Kimi K3 vs Fable 5, GPT-5.6 & Opus 4.8: Wir haben den Hype getestet
Kimi K3 ist Moonshot AIs neues Flaggschiff und war für ein paar Tage im Juli 2026 das am meisten getestete Modell im Internet. Es tauchte zuerst auf der Arena-Evaluierungsseite als mysteriöses Modell mit dem Codenamen 'Kivine' auf – selbst beschrieben als 'von Moonshot labs' mit einem Wissensstand von Januar 2025 – bevor Moonshot es offiziell am 16. Juli 2026, mit offenen Gewichten versprochen vor dem 27. Juli. Der wiederkehrende Tenor von Testern: Kimi K3 liegt irgendwo um Claude Fable 5, und oft vor GPT-5.6 bei kreativen und 3D-Arbeiten. Dieser Ersteindrucks-Test fasst die Spezifikationen, die Benchmark-Reihe und ein Dutzend Community-Tests an einem Ort zusammen.
Ein Hinweis für Entwickler: Dies sind frühe, unkontrollierte Community-Tests, betrachten Sie sie daher als richtungsweisend, nicht als Bewertungen. OrcaRouter stellt API-verfügbare Modelle hinter einem OpenAI-kompatiblen Endpunkt bereit, sobaldKimi K3s API live ist, können Sie es gegen Fable 5 und GPT-5.6 testen, ohne mehrere SDKs verkabeln zu müssen.
TL;DR Fazit.Kimi K3 ist das erste Open-Weight-Modell, das glaubwürdig das Niveau von Fable 5 bei Frontend-, 3D- und kreativen One-Shots erreicht — es führt das Arena-Frontend-Ranking an und belegt Platz #4 im Artificial Analysis Index. Aber es ist wortreich und langsam (ein Frontend-Build dauerte 35 Minuten), liegt bei agentischem Coding hinter Fable zurück, und die "gewonnenen" Urteile sind frühe Arena-Eindrücke, keine geprüften Benchmarks. Beeindruckend, nicht endgültig.
Wichtige Erkenntnisse
• Kimi K3 ist ein 2,8-Billionen-Parameter-MoE, positioniert als das bisher größte Open-Weight-Modell, mit Open Weights, die vor dem 27. Juli erwartet werden.
• Bei neutralen Drittanbieter-Bewertungen rangiert es #4 von 189 im AA Intelligence Index (57) und #1 auf Arena's frontend-code board (1679), über Fable 5's 1631.
• Preis: $3 / $15 pro 1 Mio. Tokens — Moonshot's teuerstes Modell aller Zeiten, aber immer noch etwa ein Drittel von Fable 5's $10 / $50.
• Tester bezeichnen es wiederholt als "Fable-Niveau"; Skeptiker sagen, die direkten Vergleiche seien Kirschen gepflückt und es hinke immer noch hinterher bei mehrschrittigen agentischen Aufgaben.
• Beachten Sie die Einschränkungen: ausführliche Ausgabe (~2x peer-median tokens), ~34s First-Token-Latenz, und es liegt immer noch hinter Fable bei FrontierSWE und DeepSWE.
Die Spezifikationen und die Benchmark-Spine
Hier sind die harten Daten, jede Zahl mit ihrer Quelle versehen.
• Architektur — Kimi K3: 2.8T MoE (896 Experten, 16 aktiv), Kimi Delta Attention, 1M Kontext, native Vision; Vergleichspunkt: Größtes Open-Weight-Modell bisher (Moonshot, vom Anbieter gemeldet)
• Varianten — Kimi K3: K3 Max (Chat/Agent), K3 Swarm Max (parallel); Vergleichspunkt: —
• Preise (Eingang/Ausgang) — Kimi K3: $3 / $15 pro 1M; Cache-Treffer ~0,30 $; Vergleichspunkt: Fable 5 bei $10 / $50 (~3,3x mehr)
• AA Intelligence Index — Kimi K3: 57 — #4 von 189; Vergleichspunkt: Hinter zwei Fable 5-Konfigurationen + GPT-5.6 Sol; über Opus 4.8, Sonnet 5, GLM-5.2 (Artificial Analysis)
• Arena frontend-code — Kimi K3: #1 at 1679, gewann 6 von 7 Kategorien; Vergleichspunkt: über Fable 5's 1631; verbessert von K2.6's #18 (Arena / LMArena)
• GDPval-AA v2 / AA-Briefcase — Kimi K3: 1687 (#3) / 1527 (#2); Vergleichspunkt: Artificial Analysis
• GPQA Diamond — Kimi K3: 93,5% (stärkstes offenes Modell); Vergleichspunkt: Vom Anbieter gemeldet
• BrowseComp / HLE mit Tools — Kimi K3: 91.2% / 56.0%; Vergleichspunkt: Herstellerangabe
• Agentic SWE — Kimi K3: FrontierSWE 81.2, DeepSWE 67.5; Vergleichspunkt: Hinter den Werten von Fable 5: 86.6 / 70.0
• Terminal-Bench 2.1 — Kimi K3: 88.3; Vergleichspunkt: über Fable 5s 84.6 (Warnung zur Harness-Mischung unten)
Zwei Dinge schmälern die Erfolge. Erstens wird der Preisvorteil teilweise aufgezehrt durch Weitschweifigkeit — K3 emittiert etwa doppelt so viele Ausgabetokens wie der Median der Mitbewerber bei vergleichbaren Aufgaben — plus eine ~34-Sekunden-First-Token-Latenz. Zweitens ist der Vorteil bei Terminal-Bench mit einer Warnung von @ChrissGPT verbunden: Moonshot's benchmarks "verwenden oft Terminal 2 statt 2.1," also behandeln Sie Vergleiche über verschiedene Testumgebungen hinweg vorsichtig. Unabhängig davon, bevor der offizielle Index veröffentlicht wurde, schätzte @teortaxesTex "~55ish AA… um Opus 4.8 oder GPT 5.5."
Community-Test-Zusammenfassung
Der Beweis, der Kimi K3 zu einer Geschichte machte, ist die Flut von Arena-Einzelspielen. Hier ein repräsentativer Auszug — Tester, Aufgabe und Urteil, jeweils verlinkt zum ursprünglichen Beitrag.
• @synthwavedd — Aufgabe: Allgemeiner Stresstest; Urteil: "Noch ein DeepSeek R1-Moment… oft auf Fable-Niveau, vielleicht etwas schlechter, aber durchweg besser als 5.6. Ein Biest."
• @chetaslua — Aufgabe: Programmieren, Kopf-an-Kopf gegen Fable; Urteil: „Übertrifft alle Open-Source-Modelle… auf Augenhöhe mit Fable, manchmal bessere Qualität“
• @Gc_qube — Aufgabe: 3D / Spiele vs Fable 5; Urteil: "Kimi K3 hat gewonnen… das erste Modell, das mit Fable gleichgezogen ist"
• @abhinavflac — Aufgabe: Sakura-Bonsai-Render; Urteil: „Claude Fable geschlagen – den verdrehten Stamm und die geschichtete Krone perfekt hinbekommen“
• @testingcatalog — Aufgabe: Universe-sim vs Fable 5; Urteil: "Fable war schneller fertig mit robusterer UX; K3 viel komplexer und optisch ansprechender… sehr knapp"
• @israfill — Aufgabe: Gleiche Universum-Simulationsaufforderung; Urteil: "K3 gewinnt aufgrund dichter kreativer Ausgabe und 'wie hat es das gebaut'-Momente… überrascht, wie nah das ist"
• @mirochill — Aufgabe: Frontend One-Shot (Französisch); Bewertung: "Entspricht 5.6 Pro, besser als Fable 5, in einem einzigen Versuch" (Beleuchtungsprobleme festgestellt)
• @jun_song — Aufgabe: Flappy Bird vs Opus 4.8; Urteil: „Deutlich besser als Opus… Opus-5-Niveau“
• @JustinGorya — Aufgabe: Single-file HTML Minecraft; Urteil: "Ein neuer Meilenstein… unglaublich in 3D und Frontend" (Antwort: "Das ist ein One-Shot. Verrückt")
• @redkendl — Aufgabe: 3D-Papierflieger-Spiel; Urteil: „Ein Versuch hat genügt … Fable 5 / GPT-5.6-Niveau-Ausgabe. Chinesische Labore liegen nicht mehr 8 Monate zurück“
• @noctus91 — Aufgabe: Interaktive 3D-Erlebnisse; Urteil: „Der Detailgrad, der Feinschliff und die Gesamtqualität sind ehrlich wild“
• @Lentils80 — Aufgabe: Frontend-Seite; Bewertung: „SEHR langsam — dauerte 35 Minuten — aber eines der besten Ergebnisse, die ich je von dieser Aufforderung gesehen habe“
Cheerleader vs. Skeptiker
Die Argumentation für die Bullen ist klar: Ein Open-Weight-Modell, das bei kreativen und Frontend-Aufgaben mit einem geschlossenen Spitzenmodell mithalten kann und nur ein Drittel kostet, ist tatsächlich neu. @notjazii nannte ein frühes Ergebnis "ein neues SOTA-Modell, das heute veröffentlicht wird, moonshot cooked", und @chetaslua bezeichnete es als "wieder ein DeepSeek-Moment für OSS."
Die Skeptiker wehren sich heftig, und ihre Einwände sind jedes Mal dieselben drei:
• Ausgewählte Demos. Im Bonsai-Test antwortete @Heeseon: „Jeder kann sehen, dass Fable 5 gewonnen hat“, und @sebuzdugan merkte an: „Eine Bonsai-Stichprobe zeigt Stilkontrolle, aber keine Zuverlässigkeit über verschiedene Seeds hinweg.“
• Fable ist einfach besser. Im Thread von Gc_qube sagte @victor_vibing unverblümt: "Fable ist viel besser. Unvergleichlich viel besser."
• Gleiche Ästhetik, keine echte Bandbreite. @_everythingism argumentierte, die Ausgaben hätten „alle die ‚Claude-Ästhetik‘… generieren immer wieder eine bestimmte Art von Design“, und bei Opus-Tests sagte @MCharles10581 einfach: „es scheint, als sei opus besser.“
Der nützlichste Rahmen stammt von @teortaxesTex, der K3 selbst noch nicht getestet hatte. Sein Punkt betrifft eine Anstrengungs-/Geschmackslücke, keine Fähigkeitsgrenze: „Selbst Fable und Sol produzieren so viel SLOP … Kimi versagt nicht so sehr bei Aufgaben, sondern produziert weniger interessante und detaillierte Sachen und geht nicht die Extrameile.“ Für menschengesteuerte agentische Codierung bei objektiven Aufgaben erwartet er, dass K3 „unvernünftig nahe kommen sollte“. Und der strategische Knaller: „Jedes chinesische Modell, das die Lücke lediglich *aufrechterhält* … ist eine heldenhafte Leistung.“ So lautet die ehrliche Lesart – K3 verringert den Abstand bei messbaren Aufgaben und verliert ein wenig beim Geschmack, genau das zeigen seine Benchmarks.
FAQ
Ist Kimi K3 genauso gut wie Fable 5?
Im Frontend und bei 3D-Einzelfällen sagen Tester ja – es führt die Frontend-Tabelle von Arena an (1679 vs. 1631) und mehrere direkte Vergleiche nannten es einen Sieg oder ein Unentschieden. Bei agentischem Codieren hinkt es noch hinterher (FrontierSWE 81,2 vs. 86,6), und Skeptiker argumentieren, dass Fable einen Vorteil in puncto Feinschliff und Zuverlässigkeit über verschiedene Seeds hinweg hat.
Ist Kimi K3 Open Source?
Es ist ein Open-Weight-Modell: Moonshot hat versprochen, die Gewichte vor dem 27. Juli 2026 zu veröffentlichen. Zum Start war es nur über API/Web verfügbar. Als das bisher größte Open-Weight-Modell (2,8T MoE) ist diese Veröffentlichung das Hauptereignis.
Wie viel kostet Kimi K3?
$3 / $15 pro 1M Input/Output-Token, mit Cache-Treffern um $0,30. Das ist Moonshots teuerstes Modell aller Zeiten (K2.6 war $0,95/$4), aber immer noch etwa ein Drittel von Fable 5's $10 / $50 – obwohl ausführliche Ausgabe den realen Unterschied verringert.
Ist Kimi K3 besser als GPT-5.6?
Tester neigen zu „Ja“ bei kreativen und 3D-Arbeiten – @synthwavedd nannte es „durchweg besser als 5.6“ und @mirochill stellte es auf eine Stufe mit 5.6 Pro. Aber beim AA Index liegt GPT-5.6 Sol immer noch über K3, und Fable 5 und 5.6 Sol führen auf Terminal 2.1.
Wann wurde Kimi K3 veröffentlicht?
Offiziell angekündigt am 16. Juli 2026, nachdem es um den 14. Juli herum als "Kivine" auf Arena aufgetaucht war. Offene Gewichte wurden vor dem 27. Juli 2026 versprochen.
Fazit
Kimi K3ist der stärkste erste Eindruck, den ein Open-Weight-Modell seit dem ursprünglichen DeepSeek-Moment hinterlassen hat: Kreative und Frontend-Ausgaben auf Fable-5-Niveau, Spitze des Arena-Frontend-Boards, zu etwa einem Drittel des Preises von Fable. Halten Sie die Begeisterung einfach auf „directional“ – es ist wortreich, langsam, noch hinterher bei agentischem Programmieren, und jedes „gewonnen“ oben ist ein früher Arena-Eindruck, kein geprüfter Benchmark. Wenn die Gewichte vor dem 27. Juli veröffentlicht werden, werden die kontrollierten Tests zeigen, ob der Hype Bestand hatte.
