Am 20.07.26 schreibt das Handelsblatt: „Der Moonshot-Moment: Neues KI Modell aus China schlägt OpenAI und Anthropic“.

Im Text wird dann kurz auf die Benchmarks eingegangen mit dem Hinweis: „Nach ersten Tests schließt es zu den global führenden Firmen Open AI und Anthropic auf und überholt diese sogar in manchen Disziplinen.“

Schaut man sich die Benchmarks an, dann ist Kimi K3 tatsächlich in einigen Test an der Spitze, in den anderen zumindest gleichauf.

Kimi K3 springt auf Platz 3 von Platz 17 (Kimi K2.6), direkt hinter Fable 5 und GPT-5.6. Da Kimi K3 ein offenes Modell ist und seine Trainingskosten deutlich niedriger seien, spricht das nach der Lesart vieler Kommentatoren für einen deutlichen Effizienz- und Produktivitätsvorsprung der chinesischen Anbieter. Zumal die technische Architektur mit einigen Innovationen glänzt, die gerade Effizienz in den Vordergrund rückt.

Ja nun, das hat mich dann doch neugierig gemacht. Probieren geht über Studieren, dachte ich und habe mal angefangen, Kimi K3 zu testen.

Anmerkung: Mein Schwerpunkt liegt im Reasoning, und so tendieren alle Aufgaben in diese Richtung. Hier waren die chinesischen Modelle in der Vergangenheit nicht herausragend. (Link zu Deepseek). Und genau das macht den Test ja jetzt so spannend.

Erster Eindruck:

Auf der Webseite werde ich bei der Auswahl von Kimi K3 erst einmal damit begrüßt, dass aufgrund der hohen Nachfrage eine kostenlose Nutzung nicht möglich ist. Ich solle doch bitte einen bezahlten Plan buchen.

Gut, kann man ja machen. Als ich das mache, wird mir angeboten auf eine Warteliste zu kommen. Oha 😊.

Allerdings höre ich dann zwei Tage lang nichts und versuche es einfach nochmal. Nun „darf“ ich mir einen monatlichen Plan für 19 $ kaufen. Immerhin!

Für Reasoning-Benchmarks habe ich einige Aufgaben vorbereitet, die ich auch mit anderen Modellen ausführlich getestet habe.

Dann also mal los auf die Webseite.

Interessant ist noch ein Aspekt: Wann immer man neu auf die Seite von Kimi geht um zu chatten, schaltet das System jedesmal automatisch auf „instant“, was eine deutlich reduzierte Leistung zeigt und einige der hier dargestellten Aufgaben nicht absolvieren kann. Man muss jedesmal manuell auf K3 High stellen, um wirklich in den Genuss der leistungsfähigen Variante zu kommen. Ressourcen sind offensichtlich knapp, scheint mir.

Erster Test

Hier geht es darum, dass Buchstaben in einem 2D Gitter angeordnet werden. Dann gibt es eine Navigationsanweisung durch dieses Gitter hindurch. Wählt man die richtige Navigation ergibt sich ein Name als Lösungswort.

DeepSeek scheiterte beim Test an dieser Aufgabe komplett, andere Modelle wie auch z.B. ein GPT 5.3 schafft das recht problemlos. Also war ich gespannt, wie sich hier K3 verhält.

Und hier zeigt sich schon, dass K3 ein echter, großer Schritt ist. K3 kommt mit dieser Aufgabe problemlos zurecht. Und zeigt sich sehr methodisch im Vorgehen.

Oft haben LLMs im Reasoning das Problem nicht zu wissen, wann sie denn aufhören sollen. Kimi scheint dieses „End of Thinking“ bei jeder Aufgabe in seinem Reasoning-Plan mit zu berücksichtigen. Er führt die Aufgaben auf zweierlei verschiedene Arten aus und vergleicht die Antworten. Da das Rätsel zum Schluss einen Namen erraten lässt und die Tests in Deutsch ablaufen prüft er die Plausibilität der Zeichenkette – anders als beispielsweise Gemini im Flash Modus, das sich schonmal auch verläuft, aber natürlich auch viel schneller ist.

Zweiter Test

In diesem Fall geht es um eine Ahnenhierarchie. Über ca. 30 Generationsbeziehungen werden dargestellt. Dabei gibt es auch noch ein paar „Gemeinheiten“, denn es werden nicht immer klassische „Vater – Sohn“ Beziehungen beschrieben, sondern hier wird auch mal in Mutter – Tochter oder Vater -Tochter gewechselt. Und einmal wird die Darstellung unterbrochen, da „der leibliche Vater noch nicht das notwendige Alter“ hatte. Also schon ein bisschen kompliziert.

Heutige Modelle verrechnen sich schon recht gerne. Hauptproblem ist, dass die Anzahl „ur“ bei Ururur…opa“ falsch berechnet wird und damit das falsche Ergebnis gemeldet wird.

Aber nicht bei Kimi K3. Kimi lagert schnell zählbare, berechenbare Aufgaben an Python-Scripte aus. Da wird nicht falsch gerechnet, da sitzt jede Zahl.

Und so kommt Kimi auch mit dieser Aufgabe ganz hervorragend zurecht. Auch hier zeigt sich der „Überprüfungsansatz“: Kimi K3 läuft die Ahnenhierarchie einmal aufwärts, um den passenden Ahn zu ermitteln und zur Kontrolle denselben Weg wieder abwärts.

DeepSeek war auch noch nach ca. 500 Sekunden mit der Aufgabe nicht fertig, denn DeepSeek hatte immer das Problem nicht zu wissen, wo es aufhören solle. Auch hier wieder ist Kimi K3 wirklich einfach gut.

Allerdings ist Kimi K3 hier auch nicht schnell. Während Gemini im Thinking Modus ca. 40 Sekunden benötigt ist K3 erst nach rund 100 Sekunden fertig.

Dritte Aufgabe

Bei der dritten Aufgabe geht es darum, einen Text zu verstehen, der untereinander abhängige Firmen beschreibt, die finanziellen Beziehungen und die Ereignisse, die die finanziellen Beziehungen prägen. Der Text ist nicht außergewöhnlich lange – es könnte ein Zeitungsartikel sein (ca. 400 Worte). Er arbeitet viel mit Beziehungen zwischen den Sätzen, wird aber von den anderen Modellen sauber analysiert.

Während z.B. Claude hier nach einigen Sekunden fertig ist, braucht Kimi K3 mehrere Minuten. Die Aufgabe ist für ihn einfacher, wenn keine grafische Übersicht gefordert wird, denn an der grafischen Erstellung überlegt das System mehr als die Hälfte der Zeit.

Interessant ist, dass Kimi auch hier mit Werkzeugen arbeitet. So schreibt es sich hier eine ToDo Liste, die dann Stück für Stück abgearbeitet wird.

Ein Problem scheint zu sein, dass Kimi immer wieder das Erarbeitete vergisst: Wenn das System die impliziten Verbindungen aufgelöst hat und dann zum Erstellen der Grafik kommt, dann muss es immer wieder Bedeutungen ermitteln, die das System eigentlich schon ermittelt hatte. Was dann natürlich wieder das Erstellen der Grafik durcheinander bringt.

Aber nach ca. 5 Minuten liegt ein wirklich sauberes Ergebnis vor, das zwar grafisch durch etwas chaotische Linien irritiert, aber inhaltlich komplett korrekt ist. Auch hier ist Kimi auf dem Niveau der anderen Modelle, braucht allerdings recht lange.

Aufgabe 4

Hier geht es um eine recht komplexe Aufgabe, die auch Wissen aus der Umgebung voraussetzen. Es geht darum zu ermitteln, wo eine zweite Person sitzt. Gegeben ist einfach nur der Zeitunterschied.

Für die Standardmodelle ist diese Aufgabe recht herausfordernd, meistens ergeben sie die falsche Antwort.

Fable jedoch ist ziemlich sicher mit der Antwort und generiert genau das passende Ergebnis. Interessanterweise Gemini im Thinking Modus ebenfalls und braucht dafür 25 Sekunden.

Schauen wir uns das Ergebnis bei Kimi 3 an: Tatsächlich ist das Ergebnis falsch und Kimi verstolpert die Rechnungen. Das System rechnet einmal mit UTC und einmal mit MEZ, übersieht aber die Stunde Zeitunterschied zwischen beiden. Und K3 braucht dafür 90 Sekunden, also mehr als dreimal solange wie Gemini.

Interessant für alle Modelle ist, dass sie die gesuchte Person immer nur in östlicher Richtung suchen. Keines der Modelle kommt auf die Idee, dass nicht nur der auf der Uhr kleinere Zeitunterschied betrachtet werden sollte, sondern dass man auch den größeren Zeitunterschied anschauen kann und damit in westliche Richtung suchen könnte. Aber da es in beiden Richtungen Lösungen gibt ist es schon mal ganz gut, dass Fable und Gemini hier die richtige Lösung finden. Kimi verstolpert das Ergebnis.

Letzte Aufgabe: Wir bleiben bei den Uhren

Analoge Uhren waren schon immer problematisch für AI. Daher ist das schon ein etwas „gemeiner“ Test. Und auch Spiegelungen sind schon immer schwierig gewesen.

Hier wird beides kombiniert.

Es sind Uhren zu zeichnen, die teilweise nicht rechtsläufig, sondern linksläufig sind. Und diese Uhren sieht man im Spiegel.

Für Fable kein Problem. Für Opus 4.8 schon. Auch Kimi K3 kommt damit gut zurecht und geht trickreich vor. Statt sich die Abbildungen irgendwie zu überlegen, erstellt es das „Originalbild“ und spiegelt dieses per Python Script. Das geht zwar etwas in die Zeit, ist aber ein fehlerarmer Prozess. Tatsächlich ist Kimi von vorneherein mit synthetischer agentischer Umgebung trainiert worden, es geht einfach davon aus, dass Tools da sind.

Zusammenfassung

Kimi K3 ist ein absolut ernstzunehmendes Modell. Verglichen mit den bisherigen Modellen aus China hat es gerade im Bereich Reasoning einen großen Sprung gemacht und auch eigene Ideen umgesetzt.

Die Erarbeitung des Planes und der Qualitätssicherung ist gut gelöst, aber eben auch nicht immer anwendbar.

Die Art der Aufgabenabarbeitung ist anders als bei den bestehenden Systemen, das Training, das von einer agentischen Umgebung ausgeht, ist ein kluger Ansatz und ermöglicht Kimi K3, auch umfangreiche Aufgaben verlässlich zu lösen.

Dort, wo es diese Fähigkeiten nicht einsetzen kann, also besonders bei stark kontextlastigen Aufgaben, ist Kimi K3 zumindest langsam oder läuft auch in Probleme.

Gerade Geschwindigkeit und Effizienz ist bei Kimi K3 ein großes Thema, das war ja bei den hier getesteten Beispielen häufiger der Fall. Das zeigt sich auch in den Benchmarks.

Im „Time per Intelligence Index Task“ Benchmark ist Kimi K3 auf Platz 26. Da die Kimi Architektur sehr viel Wert auf Effizienz legt ist das ein überraschender Aspekt und macht deutlich, dass die technische Basis zwar schnell sein mag, die Aufgabenstrukturierung jedoch noch nicht so effizient ist, wie sie beim Wettbewerb organisiert ist. Und dass die guten Ergebnisse auch mit einem hohen Ressourceneinsatz bezahlt werden.

K3 ist also ein wirklich gutes System, das eine nachvollziehbare Entwicklung genommen hat. Es ist in weiten Teilen auf dem Stand anderer aktueller Systeme. Gerade aber der Effizienzvorsprung zeigt sich in der Praxis nicht. Vielmehr wird die intelligente Antwort mit beträchtlichem Aufwand erkauft.