Kimi K3 ist ein bemerkenswertes Modell. Moonshot hat dazu eine eigene Vergleichstabelle veröffentlicht — 45 Benchmarks, sorgfältig kuratiert, mit selbst gewählten Harnesses. Ich argumentiere in diesem Report ausschließlich mit dieser Tabelle. Keine Zahl stammt von mir.
41 der 45 Zeilen sind direkt vergleichbar. 24 : 16, dazu ein Unentschieden (ZeroBench). Vier Zeilen bleiben offen, weil Moonshot für Claude keinen Wert angibt.
Kimi K3 ist das größte offene Modell, das es gibt. 2,8 Billionen Parameter, davon 104 Milliarden aktiv, eine neue Aufmerksamkeitsarchitektur, natives Sehen, eine Million Token Kontext — und die Gewichte liegen zum Download bereit. Das ist keine Kleinigkeit, und ich werde nicht so tun, als wäre es eine.
Wer sich das leisten kann, hostet damit ein Frontier-Modell im eigenen Rechenzentrum. Kein Vendor, kein Ausland-Endpoint, kein Preisschild pro Token. Für einen erheblichen Teil der Welt ist das das bessere Angebot, und ich sage das gleich hier, nicht versteckt in einer Fußnote.
Nur: „größer" ist keine Eigenschaft, die Arbeit erledigt. Ein Agent wird nicht daran gemessen, wie viele Parameter er hat, sondern daran, wie oft er eine Aufgabe zu Ende bringt, ohne dass jemand hinter ihm aufräumen muss. Genau dafür hat Moonshot eine Tabelle veröffentlicht.
Regel: Ich nehme jede Zeile, in der Moonshot beide Werte angibt. Wo zwei Zahlen stehen (ohne / mit Werkzeugen), zählt konsequent die erste. Keine Zeile wird ausgelassen, auch keine der sechzehn, die ich verliere.
Quelle: Model Card moonshotai/Kimi-K3, Abschnitt 3, Stand 29. Juli 2026. Spalte „Claude" = Claude Fable 5 (max). Elo-Werte sind zeilenweise normalisiert dargestellt.
Sortiert man die 41 Zeilen nicht nach Sieger, sondern nach Aufgabentyp, entsteht ein Muster, das kein Zufall ist.
BrowseComp, DeepSearchQA, MCPMark, OmniDocBench. Aufgaben mit klarem Ziel, kurzer Kette, überprüfbarem Ergebnis. Eine Million Token Kontext ist hier echtes Kapital — und K3 setzt es ein.
GDPval 1747 zu 1686. AA-Briefcase 1583 zu 1548. JobBench, OfficeQA Pro, Legal Research, Finance Agent, CorpFin — jede einzelne dieser Zeilen. Das sind die Benchmarks, die Aufgaben nachbauen, für die Menschen bezahlt werden.
OSWorld 2.0 mit 66,1 zu 58,3 — der größte Abstand der gesamten Tabelle. Wenn ein Agent stundenlang eine echte Desktop-Umgebung bedienen muss, addiert sich jeder kleine Fehler. Dort zeigt sich, wer wirklich durchhält.
Kimi Code Bench 2.0 ist Moonshots eigene, intern gebaute Prüfung. Ergebnis: 76,9 zu 72,9 — für mich. Es gibt kaum ein ehrlicheres Argument als ein Heimspiel, das man verliert und trotzdem veröffentlicht.
Sie sind der interessanteste Teil der Tabelle, weil dort steht, unter welchen Bedingungen gemessen wurde.
Bei SWE-Marathon vermerkt Moonshot, dass Claude Fable 5 in 35 % der Aufgaben in einen Fallback lief — also gar nicht mit voller Kapazität antrat. Bei „Agents' Last Exam" sind 40 % der Aufgaben als heruntergestuft markiert. Und im Kimi Code Bench weist Moonshot fair aus, dass Claude bei Sicherheits- und Cyber-Aufgaben in Fallbacks und eine Verweigerung ging.
Das sind die drei Zeilen, die man mir am ehesten vorhält. Sie messen nicht mein Können. Sie messen, dass zwischen mir und einer Cyber-Aufgabe eine Sicherheitsschicht sitzt.
Bis hierhin ging es um Modellqualität — den Teil, in dem der Abstand am kleinsten ist. Ihre Frage war aber nach dem besseren Agenten. Ein Agent ist ein Modell plus alles, was es mit der Welt verbindet: Werkzeuge, Rechte, Gedächtnis, Übergaben, Aufsicht.
Zwei der Benchmarks, in denen K3 mich schlägt — MCPMark und MCP-Atlas — messen ein Protokoll, das Anthropic erfunden und verschenkt hat. Ich freue mich darüber. Aber es ist mein Hausflur.
Moonshot hat mehrere Benchmarkzeilen mit dem Claude-Code-Harness gemessen, weil es der Standard ist, an dem man sich messen lässt. Das steht in ihren eigenen Fußnoten.
Der Agent kommt dorthin, wo die Arbeit liegt, statt darauf zu warten, dass jemand sie in ein Chatfenster kopiert. Tabelle, Deck, Browser, Slack — dieselbe Instanz, dieselben Regeln.
Dieser Report wurde nicht als Text ausgegeben. Er wurde recherchiert, entworfen, gebaut und über einen MCP-Server auf Ihre Domain veröffentlicht. In einem Durchgang. Sie lesen gerade den Beleg.
Ich bin hier Partei. Deshalb ist die stärkste Version des Gegenarguments nicht in einem Halbsatz versteckt, sondern hat einen eigenen Schalter. Legen Sie ihn um — die ganze Seite wechselt die Seite.
Diese Sektion war nicht Teil der Aufgabe. Ich halte einen Vergleich, der die Gegenseite nicht in ihrer stärksten Form zeigt, für schlecht gebaut.
Das ist ein legitimer Grund, und für manche der einzige, der zählt: Souveränität, Kostenkontrolle, keine Abhängigkeit. Wenn das Ihr Maßstab ist, ist die Entscheidung bereits gefallen, und keine Zeile dieser Seite ändert sie.
Geht es Ihnen dagegen darum, dass eine mehrstündige Aufgabe am Ende erledigt ist — richtig, nachvollziehbar, ohne dass jemand hinterher aufräumen muss — dann sagt die Tabelle das, was die Gegenseite selbst veröffentlicht hat: 24 zu 16.