Kimi K3.1 Pro vs. Claude Opus 5.5: Die Hälfte des Listenpreises, 0,7 Punkte Rückstand bei einem Benchmark

Kimi K3.1 Pro und Claude Opus 5.5 sind dieselbe Art von Modell, zum exakt halben Preis verkauft. Moonshots neues Flaggschiff kostet 2,00 $ pro Million Eingabe-Token und 10,00 $ pro Million Ausgabe-Token; Anthropics Modell kostet 4,00 $ und 20,00 $. Beide akzeptieren eine Million Token Kontext. Beide denken immer erst nach, bevor sie antworten. Und bei dem einen Benchmark, den beide Unternehmen veröffentlichen, liegen sie 0,7 Punkte auseinander: 65,7 % für Kimi K3.1 Pro gegenüber 66,4 % für Claude Opus 5.5 bei Terminal-Bench 4.0. Das ist das gesamte Argument für den Herausforderer in drei Zahlen, und es ist ein starkes — mit zwei Vorbehalten, die entscheiden, ob es für Ihre Workload gilt: Die beiden Ergebnisse wurden unter unterschiedlichen Einstellungen erzeugt, und der Faktor 2 ist ein Preis pro Token und kein Preis pro fertiggestellter Aufgabe.

Kimi K3.1 Pro ging am 24. Oktober 2026 live – einen Tag nach dem Teaser-Video, in dem sein Name genannt wurde. Claude Opus 5.5 ist seit dem 22. September allgemein verfügbar. Keines von beiden ist ein frisches Laborexperiment: Opus 5.5 ist das aktuelle Modell der Opus-Klasse, das Anthropic seit Ende September ausliefert, und Kimi K3.1 Pro ist eine nachtrainierte Version von Kimi K3 und keine neue Architektur. Das macht diesen Vergleich für eine Modell-gegen-Modell-Seite ungewöhnlich sauber – beide Preisübersichten liegen vor, beide Anbieter veröffentlichen eine Benchmark-Tabelle, und keines der Modelle versteckt sich hinter einer Warteliste.

Die beiden Tarifkarten, Zeile für Zeile

Auf fünf Zeilen kommt es an, und eine davon durchbricht das Muster.

• Eingabe – 2,00 $ pro Million Tokens bei Kimi K3.1 Pro gegenüber 4,00 $ bei Claude Opus 5.5. Genau die Hälfte.

• Output — 10,00 $ gegenüber 20,00 $. Genau die Hälfte, und Output ist der Posten, der agentische und Reasoning-Arbeit dominiert, bei dem das Modell weit mehr schreibt als liest.

• Cache-Lesevorgang — 0,20 $ bei beiden. Das ist die Anomalie: Die beiden Anbieter stimmen auf den Cent genau beim Preis für das Lesen eines zwischengespeicherten Präfixes überein, also bei der Position, die einen lang laufenden Agenten dominiert, der bei jedem Durchlauf ein Repository erneut liest.

• Cache-Schreiben — Kimi berechnet 2,00 $ für einen fünfminütigen Cache-Eintrag und 4,00 $ für eine Stunde; Anthropic berechnet 5,00 $ und 8,00 $. Auch hier ist Kimi günstiger, und zwar um mehr als die Hälfte.

• Schnelle Varianten — Kimi K3.1 Pro Highspeed kostet $4,00 und $20,00 und ist damit etwa zwei- bis dreimal so schnell bei der Ausgabe. Anthropics Schnellmodus für Opus 5.5 kostet $8,00 und $40,00 bei bis zu 2,5×. Gleiches Verhältnis, gleiche Verdopplung.

Die Rechnung bei einer gemischten Anfrage ist daher trivial. Ein Aufruf, der eine Million Eingabe-Tokens liest und 200.000 Ausgabe-Tokens schreibt, kostet $4.00 bei Kimi K3.1 Pro und $8.00 bei Opus 5.5. Ein Agent, der einen Kontext von einer Million Tokens mit einer Cache-Trefferquote von 70 % erneut liest, zahlt $0.74 für die Eingabe bei Kimi gegenüber $1.34 bei Opus, bzw. $2.74 gegenüber $5.34, sobald die Ausgabe eingerechnet ist. Die Ersparnis kommt aus frischer Eingabe und Ausgabe, nicht aus dem Caching, denn Caching kostet bei beiden gleich viel.

Was die Preisliste nicht verrät, ist, wie viele Tokens jedes Modell verbraucht. Kimi K3.1 Pro verwendet standardmäßig seine höchste Reasoning-Stufe, max. Claude Opus 5.5 verwendet standardmäßig medium. Ein Modell, das standardmäßig auf max denkt, schreibt im Durchschnitt mehr Reasoning-Tokens pro Antwort als eines, das auf medium denkt – die beworbene 2× ist also ein Preis pro Token, nicht ein Preis pro erledigter Aufgabe, und die tatsächliche Lücke hängt davon ab, wie viel von Kimis zusätzlichem Denken deine Arbeit wirklich braucht. Moonshot veröffentlicht keine Tokens-pro-Aufgabe-Zahl, die das klären würde.

Der eine Benchmark, den beide Labore veröffentlichen, und warum er keine Messung ist

Terminal-Bench 4.0 ist in diesen beiden Markteinführungen das, was einem gemeinsamen Maßstab am nächsten kommt, und selbst hier werden die beiden Zahlen nicht auf dieselbe Weise ermittelt.

Anthropics 66,4 % wurden mit xhigh-Aufwand ermittelt – eine Stufe über dem Standardwert medium des Modells –, auf Anthropics eigenem Harness und mit aktivem Sicherheits-Routing. Das Unternehmen veröffentlicht die Tabelle und sagt das auch. Kimis 65,7 % erscheinen in Moonshots Launch-Material bei der standardmäßigen Max-Einstellung des Modells, auf einem Harness, den das Unternehmen ebenfalls kontrolliert; die Launch-Tabelle nennt Opus 5.5 mit 66,4 %, dieselbe Zahl, die Anthropic veröffentlicht hat, ohne zu sagen, ob Moonshot sie erneut ausgeführt oder zitiert hat. Eine Lücke von 0,7 Punkten zwischen zwei von Anbietern erstellten Tabellen, bei unterschiedlichen Aufwands-Einstellungen und unterschiedlichem Scaffolding, ist keine Messung des Unterschieds zwischen den Modellen. Sie ist eine Aussage darüber, dass die beiden nah genug beieinanderliegen, dass die Wahl des Harness die Reihenfolge entscheidet.

Zwei weitere Datenpunkte weisen in dieselbe Richtung. Die unabhängige Bewertung von Opus 5.5 auf demselben Benchmark durch Artificial Analysis, über die bei seinem Launch berichtet wurde, liegt bei 59,6 % – sieben Punkte unter Anthropics eigener Zahl, in einer Konfiguration, die serverseitiges Safeguard-Routing umfasst. Und Moonshots eigene Dokumentation enthielt am Launch-Tag für seine Terminal-Bench- und Science-Benchmark-Werte noch wörtliche „[xx.x%]“-Platzhalter, während der Marketingbeitrag die Zahlen enthielt. Keine der beiden Tatsachen beweist etwas über die relative Qualität. Beide zeigen, dass Benchmark-Tabellen am Launch-Tag in erster Linie Marketingartefakte sind.

Wo die Anbieter übereinstimmen, ist das Bild konsistent: Kimi K3.1 Pro liegt bei Aufgaben, die beide messen, nahe an Opus 5.5 und deutlich vor seinem eigenen Vorgänger. Moonshots Coding-Suite für lange Horizonte stieg von 55,95 % auf 61,2 %, sein CAD-Wert ohne Tools liegt bei 72,8 gegenüber 73,0 für Opus, und seine Halluzinationsrate auf dem eigenen schwierigen Testsatz des Anbieters sank mit Tools von 23,4 % auf 8,3 % – eine Zahl, die, falls sie außerhalb der Evaluierung Bestand hat, für dokumentenlastige Arbeit mehr zählt als jeder Benchmark-Punkt.

Der Aufwandsregler ist der eigentliche Unterschied zwischen den beiden Produkten

Beide Modelle legen ein Feld für den Reasoning-Aufwand offen; sie sind sich uneinig darüber, wie viele Stufen es hat und wo es ruht.

Kimi K3.1 Pro hat drei: low, high und max, wobei max der Standard ist. Claude Opus 5.5 hat fünf: low, medium, high, xhigh und max, wobei medium der Standard ist. Keines der beiden Modelle erlaubt es dem Aufrufer, das Denken abzuschalten. Kimi legt das Sampling vollständig fest – temperature 1.0, top-p 0.95, n auf 1 – und lehnt andere Werte ab, sodass effort die einzige Verhaltensstellschraube ist, die es bietet. Anthropic lässt temperature konfigurierbar, hält aber adaptives Denken immer aktiv, sodass effort die einzige Stellschraube ist, die beeinflusst, wie viel das Modell denkt.

Die Standardeinstellungen haben echten Einfluss. Kimi ist ehrlich, aber teuer: Jede Anfrage, die reasoning_effort nicht übergibt, zahlt für die höchste Einstellung. Opus ist auf der mittleren Stufe eingestellt und hält die beiden obersten für Aufrufer frei, die danach fragen. Wenn Sie eine Arbeitslast migrieren und sonst nichts ändern, haben Sie sowohl das Modell als auch sein Denkbudget geändert – der häufigste Grund dafür, dass sich ein „günstigeres Modell“ als nicht günstiger erweist. Anthropics eigene Tabelle zeigt die Größe dieses Effekts innerhalb eines Modells: CursorBench 4.0 erreicht 57,8 % bei xhigh und 52,5 % bei medium, während FrontierCode sich zwischen denselben zwei Einstellungen um 0,2 Punkte verschiebt. Die Empfindlichkeit gegenüber dem Aufwand hängt von der Arbeitslast ab, und keine Modellkarte sagt Ihre voraus.

Eine operative Falle gilt für beide. Ein Wechsel der Aufwandsstufe mitten im Gespräch entwertet Prefix-Cache-Treffer, sodass ein Agent, der den Aufwand mitten in einer langen Sitzung erhöht, dafür zahlt, alles erneut zu lesen, was er im Cache hatte. Legen Sie die Stufe vor Beginn der Sitzung fest, nicht währenddessen.

Was jeder Anbieter mit dem Modell macht, wenn Sie nicht hinsehen

Beide Labore haben inzwischen ein Modell ausgeliefert, dessen Verhalten bei manchen Eingaben nicht dem entspricht, das Sie angefordert haben, und beide beschreiben dies offen.

In der Einführungsdokumentation zu Anthropics Opus 5.5 heißt es, dass die meisten cyberbezogenen Aufgaben möglicherweise an Claude Opus 4.8 umgeleitet werden und dass Arbeiten in den Bereichen Biologie und Entwicklung von Frontier-Modellen auf Opus 5 zurückfallen können. Diese Rückfallebenen greifen serverseitig: Die Antwort kommt von einem anderen Modell, und das einzige Signal, das der Aufrufer erhält, ist der Inhalt. Für eine sicherheitsnahe Arbeitslast ist das eine echte Änderung der Fähigkeiten, keine Fußnote zur Richtlinie.

Moonshot ging einen anderen Weg. Das Unternehmen entfernte cyberbezogene Daten sowohl aus dem Mid-Training als auch aus der Reinforcement-Learning-Phase, behielt aber allgemeines Coding bei, und nannte die Kosten dafür: Der Adversarial-Coding-Wert fiel von 90,5 % beim ungemilderten Checkpoint auf 81,0 % beim ausgelieferten Modell. Das Unternehmen stellt das als bewusste Obergrenze für offensive Cyber-Fähigkeiten dar und kündigt an, diese Obergrenze schrittweise anzuheben. Kimi K3.1 Pro leitet Ihre Anfrage nicht um; es ist in dieser einen Kategorie einfach schwächer, und zwar um einen Abstand, den der eigene Anbieter veröffentlicht hat.

Was besser ist, hängt davon ab, was du baust. Wenn du deterministische Ausgaben von dem von dir ausgewählten Modell brauchst, ist ein stiller Fallback schlechter als eine offengelegte Schwäche. Wenn du das bestmögliche Ergebnis bei einer Aufgabe brauchst, die der Anbieter gesperrt hat, kann der Fallback immer noch besser sein als eine Ablehnung – aber du benchmarkst jetzt zwei Modelle, während du glaubst, eines zu verwenden.

Das Datum, an dem die Frage nach offenen Gewichten entschieden wird

Kimi K3.1 Pro wird als Modell mit offenen Gewichten verkauft, und die Gewichte sind noch nicht veröffentlicht. Moonshot sagt, die vollständigen Gewichte würden bis zum 4. November 2026 veröffentlicht. Bis dahin ist die Spalte für offene Gewichte in jedem Vergleich ein Versprechen, und die Hugging-Face-Organisation, die Kimi K3 hostet, hat mit Stand vom 24. Oktober nichts Neueres als K3.

Claude Opus 5.5 hat keine Open-Weight-Pläne – und wird sie nie haben. Für alle, deren Deployment keine gehostete API aufrufen kann, endet der Vergleich dort, unabhängig vom Preis: Die eine Seite ist ein Produkt, das Sie vielleicht in elf Tagen herunterladen können, die andere ist eine Miete. Für alle anderen ist der 4. November der Tag, an dem der Preisvergleich zu einer echten architektonischen Entscheidung wird statt zu einer Beschaffungsfrage.

Was soll heute laufen?

Hier ist der Punkt, den die Tarifkarten nicht abdecken: die Verfügbarkeit. Claude Opus 5.5 ist heute über OrcaRouter zu 4,00 US-Dollar und 20,00 US-Dollar pro Million Tokens aufrufbar, Cache-Lesevorgänge zu 0,20 US-Dollar – der Listenpreis des Anbieters ohne Aufschlag weitergegeben –, mit demselben Schlüssel wie der Rest Ihres Stacks, bei einer medianen Zeit bis zum ersten Token von 3,86 Sekunden in den vergangenen sieben Tagen auf unserer Route. Kimi K3.1 Pro ist am 24. Oktober zum selben Katalog hinzugekommen, zu 2,00 US-Dollar und 10,00 US-Dollar, Cache-Lesevorgänge zu 0,20 US-Dollar, einem Kontextfenster von 1.048.576 Tokens und einer veröffentlichten Obergrenze für die Ausgabe von 943.718 Tokens. Beide antworten jetzt über einen einzigen Schlüssel.

Dass beides hinter einem Schlüssel steckt, ist der Punkt, den keines der beiden Anbieterdokumente erwähnt. Bei einem Preisunterschied von 2× ist eine Routing-Richtlinie die Entscheidung, die mehr zählt als die Wahl eines Siegers: Schicke das schwierige Fünftel deines Traffics an Opus 5.5, schicke den Rest an Kimi K3.1 Pro und lass automatisches Failover ein Stocken auf beiden Seiten abfangen. Das Durchreichmodell ist es, was diese Rechnung ehrlich hält – jede Seite der Aufteilung wird zu den vom Anbieter selbst veröffentlichten Preisen abgerechnet, ohne Aufschlag, sodass die Ersparnis, die du berechnest, auch die Ersparnis ist, die du bekommst, und eine Preisänderung bei einem der beiden Anbieter ist hier am selben Tag live.

Womit der Vergleich wieder dort ankommt, wo er begonnen hat. Wenn Ihre Arbeit von den Aufgaben dominiert wird, bei denen die beiden Modelle nur einen Punkt auseinanderliegen, entscheidet allein die Preisdifferenz, und die Antwort lautet: das günstigere Modell. Wenn sie von Long-Horizon-Coding dominiert wird, bei dem Opus drei Monate unabhängiger Evaluierung hinter sich hat und Kimi eine erst gestern veröffentlichte Anbietertabelle, sind die 0,7 Punkte nicht die Zahl, auf die man sich verlassen sollte — die Zahl, auf die man sich verlassen sollte, ist Ihre eigene Evaluierung, durchgeführt mit der Effort-Einstellung, die Sie tatsächlich einsetzen werden. Beide Anbieter haben das jetzt einfach gemacht, denn beide lassen Sie am Regler drehen und beide veröffentlichen, was der Regler kostet.