Moonshot veröffentlicht Kimi K3.1 Pro, ein Open-Weight-Modell mit 2,8 Billionen Parametern

Moonshot hat Kimi K3.1 Pro auf den Markt gebracht, ein multimodales Mixture-of-Experts-Modell mit insgesamt 2,8 Billionen Parametern und 104 Milliarden aktiven Parametern. Das Unternehmen kündigte an, dass die Modellgewichte am 4. November 2026 als Open Weights veröffentlicht werden. Dies stellt einen bedeutenden Schritt hin zu einer zugänglichen KI-Infrastruktur auf dem neuesten Stand der Technik dar.

Was passiert ist

Das neue Modell repräsentiert eine erhebliche Steigerung in Größe und Leistungsfähigkeit gegenüber seinem Vorgänger, Kimi K3. Moonshot beschreibt K3.1 Pro als eine nachtrainierte Version von K3, die deutlich mehr Rechenressourcen für das Reinforcement Learning über Hunderte von Downstream-Domänen hinweg nutzt. Der Launch umfasst sowohl Standard- als auch Highspeed-API-Versionen; Letztere bieten eine zwei- bis dreifach schnellere Ausgabeerzeugung bei doppelten Kosten. Darüber hinaus stellte Moonshot Kimi Hosted Agents vor, eine verwaltete Umgebung, die für langlaufende Aufgaben und Multi-Agent-Kollaboration konzipiert ist.

Unabhängige Bewertungen platzieren K3.1 Pro fest unter den Top-Tier-Modellen der aktuellen Generation. Artificial Analysis rangierte es auf Platz vier seines Intelligence Index mit einem Score von 55, nur hinter Opus 5.5, Sonnet 5.5 und Muse Wonder Full. In Coding-Benchmarks erreichte es den achten Platz in der Kategorie Code Arena WebDev, was eine deutliche Verbesserung gegenüber dem vorherigen Ranking bedeutet. Bemerkenswert ist, dass das Modell trotz des bewussten Entfernens cyber-bezogener Trainingsdaten durch Moonshot zur Erhöhung der Sicherheit den höchsten öffentlich zugänglichen Score im Cyber Index erzielte, übertroffen nur von proprietären Modellen mit vertrauenswürdigem Zugang.

Die Veröffentlichung hat Debatten über die Ökonomie der Inferenz und die Transparenz der Benchmarks ausgelöst. Während die Token-Preise im Vergleich zu K3 um ein Drittel gesunken sind, zeigen einige unabhängige Tests, dass ein höherer Token-Verbrauch pro Aufgabe diese Einsparungen ausgleichen kann. Die Reaktionen der Community waren gemischt: Die Begeisterung über das Versprechen der Open Weights wird durch Bedenken hinsichtlich der Bereitstellungskosten und Vorwürfe undurchsichtiger Werbeaktivitäten getrübt. Klärungen zum Zeitplan haben bestätigt, dass die Gewichte am 4. November veröffentlicht werden, entgegen früherer Gerüchte.

Wie es funktioniert

Kimi K3.1 Pro nutzt eine Mixture-of-Experts-Architektur, die es ermöglicht, nur eine Teilmenge seiner Parameter für jede gegebene Eingabe zu aktivieren. Konkret enthält das Modell zwar 2,8 Billionen Parameter insgesamt, aber nur 104 Milliarden sind während der Inferenz aktiv. Dieses Design zielt darauf ab, hohe Kapazität mit Recheneffizienz auszubalancieren, erfordert jedoch erhebliche Infrastruktur zur Verwaltung des großen Expert-Pools und des Laufzeitstatus. Eine lokale Bereitstellung eines solchen Modells ist für Endgeräte nicht machbar, da der vollständige Parametersatz selbst bei Quantisierung Terabytes an Speicher benötigen würde.

Die Leistungssteigerungen resultieren primär aus umfangreichem Post-Training-Reinforcement-Learning. Moonshot optimierte seinen gesamten Stack, einschließlich des RL-Frameworks, der Long-Context-Inferenz und der Sandbox-Infrastruktur, um stabile Ergebnisse durch erhöhten Compute-Einsatz sicherzustellen. Eine wichtige architektonische Entscheidung bestand darin, cyber-bezogene Daten aus den Phasen des Mid-Trainings und des Reinforcement Learnings zu entfernen. Dieser Ansatz zielt darauf ab, latente offensive Fähigkeiten an der Quelle zu reduzieren, anstatt sich ausschließlich auf Verweigerungen zur Inferenzzeit zu verlassen. Dies führte zu einem berichteten Rückgang interner Cyber-Scores, während die starke Leistung in defensiven Benchmarks erhalten blieb.

Wichtige Details

• Modellspezifikationen: 2,8 Billionen Parameter insgesamt, 104 Milliarden aktive Parameter und ein Kontextfenster von 1 Million Tokens.
• Open Weights: Geplant für die Veröffentlichung am 4. November 2026, wobei spezifische Lizenzbedingungen und Weitergabeklauseln noch nicht festgelegt sind.
• Leistung: Rang vier auf dem Intelligence Index von Artificial Analysis mit einem Score von 55; Rang acht in Code Arena WebDev.
• Preisgestaltung: Die Standard-API kostet 2 USD pro Million Input-Tokens und 10 USD pro Million Output-Tokens, was einer Reduktion um ein Drittel gegenüber K3 entspricht.
• Sicherheit: Cyber-bezogene Trainingsdaten wurden entfernt, dennoch erzielte das Modell 64 % im öffentlichen Cyber Index, der höchste Wert für ein zugängliches Modell.
• Geschwindigkeit: Die Highspeed-API-Variante bietet eine 2–3× schnellere Ausgabeerzeugung, kostet aber doppelt so viel wie das Standard-Tier.

Warum es wichtig ist

Für Software-Ingenieure und technische Gründer verändert die Ankunft eines nahezu frontier-level Open-Weight-Modells die Kalkulation für den Aufbau KI-nativer Produkte. Das Versprechen der Open Weights ermöglicht mehr Kontrolle über Bereitstellung, Feinabstimmung (Fine-Tuning) und Datenschutz, was für Unternehmensanwendungen entscheidend ist. Allerdings ist die Unterscheidung zwischen selbst-hostbaren und lokal auf Endgeräten lauffähigen Modellen vital. Die schiere Größe des Modells bedeutet, dass sein Betrieb signifikante Beschleuniger-Infrastruktur erfordert, was es für Cloud-basierte oder dedizierte Serverumgebungen geeignet macht, nicht jedoch für Edge-Geräte.

Die Preisstruktur verlangt ebenfalls eine sorgfältige Analyse. Obwohl die Kosten pro Token gesunken sind, kann die Tendenz des Modells, mehr Tokens pro Aufgabe zu generieren, zu ähnlichen oder höheren Gesamtkosten für komplexe Workflows führen. Entwickler müssen die Kosten pro erfolgreich abgeschlossener Aufgabe bewerten, nicht nur die Raten pro Token. Darüber hinaus deutet die starke Leistung des Modells in agentischen Aufgaben und beim Coden darauf hin, dass es Entwicklungszyklen beschleunigen könnte, insbesondere bei Projekten, die ein tiefgreifendes Verständnis langer Kontexte oder mehrstufiges Reasoning erfordern.

Was Sie tun können

• Beobachten Sie das Veröffentlichungsdatum am 4. November 2026 für die Open Weights und prüfen Sie die Lizenzbedingungen auf Einschränkungen für die kommerzielle Nutzung.
• Benchmarken Sie Ihre aktuellen Workloads gegen K3.1 Pro unter Verwendung der Highspeed-API, um zu bewerten, ob der Geschwindigkeitsaufschlag die Kosten für Ihre spezifischen Latenzanforderungen rechtfertigt.
• Evaluieren Sie die Long-Context-Fähigkeiten des Modells für Projekte, die ein vollständiges Codeverständnis des Projekts oder extensive Dokumentanalysen erfordern.
• Berücksichtigen Sie die Implikationen des Cyber-Sicherheitsansatzes für Ihre Sicherheitsstrategie, wobei Sie beachten sollten, dass hohe defensive Scores keine uneingeschränkte offensive Fähigkeit garantieren.
• Testen Sie das Modell in Ihrer spezifischen Domäne, wie z. B. 3D-Modellierung oder Finanzanalyse, um die Anbieterangaben anhand Ihrer eigenen Qualitätsstandards zu verifizieren.
• Planen Sie Infrastruktur-Upgrades, wenn Sie beabsichtigen, das Modell selbst zu hosten, und berücksichtigen Sie dabei die enormen Speicheranforderungen des Modells mit 2,8 Billionen Parametern.