Kimi K3 vs Fable 5, GPT-5.6 & Opus 4.8: Kami Menguji Hype

Kimi K3 adalah andalan baru Moonshot AI, dan selama beberapa hari di bulan Juli 2026, model ini menjadi model yang paling banyak diuji di internet. Model ini pertama kali muncul di situs evaluasi Arena sebagai model misterius dengan nama sandi "Kivine" — yang menyebut dirinya "dari Moonshot labs" dengan batas pengetahuan Januari 2025 — sebelum Moonshot secara resmi mengumumkannya pada 16 Juli 2026, dengan bobot terbuka yang dijanjikan sebelum 27 Juli. Judul yang muncul berulang dari para penguji: Kimi K3 berada di sekitar Claude Fable 5, dan sering mengungguli GPT-5.6 dalam pekerjaan kreatif dan 3D. Ulasan kesan pertama ini menggabungkan spesifikasi, tulang punggung tolok ukur, dan selusin pengujian komunitas menjadi satu.

Catatan untuk para pengembang: ini adalah uji coba komunitas awal yang tidak terkontrol, jadi perlakukan sebagai indikasi, bukan skor. OrcaRouter menempatkan model yang tersedia melalui API di belakang satu titik akhir yang kompatibel dengan OpenAI, sehingga setelah Kimi K3API sudah aktif, Anda dapat mengujinya terhadap Fable 5 dan GPT-5.6 tanpa harus menghubungkan beberapa SDK.

Putusan TL;DR.Kimi K3 adalah model bobot-terbuka pertama yang secara kredibel mencapai kisaran Fable 5 pada frontend, 3D, dan one-shots kreatif — model ini memuncaki papan peringkat frontend Arena dan berada di #4 pada Artificial Analysis Index. Namun, model ini verbose dan lambat (satu build frontend memakan waktu 35 menit), tertinggal dari Fable dalam coding agen, dan putusan "menang" adalah kesan awal Arena, bukan tolok ukur yang diaudit. Mengesankan, tetapi belum final.

Poin-poin penting

•  Kimi K3 adalah 2.8T-parameter MoE, diposisikan sebagai model open-weight terbesar hingga saat ini, dengan bobot terbuka yang akan tersedia sebelum 27 Juli.

•  Pada evaluasi pihak ketiga yang netral, ia berada di peringkat #4 dari 189 pada AA Intelligence Index (57) dan #1 pada papan frontend-code Arena (1679), di atas 1631 milik Fable 5.

• Dihargai $3 / $15 per 1 juta token — Model termahal Moonshot yang pernah ada, tetapi masih sekitar sepertiga dari $10 / $50 milik Fable 5.

• Para penguji berulang kali menyebutnya "level Fabel"; para skeptis mengatakan bahwa perbandingan langsungnya dipilih-pilih dan masih kalah dalam tugas agen multi-langkah.

• Perhatikan peringatan: output verbose (~2x token median peer), ~34s latensi token pertama, dan masih tertinggal dari Fable di FrontierSWE dan DeepSWE.

Spesifikasi dan tulang punggung benchmark

Ini data kerasnya, setiap angka diatribusikan ke sumbernya.

• Arsitektur — Kimi K3: 2.8T MoE (896 ahli, 16 aktif), Kimi Delta Attention, konteks 1M, visi asli; Titik perbandingan: Model open-weight terbesar hingga saat ini (Moonshot, dilaporkan vendor)

•  Varian — Kimi K3: K3 Max (chat/agen), K3 Swarm Max (paralel); Titik perbandingan: —

• Harga (masuk / keluar) — Kimi K3: $3 / $15 per 1M; cache-hit ~$0,30; Titik perbandingan: Fable 5 dengan harga $10 / $50 (~3,3x lebih)

•  AA Intelligence Index — Kimi K3: 57 — #4 dari 189; Titik perbandingan: Di bawah dua configs Fable 5 + GPT-5.6 Sol; di atas Opus 4.8, Sonnet 5, GLM-5.2 (Artificial Analysis)

•  Arena frontend-code — Kimi K3: #1 pada 1679, memenangkan 6 dari 7 kategori; Titik perbandingan: Di atas 1631 milik Fable 5; naik dari #18 milik K2.6 (Arena / LMArena)

•  GDPval-AA v2 / AA-Briefcase — Kimi K3: 1687 (#3) / 1527 (#2); Titik perbandingan: Artificial Analysis

•  GPQA Diamond — Kimi K3: 93.5% (model terbuka terkuat); Titik perbandingan: dilaporkan vendor

• BrowseComp / HLE w/ tools — Kimi K3: 91.2% / 56.0%; Titik perbandingan: Dilaporkan vendor

•  Agentic SWE — Kimi K3: FrontierSWE 81.2, DeepSWE 67.5; Titik perbandingan: Di belakang Fable 5's 86.6 / 70.0

• Terminal-Bench 2.1 — Kimi K3: 88.3; Titik perbandingan: Di atas 84.6 milik Fable 5 (peringatan pencampuran harness di bawah)

Dua hal mengurangi kemenangan. Pertama, keunggulan harga sebagian dimakan oleh kebertele-telean — K3 mengeluarkan sekitar dua kali lipat token output median sejawat pada tugas yang sebanding — ditambah ~34 detik latensi token pertama. Kedua, keunggulan Terminal-Bench disertai dengan peringatan dari @ChrissGPT: tolok ukur Moonshot "sering menggunakan Terminal 2 alih-alih 2.1," jadi perlakukan perbandingan lintas-kerangka dengan hati-hati. Secara independen, sebelum indeks resmi dirilis, @teortaxesTex memperkirakan "~55ish AA… sekitar Opus 4.8 atau GPT 5.5."

Rangkuman tes komunitas

Bukti yang menjadikan Kimi K3 sebagai sebuah cerita adalah banjirnya one-shot Arena. Berikut adalah cuplikan perwakilan — penguji, tugas, dan vonis, masing-masing ditautkan ke pos asli.

•  @synthwavedd — Tugas: Pengujian stres umum; Vonis: "Momen DeepSeek R1 lainnya… sering kali level Fable, mungkin sedikit lebih buruk, tetapi konsisten lebih baik dari 5.6. Seekor binatang buas."

• @chetaslua — Tugas: Coding, head-to-head vs Fable; Putusan: "Mengungguli semua model sumber terbuka… setara dengan Fable, terkadang kualitas lebih baik"

•  @Gc_qube — Tugas: 3D / game vs Fable 5; Vonis: "Kimi K3 menang… model pertama yang menyamai Fable"

•  @abhinavflac — Tugas: Render bonsai Sakura; Vonis: "Mengalahkan Claude Fable — berhasil pada batang bengkok dan kanopi berlapis"

•  @testingcatalog — Tugas: Universe-sim vs Fable 5; Vonis: "Fable selesai lebih cepat dengan UX yang lebih kokoh; K3 jauh lebih kompleks dan menarik secara visual… sangat dekat"

•  @israfill — Tugas: Prompt simulasi alam semesta yang sama; Putusan: "K3 unggul dalam hasil kreatif yang padat dan momen 'bagaimana ia membangun itu'… terkejut betapa dekatnya ini"

•  @mirochill — Tugas: Frontend satu-kali (Prancis); Putusan: "Setara dengan 5.6 Pro, lebih baik dari Fable 5, dalam satu percobaan" (masalah pencahayaan dicatat)

•  @jun_song — Tugas: Flappy Bird vs Opus 4.8; Vonis: "Secara signifikan lebih baik daripada Opus… level Opus-5"

• @JustinGorya — Tugas: Minecraft HTML file tunggal; Putusan: "Sebuah pencapaian baru… luar biasa dalam 3D dan front end" (balasan: "Ini satu tembakan. Gila")

•  @redkendl — Tugas: permainan pesawat kertas 3D; Putusan: "Sekali tembak… output level Fable 5 / GPT-5.6. Laboratorium China tidak lagi tertinggal 8 bulan"

•  @noctus91 — Tugas: Pengalaman 3D interaktif; Keputusan: "Tingkat detail, polesan, dan kualitas keseluruhan benar-benar liar"

•  @Lentils80 — Tugas: Halaman frontend; Putusan: "SANGAT lambat — memakan waktu 35 menit — tetapi salah satu output terbaik yang pernah saya lihat dari prompt ini"

Pendukung vs Skeptis

Kasus bull-nya jelas: model open-weight yang menyamai flagship frontier tertutup dalam pekerjaan kreatif dan frontend, dengan harga sepertiga, benar-benar baru. @notjazii menyebut output awal "model SOTA baru yang dirilis hari ini, moonshot matang," dan @chetaslua menyebutnya sebagai "momen deepseek lagi untuk OSS."

Para skeptis melawan balik dengan keras, dan setiap kali keberatan mereka adalah tiga hal yang sama:

•  Demo yang dipilih khusus. Pada tes bonsai, @Heeseon menjawab "siapa pun bisa melihat Fable 5 menang," dan @sebuzdugan mencatat "satu sampel bonsai menunjukkan kontrol gaya, bukan keandalan di berbagai benih."

•  Fable jelas lebih baik. Di thread Gc_qube, @victor_vibing berkata dengan datar: "Fable jauh lebih baik. Tak tertandingi."

•  Estetika yang sama, bukan rentang nyata. @_everythingism berpendapat bahwa hasilnya "semuanya memiliki 'estetika Claude'… menghasilkan jenis desain tertentu berulang kali," dan pada tes Opus @MCharles10581 hanya berkata "sepertinya opus lebih baik."

Bingkai paling berguna berasal dari @teortaxesTex, yang bahkan belum menguji K3 sendiri. Poinnya adalah tentang kesenjangan usaha/selera, bukan dinding kemampuan: "bahkan Fable dan Sol menghasilkan begitu banyak SLOP… Kimi tidak begitu gagal dalam sesuatu, melainkan membuat hal-hal yang kurang menarik dan kurang detail, tidak berusaha lebih." Untuk pengkodean agen dengan manusia dalam siklus pada tugas objektif, dia memperkirakan K3 "seharusnya mendekat secara tidak wajar." Dan pukulan strategisnya: "setiap model China yang sekadar *mempertahankan* kesenjangan… adalah prestasi heroik." Itulah bacaan jujur — K3 menutup jarak pada tugas-tugas yang terukur dan kehilangan sedikit dalam hal selera, persis seperti yang ditunjukkan oleh tolok ukurnya.

FAQ

Apakah Kimi K3 sebagus Fable 5?

Pada frontend dan 3D one-shots, para penguji mengatakan ya — ia memuncaki papan frontend Arena (1679 vs 1631) dan berbagai head-to-head menyebutnya sebagai kemenangan atau seri. Pada coding agen, ia masih tertinggal (FrontierSWE 81,2 vs 86,6), dan para skeptis berargumen bahwa Fable unggul dalam polesan dan keandalan di berbagai seeds.

Apakah Kimi K3 bersumber terbuka?

Ini adalah model open-weight: Moonshot berjanji akan merilis bobotnya sebelum 27 Juli 2026. Saat peluncuran, hanya tersedia melalui API/web. Sebagai model open-weight terbesar hingga saat ini (2.8T MoE), perilisan tersebut adalah acara utama.

Berapa harga Kimi K3?

$3 / $15 per 1 juta token input/output, dengan cache hit sekitar $0,30. Itu adalah model termahal Moonshot yang pernah ada (K2.6 adalah $0,95/$4), tetapi masih sekitar sepertiga dari $10 / $50 milik Fable 5 — meskipun output yang verbose mempersempit kesenjangan di dunia nyata.

Apakah Kimi K3 lebih baik daripada GPT-5.6?

Para penguji cenderung setuju pada karya kreatif dan 3D — @synthwavedd menyebutnya "secara konsisten lebih baik dari 5.6" dan @mirochill menempatkannya setara dengan 5.6 Pro. Namun pada Indeks AA, GPT-5.6 Sol masih berada di atas K3, dan Fable 5 serta 5.6 Sol memimpin di Terminal 2.1.

Kapan Kimi K3 dirilis?

Secara resmi diumumkan pada 16 Juli 2026, setelah muncul di Arena sebagai "Kivine" sekitar 14 Juli. Bobot terbuka dijanjikan sebelum 27 Juli 2026.

Intinya

Kimi K3 adalah kesan pertama terkuat yang dibuat oleh model dengan bobot terbuka sejak momen DeepSeek asli: keluaran kreatif dan frontend setara Fable-5-range, puncak papan Arena frontend, dengan harga sekitar sepertiga dari Fable. Tahan saja antusiasme pada level "directional" — model ini bertele-tele, lambat, masih tertinggal dalam coding agenik, dan setiap "kemenangan" di atas adalah kesan awal dari Arena, bukan tolok ukur yang diaudit. Ketika bobot dirilis sebelum 27 Juli, tes terkendali akan memberi tahu apakah hype itu bertahan.