Kimi K3.1 Pro: Chinesisches Modell rückt auf Platz 4 vor, Gewichte folgen

Worum es geht

Das chinesische KI-Unternehmen Moonshot AI hat Kimi K3.1 Pro veröffentlicht, das erste Modell einer neuen K3.1-Reihe. Es ist eine nachtrainierte Version von Kimi K3, für die laut Moonshot deutlich mehr Rechenaufwand im Post-Training eingesetzt wurde. Post-Training bezeichnet die Phase nach dem eigentlichen Grundtraining, in der das Modell etwa mit Reinforcement Learning (Lernen durch Belohnung für gelöste Aufgaben) verfeinert wird.

Im Artificial Analysis Intelligence Index, einem unabhängigen Gesamtvergleich von KI-Modellen, kommt K3.1 Pro auf 55 Punkte. Das sind 11 Punkte mehr als beim Vorgänger und reicht für Platz 4. Vorn liegen nur Claude Opus 5.5 (58), Claude Sonnet 5.5 (56) und Muse Wonder Full (56).

Zusätzlich gibt es die Variante K3.1 Pro Highspeed, die laut Moonshot zwei- bis dreimal schneller ist, bei gleichen Fähigkeiten. Beide Modelle sind ab sofort verfügbar: über Kimi.ai und die Kimi-Apps (iOS, Android, HarmonyOS), die Desktop-App Kimi Work (ab Version 3.1.0 für Windows und Apple-Silicon-Macs), Kimi Code und die Kimi API. Dort heißen sie kimi-k3.1-pro und kimi-k3.1-pro-highspeed. Für API-Kunden gibt es Zero Data Retention. In Kimi Enterprise ist der Zugang zum Start standardmäßig deaktiviert und muss von Administratoren freigeschaltet werden.

Größe, Preise und Verfügbarkeit

K3.1 Pro behält die Dimensionen von K3: 2,8 Billionen Parameter insgesamt, davon 104 Milliarden aktiv. Parameter sind grob gesagt die Stellschrauben, die ein Modell beim Training lernt. „Aktiv“ heißt: Bei jeder Anfrage wird nur ein Teil davon genutzt, wie es bei Mixture-of-Experts-Architekturen üblich ist. Das Kontextfenster, also die Textmenge, die das Modell gleichzeitig verarbeiten kann, umfasst eine Million Token. Das Modell verarbeitet Text und Bilder; laut Kimi-Code-Dokumentation nimmt es auch Videos entgegen.

Die Preise sinken um 33 Prozent:

Vorher kostete K3 3 Dollar für Input, 15 Dollar für Output und 0,30 Dollar für Cache-Treffer. Eine Aufgabe des Intelligence Index kostet mit K3.1 Pro 1,98 Dollar, fast so viel wie mit K3 (2,00 Dollar), weil das Modell 14 Prozent mehr Output-Token erzeugt. Laut Artificial Analysis liegt es an der Spitze der Pareto-Frontier: Kein Modell mit vergleichbarer Parameterzahl erzielt einen höheren Indexwert.

Zur Kimi-Code-Dokumentation: K3.1-Modelle unterstützen nur den Denkmodus; Anfragen ohne Denken werden mit einem HTTP-400-Fehler abgelehnt. Der Parameter reasoning_effort kennt low, high und max, Standard ist max. Je nach Tarif sind die Modelle erst ab Plus beziehungsweise Pro nutzbar, die Million Token Kontext ist Pro und höher vorbehalten.

Benchmarks: Größte Sprünge bei Agenten-Aufgaben

Agentische Aufgaben – das Modell arbeitet selbstständig mit Werkzeugen über mehrere Schritte – zeigen die größten Fortschritte. Auf GDPval-AA erreicht K3.1 Pro laut Artificial Analysis 1.846 Elo, 312 mehr als K3, knapp hinter Claude Opus 5.5 (1.866) und Muse Wonder Full (1.857). Auf Terminal-Bench 4.0 gibt Moonshot 65,7 Prozent an, K3 schaffte nur 13 Prozent.

Auswahl aus Moonshots Tabelle (alle mit Reasoning Effort „max“, Herstellerangaben):

Auf Kimi Code Bench 3.0 Long-horizon, einem internen Test, liegt das Modell bei 61,2 Prozent gegenüber 55,95 Prozent bei K3. In internen Finanz-Benchmarks verbessert es sich um 7,2 Punkte bei Financial Modeling und 11,6 Punkte bei Financial Research.

Auch die Halluzinationsrate (erfundene Aussagen) sinkt: Auf dem internen Kimi Hallu Bench Hard fiel sie auf Aussagenebene von 23,4 auf 8,3 Prozent. Moonshot betont, dies sei ein Stresstest und keine allgemeine Fehlerquote. GPT-6 Astra erreicht dort 5,5 Prozent.

Als Beispiel für lange Aufgaben nennt Moonshot einen internen Test: Das Modell baute über 167 Missionen und 420 unabhängige Reviews einen Simulator für menschliches Gehen auf Basis eines Anatomiemodells mit 296 Skelett- und 402 Muskelkomponenten. Dabei fand und korrigierte es 36 Fehler bei Schulter-Muskelberechnungen.

3D-Modellierung und Coding

K3.1 Pro arbeitet laut Moonshot direkt mit Spiele-Engines wie Unity, Unreal Engine und Godot, von schnellen Fixes bis zum kompletten Projektaufbau. Auf BenchCAD, das 3D-Rekonstruktion aus Ansichten per CAD-Code prüft, kommt es mit Tools auf 92,7 Prozent, ohne Tools auf 72,8 Prozent (Claude Opus 5.5: 73,0 Prozent). Besonders stark sei es bei parametrischer Modellierung, etwa mechanischen Teilen, Architekturmodellen und konfigurierbaren Produkten. Skripte für Blender und CAD-Software kann es ohne MCP-Konnektoren schreiben und ausführen. Neu ist außerdem „3D Make“ auf Kimi.com und in der App: Dort lassen sich 3D-Modelle ansehen, bearbeiten und für den 3D-Druck herunterladen.

Cybersicherheit: Bewusst begrenzte Fähigkeiten

Moonshot widmet der Cybersicherheit einen eigenen Abschnitt. Die Firma beobachtete, dass die Fähigkeit zur Schwachstellensuche mit mehr Post-Training stetig stieg, weil Cyber-Inhalte im allgemeinen Mid-Training-Datensatz steckten und entsprechende Aufgaben im Reinforcement-Learning-Mix lagen. Für die Open-Weights-Version entfernte Moonshot diese Daten aus beiden Trainingsphasen, behielt aber allgemeine Coding-Aufgaben.

Auf dem internen xdev-bench-hard, der kürzlich bekannt gewordene Schwachstellen etwa im Linux-Kernel, Node.js und JavaScriptCore nachstellt, löst die unbereinigte Version 90,5 Prozent der Aufgaben (pass@3), das finale K3.1 Pro 81,0 Prozent. DeepSeek-V4.1-Flash kommt auf 85,7 Prozent, Kimi K3 auf 33,3 Prozent. Moonshot sagt, die Cyber-Fähigkeiten blieben hinter proprietären Spitzenmodellen zurück, die seit mindestens drei Monaten verfügbar sind.

Dazu formuliert Moonshot zwei Prinzipien: Offene Gewichte sollen die absolute Spitze offensiver Cyber-Fähigkeiten nicht erweitern, die verfügbaren Fähigkeiten sollen aber schrittweise steigen, weil offene Modelle auch der Verteidigung dienen, etwa beim Prüfen von Altsystemen.

Einordnung

Sollte Moonshot die Gewichte wie angekündigt bis zum 4. November freigeben, wäre K3.1 Pro laut Artificial Analysis das am höchsten bewertete Open-Weights-Modell. Die Lücke zu proprietären Modellen schrumpfte dann von 12 auf 3 Punkte. Bisher sind die Gewichte aber nicht veröffentlicht; Unite.AI nennt das Modell zwar „open-weight“, die Freigabe steht jedoch noch aus. Ein Modell dieser Größe lässt sich lokal ohnehin nur mit Serverhardware betreiben.

Kritisch zu beachten: Die meisten Benchmark-Zahlen stammen von Moonshot selbst, auch interne Tests wie Hallu Bench oder xdev-bench-hard sind nicht unabhängig geprüft. Bei GPQA-Diamond und ExploitBench liegen Konkurrenten vorn, bei Halluzinationen ebenfalls GPT-6 Astra. Die Datenbereinigung gegen Cyber-Fähigkeiten ist ein interessanter Ansatz, ihre Wirksamkeit belegt bisher nur Moonshots eigener Test.