{"id":1571,"date":"2026-07-17T00:45:41","date_gmt":"2026-07-17T00:45:41","guid":{"rendered":"https:\/\/convly.ai\/?p=1571"},"modified":"2026-07-17T00:45:41","modified_gmt":"2026-07-17T00:45:41","slug":"kimi-k3-explained-2026","status":"publish","type":"post","link":"https:\/\/convly.ai\/de\/kimi-k3-explained-2026\/","title":{"rendered":"Kimi K3 im \u00dcberblick: Moonshots offenes Modell mit 2,8 Bio. Parametern, das Opus 4.8 \u00fcbertrifft"},"content":{"rendered":"<p>Moonshot AI ver\u00f6ffentlichte Kimi K3 am 16. Juli 2026, und die Schlagzeilenzahl ist kaum zu \u00fcbersehen: 2,8 Billionen Parameter \u2013 laut Angaben des Unternehmens das gr\u00f6\u00dfte jemals ver\u00f6ffentlichte Open-Source-Modell. Die Gewichte sind noch nicht \u00f6ffentlich zug\u00e4nglich \u2013 sie sind f\u00fcr den 27. Juli geplant \u2013 doch das Modell ist bereits in Kimis Apps, in Kimi Code und auf OpenRouter live. Die Benchmark-Ergebnisse sind die eigentliche Geschichte.<\/p>\n<p>Im Artificial Analysis Intelligence Index erreicht K3 <strong>57<\/strong>. That puts it above Claude Opus 4.8 (56) and behind only GPT-5.6 Sol (59) and Claude Fable 5 (60) \u2014 the first time an open-weight model has been measured inside the frontier group rather than a tier below it. The twist is the price tag. K3 lists at $3.00 per million input tokens and $15.00 per million output, roughly three times what Kimi K2.6 charged. The era of frontier Chinese models at rock-bottom prices looks like it is ending. Here is what is real, what is vendor-reported, and where K3 actually fits.<\/p>\n<div class=\"convly-tldr\">\n<h3>Wichtigste Erkenntnisse<\/h3>\n<ul>\n<li><strong>2,8 Billionen Parameter, 16 von 896 Experten aktiv.<\/strong> Ein sparsames Mixture-of-Experts-Modell, das auf Moonshots Framework \u201eStable LatentMoE\u201c basiert \u2013 das bislang gr\u00f6\u00dfte angek\u00fcndigte Open-Source-Modell.<\/li>\n<li><strong>57 im AA Intelligence Index<\/strong> \u2014 above Claude Opus 4.8 (56), below GPT-5.6 Sol (59) and Claude Fable 5 (60). The strongest open-weight score yet recorded.<\/li>\n<li><strong>1 Mio. Kontexttoken, native Bildverarbeitung, Denken stets aktiviert.<\/strong> Maximaler Denkaufwand ist die Standardeinstellung; Modi mit geringerem und h\u00f6herem Denkaufwand sind in zuk\u00fcnftigen Updates geplant.<\/li>\n<li><strong>Zwei neue Architekturkomponenten:<\/strong> Kimi Delta Attention (bis zu 6,3\u00d7 schnellere Decodierung bei Kontexten mit einer Million Tokens) und Attention Residuals (ca. 25 % bessere Trainings-Effizienz bei unter 2 % zus\u00e4tzlichem Aufwand).<\/li>\n<li><strong>Nicht mehr g\u00fcnstig.<\/strong> 3,00 USD Ein- \/ 15,00 USD Ausgabe pro 1 Mio. Tokens (0,30 USD bei Cache-Hits) \u2013 etwa dreimal so viel wie K2.6 mit 0,95 USD \/ 4,00 USD und exakt der Listenpreis von Claude Sonnet 5.<\/li>\n<li><strong>Gewichte ab dem 27. Juli 2026 verf\u00fcgbar.<\/strong> Bis dahin ist das Modell ausschlie\u00dflich \u00fcber die API nutzbar \u2013 und mit rund 1,4 TB im 4-Bit-Format bedeutet \u201eoffen\u201c nicht \u201eausf\u00fchrbar\u201c f\u00fcr nahezu jeden Nutzer.<\/li>\n<\/ul>\n<\/div>\n<div id=\"ez-toc-container\" class=\"ez-toc-v2_0_84 counter-flat ez-toc-counter ez-toc-container-direction\">\n<label for=\"ez-toc-cssicon-toggle-item-6a5a5c0c8848c\" class=\"ez-toc-cssicon-toggle-label\"><span class=\"\"><span class=\"eztoc-hide\" style=\"display:none;\">Umschalten<\/span><span class=\"ez-toc-icon-toggle-span\"><svg style=\"fill: #000000;color:#000000\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\" class=\"list-377408\" width=\"20px\" height=\"20px\" viewbox=\"0 0 24 24\" fill=\"none\"><path d=\"M6 6H4v2h2V6zm14 0H8v2h12V6zM4 11h2v2H4v-2zm16 0H8v2h12v-2zM4 16h2v2H4v-2zm16 0H8v2h12v-2z\" fill=\"currentColor\"><\/path><\/svg><svg style=\"fill: #000000;color:#000000\" class=\"arrow-unsorted-368013\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\" width=\"10px\" height=\"10px\" viewbox=\"0 0 24 24\" version=\"1.2\" baseprofile=\"tiny\"><path d=\"M18.2 9.3l-6.2-6.3-6.2 6.3c-.2.2-.3.4-.3.7s.1.5.3.7c.2.2.4.3.7.3h11c.3 0 .5-.1.7-.3.2-.2.3-.5.3-.7s-.1-.5-.3-.7zM5.8 14.7l6.2 6.3 6.2-6.3c.2-.2.3-.5.3-.7s-.1-.5-.3-.7c-.2-.2-.4-.3-.7-.3h-11c-.3 0-.5.1-.7.3-.2.2-.3.5-.3.7s.1.5.3.7z\"\/><\/svg><\/span><\/span><\/label><input type=\"checkbox\"  id=\"ez-toc-cssicon-toggle-item-6a5a5c0c8848c\"  aria-label=\"Umschalten\" \/><nav><ul class='ez-toc-list ez-toc-list-level-1' ><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-1\" href=\"https:\/\/convly.ai\/de\/kimi-k3-explained-2026\/#What_Kimi_K3_actually_is\" >Was Kimi K3 tats\u00e4chlich ist<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-2\" href=\"https:\/\/convly.ai\/de\/kimi-k3-explained-2026\/#The_architecture_how_you_train_28T_without_the_bill_exploding\" >Die Architektur: Wie man ein Modell mit 2,8 Billionen Parametern trainiert, ohne dass die Kosten explodieren<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-3\" href=\"https:\/\/convly.ai\/de\/kimi-k3-explained-2026\/#Benchmarks_where_it_wins_where_it_doesnt\" >Benchmarks: Wo es \u00fcberzeugt \u2013 und wo nicht<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-4\" href=\"https:\/\/convly.ai\/de\/kimi-k3-explained-2026\/#The_price_story_the_cheap-Chinese-AI_era_is_ending\" >Die Preisentwicklung: Das Zeitalter der g\u00fcnstigen chinesischen KI geht zu Ende<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-5\" href=\"https:\/\/convly.ai\/de\/kimi-k3-explained-2026\/#Intelligence_per_dollar_our_take\" >Intelligenz pro Dollar: Unsere Einsch\u00e4tzung<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-6\" href=\"https:\/\/convly.ai\/de\/kimi-k3-explained-2026\/#%E2%80%9COpen_weights%E2%80%9D_does_not_mean_you_can_run_it\" >\u201eOffene Gewichte\u201c hei\u00dft nicht, dass man das Modell lokal ausf\u00fchren kann<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-7\" href=\"https:\/\/convly.ai\/de\/kimi-k3-explained-2026\/#Who_should_use_K3\" >F\u00fcr wen sich K3 eignet<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-8\" href=\"https:\/\/convly.ai\/de\/kimi-k3-explained-2026\/#FAQ\" >H\u00e4ufig gestellte Fragen (FAQ)<\/a><\/li><\/ul><\/nav><\/div>\n<h2><span class=\"ez-toc-section\" id=\"What_Kimi_K3_actually_is\"><\/span>Was Kimi K3 tats\u00e4chlich ist<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>K3 ist Moonshots allgemeiner Flagship-Modell, kein Spezialist. Dies stellt eine bewusste Richtungs\u00e4nderung gegen\u00fcber <a href=\"\/de\/kimi-k2-7-code-explained-2026\/\">Kimi K2.7 Code<\/a>, dar, das das Unternehmen einen Monat zuvor als reine Code-spezifische Version ausgegliedert hatte. K3 ist f\u00fcr alle Aufgaben konzipiert: Chat, Verarbeitung langer Dokumente, Multimodalit\u00e4t (Vision) sowie \u2013 den Bereich, den Moonshot offensichtlich besonders wichtig nimmt \u2013 langfristige agentische Aufgaben, bei denen ein Modell plant, Tools aufruft, Ergebnisse liest und kontinuierlich fortf\u00e4hrt.<\/p>\n<p>Die Skalierung ist das Erste, was man verstehen muss; die Sparsamkeit (Sparsity) das Zweite. Von den insgesamt 2,8 Billionen Parametern werden pro Token nur 16 von 896 Experten aktiviert. Dadurch bleiben Inferenzkosten und Latenz in einem Bereich, den eine API realistisch bereitstellen kann; ein dichtes (dense) Modell mit 2,8 Billionen Parametern w\u00e4re wirtschaftlich nicht betreibbar. Der Trade-off liegt im Speicherbedarf: Alle 2,8 Billionen Parameter m\u00fcssen weiterhin im VRAM gespeichert sein \u2013 unabh\u00e4ngig davon, ob sie gerade aktiviert werden oder nicht.<\/p>\n<table class=\"convly-vs\">\n<thead>\n<tr>\n<th>Spezifikation<\/th>\n<th>Kimi K3<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>Entwickler<\/td>\n<td>Moonshot AI<\/td>\n<\/tr>\n<tr>\n<td>Gesamtanzahl der Parameter<\/td>\n<td>2,8 Billionen (MoE)<\/td>\n<\/tr>\n<tr>\n<td>Aktiv pro Token<\/td>\n<td>16 von 896 Experten<\/td>\n<\/tr>\n<tr>\n<td>Kontextfenster<\/td>\n<td>1 Mio. Tokens<\/td>\n<\/tr>\n<tr>\n<td>Modality<\/td>\n<td>Text, Vision \u2192 Text<\/td>\n<\/tr>\n<tr>\n<td>Schlussfolgern<\/td>\n<td>Stets aktiv (maximale Leistung standardm\u00e4\u00dfig)<\/td>\n<\/tr>\n<tr>\n<td>Quantisierung<\/td>\n<td>MXFP4-Gewichte, MXFP8-Aktivierungen<\/td>\n<\/tr>\n<tr>\n<td>Eingabepreis<\/td>\n<td>3,00 USD \/ 1 Mio. (0,30 USD bei Cache-Hit)<\/td>\n<\/tr>\n<tr>\n<td>Ausgabepreis<\/td>\n<td>15,00 USD \/ 1 Mio.<\/td>\n<\/tr>\n<tr>\n<td>Ausgabegeschwindigkeit<\/td>\n<td>ca. 62 Tokens\/Sekunde<\/td>\n<\/tr>\n<tr>\n<td>Ver\u00f6ffentlichung<\/td>\n<td>16. Juli 2026<\/td>\n<\/tr>\n<tr>\n<td>Offene Gewichte<\/td>\n<td>Geplant f\u00fcr den 27. Juli 2026<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>Vollst\u00e4ndige Spezifikationen und aktuelle Preise finden Sie im <a href=\"\/de\/model\/kimi-k3\/\">Kimi-K3-Datenblatt<\/a> in unserem <a href=\"\/de\/models\/\">Datenbank f\u00fcr KI-Modelle<\/a>.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"The_architecture_how_you_train_28T_without_the_bill_exploding\"><\/span>Die Architektur: Wie man ein Modell mit 2,8 Billionen Parametern trainiert, ohne dass die Kosten explodieren<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Zwei Forschungsergebnisse von Moonshot stehen im Mittelpunkt dieser Ver\u00f6ffentlichung \u2013 beide zielen auf dasselbe Problem ab: Die \u00fcbliche Skalierung eines Transformers f\u00fchrt normalerweise zu steigenden Kosten pro zus\u00e4tzlichem Kontext-Token und pro zus\u00e4tzlicher Netzwerktiefe.<\/p>\n<p><strong>Kimi Delta Attention (KDA)<\/strong> ist ein hybrider linearer Attention-Mechanismus. Bei herk\u00f6mmlicher Attention steigen die Kosten quadratisch mit der Sequenzl\u00e4nge \u2013 genau deshalb waren Kontexte mit einer Million Tokens bislang \u00fcberall langsam und teuer. Moonshot berichtet, dass KDA bei Kontexten mit einer Million Tokens bis zu <strong>6,3\u00d7 schnellere Decodierung<\/strong> erm\u00f6glicht \u2013 der Unterschied zwischen einem 1-Mio.-Token-Fenster, das lediglich auf einem Datenblatt existiert, und einem, das man tats\u00e4chlich im Einsatz nutzen w\u00fcrde.<\/p>\n<p><strong>Attention Residuals (AttnRes)<\/strong> wird als direkter Ersatz f\u00fcr herk\u00f6mmliche Residualverbindungen beschrieben und verbessert den Signalfluss durch die Netzwerktiefe. Moonshot gibt an, dass AttnRes bei unter 2 % zus\u00e4tzlichem Aufwand eine um ca. <strong>25 % h\u00f6here Trainings-Effizienz<\/strong>erm\u00f6glicht. Zusammen mit dem Stable LatentMoE-Framework, Gated MLA und einer neuen Aktivierungsfunktion (SiTU) behauptet das Unternehmen eine Gesamtverbesserung der Skalierungseffizienz um ca. <strong>2,5\u00d7 gegen\u00fcber Kimi K2<\/strong>.<\/p>\n<p>Diese Effizienzzahlen stammen vom Hersteller und wurden noch nicht unabh\u00e4ngig reproduziert. Doch sie erkl\u00e4ren die Strategie: Man erreicht 2,8 Billionen Parameter nicht, indem man mehr GPUs kauft als Google \u2013 Exportbeschr\u00e4nkungen machen diesen Weg f\u00fcr ein chinesisches Labor unm\u00f6glich. Stattdessen wird jede GPU-Stunde effizienter genutzt.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Benchmarks_where_it_wins_where_it_doesnt\"><\/span>Benchmarks: Wo es \u00fcberzeugt \u2013 und wo nicht<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>K3 \u00fcberzeugt am st\u00e4rksten bei agentischen und schlussfolgernden Aufgaben \u2013 weniger bei reinem Dialog.<\/p>\n<table class=\"convly-vs\">\n<thead>\n<tr>\n<th>Benchmark<\/th>\n<th>Kimi K3<\/th>\n<th>Was gemessen wird<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>GPQA Diamond<\/td>\n<td>93.5%<\/td>\n<td>Wissenschaftliches Schlussfolgern auf Graduiertenniveau \u2013 bestes Ergebnis eines offenen Modells zum Zeitpunkt der Ver\u00f6ffentlichung<\/td>\n<\/tr>\n<tr>\n<td>BrowseComp<\/td>\n<td>91.2%<\/td>\n<td>Web-Recherche-Agenten \u2013 beste ver\u00f6ffentlichte Punktzahl im Tracker zum Zeitpunkt der Ver\u00f6ffentlichung<\/td>\n<\/tr>\n<tr>\n<td>Terminal-Bench 2.1<\/td>\n<td>88.3%<\/td>\n<td>Aufgaben f\u00fcr Kommandozeilen-\/Shell-Agenten<\/td>\n<\/tr>\n<tr>\n<td>MCP Atlas<\/td>\n<td>84.2%<\/td>\n<td>Tool-Nutzung \u00fcber das Model Context Protocol<\/td>\n<\/tr>\n<tr>\n<td>MMMU-Pro<\/td>\n<td>81.6%<\/td>\n<td>Multimodales Verst\u00e4ndnis<\/td>\n<\/tr>\n<tr>\n<td>DeepSWE<\/td>\n<td>67.5<\/td>\n<td>Softwareentwicklung<\/td>\n<\/tr>\n<tr>\n<td>Humanity\u2019s Last Exam (mit Tools)<\/td>\n<td>56.0%<\/td>\n<td>Schwierigster allgemeiner Schlussfolgerungs-Test<\/td>\n<\/tr>\n<tr>\n<td>AA Intelligence Index<\/td>\n<td>57<\/td>\n<td>Zusammengesetzter Wert \u2013 Platz 4 von 189 getesteten Modellen<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>Zwei unabh\u00e4ngige Signale fallen besonders auf: Bei Blindtests auf Arena bevorzugten Entwickler Kimi gegen\u00fcber <em>allen<\/em> f\u00fchrenden US-Modellen f\u00fcr Frontend-Coding \u2013 darunter Fable 5 und GPT-5.6 Sol. Und bei der Automatisierung realer Aufgaben belegte K3 bei vier von acht Benchmarks (darunter Automation Bench, SpreadsheetBench 2 und BrowseComp) den ersten Platz; bei den meisten anderen lag es knapp hinter Fable 5 auf Rang zwei.<\/p>\n<p>Die ehrliche Zusammenfassung: K3 liegt insgesamt immer noch hinter Fable 5 und GPT-5.6 Sol zur\u00fcck \u2013 \u00fcbertrifft aber praktisch jedes andere bisher gemessene Modell. F\u00fcr ein offenes Modell war dies zuvor niemals der Fall.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"The_price_story_the_cheap-Chinese-AI_era_is_ending\"><\/span>Die Preisentwicklung: Das Zeitalter der g\u00fcnstigen chinesischen KI geht zu Ende<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Dies ist der Teil, der weniger Beachtung findet und doch wichtiger ist. Chinesische Labore haben ihren Ruf damit aufgebaut, westliche APIs um eine Gr\u00f6\u00dfenordnung zu unterbieten. K3 tut dies nicht.<\/p>\n<table class=\"convly-vs\">\n<thead>\n<tr>\n<th>Modell<\/th>\n<th>Eingabe \/ 1 Mio.<\/th>\n<th>Ausgabe \/ 1 Mio.<\/th>\n<th>Cache-Treffer<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td><strong>Kimi K3<\/strong><\/td>\n<td>$3.00<\/td>\n<td>$15.00<\/td>\n<td>$0.30<\/td>\n<\/tr>\n<tr>\n<td>Kimi K2.6 (Vorg\u00e4nger)<\/td>\n<td>$0.95<\/td>\n<td>$4.00<\/td>\n<td>$0.16<\/td>\n<\/tr>\n<tr>\n<td>Claude Sonnet 5<\/td>\n<td>$3.00<\/td>\n<td>$15.00<\/td>\n<td>\u2014<\/td>\n<\/tr>\n<tr>\n<td>Claude Opus 4.8<\/td>\n<td>$5.00<\/td>\n<td>$25.00<\/td>\n<td>\u2014<\/td>\n<\/tr>\n<tr>\n<td>GPT-5.6 Sol<\/td>\n<td>$0.50<\/td>\n<td>$30.00<\/td>\n<td>\u2014<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>K3 kostet etwa das Dreifache seines Vorg\u00e4ngers und wird exakt zum Preis von Claude Sonnet 5 angeboten. Auf einer Aufgaben-basierten Basis verringert sich die L\u00fccke weiter: Gemessene Durchschnittswerte liegen bei etwa 0,94 USD pro Aufgabe f\u00fcr K3, 1,04 USD f\u00fcr GPT-5.6 Sol und 1,80 USD f\u00fcr Opus 4.8. K3 ist immer noch g\u00fcnstiger \u2013 doch nun konkurriert es am Rande um Wert, nicht mehr darum, zehnmal g\u00fcnstiger zu sein. Hochmoderne Schlussfolgerungsf\u00e4higkeit scheint ungeachtet des Trainingsanbieters etwa denselben Preis zu kosten.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Intelligence_per_dollar_our_take\"><\/span>Intelligenz pro Dollar: Unsere Einsch\u00e4tzung<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Der reine Preis ist das falsche Ma\u00df. Entscheidend ist vielmehr, wie viel Leistungsf\u00e4higkeit jeder Dollar erwirbt. Unter Verwendung der gewichteten Durchschnittspreise und Intelligenzwerte aus unserem <a href=\"\/de\/ai-price-performance-index-2026\/\">AI-Preis-Leistungs-Index 2026<\/a>, ergibt sich folgende Einordnung f\u00fcr K3:<\/p>\n<table class=\"convly-vs\">\n<thead>\n<tr>\n<th>Modell<\/th>\n<th>Intelligenz<\/th>\n<th>Gemischter Preis pro 1 Mio.<\/th>\n<th>Intelligenz pro Dollar<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td><strong>Kimi K3<\/strong><\/td>\n<td>57<\/td>\n<td>$9.00<\/td>\n<td>6.3<\/td>\n<\/tr>\n<tr>\n<td>Claude Opus 4.8<\/td>\n<td>55.7<\/td>\n<td>$15.00<\/td>\n<td>3.7<\/td>\n<\/tr>\n<tr>\n<td>GLM 5.2<\/td>\n<td>51.1<\/td>\n<td>$2.90<\/td>\n<td>17.6<\/td>\n<\/tr>\n<tr>\n<td>DeepSeek V4-Flash<\/td>\n<td>40.3<\/td>\n<td>$0.21<\/td>\n<td>192<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>Drei Schlussfolgerungen ergeben sich aus dieser Tabelle. K3 liefert etwa <strong>1,7-mal so viel Intelligenz pro Dollar wie Claude Opus 4.8<\/strong> und erreicht dabei leicht h\u00f6here Werte \u2013 ein tats\u00e4chlich besseres Angebot im Premiumsegment. Doch <a href=\"\/de\/glm-5-2-explained-2026\/\">GLM 5.2<\/a> liefert immer noch <strong>2,8-mal so viel Leistung pro Dollar wie K3<\/strong> at six points lower intelligence, and DeepSeek V4-Flash returns about <strong>30-mal so viel<\/strong>. K3 ist das intelligenteste derzeit verf\u00fcgbare Open-Weight-Modell; es ist jedoch keineswegs das wirtschaftlichste. Wenn Sie Spitzenpreise zahlen, sollten Sie sich sicher sein, dass Sie auch Spitzen-Schlussfolgerungsf\u00e4higkeit ben\u00f6tigen. Rechnen Sie Ihre eigenen Zahlen mit dem <a href=\"\/de\/ai-api-cost-calculator\/\">KI-API-Kostenrechner<\/a>, oder sehen Sie die vollst\u00e4ndige Rangliste auf der <a href=\"\/de\/llm-leaderboard\/\">LLM-Leaderboard-Seite<\/a>.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"%E2%80%9COpen_weights%E2%80%9D_does_not_mean_you_can_run_it\"><\/span>\u201eOffene Gewichte\u201c hei\u00dft nicht, dass man das Modell lokal ausf\u00fchren kann<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Wenn die Gewichte am 27. Juli ver\u00f6ffentlicht werden, ist mit einer Flut von Schlagzeilen zu rechnen, wonach nun jeder ein Spitzenmodell zu Hause betreiben k\u00f6nne. Pr\u00fcfen Sie zun\u00e4chst die Rechnung.<\/p>\n<p>Mit 2,8 Billionen Parametern im nativen 4-Bit-Format (MXFP4) belaufen sich allein die Gewichte auf rund <strong>1,4 TB<\/strong>. F\u00fcgen Sie einen KV-Cache hinzu, der f\u00fcr einen Kontext von nahezu 1 Mio. Token ausgelegt ist, und Sie ben\u00f6tigen noch mehr Speicherplatz. Realistisch betrachtet sind daf\u00fcr etwa <strong>16 GPUs der H200-Klasse \u00fcber zwei Knoten<\/strong> erforderlich \u2013 mehrere hunderttausend Dollar Hardwarekosten allein, bevor Strom- und Netzwerkkosten hinzukommen. Zum Vergleich: K2.7 Code mit 1 Bio. Parametern ben\u00f6tigte etwa 595 GB und acht 80-GB-GPUs \u2013 und war bereits f\u00fcr Privatpersonen unerschwinglich.<\/p>\n<p>F\u00fcr wen ist die Gewichtsver\u00f6ffentlichung also tats\u00e4chlich gedacht? F\u00fcr souver\u00e4ne Bereitstellungen, regulierte Unternehmen, die ihre Daten aus Sicherheitsgr\u00fcnden nicht an eine API senden d\u00fcrfen, Forschungslabore sowie Cloud-Anbieter, die das Modell f\u00fcr alle anderen hosten werden. Das ist immer noch eine bedeutende Differenz gegen\u00fcber einem geschlossenen Modell \u2013 Sie k\u00f6nnen es auditieren, feinjustieren und innerhalb Ihrer eigenen Infrastruktur betreiben \u2013 doch es handelt sich keinesfalls um ein Modell f\u00fcr Heim-GPUs. Wenn Sie wissen m\u00f6chten, was Ihre Hardware tats\u00e4chlich bew\u00e4ltigen kann, berechnet unser <a href=\"\/de\/llm-vram-calculator\/\">LLM-VRAM-Rechner<\/a> die erforderlichen Ressourcen pro Modell, und die <a href=\"\/de\/self-hosting-vs-api-calculator\/\">Rechner f\u00fcr Self-Hosting vs. API<\/a> zeigt, ab welchem Punkt der Eigenbetrieb von GPUs kosteng\u00fcnstiger ist als das Bezahlen pro Token.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Who_should_use_K3\"><\/span>F\u00fcr wen sich K3 eignet<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p><strong>Nutzen Sie es, wenn<\/strong> Sie agentenbasierte Workloads ausf\u00fchren \u2013 Browserautomatisierung, mehrstufige Toolketten, langfristiges Programmieren \u2013 bei denen sich seine Ergebnisse in den Benchmarks BrowseComp, Terminal-Bench und MCP Atlas in weniger Fehlschl\u00e4gen niederschlagen. Es ist zudem die naheliegende Wahl, wenn Sie hochmoderne Schlussfolgerungsf\u00e4higkeit mit einem glaubw\u00fcrdigen Pfad zur sp\u00e4teren Selbsthosting-L\u00f6sung w\u00fcnschen oder wenn die Qualit\u00e4t des Frontend-Codes entscheidend ist (Entwickler w\u00e4hlten es in einer Blindstudie gegen\u00fcber Fable 5).<\/p>\n<p><strong>Verzichten Sie darauf, wenn<\/strong> your work is ordinary chat, summarization, classification or retrieval. At $3\/$15 you would be paying frontier rates for tasks that GLM 5.2 or DeepSeek V4-Flash handle at a fraction of the cost. And skip it if you assumed &#8220;open&#8221; meant you could download it this week \u2014 the weights are still nine days out at the time of writing, and 1.4 TB when they arrive.<\/p>\n<p>Der eigentliche Punkt, den die Benchmark-Tabelle leise macht, lautet: Ein Open-Weight-Modell hat gerade einen Wert \u00fcber dem von Claude Opus 4.8 erzielt. Die bisherige L\u00fccke zwischen offener und geschlossener Spitzen-KI l\u00e4sst sich nun in wenigen Indexpunkten und einigen Monaten messen \u2013 nicht mehr in ganzen Generationen.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"FAQ\"><\/span>H\u00e4ufig gestellte Fragen (FAQ)<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<h3>Ist Kimi K3 besser als Claude Opus 4.8?<\/h3>\n<p>Im Artificial Analysis Intelligence Index ja \u2013 K3 erreicht 57 Punkte gegen\u00fcber 56 Punkten von Opus 4.8 und kostet 3\u202fUSD\u202f\/\u202f15\u202fUSD pro Million Tokens im Vergleich zu 5\u202fUSD\u202f\/\u202f25\u202fUSD bei Opus. Es liegt jedoch immer noch hinter GPT-5.6 Sol (59) und Claude Fable 5 (60) zur\u00fcck.<\/p>\n<h3>Ist Kimi K3 Open Source?<\/h3>\n<p>Die Gewichte sollen am 27. Juli 2026 \u00f6ffentlich freigegeben werden, gem\u00e4\u00df dem modifizierten MIT-Lizenzvorhaben von Moonshot, das bereits bei fr\u00fcheren Kimi-Modellen angewandt wurde. Bis dahin ist K3 ausschlie\u00dflich \u00fcber die APIs von Kimi-Apps, Kimi Code und OpenRouter verf\u00fcgbar.<\/p>\n<h3>Wie viel kostet Kimi K3?<\/h3>\n<p>3,00 USD pro Million Eingabetokens, 15,00 USD pro Million Ausgabetokens und 0,30 USD pro Million Cache-Treffern. Das entspricht etwa dem Dreifachen des Preises von Kimi K2.6 und ist identisch mit dem Listenpreis von Claude Sonnet 5.<\/p>\n<h3>Kann ich Kimi K3 lokal ausf\u00fchren?<\/h3>\n<p>Nahezu sicher nicht. Mit 2,8 Billionen Parametern belaufen sich die 4-Bit-Gewichte auf rund 1,4 TB \u2013 was etwa 16 GPUs der H200-Klasse \u00fcber zwei Knoten entspricht, noch bevor ein KV-Cache f\u00fcr den Kontext von 1 Mio. Token ber\u00fccksichtigt wird. Es handelt sich um ein Rechenzentrumsmodell, kein Desktop-Modell.<\/p>\n<h3>Wie gro\u00df ist Kimi K3?<\/h3>\n<p>2,8 Billionen Parameter insgesamt in einer Mixture-of-Experts-Architektur, wobei pro Token nur 16 von insgesamt 896 Experts aktiviert werden. Moonshot bezeichnet dies als das gr\u00f6\u00dfte bislang ver\u00f6ffentlichte Open-Source-Modell.<\/p>","protected":false},"excerpt":{"rendered":"<p>A 2.8T-parameter open MoE scoring 57 on the AA Intelligence Index &#8211; above Claude Opus 4.8. The specs, the benchmarks, the new $3\/$15 pricing, and whether you can run it.<\/p>","protected":false},"author":1,"featured_media":1572,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"site-sidebar-layout":"default","site-content-layout":"","ast-site-content-layout":"default","site-content-style":"default","site-sidebar-style":"default","ast-global-header-display":"","ast-banner-title-visibility":"","ast-main-header-display":"","ast-hfb-above-header-display":"","ast-hfb-below-header-display":"","ast-hfb-mobile-header-display":"","site-post-title":"","ast-breadcrumbs-content":"","ast-featured-img":"","footer-sml-layout":"","ast-disable-related-posts":"","theme-transparent-header-meta":"","adv-header-id-meta":"","stick-header-meta":"","header-above-stick-meta":"","header-main-stick-meta":"","header-below-stick-meta":"","astra-migrate-meta-layouts":"default","ast-page-background-enabled":"default","ast-page-background-meta":{"desktop":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"ast-content-background-meta":{"desktop":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"footnotes":""},"categories":[3],"tags":[609,919,750,782,619,423,766],"class_list":["post-1571","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-llms","tag-chinese-ai","tag-kimi-k3","tag-llms","tag-moe","tag-moonshot-ai","tag-open-source-ai","tag-open-weights"],"_links":{"self":[{"href":"https:\/\/convly.ai\/de\/wp-json\/wp\/v2\/posts\/1571","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/convly.ai\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/convly.ai\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/convly.ai\/de\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/convly.ai\/de\/wp-json\/wp\/v2\/comments?post=1571"}],"version-history":[{"count":1,"href":"https:\/\/convly.ai\/de\/wp-json\/wp\/v2\/posts\/1571\/revisions"}],"predecessor-version":[{"id":1573,"href":"https:\/\/convly.ai\/de\/wp-json\/wp\/v2\/posts\/1571\/revisions\/1573"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/convly.ai\/de\/wp-json\/wp\/v2\/media\/1572"}],"wp:attachment":[{"href":"https:\/\/convly.ai\/de\/wp-json\/wp\/v2\/media?parent=1571"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/convly.ai\/de\/wp-json\/wp\/v2\/categories?post=1571"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/convly.ai\/de\/wp-json\/wp\/v2\/tags?post=1571"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}