Kimi K3: Moonshot AI veröffentlicht offenes KI-Modell mit 2,8 Billionen Parametern
Veröffentlicht am 14.07.2026
Moonshot AI hat mit Kimi K3 sein bislang leistungsfähigstes KI-Modell vorgestellt. Das Unternehmen bezeichnet es als erstes offenes Modell der sogenannten 3T-Klasse. Insgesamt umfasst Kimi K3 rund 2,8 Billionen Parameter – im englischen Original 2.8 trillion – und unterstützt ein Kontextfenster von bis zu einer Million Token.
Das Modell soll nicht nur Texte verarbeiten, sondern Bilder und visuelle Inhalte nativ verstehen. Moonshot AI positioniert Kimi K3 vor allem für lang laufende Programmieraufgaben, wissenschaftliche Recherche, Wissensarbeit und komplexe Agenten-Workflows. Dabei räumt das Unternehmen selbst ein, dass Kimi K3 bei der Gesamtleistung noch nicht durchgehend an die stärksten proprietären Modelle heranreicht. In mehreren Coding-, Agenten- und Produktivitätsbenchmarks soll es jedoch ein vergleichbares Leistungsniveau erreichen oder einzelne Konkurrenten übertreffen.
Ein riesiges Modell, das nicht immer vollständig arbeitet
Die Zahl von 2,8 Billionen Parametern klingt zunächst nach einem enormen Rechenaufwand. Kimi K3 ist jedoch als Mixture-of-Experts-Modell, kurz MoE, aufgebaut. Dabei wird nicht bei jedem Verarbeitungsschritt das gesamte Modell aktiviert.
Kimi K3 verfügt laut Moonshot AI über insgesamt 896 spezialisierte Experten, von denen pro Token lediglich 16 ausgewählt werden. Vereinfacht dargestellt entscheidet ein Router innerhalb des Modells, welche Teilbereiche für die jeweilige Eingabe besonders relevant sind. Dadurch kann das Modell sehr groß sein, ohne bei jeder Anfrage sämtliche Parameter gleichzeitig berechnen zu müssen.
Als technische Grundlage nennt Moonshot AI drei zentrale Komponenten:
- Kimi Delta Attention, kurz KDA
- Attention Residuals, kurz AttnRes
- Stable LatentMoE für die Verteilung der Anfragen auf die Experten
Kimi Delta Attention soll die Verarbeitung sehr langer Sequenzen effizienter machen. Attention Residuals verändern wiederum den Informationsfluss zwischen den einzelnen Modellschichten. Anstatt Informationen über alle Ebenen hinweg gleichmäßig anzusammeln, kann das Modell gezielt auf frühere Repräsentationen zurückgreifen.
Zusammen mit neuen Trainings- und Datenverfahren sollen diese Änderungen die Skalierungseffizienz gegenüber Kimi K2 nach Angaben des Herstellers um ungefähr den Faktor 2,5 verbessern. Das Architekturdiagramm auf Seite 4 der Ankündigung zeigt den Aufbau aus KDA-, Stable-LatentMoE- und Attention-Residual-Komponenten.
Eine Million Token für umfangreiche Projekte
Ein weiteres zentrales Merkmal von Kimi K3 ist das Kontextfenster mit bis zu 1.048.576 Token. Damit kann das Modell theoretisch sehr große Dokumentensammlungen, umfangreiche Quellcode-Repositories oder lange Agentenverläufe innerhalb einer Sitzung berücksichtigen.
Ein großes Kontextfenster bedeutet allerdings nicht automatisch, dass jedes Detail über die gesamte Länge hinweg gleich zuverlässig verarbeitet wird. Es schafft zunächst den technischen Rahmen, um umfangreiche Informationen überhaupt an das Modell zu übergeben.
Moonshot AI sieht darin vor allem Vorteile für Aufgaben, die über eine einzelne Frage und Antwort hinausgehen. Kimi K3 soll lange Arbeitssitzungen durchhalten, Zwischenergebnisse berücksichtigen, Werkzeuge aufrufen und komplexe Projekte über viele einzelne Schritte hinweg bearbeiten.
Der Schwerpunkt liegt auf langfristigen Coding-Aufgaben
Besonders ausführlich stellt Moonshot AI die Programmierfähigkeiten des Modells heraus. Kimi K3 soll sich weitgehend selbstständig durch große Codebasen bewegen, Terminal-Werkzeuge koordinieren sowie Programme testen und schrittweise optimieren können.
In einem Versuch erhielt das Modell bis zu 24 Stunden Zeit, um verschiedene GPU-Kernel zu analysieren, umzuschreiben und zu beschleunigen. Nach Angaben von Moonshot AI schnitt Kimi K3 dabei konkurrenzfähig zu den stärksten getesteten Modellen ab.
Noch umfangreicher ist das Projekt MiniTriton. Dabei sollte Kimi K3 ein eigenes GPU-Programmiersystem entwickeln. Das Ergebnis umfasste laut der Veröffentlichung unter anderem:
- eine eigene domänenspezifische Programmiersprache,
- eine Zwischendarstellung auf Basis von MLIR,
- Optimierungsschritte,
- eine PTX-Codegenerierung,
- sowie die notwendige Laufzeitumgebung.
Das System soll auf bestimmten Testaufgaben eine mit Triton und torch.compile vergleichbare Leistung erreicht haben. Moonshot AI betont, dass Kimi K3 damit nicht nur einzelne Codefragmente oder Kernel erzeugte, sondern eine zusammenhängende Compiler-Pipeline aufbauen konnte.
Vom Spieleprototyp bis zum Chipdesign
Durch die Kombination aus Programmierung und visueller Verarbeitung soll Kimi K3 außerdem Programme anhand ihrer sichtbaren Ergebnisse verbessern können. Das Modell kann beispielsweise einen Screenshot einer Benutzeroberfläche oder einer Spielszene analysieren, den zugrunde liegenden Code verändern und anschließend das neue Ergebnis erneut prüfen.
Moonshot AI bezeichnet diesen Ansatz als „Vision in the Loop". Mögliche Einsatzbereiche sind Frontend-Entwicklung, Computerspiele, 3D-Anwendungen und CAD-Projekte.
In einem weiteren Versuch entwickelte eine frühe Version von Kimi K3 innerhalb eines autonomen Laufs von 48 Stunden ein Chipdesign für ein kleines Modell auf Basis der eigenen Architektur. Dafür kamen quelloffene EDA-Werkzeuge und die Nangate-45-Nanometer-Bibliothek zum Einsatz.
Das simulierte Design belegte laut Moonshot AI eine Fläche von weniger als vier Quadratmillimetern und erreichte eine Taktfrequenz von 100 Megahertz. Solche Ergebnisse sind allerdings als herstellereigene Fallstudie zu verstehen. Sie zeigen, welche Art von lang laufenden Aufgaben das Unternehmen mit Kimi K3 demonstrieren möchte, ersetzen aber keine unabhängige Überprüfung unter realen Produktionsbedingungen.
Wissenschaftliche Recherche wird mit ausführbarem Code verbunden
Kimi K3 soll wissenschaftliche Veröffentlichungen nicht nur zusammenfassen, sondern daraus auch Berechnungen und Software ableiten können.
Als Beispiel beschreibt Moonshot AI die Reproduktion sogenannter I–Love–Q-Relationen aus der Astrophysik. Kimi K3 soll dafür mehr als 20 wissenschaftliche Arbeiten geprüft, über 300 Zustandsgleichungen ausgewertet und mehr als 3.000 Zeilen Python-Code erzeugt haben.
Zusätzlich habe das Modell Unstimmigkeiten in veröffentlichten Formeln identifiziert und ein interaktives HTML-Dashboard für die Darstellung der Ergebnisse erstellt. Nach Angaben des Unternehmens benötigte Kimi K3 dafür etwa zwei Stunden. Ein erfahrener Forscher würde für eine vergleichbare Aufgabe laut Moonshot AI normalerweise ein bis zwei Wochen benötigen.
Auch diese Zeitangaben stammen direkt vom Hersteller. Dennoch verdeutlicht das Beispiel den eigentlichen Anspruch von Kimi K3: Das Modell soll Recherche, Datenbeschaffung, Programmierung, Auswertung und Visualisierung zu einem zusammenhängenden Arbeitsprozess verbinden.
Interaktive Berichte statt einfacher Textantworten
Im Bereich der Wissensarbeit geht Moonshot AI deutlich über klassische Chatbot-Antworten hinaus. Kimi K3 soll vollständige Rechercheprojekte mit interaktiven Grafiken, Webseiten, Dashboards und Präsentationen erstellen können.
Als Fallstudie nennt das Unternehmen eine interaktive Untersuchung zur 42-jährigen Entwicklung der KI-ASIC-Branche. Dafür habe das Modell in mehr als 120 Überarbeitungsrunden Tausende Web- und Datenabrufe durchgeführt sowie zahlreiche Geschäftsberichte und PDF-Dokumente ausgewertet.
Weitere Beispiele beschäftigen sich mit der Fusionsindustrie und der Analyse von 391 Gravitationswellenereignissen. Bei Letzterer setzte Kimi K3 laut Moonshot AI mehr als 20 parallel arbeitende Unteragenten ein.
In Kimi Work kommen dafür zwei neue Funktionen zum Einsatz:
Widgets sind interaktive Elemente, die direkt innerhalb einer Unterhaltung erzeugt werden können. Sie lassen sich mit lokalen Daten oder externen Erweiterungen verbinden und kontinuierlich aktualisieren.
Dashboard sammelt ausgewählte Widgets in einer dauerhaften Ansicht. Nutzer können damit Informationen zu einem Projekt, einem Thema oder einem bestimmten Ziel an einem zentralen Ort zusammenführen.
Native Multimodalität umfasst auch Video
Kimi K3 verarbeitet nach Angaben des Unternehmens Text, Bilder und Videos innerhalb derselben Modellarchitektur. Dadurch soll es nicht nur einzelne Bilder analysieren, sondern auch Bewegungsabläufe, Schnitte und zeitliche Zusammenhänge verstehen können.
In einer Fallstudie erstellte das Modell eine animierte Erklärung seiner eigenen Architektur. In einem weiteren Beispiel bearbeitete Kimi K3 ein Werbevideo aus 56 Ausgangsclips. Das Modell übernahm dabei die Auswahl der Szenen, Übergänge, Synchronisierung mit der Musik, Audioverarbeitung und mehrere Überarbeitungsrunden.
Damit positioniert Moonshot AI Kimi K3 nicht nur als Sprach- und Coding-Modell, sondern als allgemeines Produktionssystem für digitale Inhalte.
Gute Benchmark-Ergebnisse, aber kein eindeutiger Gesamtsieger
Die auf den Seiten 1 bis 3 veröffentlichten Benchmark-Grafiken zeigen ein gemischtes Bild. Kimi K3 erreicht bei mehreren Coding- und Agentenaufgaben Spitzenwerte, liegt aber nicht in jedem Test an erster Stelle.
Bei Terminal-Bench 2.1 erreicht Kimi K3 laut Hersteller beispielsweise 88,3 Punkte und liegt damit knapp hinter GPT-5.6 Sol. Im Program Bench kommt das Modell auf 77,8 Punkte und führt den dargestellten Vergleich an. Beim besonders langfristig angelegten SWE Marathon erreicht Kimi K3 42 Punkte und liegt vor den übrigen aufgeführten Modellen.
Auch bei BrowseComp, SpreadsheetBench und verschiedenen internen Tests zur Wissensarbeit erzielt Kimi K3 hohe Werte. Moonshot AI weist jedoch selbst darauf hin, dass die Ergebnisse teilweise mit unterschiedlichen Agenten-Umgebungen ermittelt wurden. Einige Modelle liefen mit Kimi Code, andere mit Claude Code oder Codex.
Zudem stammen nicht alle Vergleichswerte aus identischen Testläufen. Teilweise wurden öffentlich verfügbare Ergebnisse übernommen, während andere Modelle vom Unternehmen selbst geprüft wurden. Einzelne Konkurrenzmodelle waren außerdem von Rückfallmechanismen oder Sicherheitsbeschränkungen betroffen.
Die Zahlen sind deshalb ein Hinweis auf die Leistungsfähigkeit von Kimi K3, aber kein vollständig neutraler oder unter identischen Bedingungen durchgeführter Vergleich.
Der Betrieb erfordert eine außergewöhnlich große Infrastruktur
Trotz der MoE-Architektur bleibt Kimi K3 ein extrem großes Modell. Für das Training und die Bereitstellung setzt Moonshot AI auf quantisierungsbewusstes Training mit MXFP4-Gewichten und MXFP8-Aktivierungen.
Die reduzierte Genauigkeit soll den Speicherbedarf und die Rechenlast senken, ohne das Modell erst nachträglich stark komprimieren zu müssen. Gleichzeitig wurden spezielle Verfahren entwickelt, um die Experten gleichmäßig auf die verfügbare Hardware zu verteilen.
Für eine effiziente lokale oder unternehmenseigene Bereitstellung empfiehlt Moonshot AI sogenannte Supernode-Konfigurationen mit mindestens 64 Beschleunigern. Damit wird deutlich: Die veröffentlichten Modellgewichte machen Kimi K3 zwar grundsätzlich zugänglich, ein vollständiger Eigenbetrieb ist aber weit von einem gewöhnlichen lokalen KI-Setup entfernt.
Für die meisten Nutzer dürfte deshalb der Zugriff über Kimi.com, Kimi Work, Kimi Code oder die Programmierschnittstelle realistischer sein.
Moonshot AI nennt auch deutliche Einschränkungen
Bemerkenswert ist, dass die Veröffentlichung nicht nur Stärken aufführt. Moonshot AI nennt mehrere konkrete Schwächen des Modells.
Kimi K3 reagiert demnach empfindlich darauf, wenn der bisherige Denk- und Nachrichtenverlauf nicht vollständig an das Modell zurückgegeben wird. Wird während einer laufenden Sitzung von einem anderen Modell zu Kimi K3 gewechselt, kann die Qualität instabil werden.
Darüber hinaus neige das Modell bei unklaren Aufgaben zu übermäßiger Eigeninitiative. Da Kimi K3 gezielt für schwierige und langfristige Aufgaben trainiert wurde, könne es bei kleineren Problemen unerwartete Entscheidungen im Namen des Nutzers treffen. Entwickler sollen deshalb klare Grenzen über den System-Prompt oder eine AGENTS.md-Datei definieren.
Auch beim allgemeinen Nutzungserlebnis sieht Moonshot AI noch einen Abstand zu den stärksten proprietären Konkurrenten. Kimi K3 ist damit trotz seiner Größe und der guten Benchmark-Ergebnisse nicht automatisch für jede Aufgabe die beste Wahl.
Die Modellgewichte sind inzwischen veröffentlicht
Zum Zeitpunkt der ursprünglichen Ankündigung war Kimi K3 bereits über die verschiedenen Kimi-Produkte und die API verfügbar. Die vollständigen Modellgewichte sollten wenige Tage später folgen.
Inzwischen stellt Moonshot AI die Gewichte zusammen mit technischen Informationen und dem ausführlichen Bericht über ein offizielles GitHub-Repository bereit. Sie werden unter einer eigenen Kimi-K3-Lizenz veröffentlicht. Kimi K3 ist damit präziser als Open-Weight-Modell zu bezeichnen: Die Gewichte können heruntergeladen und selbst bereitgestellt werden, die konkreten Lizenzbedingungen müssen bei einer Nutzung jedoch berücksichtigt werden.
Fazit
Kimi K3 ist vor allem wegen der Kombination aus Größe, langem Kontext und agentischen Fähigkeiten bemerkenswert. Moonshot AI versucht nicht lediglich, ein größeres Sprachmodell anzubieten. Kimi K3 soll Software entwickeln, wissenschaftliche Recherchen durchführen, Werkzeuge bedienen, visuelle Ergebnisse kontrollieren und umfangreiche Projekte über lange Zeiträume hinweg bearbeiten.
Die herstellereigenen Fallstudien sind beeindruckend, müssen aber mit Vorsicht betrachtet werden. Unterschiedliche Testumgebungen, interne Benchmarks und die enorme Hardwareanforderung erschweren direkte Vergleiche und einen praktischen Eigenbetrieb.
Dennoch ist Kimi K3 ein wichtiger Schritt für das Open-Weight-Ökosystem. Modelle dieser Größenordnung waren bislang fast ausschließlich über geschlossene Plattformen verfügbar. Mit Kimi K3 erhalten Forschung, Unternehmen und Infrastruktur-Anbieter erstmals Zugriff auf ein offenes multimodales Modell der 3T-Klasse – vorausgesetzt, sie verfügen über die notwendige Hardware oder greifen auf einen spezialisierten Anbieter zurück.
