodell von Moonshot AI vor und bezeichnet es als bislang leistungsfähigstes Modell des Anbieters. Laut Modellbeschreibung umfasst es insgesamt 2,8 Billionen Parameter, davon werden je Token 104 Milliarden aktiviert. Die Architektur kombiniert Mixture-of-Experts mit Kimi Delta Attention (KDA), Gated MLA und Attention Residuals. Von 896 Experten werden jeweils 16 ausgewählt. Angegeben werden 93 Schichten, ein Kontextfenster von 1.048.576 Tokens sowie ein Bildencoder; die Modellübersicht nennt Text und Bild als Modalitäten, während die Beschreibung zusätzlich Videoverständnis beansprucht.

Moonshot hebt drei Einsatzfelder hervor: längere Programmieraufgaben mit wenig menschlicher Aufsicht, agentische Wissensarbeit und multimodale Verarbeitung. Das Modell soll unter anderem große Codebasen bearbeiten und Werkzeuge orchestrieren können. Dies sind Aussagen des Anbieters, keine im Bericht unabhängig überprüften Fähigkeiten. Die Gewichte und der Code werden laut Seite unter einer Kimi-K3-Lizenz veröffentlicht. Für die Inferenz empfiehlt sie vLLM, SGLang und TokenSpeed; eine API sei mit OpenAI- und Anthropic-kompatiblen Schnittstellen verfügbar. Zur Nutzung gehört, dass Denkmodus stets aktiv ist und bei mehrteiligen Gesprächen die vollständigen vorherigen Assistentennachrichten einschließlich Denk- und Werkzeugfeldern zurückgesendet werden müssen.

Der umfangreiche Benchmarkvergleich umfasst Aufgaben zu Wissen und Schlussfolgern, Programmierung, Agentenarbeit sowie Bild- und Videoverarbeitung. Kimi K3 erzielt in den aufgeführten Tests teils hohe oder führende Werte, liegt in anderen hinter Vergleichsmodellen. Beispiele: 93,5 bei GPQA Diamond, 88,3 bei Terminal-Bench 2.1 und 91,2 bei BrowseComp. Bei GPQA Diamond liegt GPT-5.6 Sol im Bericht höher; bei mehreren Coding- und Agentenbenchmarks erreichen Vergleichsmodelle ebenfalls bessere Werte. Bei Tests mit zwei Zahlen je Modell stehen diese laut Fußnote für Ergebnisse ohne und mit Werkzeugunterstützung.

Die Ergebnisse sind nur eingeschränkt direkt vergleichbar: Je nach Test wurden verschiedene Agenten-Frameworks, Rechenumgebungen und Auswertungsquellen verwendet. Manche Werte stammen von externen Ranglisten, andere aus Anbieter- oder internen Messungen. Der Bericht nennt beispielsweise angepasste H20-Aufgaben bei SWE-Marathon und H20 statt H100 bei bestimmten PostTrainBench-Auswertungen; bei Claude Fable 5 hätten Rückfälle in 35 Prozent der SWE-Marathon-Aufgaben die Messung beeinträchtigen können. Multimodale Werte beruhen meist auf drei Durchläufen, ZeroBench auf fünf. Die Seite beschreibt außerdem quantisierungsbewusstes Training mit MXFP4-Gewichten und MXFP8-Aktivierungen. Insgesamt dokumentiert sie Architektur, Nutzung und vom Anbieter zusammengestellte Leistungswerte, liefert aber keinen einheitlichen unabhängigen Vergleich aller Fähigkeiten.

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

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Die mittlere Zusammenfassung ist inhaltlich treu und enthält keine erfundenen Angaben. Die kurze Fassung ist ebenfalls korrekt, aber knapper. Die Einordnungen stützen sich ausschließlich auf den Berichtstext.

Im Bericht, aber nicht in der Zusammenfassung

  • Die Gewichte werden unter der Kimi K3 License veröffentlicht.
  • Bei cyberbezogenen Aufgaben im Kimi Code Bench werden Ablehnungen und Fallbacks offengelegt, und Claude Fable 5 hatte im SWE-Marathon Fallbacks bei 35 % der Aufgaben, was seine Messung beeinflusst haben kann.

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 19 %Hintergrund, keine Belege
    • Luna 45 %einzelne zitierbare Belege
    • JEV offen
    • amos 26 %einzelne zitierbare Belege
    • SubQ 43 %gleiches Oberthema, hilft nicht
    • drex 23 %gleiches Oberthema, hilft nicht
    • d3-ultra 33 %gleiches Oberthema, hilft nicht

    • 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 · 33 % · einzelne zitierbare Belege · Haiku-Prüfung: Stufe 3 · Hintergrund, keine 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 · 22 % · einzelne zitierbare 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 · 29 % · einzelne zitierbare Belege · Haiku-Prüfung: Stufe 1 · gleiches Oberthema, hilft nicht
  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 37 %Hintergrund, keine Belege
    • JEV offen
    • amos 26 %Hintergrund, keine Belege
    • SubQ 50 %gleiches Oberthema, hilft nicht
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
Unabhängig prüfen
  1. SF-P3 Woran erkennt man, dass ein Labor sich ehrlich selbst überwacht und dass seine Prüfungen gültig sind?
    • clef 100 %kein Bezug
    • Luna 50 %einzelne zitierbare Belege
    • JEV offen
    • amos 31 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 26 %gleiches Oberthema, hilft nicht
    • d3-ultra 49 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung umfangreiche Belege

    • 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 · 36 % · 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 100 %kein Bezug
    • JEV offen
    • amos 32 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 38 %gleiches Oberthema, hilft nicht
    • d3-ultra 48 %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 28 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 55 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
  2. SF-T3 Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
    • clef 100 %kein Bezug
    • Luna 25 %einzelne zitierbare Belege
    • JEV offen
    • amos 30 %Hintergrund, keine Belege
    • SubQ 56 %gleiches Oberthema, hilft nicht
    • drex 41 %gleiches Oberthema, hilft nicht
    • d3-ultra 62 %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 100 %kein Bezug
    • JEV offen
    • amos 33 %Hintergrund, keine Belege
    • SubQ 57 %gleiches Oberthema, hilft nicht
    • drex 49 %gleiches Oberthema, hilft nicht
    • d3-ultra 54 %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 61 %Hintergrund, keine Belege
    • JEV offen
    • amos 28 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 77 %gleiches Oberthema, hilft nicht
    • d3-ultra 49 %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 31 %Hintergrund, keine Belege
    • JEV offen
    • amos 42 %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 42 %einzelne zitierbare Belege
    • JEV offen
    • amos 27 %Hintergrund, keine Belege
    • SubQ 44 %gleiches Oberthema, hilft nicht
    • drex 44 %gleiches Oberthema, hilft nicht
    • d3-ultra 47 %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 · 38 % · 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 39 %Hintergrund, keine Belege
    • JEV offen
    • amos 29 %nur am Rande erwähnt
    • SubQ 100 %kein Bezug
    • drex 40 %gleiches Oberthema, hilft nicht
    • d3-ultra 59 %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 20 %nur am Rande erwähnt
    • Luna 59 %einzelne zitierbare Belege
    • JEV offen
    • amos 34 %einzelne zitierbare Belege
    • SubQ 34 %gleiches Oberthema, hilft nicht
    • drex 28 %nur am Rande erwähnt
    • d3-ultra 31 %nur am Rande erwähnt
    • Haiku-Prüfung einzelne zitierbare Belege

    • SF-H2-T01 Was unterscheidet das Veröffentlichen von Modellgewichten (den gelernten Parametern) oder von Agentenwerkzeugen mit offenem Quellcode vom Freisetzen einer Waffe: die Absicht des Akteurs, die Selbstständigkeit des Modells, seine Verwendung oder der Schaden, den es von sich aus anrichten kann? Und können Staaten diese Grenze gemeinsam festschreiben, bevor ein offenes Modell im Mittelpunkt eines schweren Vorfalls steht? Luna: Stufe 3 · 29 % · Hintergrund, keine Belege
  2. SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
    • clef 100 %kein Bezug
    • Luna 58 %umfangreiche Belege
    • JEV offen
    • amos 31 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 32 %gleiches Oberthema, hilft nicht
    • d3-ultra 54 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung umfangreiche Belege

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 42 %Hintergrund, keine Belege
    • JEV offen
    • amos 27 %gleiches Oberthema, hilft nicht
    • SubQ 41 %gleiches Oberthema, hilft nicht
    • drex 36 %gleiches Oberthema, hilft nicht
    • d3-ultra 42 %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 →