Kimi K3: Moonshot AIs 2,8T Open-Weight Frontier-Modell für agentisches Coding

Kimi K3 ist Moonshot AIs neues Flaggschiff-Sprachmodell — und mit 2,8 Billionen Parametern das bisher größte veröffentlichte Open-Weight-Modell. Am 16. Juli 2026 gestartet, kombiniert es ein Frontier-Mixture-of-Experts (MoE)-Design mit einem 1-Million-Token-Kontextfenster und einem agentenfokussierten Schwerpunkt auf Coding und langfristiger Wissensarbeit. Was es bemerkenswert macht, ist nicht nur die Größe: Moonshot veröffentlicht die vollständigen Gewichte und bringt damit echte Frontier-Leistung in Reichweite für selbst gehostete Agenten. Hier erfahren Sie, was K3 tatsächlich ist, wie es in Benchmarks abschneidet, was es kostet und wo es seinen Platz findet.

Dieser Leitfaden behandelt K3s Architektur, Benchmarks, Preisgestaltung, den Vergleich mit der K2-Reihe und die konkreten Workflows, die Entwickler bereits damit umsetzen.

Was ist Kimi K3?

Kimi K3 ist ein Open-Weight-, agentenfokussiertes Frontier-Modell des in Peking ansässigen Unternehmens Moonshot AI, das am 16. Juli 2026 als Nachfolger der Kimi K2-Serie veröffentlicht wurde. Moonshot beschreibt es als das bisher leistungsstärkste Open-Source-Coding-Modell des Unternehmens, das für lange Engineering-Sitzungen, die Navigation in großen Repositories und die Orchestrierung von Terminal-Tools mit minimaler menschlicher Aufsicht entwickelt wurde. (Fortune)

Die Schlagzahl ist die Skalierung. K3 vereint 2,8 Billionen Gesamtparameter in einer spärlichen MoE-Architektur — etwa 2,8× die Größe von K2.6 und größer als chinesische Konkurrenten wie DeepSeeks V4 Pro (~1,6T) und Zhipus GLM-5-Serie. Das macht es nach Moonshots Angaben zum größten jemals entwickelten Open-Weight-Modell. (VentureBeat)

Entscheidend ist, dass die Gewichte nicht gesperrt bleiben. Moonshot hat die vollständigen Open Weights für den 27. Juli 2026 angekündigt, was bedeutet, dass Entwickler das Modell inspizieren, modifizieren und selbst hosten können, anstatt nur eine gehostete API aufzurufen. (Axios)

Spezifikationen und Architektur

K3 behält die OpenAI-ähnliche, agentenfokussierte Designphilosophie der K2-Reihe bei und hebt die Grenzen auf jeder Ebene an.

• 2,8T-Parameter spärliches MoE — Hunderte von Experten mit spärlicher Aktivierung, sodass pro Token nur ein Bruchteil des Netzwerks ausgeführt wird. Die Skalierung zielt auf Breite und Spezialisierung ab, optimiert für langfristiges Reasoning und komplexe Tool-Nutzung. (VentureBeat)
• 1-Million-Token-Kontextfenster — groß genug, um eine gesamte Codebasis, ein Designsystem oder ein Forschungskorpus „im Blick" zu halten, ohne aufwändiges Chunking. (Axios)
• Kimi Delta Attention (KDA) — ein hybrides lineares Aufmerksamkeitsmechanismus, der erstmals als offene Forschung von Moonshot veröffentlicht wurde und darauf abzielt, ultra-lange Sequenzen handhabbar zu machen, ohne den Kostenexplosion der Standard-Attention. (VentureBeat)
• Attention Residuals (AttnRes) — von Moonshot als direkter Ersatz für Residualverbindungen beschrieben, der konsistente Skalierungsgewinne liefert. (VentureBeat)
• Nativer multimodaler Input — visuelle Verarbeitung von Text und Bildern sowie ein dauerhaft aktiver Reasoning-Modus, den Moonshot „Thinking Mode" nennt. (Axios)
• OpenAI-SDK-kompatibel — die API spiegelt die OpenAI-Schnittstelle wider, sodass Teams, die bereits auf OpenAI- oder Anthropic-Toolchains aufbauen, mit minimalen Änderungen integrieren können. (VentureBeat)

Sowohl KDA als auch AttnRes wurden zuvor als offene Forschung auf GitHub veröffentlicht — ein Signal dafür, dass K3s Effizienzgewinne aus der Architektur stammen, nicht nur aus roher Skalierung. (VentureBeat)

Benchmarks: Wo K3 steht

K3 debütierte auf Platz 3 des Artificial Analysis-Leaderboards, hinter Anthropics Claude Fable 5 und OpenAIs GPT-5.6 Sol — aber vor allem anderen, und es führte einige praktische Tests direkt an. (Wikipedia)

Einige Ergebnisse aus den Launch-Analysen stechen hervor:

• GDPval-AA v2 (reale Aufgaben in 44 Berufen und 9 Branchen): K3 erzielte 1.687 Punkte, Dritter insgesamt hinter Claude Fable 5 Max (1.815) und GPT-5.6 Sol Max (1.747,8), und vor Claude Opus 4.8 (1.600). (VentureBeat)
• AA-Briefcase (ein privater Long-Horizon-Wissensarbeits-Benchmark): K3 belegte mit 1.527 Punkten den zweiten Platz, schlug GPT-5.6 Sol Max und lag nur hinter Fable 5 Max. (VentureBeat)
• Aufgabenautomatisierung: K3 belegte in vier von acht Benchmarks den ersten Platz — darunter Automation Bench, SpreadsheetBench 2 und BrowseComp — und wurde in den meisten anderen von Fable 5 auf den zweiten Platz verwiesen. (VentureBeat)
• Frontend-Coding: In Blindtests durch die Evaluator Arena bevorzugten Entwickler K3 gegenüber jedem führenden US-Modell für Frontend-Coding, einschließlich Fable 5 und GPT-5.6 Sol. (Axios)

Ein Detail ist für Agenten-Entwickler wichtig: Moonshot gibt an, diese Automatisierungsergebnisse in einem Single-Agent-Setup mit dem 1M-Token-Kontext erzielt zu haben — ohne Kontextkomprimierung oder externe Kontextverwaltungs-Tricks. Das deutet darauf hin, dass rohe Kontextlänge plus starkes Retrieval aufwändige Multi-Agenten-Workarounds ersetzen kann. (VentureBeat)

Der Vorbehalt: K3 ist erst seit wenigen Tagen öffentlich, und virale Demos sowie frühe Benchmarks können übertreiben, wie zuverlässig ein Modell in echter Produktionsarbeit abschneidet. Betrachten Sie die Leaderboard-Zahlen als vielversprechenden Ausgangspunkt, nicht als endgültiges Urteil. (Axios)

Preise und Zugang

K3 ist heute über die kimi.com-Oberfläche, mobile Apps und die Moonshot-Plattform-API unter platform.moonshot.ai verfügbar. Der gehostete Preis liegt bei etwa 3 $ pro Million Input-Token und 15 $ pro Million Output-Token. (MLQ)

Das ist der höchste Preis eines chinesischen KI-Labors — ein klarer Bruch mit den tiefen Rabatten, für die Moonshots frühere Modelle bekannt waren. Zum Vergleich: Er liegt deutlich über z.ais GLM-5.2 (4,40 $/M Output) und DeepSeek V4 (0,87 $/M Output), ist aber immer noch weit günstiger als US-Frontier-Modelle: Claude Fable kostet für vergleichbare Arbeit rund 50 $ pro Million Output-Token. (Fortune)

Zwei praktische Hinweise vor der Budgetplanung:

• K3 bietet derzeit nur eine Reasoning-Effort-Stufe („max"), und unabhängige Tester berichten von hohem Reasoning-Token-Verbrauch — einer meldete etwa 13.241 Token (rund 0,25 $) für die Generierung einer einzelnen einfachen SVG. Lange Ketten summieren sich schnell. (MLQ)
• Sobald die Gewichte am 27. Juli verfügbar sind, wird Self-Hosting für Teams zur Option, die Datenresidenz benötigen oder die Kosten im großen Maßstab kontrollieren möchten — derselbe Weg vom gehosteten zum selbst gehosteten Betrieb, den wir bei Moonshots Open-Weight-Veröffentlichungen bereits gesehen haben. (Axios)

K3 vs. K2.5 / K2.6 / K2.7: Was sich geändert hat

Wenn Sie die K2-Reihe genutzt haben, geht es bei K3 weniger um eine neue API als darum, die Grenzen zu verschieben. Die Plattform behält dieselbe OpenAI-ähnliche Schnittstelle und Tool-Calling-Semantik bei, sodass Upgrade-Pfade unkompliziert bleiben.

Die wichtigsten Unterschiede gegenüber K2.x: fast 3× mehr Parameter, ein 4× längeres Kontextfenster (1M vs. 256k), die neue KDA + AttnRes-Architektur und stärkeres multimodales Reasoning. Moonshot berichtet außerdem, dass K3 bei gleichwertigen Aufgaben etwa 21 % weniger Output-Token als K2.6 verwendet — womit der Effizienztrend von Kimi K2.7 Code fortgesetzt wird. (MLQ)

Praxisnahe Anwendungsfälle für Entwickler und Teams

K3s Kombination aus Frontier-Leistung, riesigem Kontext und Open Weights macht es zu einem Kandidaten als Backbone für ernsthafte Agenten-Arbeit:

• Autonome Coding-Agenten, die vollständige Features verantworten — lange Engineering-Sitzungen durchhalten, massive Repositories navigieren und Terminal-Tools mit minimaler Aufsicht orchestrieren. (Fortune)
• Repository-weite Migrationen und Prototyping — PRDs, Design-Dateien und Legacy-Dokumentation in funktionsfähiges Scaffolding umwandeln, während der vollständige Projektkontext im 1M-Token-Fenster erhalten bleibt.
• Dokumentenintensive Wissensarbeit in Finanzen, Recht und Beratung, wo ein großer Kontext plus native Vision bei dichten Berichten hilft und Open Weights es ermöglichen, sensible Workflows später auf selbst gehostete Infrastruktur zu verlagern.

Das ist keine hypothetische Adoption. Moonshots frühere Modelle waren bereits in westlichen Produkten integriert — Cursor nutzte Kimi beim Aufbau seines Composer 2 Coding-Agenten, und DoorDashs CTO sagte, das Unternehmen delegiere „niedrigstufige Arbeit an Kimi K2.6". K3 hebt die Grenzen an, gegen die diese Teams entwickeln. (Fortune)

Warum K3 für die KI-Landschaft bedeutsam ist

Strategisch ist K3 Moonshots Versuch zu beweisen, dass Open-Weight-Modelle in den wertvollsten Segmenten direkt mit geschlossenen Systemen konkurrieren können: komplexes Coding, langfristiges Reasoning und multimodale Forschung. Analysten werteten den Launch als Beleg dafür, dass architektonische Innovation plus Pre-Training-Skalierung für chinesische Labore trotz Hardware-Einschränkungen noch immer sprunghafte Fortschritte liefern kann. (CNBC)

Es ist auch ein Wettbewerbsschock. Die Veröffentlichung — zeitlich kurz vor der World Artificial Intelligence Conference 2026 in Shanghai — wird weithin als Beleg dafür gelesen, dass Open Source den geschlossenen Modellen nicht mehr viele Monate hinterherhinkt. Für Entwickler, die Frontier-Modelle evaluieren, bedeutet das, dass K3 neben Claude und GPT-5.x auf die Shortlist gehört, insbesondere wenn Ihre Roadmap selbst gehostete Agenten und multimodale Workflows umfasst. (VentureBeat)

Für das breitere Open-Weight-Bild steht K3 neben den anderen Frontier-Veröffentlichungen, die wir verfolgt haben: DeepSeek V4 Pro, Zhipus GLM-5.2 und MiniMax-01.

Setzen Sie ein Modell wie Kimi K3 in Ihrer eigenen KI-Belegschaft ein

K3s echter Wert zeigt sich, wenn ein Frontier-Modell in echte Workflows eingebunden ist — Repositories, Dokumente, Terminals und mehrstufige Pläne — nicht nur in einer Chat-Box. Genau dafür ist eine modell-agnostische Multi-Agenten-Plattform gedacht: Leiten Sie langfristiges Coding an ein Modell wie K3 weiter, nutzen Sie andere für Routineaufgaben und orchestrieren Sie sie über echte Arbeit hinweg. Eigent ist eine Open-Source-Cowork-Desktop-App, die eine Multi-Agenten-KI-Belegschaft lokal ausführt, sodass Sie das beste Modell pro Aufgabe einbinden und sensible Daten auf Ihrem eigenen Rechner behalten können. Sehen Sie, wie Agenten GitHub-PRs von Anfang bis Ende reviewen können, und laden Sie Eigent herunter, um es auszuprobieren.

Häufig gestellte Fragen

Was ist Kimi K3?

Kimi K3 ist Moonshot AIs Frontier-Sprachmodell, veröffentlicht am 16. Juli 2026 — ein spärliches Mixture-of-Experts-Modell mit 2,8 Billionen Parametern, einem 1-Million-Token-Kontextfenster und nativem multimodalem Input. Moonshot bezeichnet es als das größte jemals veröffentlichte Open-Weight-Modell und sein bisher leistungsstärkstes Open-Source-Coding-Modell.

Ist Kimi K3 Open Source?

Moonshot hat sich verpflichtet, K3s vollständige Gewichte am 27. Juli 2026 zu veröffentlichen, woraufhin Entwickler es inspizieren, modifizieren und selbst hosten können. Bis dahin ist K3 über die gehostete kimi.com-Oberfläche, mobile Apps und die Moonshot-Plattform-API zugänglich.

Wie schneidet Kimi K3 im Vergleich zu Claude und GPT-5 ab?

Beim Launch debütierte K3 auf Platz 3 des Artificial Analysis-Leaderboards, hinter Anthropics Claude Fable 5 und OpenAIs GPT-5.6 Sol, führte aber einige praktische Tests an — darunter Arenas Blind-Frontend-Coding-Evaluierung, bei der Entwickler es beiden vorzogen. Es belegte in vier von acht Aufgabenautomatisierungs-Benchmarks den ersten Platz.

Was kostet Kimi K3?

Der gehostete Preis liegt bei etwa 3 $ pro Million Input-Token und 15 $ pro Million Output-Token — der höchste eines chinesischen Labors, aber immer noch weit unter US-Frontier-Modellen wie Claude Fable. K3 bietet derzeit nur eine einzige „max"-Reasoning-Stufe, und Tester berichten von hohem Reasoning-Token-Verbrauch, sodass lange Ketten teuer werden können.

Was ist neu in K3 gegenüber der K2-Serie?

K3 skaliert von K2s 1T Parametern auf 2,8T, erweitert das Kontextfenster von 256k auf 1M Token und fügt zwei neue Architekturtechniken hinzu — Kimi Delta Attention und Attention Residuals. Es berichtet außerdem von etwa 21 % weniger Output-Token als K2.6 bei gleichwertigen Aufgaben, zusammen mit stärkerem multimodalem Reasoning.

Kann ich Kimi K3 mit einer Multi-Agenten-Plattform wie Eigent verwenden?

Ja. Da K3 OpenAI-SDK-kompatibel und (ab dem 27. Juli) selbst hostbar ist, kann eine modell-agnostische Plattform wie Eigent langfristige Coding- und Wissensarbeitsaufgaben an K3 weiterleiten, während andere Modelle für Routineschritte genutzt werden — und Daten bei Bedarf lokal gehalten werden.