Prüfen Sie Kimi K3 Tokenpreise und Chat Completions-Beispiele für Programmierung und Dokumentanalyse. Kontrollieren Sie unterstützte Eingaben, Reasoning-Verhalten und Integrationsgrenzen.
Referenzpreis – nicht unabhängig geprüft. Prüfen Sie vor einem Kostenvergleich die aktuellen Tarife, Abrechnungseinheiten und geltenden Bedingungen des Anbieters.
Online-Chatwerkzeug für Kimi K3
Modelleinstellungen
Was bewirkt das Gedächtnis?
Abgeschlossene, wiederverwendbare Gesprächsrunden werden in die nächste Anfrage aufgenommen. So sind Rückfragen möglich, ohne den Kontext zu wiederholen.
Was passiert bei ausgeschaltetem Gedächtnis?
Nur Ihre neue Nachricht und ein gegebenenfalls vorhandener System-Prompt werden gesendet. Vorherige Nachrichten bleiben sichtbar; nach dem Einschalten werden geeignete frühere Gesprächsrunden wieder einbezogen.
Ist dies ein Langzeitgedächtnis?
Nein. Es ist der Kontext dieses Gesprächs, kein Gedächtnis über getrennte Gespräche hinweg. Fehlgeschlagene, gestoppte, gekürzte oder nicht wiederverwendbare Antworten sind ausgeschlossen. Mehr Verlauf kann mehr Eingabe-Token verbrauchen und die Kosten erhöhen.
Erweiterte Parameter
0 oder mehr Zeichen(0/Keine feste Grenze)
Keine feste Zeichengrenze; für die gesamte Anfrage gelten Größen- und Modellkontextgrenzen. Dies ist keine Token-Zählung.
0 – 2
0 – 1
-2 – 2
-2 – 2
Unterhaltung
Wie kann ich Ihnen heute helfen?
Noch keine Antwortdaten
Bereit
Aufgezeichnete API Hop-Beispiele
Am 22. Oktober 2026 über API Hop aufgezeichnet. Jedes Ergebnis entspricht einer Anfrage für das genannte Modell und den Modus und ist keine Garantie für Erfolgsquote, Geschwindigkeit oder Produktionsqualität. Die Modellantworten unten bleiben in ihrer Originalsprache.
Release-Entscheidung mit Absatzbelegen
kimi-k3 · document-citations ·
Wörtlicher Auszug
**Answer summary:** Production release is **not approved**. Staging established only export-formatting/export v7 verification — nothing about production. **Mei** owns the remaining duplicate-delivery tests; documentation ownership is **unassigned**.
Vollständige Modellantwort (unverändert)
**Answer summary:** Production release is **not approved**. Staging established only export-formatting/export v7 verification — nothing about production. **Mei** owns the remaining duplicate-delivery tests; documentation ownership is **unassigned**.
| Conclusion | Exact supporting quote | Paragraph ID | Uncertainty |
|---|---|---|---|
| Production release is not approved; approval was withheld pending tests | "the release reviewer withheld production approval until duplicate-delivery tests pass" | P31 | Low — explicit statement |
| No approval or completed test recorded later (cross-check of P04's Friday shipping proposal, which "was not an approval") | "No completed test result or production approval is recorded in this document." | P36 | Low — explicit; P04 proposal superseded by P31/P36 |
| Staging established export formatting checks passed (repeated across components), and verified export v7 on synthetic data only | "staging verified export version 7 with three synthetic records. Production deployment and billing checks were not performed." | P18 | Low for staging result; production readiness not established |
| Staging did not measure production latency, charges, or customer outcomes | "no production latency, charge or customer outcome was measured" | P01 (and P02–P03, P05–P17, P19–P30, P32–P35, identical wording) | Low — explicit; applies to all component entries |
| Remaining duplicate-delivery tests are owned by Mei | "Mei owns those tests." | P31 | Low — explicit; tests scheduled, not completed ("Mei scheduled duplicate-delivery tests for October 16," P36) |
| Documentation has no owner; a documentation check was only planned | "Documentation ownership remains unassigned." | P31 (earlier: "Documentation ownership was still unassigned," P04) | Low that it is unassigned as of this document; future owner unknown. Note: component entries say "The named reviewer will check documentation next week" (e.g., P01), but no name is given and no completion is recorded |
**Unresolved questions:**
1. Did the duplicate-delivery tests scheduled for October 16 (P36) pass, and has the release reviewer since granted production approval?
2. Who will be assigned documentation ownership, and did the unnamed "named reviewer" ever complete the documentation check promised for "next week" (P01 et al.)?
Das Dokument ist synthetisch und kein Test des maximalen Kontexts. Die Schlussfolgerungen stimmen mit der Eingabe überein, aber zwei ergänzende Zitate ersetzen Satzpunkte durch Kommas: das P36-Zitat zur Testplanung und das P04-Zitat zur Dokumentationsverantwortung. Diese Satzzeichen sind nicht originalgetreu; die Belege müssen weiterhin manuell geprüft werden.
Vollständige Anfrage und Eingabe
POST /v1/chat-completions
{
"model": "kimi-k3",
"messages": [
{
"role": "user",
"content": "Use only the following synthetic document. Answer: Is production release approved? What did staging establish? Who owns the remaining tests and documentation? Return a compact table of conclusion, exact supporting quote, paragraph ID and uncertainty, followed by two unresolved questions. Cross-check proposals against later updates; never infer a completed test or production success. Keep the answer under 500 words. This sample tests citation accuracy on this document, not maximum context length.\n\n[P01] Component 1 review: staging checks passed for export formatting. Production rollout has not been approved by this entry. The named reviewer will check documentation next week; no production latency, charge or customer outcome was measured. This paragraph records a proposed review, not completion.\n\n[P02] Component 2 review: staging checks passed for export formatting. Production rollout has not been approved by this entry. The named reviewer will check documentation next week; no production latency, charge or customer outcome was measured. This paragraph records a proposed review, not completion.\n\n[P03] Component 3 review: staging checks passed for export formatting. Production rollout has not been approved by this entry. The named reviewer will check documentation next week; no production latency, charge or customer outcome was measured. This paragraph records a proposed review, not completion.\n\n[P04] On October 10, the release coordinator proposed shipping export version 7 on Friday. The proposal was not an approval. Documentation ownership was still unassigned.\n\n[P05] Component 5 review: staging checks passed for export formatting. Production rollout has not been approved by this entry. The named reviewer will check documentation next week; no production latency, charge or customer outcome was measured. This paragraph records a proposed review, not completion.\n\n[P06] Component 6 review: staging checks passed for export formatting. Production rollout has not been approved by this entry. The named reviewer will check documentation next week; no production latency, charge or customer outcome was measured. This paragraph records a proposed review, not completion.\n\n[P07] Component 7 review: staging checks passed for export formatting. Production rollout has not been approved by this entry. The named reviewer will check documentation next week; no production latency, charge or customer outcome was measured. This paragraph records a proposed review, not completion.\n\n[P08] Component 8 review: staging checks passed for export formatting. Production rollout has not been approved by this entry. The named reviewer will check documentation next week; no production latency, charge or customer outcome was measured. This paragraph records a proposed review, not completion.\n\n[P09] Component 9 review: staging checks passed for export formatting. Production rollout has not been approved by this entry. The named reviewer will check documentation next week; no production latency, charge or customer outcome was measured. This paragraph records a proposed review, not completion.\n\n[P10] Component 10 review: staging checks passed for export formatting. Production rollout has not been approved by this entry. The named reviewer will check documentation next week; no production latency, charge or customer outcome was measured. This paragraph records a proposed review, not completion.\n\n[P11] Component 11 review: staging checks passed for export formatting. Production rollout has not been approved by this entry. The named reviewer will check documentation next week; no production latency, charge or customer outcome was measured. This paragraph records a proposed review, not completion.\n\n[P12] Component 12 review: staging checks passed for export formatting. Production rollout has not been approved by this entry. The named reviewer will check documentation next week; no production latency, charge or customer outcome was measured. This paragraph records a proposed review, not completion.\n\n[P13] Component 13 review: staging checks passed for export formatting. Production rollout has not been approved by this entry. The named reviewer will check documentation next week; no production latency, charge or customer outcome was measured. This paragraph records a proposed review, not completion.\n\n[P14] Component 14 review: staging checks passed for export formatting. Production rollout has not been approved by this entry. The named reviewer will check documentation next week; no production latency, charge or customer outcome was measured. This paragraph records a proposed review, not completion.\n\n[P15] Component 15 review: staging checks passed for export formatting. Production rollout has not been approved by this entry. The named reviewer will check documentation next week; no production latency, charge or customer outcome was measured. This paragraph records a proposed review, not completion.\n\n[P16] Component 16 review: staging checks passed for export formatting. Production rollout has not been approved by this entry. The named reviewer will check documentation next week; no production latency, charge or customer outcome was measured. This paragraph records a proposed review, not completion.\n\n[P17] Component 17 review: staging checks passed for export formatting. Production rollout has not been approved by this entry. The named reviewer will check documentation next week; no production latency, charge or customer outcome was measured. This paragraph records a proposed review, not completion.\n\n[P18] On October 11, staging verified export version 7 with three synthetic records. Production deployment and billing checks were not performed.\n\n[P19] Component 19 review: staging checks passed for export formatting. Production rollout has not been approved by this entry. The named reviewer will check documentation next week; no production latency, charge or customer outcome was measured. This paragraph records a proposed review, not completion.\n\n[P20] Component 20 review: staging checks passed for export formatting. Production rollout has not been approved by this entry. The named reviewer will check documentation next week; no production latency, charge or customer outcome was measured. This paragraph records a proposed review, not completion.\n\n[P21] Component 21 review: staging checks passed for export formatting. Production rollout has not been approved by this entry. The named reviewer will check documentation next week; no production latency, charge or customer outcome was measured. This paragraph records a proposed review, not completion.\n\n[P22] Component 22 review: staging checks passed for export formatting. Production rollout has not been approved by this entry. The named reviewer will check documentation next week; no production latency, charge or customer outcome was measured. This paragraph records a proposed review, not completion.\n\n[P23] Component 23 review: staging checks passed for export formatting. Production rollout has not been approved by this entry. The named reviewer will check documentation next week; no production latency, charge or customer outcome was measured. This paragraph records a proposed review, not completion.\n\n[P24] Component 24 review: staging checks passed for export formatting. Production rollout has not been approved by this entry. The named reviewer will check documentation next week; no production latency, charge or customer outcome was measured. This paragraph records a proposed review, not completion.\n\n[P25] Component 25 review: staging checks passed for export formatting. Production rollout has not been approved by this entry. The named reviewer will check documentation next week; no production latency, charge or customer outcome was measured. This paragraph records a proposed review, not completion.\n\n[P26] Component 26 review: staging checks passed for export formatting. Production rollout has not been approved by this entry. The named reviewer will check documentation next week; no production latency, charge or customer outcome was measured. This paragraph records a proposed review, not completion.\n\n[P27] Component 27 review: staging checks passed for export formatting. Production rollout has not been approved by this entry. The named reviewer will check documentation next week; no production latency, charge or customer outcome was measured. This paragraph records a proposed review, not completion.\n\n[P28] Component 28 review: staging checks passed for export formatting. Production rollout has not been approved by this entry. The named reviewer will check documentation next week; no production latency, charge or customer outcome was measured. This paragraph records a proposed review, not completion.\n\n[P29] Component 29 review: staging checks passed for export formatting. Production rollout has not been approved by this entry. The named reviewer will check documentation next week; no production latency, charge or customer outcome was measured. This paragraph records a proposed review, not completion.\n\n[P30] Component 30 review: staging checks passed for export formatting. Production rollout has not been approved by this entry. The named reviewer will check documentation next week; no production latency, charge or customer outcome was measured. This paragraph records a proposed review, not completion.\n\n[P31] On October 12, the release reviewer withheld production approval until duplicate-delivery tests pass. Mei owns those tests. Documentation ownership remains unassigned.\n\n[P32] Component 32 review: staging checks passed for export formatting. Production rollout has not been approved by this entry. The named reviewer will check documentation next week; no production latency, charge or customer outcome was measured. This paragraph records a proposed review, not completion.\n\n[P33] Component 33 review: staging checks passed for export formatting. Production rollout has not been approved by this entry. The named reviewer will check documentation next week; no production latency, charge or customer outcome was measured. This paragraph records a proposed review, not completion.\n\n[P34] Component 34 review: staging checks passed for export formatting. Production rollout has not been approved by this entry. The named reviewer will check documentation next week; no production latency, charge or customer outcome was measured. This paragraph records a proposed review, not completion.\n\n[P35] Component 35 review: staging checks passed for export formatting. Production rollout has not been approved by this entry. The named reviewer will check documentation next week; no production latency, charge or customer outcome was measured. This paragraph records a proposed review, not completion.\n\n[P36] On October 13, Mei scheduled duplicate-delivery tests for October 16. No completed test result or production approval is recorded in this document."
}
],
"stream": false,
"max_tokens": 4096
}
Dies sind Evaluierungs-Prompts für Kimi K3, keine aufgezeichneten Modellausgaben. Sie analysieren nur den bereitgestellten Text; sie führen keinen Code aus, prüfen keine Produktionssysteme und belegen keine Langkontext-Leistung. Prüfen Sie zitierte Belege und Abnahmekriterien sowie vor dem Produktionseinsatz Antwortmetadaten und Nutzung.
Nutzen Sie nur dieses Dokumentbeispiel: [P1] Die Exportkorrektur bestand Staging-Prüfungen. [P2] Eine Freitagsveröffentlichung wurde vorgeschlagen, nicht genehmigt. [P3] Mei prüft Fehlermeldungen am Dienstag. [P4] Der Dokumentation ist niemand zugewiesen. Erstellen Sie eine Tabelle aus Aussage, exakt stützendem Zitat, Absatz-ID und Unsicherheit. Ist die Produktionsfreigabe genehmigt? Wer ist für die Dokumentation zuständig? Fehlende Fakten sind unbekannt. Jedes Zitat muss dem Beispiel entsprechen; aus Staging folgt kein Produktionserfolg. Das kleine Beispiel testet nicht die maximale Kontextlänge.
Extrahieren Sie diese synthetischen Datensätze als JSON mit id, owner, deadline und evidence: [R1] Vorgang 41: Ana betreut die Exportkorrektur; keine Frist vereinbart. [R2] Vorgang 42: Prüfung fällig am 15. Oktober; niemand zugewiesen; Jahr fehlt. Verwenden Sie null für fehlende Werte und erhalten Sie unvollständige Datumsangaben. Zitieren Sie die Quelle in evidence. Erfinden Sie kein Jahr und keine Zuständigkeit. Prüfen Sie jedes Feld gegen seinen Datensatz; es ist Textformatierung, keine Datenbankoperation.
Ein fiktives Zweierteam erstellt täglich 2.000 Berichte. Abschluss innerhalb von 30 Minuten ist akzeptabel. Es hat eine Datenbank, aber keinen Warteschlangendienst; Aufträge müssen nach Neustarts wiederherstellbar sein und doppelte Zustellung vermeiden. Vergleichen Sie datenbankgestützte Stapelverarbeitung mit einer eigenen Queue. Geben Sie eine Entscheidungstabelle, eine bedingte Empfehlung, drei Unbekannte und eine Bedingung an, die Ihre Wahl umkehrt. Keine erfundenen Benchmarks, Kosten oder geprüften Garantien.
Was ist Kimi K3?
Ein nativ multimodales Modell für ausdauerndes Programmieren und Wissensarbeit
Wir ordnen Kimi K3 als Denk- und Agentenmodell für komplexe Aufgaben ein, besonders für Arbeit, die dauerhaftes Kontextverständnis, Werkzeugaufrufe und Überarbeitungen anhand von Ergebnissen erfordert. Das von Moonshot AI entwickelte multimodale Modell mit nativer visueller Verarbeitung versteht Text, Bilder und Video. Seine Anwendungen umfassen Projektprogrammierung, Recherche und mehrstufige Wissensarbeit.
Die multimodalen Fähigkeiten erweitern die Einsatzmöglichkeiten, etwa um Bildverständnis und OCR. Gegenüber herkömmlichen OCR-Lösungen liegt der Vorteil darin, ohne Training eines separaten Modells ein gutes Verständnis zu erhalten.
Ein MoE-Modell mit offenen Gewichten und einer Million Token Kontext
Kimi K3 verwendet eine Mixture-of-Experts-Architektur, kurz MoE, mit insgesamt 2,8 Billionen Parametern und ungefähr 104 Milliarden aktiven Parametern je Token. Das Kontextfenster beträgt 1.048.576 Tokens. Die vollständigen Modellgewichte wurden unter der Kimi K3 License veröffentlicht.
Der praktische Nutzen eines Millionen-Token-Kontexts liegt aus unserer Sicht darin, mehr zusammengehöriges Material in eine Analyse aufzunehmen, etwa Projektspezifikationen, Code aus mehreren Modulen und frühere Diskussionen. Für Teams mit eigener Bereitstellung ermöglichen offene Gewichte einigen Unternehmen und Nutzern außerdem Selbsthosting.
Ständiges Schlussfolgern mit drei Denkstufen
Kimi K3 denkt immer. Die aktuelle offizielle Kimi-API bietet über reasoning_effort drei Stufen: low, high und max, mit max als Standard.
Wir empfehlen ein Denkbudget nach Aufgabenschwierigkeit: Beginnen Sie mit low bei einfacher Klassifizierung und Informationsextraktion, mit high bei mehrstufigen Analysen und vergleichen Sie max für komplexe Aufgaben mit wiederholter Prüfung von Bedingungen. Nach unserer Erfahrung mit anderen Modellen bietet max nicht unbedingt den besten Gesamtnutzen. Testen und beurteilen Sie es daher anhand Ihres Anwendungsfalls.
Das Online-Werkzeug und die API für Kimi K3 bei RequestBeam
Mit RequestBeam möchten wir Ihnen helfen, Kimi K3s Leistung bei Ihren eigenen Aufgaben schneller zu verstehen. Melden Sie sich an, erstellen Sie einen API Key und laden Sie etwas Guthaben auf, um das Online-Werkzeug zu nutzen. Sie müssen weder zuerst API-Integrationscode schreiben noch für eine kurze Bewertung ein festes Abonnement kaufen.
Kernfunktionen und Stärken von Kimi K3
Ausdauernde Softwareentwicklung: vom Anforderungsverständnis über Korrekturen bis zu Tests
Ausdauerndes Programmieren ist aus unserer Sicht die Kimi-K3-Fähigkeit, die zuerst getestet werden sollte. Wenn ein Agentenframework Datei-, Terminal- und Testwerkzeuge bereitstellt, kann es Code lesen, Implementierungen ändern, Tests ausführen und Probleme korrigieren, statt aus einer einzeiligen Anforderung nur ein Codefragment zu erzeugen.
Unter den von uns gesammelten Kundenerfahrungen berichtete ein Nutzer, Kimi K3 habe ein zuvor festgefahrenes Projekt über mehrere aufeinanderfolgende Entwicklungsphasen hinweg vorangebracht. Andere Entwickler lobten dateiübergreifende Analyse und das Erkennen von Modulbeziehungen, merkten aber an, dass die ersten Änderungsvorschläge nicht immer sicher waren und manchmal neue Probleme verursachten.
Dies zeigt aus unserer Sicht, wie Kimi K3 in echter Entwicklung eingesetzt werden sollte: Bitten Sie das Modell nicht nur, „diesen Fehler zu beheben“, sondern geben Sie ausdrückliche Testfälle, unverändert zu erhaltendes Verhalten und den zulässigen Dateiumfang vor.
Bei Backend-Refactoring, komplexer Datenverarbeitung und Produktionscode empfehlen wir, zuerst den Änderungsplan erklären zu lassen, dann die Änderungen umzusetzen und schließlich mit automatisierten Tests zu prüfen. Überspringen Sie das Code-Review nicht, auch wenn das Modell die Aufgabe als abgeschlossen meldet.
Visuelle Entwicklung: Frontend und Interaktionen anhand von Bildschirmaufnahmen fortlaufend verfeinern
Kimi K3s visuelles Verständnis ermöglicht die gemeinsame Arbeit mit Bildschirmaufnahmen, Designanforderungen und Code innerhalb derselben Aufgabe.
Beispielsweise kann das Modell zunächst aus einem Referenzbild eine Webseite erstellen. Anschließend erfassen Browserwerkzeuge die tatsächlich gerenderte Seite. Das Modell kann diese mit dem Entwurf vergleichen und Layout, Farben, Typografie sowie Interaktionsdetails weiter anpassen.
Einige Nutzer unserer Kundengruppe loben Kimi K3s Arbeit an Frontends, Visualisierungsprojekten und kleinen Spielen.
Wir halten Kimi K3 für gut geeignet bei Produktprototypen, Kampagnenseiten, visuellen Dashboards und Entwicklungsaufgaben mit wiederholten Screenshot-Vergleichen. Gerade unabhängige Entwickler können damit zuerst eine funktionsfähige Version erstellen und das Seitenerlebnis dann schrittweise verfeinern.
Zusammenarbeit mit Agentenwerkzeugen: mehrstufige Aufgaben brauchen klare Grenzen
Kimi K3 kann mit externen Werkzeugen Dateien lesen und schreiben, Terminals bedienen, Informationen abrufen und mehrstufige Automatisierungen ausführen. Das Modell entscheidet über den nächsten Schritt, während Anwendung oder Agentenframework die tatsächlichen Werkzeugaufrufe und die Ausführungsumgebung bereitstellen.
Wir achten besonders auf eine Beobachtung: Dasselbe Modell kann in verschiedenen Agentenframeworks deutlich unterschiedliche Abschlussquoten erzielen.
Auch Moonshot AI warnt, dass Kimi K3 bei unklarer Nutzerabsicht eigenständig Entscheidungen außerhalb der Erwartungen treffen kann. Bei Aufgaben mit strikter Verhaltenskontrolle empfehlen wir deshalb, Handlungsrechte in Systemprompts oder AGENTS.md festzulegen.
Benchmarks und Leistung von Kimi K3
In diesem Abschnitt verwenden wir getrennt Moonshots offizielle Tests aus der Veröffentlichungsphase und unabhängige Bewertungen von Artificial Analysis mit Stand 7. Oktober 2026. Alle nachfolgenden offiziellen Kimi-K3-Ergebnisse verwenden den Denkaufwand max. Wir behalten außerdem Benchmark-Versionen und wesentliche Testbedingungen bei, damit Sie die Relevanz für echte Aufgaben beurteilen können.
Softwareentwicklung: 67,5% bei DeepSWE und 77,8% bei ProgramBench
Moonshot berichtet für Kimi K3 67,5% bei DeepSWE v1.1 und 77,8% bei ProgramBench. Beide K3-Tests verwenden die Kimi-Code-Ausführungsumgebung. Wir nutzen sie als Hinweise auf die Fähigkeit zur Arbeit an Code-Repositories und ausdauernden Programmieraufgaben.
Teams, die einen Programmierassistenten integrieren, empfehlen wir getrennte Tests für bestehende Fehler, kleine Funktionserweiterungen und die Umsetzung kleiner Projekte. Achten Sie auf Abschluss beim ersten Versuch, Erholung nach Fehlschlägen und den manuellen Nacharbeitsbedarf des fertigen Codes. Diese Ergebnisse lassen sich leichter mit Entwicklungskosten verbinden.
Terminalaufgaben: Terminal-Bench 2.1 und 4.0 müssen getrennt betrachtet werden
In den offiziellen Tests zur Veröffentlichung erzielte Kimi K3 mit Kimi Code 88,3% bei Terminal-Bench 2.1. Im aktuellen Terminal-Bench-4.0-Test von Artificial Analysis erreicht K3 Max ungefähr 13%.
Die beiden Ergebnisse verwenden unterschiedliche Aufgabensätze und Ausführungsumgebungen. AAs 4.0-Test enthält 66 schwierigere Terminalaufgaben, verwendet mini-swe-agent und wiederholt jede Aufgabe dreimal. Für echte Geschäftsanwendungen empfehlen wir Tests mit anderen Ausführungsumgebungen.
Recherche und Werkzeugaufrufe: 91,2% bei BrowseComp und 94,5% bei MCPMark-Verified
Der offizielle Bericht nennt für Kimi K3 einen BrowseComp-Wert von 91,2% und einen MCPMark-Verified-Wert von 94,5%. Das BrowseComp-Ergebnis von 91,2% verwendet eine Strategie, die bei 300K Tokens eine Kontextkomprimierung auslöst. Die direkte Nutzung eines 1M-Kontexts ohne Kontextverwaltung ergibt 90,4%.
Diese Ergebnisse zeigen aus unserer Sicht Stärken von Kimi K3 bei Recherche und Werkzeugzusammenarbeit, erinnern aber auch daran, die Kontextverwaltung der Anwendung zu betrachten. Nach unserer Erfahrung kann sie praktische Ergebnisse erheblich beeinflussen.
Schlussfolgern über lange Dokumente: 88,7% bei AA-LCR v1.1
Artificial Analysis’ eigene AA-LCR-v1.1-Seite führt Kimi K3 Max mit 88,7%. Diese Bewertung enthält 100 Fragen, für die Informationen aus langen Dokumenten wie Unternehmensberichten, Fachartikeln und Branchenmaterialien zusammengeführt werden müssen. Die Dokumentlängen reichen ungefähr von 10.000 bis 100.000 Tokens.
Wir betrachten dieses Ergebnis als vergleichsweise überzeugenden Hinweis auf Kimi K3s quellenübergreifende Analysefähigkeit. Für reale Eingaben nahe einer Million Tokens empfehlen wir dennoch gesonderte Tests. In unseren bisherigen Tests waren Ausgaben nicht besonders gut, wenn die Eingabe an das zulässige Modelllimit heranreichte.
Intelligenzindex und Antwortgeschwindigkeit: 44 Punkte und ungefähr 45 Tokens pro Sekunde
Der Intelligence Index v4.3.2 von Artificial Analysis führt Kimi K3 Max mit 44 Punkten. Die Ausgabegeschwindigkeit beträgt etwa 45 Tokens pro Sekunde. Die Zeit bis zum ersten Token liegt bei ungefähr 3,92 Sekunden, die Zeit bis zum ersten Antworttoken einschließlich Schlussfolgern bei 48,58 Sekunden.
Wir messen getrennt, wann Daten zurückkommen, wann die eigentliche Antwort erscheint und wann die gesamte Aufgabe fertig ist. Bei häufig interaktiven Funktionen beeinflussen diese Zeiten das Nutzungserlebnis; bei komplexen Analysen müssen sie im geschäftlichen Anwendungsfall gegen die Ergebnisqualität abgewogen werden.
Kimi K3 im Vergleich mit DeepSeek V4 Pro, V4.1 Flash, Claude Fable 5.1 und GPT-5.6 Sol
Wir vergleichen Daten derselben Artificial-Analysis-Version v4.3.2. Alle folgenden Einträge verwenden Max. Bei Claude Fable 5.1 bleibt die auf der Bewertungsseite genannte Default-Fallback-Konfiguration erhalten. Die Vergleichsseiten zeigen AA-LCR als ganzzahlige Prozentwerte, sodass Kimi K3s 88,7% als 89% erscheinen.
Die Aufgabenkosten in der Tabelle sind von AA für seine Bewertungen berechnete gewichtete Durchschnittskosten, einschließlich Eingabe, Caching, Schlussfolgern und Antwort. Sie dienen als Referenz für die Modellwahl. Tatsächliche RequestBeam-Gebühren werden aus Plattformpreisen und Anfragenutzung berechnet. Kostenmethodik
Modell und Testkonfiguration
Intelligenzindex
AA-LCR v1.1
Gewichtete Kosten je Aufgabe
Kimi K3 Max
44
89%
$2.00
DeepSeek V4 Pro 0813 Max
36
80%
$0.67
DeepSeek V4.1 Flash Max
39
84%
$0.27
Claude Fable 5.1 Max, Default Fallback
53
85%
$7.63
GPT-5.6 Sol Max
47
84%
$1.99
Artificial Analysis v4.3.22026-10-07 · Alle Modelle auf Max
IntelligenzindexPunktzahl · Höher ist besser
03060
Kimi K3 Max44
DeepSeek V4 Pro 0813 Max36
DeepSeek V4.1 Flash Max39
Claude Fable 5.1 MaxStandard-Rückfallkonfiguration53
GPT-5.6 Sol Max47
AA-LCR v1.1Prozent · Höher ist besser
0%50%100%
Kimi K3 Max89%
DeepSeek V4 Pro 0813 Max80%
DeepSeek V4.1 Flash Max84%
Claude Fable 5.1 MaxStandard-Rückfallkonfiguration85%
GPT-5.6 Sol Max84%
Gewichtete Kosten je AufgabeUSD/Aufgabe · Niedriger ist besser
$0$4$8
Kimi K3 Max$2.00
DeepSeek V4 Pro 0813 Max$0.67
DeepSeek V4.1 Flash Max$0.27
Claude Fable 5.1 MaxStandard-Rückfallkonfiguration$7.63
GPT-5.6 Sol Max$1.99
AA-LCR ist gerundet: Kimi K3 88.7% → 89%.AA-Aufgabenkosten umfassen Eingabe, Cache, Reasoning und Antworten; dies sind keine API Hop-Preise.
Gegenüber DeepSeek V4 Pro: stärkere Analyse langer Dokumente bei höheren Testaufgabenkosten
In diesen Bewertungen liegt Kimi K3 vor DeepSeek V4 Pro 0813 beim Intelligenzindex, Schlussfolgern über lange Dokumente und Wissensarbeit. Für Aufgaben mit komplexen Beziehungen zwischen Materialien und mehreren Belegarten würden wir K3 priorisieren und anschließend prüfen, ob die besseren Fähigkeiten manuelle Ordnungs- und Prüfzeit reduzieren. AA-Vergleich unter gleichen Bedingungen
Für große Mengen wiederkehrender Textaufgaben mit klaren Abnahmekriterien würden wir auch V4 Pro testen. Seine Aufgabenkosten sind in dieser Testsammlung niedriger. Erfüllt die Ausgabe bereits die geschäftlichen Anforderungen, kann diese Kostendifferenz bei wachsender Nutzung wichtig werden.
Gegenüber DeepSeek V4.1 Flash: Vorsprung insgesamt und bei langen Dokumenten, andere Abwägungen bei Automatisierung
Kimi K3 führt beim Intelligenzindex und bei AA-LCR, doch V4.1 Flash erreicht 69% bei AutomationBench-AA gegenüber K3s 58%. Bei Terminal-Bench 4.0 liegen die Werte bei 27% beziehungsweise 13%. Das zeigt aus unserer Sicht, wie sich die Modellreihenfolge je nach Aufgabentyp ändern kann. AA-Vergleich unter gleichen Bedingungen
Für Anwendungen, die vor allem lange Materialien analysieren, empfehlen wir den Schwerpunkt auf K3. Bei Workflow-Automatisierung, Terminalbedienung und häufigen Aufrufen würden wir V4.1 Flash als wichtigen Kandidaten behandeln und Erfolgsquoten ebenso wie vollständige Ausführungskosten vergleichen.
Gegenüber Claude Fable 5.1: Abstand beim Programmieren im Terminal, lange Dokumente separat testen
Unter der oben genannten Default-Fallback-Konfiguration erreicht Claude Fable 5.1 beim Intelligenzindex 53 gegenüber Kimi K3s 44 und bei Terminal-Bench 4.0 52% gegenüber 13%. Für komplexes Programmieren im Terminal würden wir Fable 5.1 als wichtige Referenz verwenden. K3 erzielt einen höheren AA-LCR-v1.1-Wert und niedrigere Testaufgabenkosten. AA-Vergleich unter gleichen Bedingungen
Für Anwendungen, die nach dem Lesen mehrerer Quellen konkrete Fragen beantworten, empfehlen wir einen gesonderten K3-Test. Bei Aufgaben mit dauerhafter Terminalbedienung, Umgebungsreparatur und technischer Überprüfung würden wir stärker auf Erstversuchserfolg und Anzahl manueller Eingriffe achten, bevor wir entscheiden, ob sich die zusätzlichen Modellkosten lohnen.
Gegenüber GPT-5.6 Sol: unterschiedliche Langdokument-Ergebnisse bei ähnlichen Gesamtkosten je Aufgabe
Kimi K3 erreicht bei AA-LCR mehr als GPT-5.6 Sol, während GPT-5.6 Sol beim Intelligenzindex und Terminal-Bench 4.0 höher liegt. Besonders beachten wir die Aufgabenkosten: ungefähr $2,00 beziehungsweise $1,99 in dieser Testsammlung, also bereits sehr ähnliche Werte. AA-Vergleich unter gleichen Bedingungen
Wir empfehlen deshalb, Kosten nach Abschluss der gesamten Aufgabe zu vergleichen, einschließlich Schlussfolgern, Werkzeuginteraktionen, Wiederholungen und endgültiger Antwort. Bei informationsintensiver Analyse sollte K3 vorrangig verglichen werden; für technische Terminalaufgaben ist GPT-5.6 Sol eine wichtige Referenz. Entscheiden Sie letztlich anhand tatsächlicher Aufgabenerledigung in Ihrem Geschäft über das Routing.
Warum Kimi K3 über API Hop nutzen?
Nutzungsbasierte Abrechnung und Optimierung der Modellkosten
Die Abrechnung folgt den aktuellen API Hop-Tarifen und der tatsächlichen Nutzung. Laden Sie Ihr Guthaben bei Bedarf auf.
KI-Modelle und Daten-APIs mit zentralem Zugriff auf mehrere Modelle
Ein API-Schlüssel verbindet mehrere KI-Modelle und Datendienste, senkt Integrationskosten und ermöglicht den Wechsel mit einem Klick. Geschäftsanwendungen benötigen sowohl KI als auch Daten.
Aufrufprotokolle und Zugriffskontrollen für transparente Anfragen
Jeder API-Aufruf wird in Ihrem Dashboard protokolliert. Erstellen Sie getrennte API-Schlüssel für verschiedene Anwendungen.
Ausgaben anhand Ihrer Aufgabe bewerten
Verwenden Sie über API Hop die dokumentierte Modell-ID und unterstützten Parameter. Bewerten Sie Ausgaben anhand Ihrer Abnahmekriterien und prüfen Sie vor dem Produktionseinsatz Nutzungsprotokolle und Antwortmetadaten. Ein Modellname oder Beispiel garantiert nicht jedes Ergebnis.
Erstellen Sie einen API-Schlüssel in der Konsole und folgen Sie der Dokumentation, um Kimi K3 zu nutzen.
Konto vorbereiten und online testen
Melden Sie sich an, prüfen Sie Ihr Guthaben und erstellen Sie einen API-Schlüssel.
In der Testumgebung ausprobieren
Erkunden Sie die Fähigkeiten des Modells in der Testumgebung, um die beste Nutzung zu finden.
Kimi K3 in Ihr Unternehmen integrieren
Folgen Sie unserer Entwicklerdokumentation, um Kimi K3 in Ihr Unternehmen zu integrieren.
Künftige Modell-Upgrades
Prüfen Sie vor dem Wechsel auf ein neueres Modell, ob der Modellkatalog Ihres API-Schlüssels dessen exakte ID zurückgibt. Unterstützt es denselben Endpunkt und dieselben Anfragefelder, aktualisieren Sie die Modell-ID und testen Antwortformate, Streaming, Ausgabelimits und Abrechnung vor dem Produktionseinsatz. Prüfen Sie bei asynchronen Bild- oder Videoaufgaben auch Auftragserstellung, Statusabfrage und Ergebnisabruf.
Welchen Endpunkt und Modellnamen verwende ich für Kimi K3 über RequestBeam?
Unser aktueller Kimi-K3-Endpunkt ist POST https://api.requestbeam.com/v1/chat-completions, die Modellkennung lautet kimi-k3 und die Authentifizierung verwendet einen RequestBeam API Key. Bestätigen Sie zuerst mit der minimalen Anfrage unten die Verbindung und ergänzen Sie dann optionale Parameter einzeln. RequestBeam-Kimi-API-Dokumentation
curl -X POST "https://api.requestbeam.com/v1/chat-completions" \
-H "Authorization: Bearer $REQUESTBEAM_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "kimi-k3",
"messages": [
{"role": "user", "content": "Organize this requirement into goals, constraints, and acceptance criteria: create an admin dashboard for internal employees with email login and password reset."}
],
"stream": false
}'
Dieses API Hop-Modell verwendet die einheitliche Chat Completions-Schnittstelle, nicht OpenAI Responses oder Claude Messages.
Wir bieten Streaming- und Nicht-Streaming-Antworten. Mit stream: true wird SSE zurückgegeben, mit stream: false oder ohne dieses Feld vollständiges JSON. Für Oberflächen, die Ergebnisse schrittweise anzeigen, empfehlen wir Streaming. RequestBeam-Kimi-API-Dokumentation
Bei Rückfragen muss die Anwendung den Gesprächsverlauf nach dem Integrationsprotokoll verwalten und relevanten Kontext in Folgeanfragen einbeziehen. Die Erinnerungsfunktion des Online-Werkzeugs ergänzt wiederverwendbare Gesprächsrunden aus der aktuellen Unterhaltung. Behalten Sie für die Frage relevante Materialien und beobachten Sie mit wachsendem Verlauf die Eingabetokenkosten. Erklärung zum Kontext des Online-Werkzeugs
Die Erinnerung der Testumgebung bleibt nicht über Sitzungen hinweg bestehen. Deaktivieren lässt den Verlauf sichtbar, schließt ihn aber von neuen Anfragen aus. Fehlgeschlagene, gestoppte, abgeschnittene oder nicht wiederverwendbare Antworten werden nicht als normaler Verlauf angehängt.
0
Warum können Antworten trotz Kimi K3s Millionen-Token-Kontext abgeschnitten werden?
Wir prüfen Kontextkapazität und Ausgabebudget zunächst getrennt. RequestBeams max_tokens legt das Ausgabekontingent fest, das Schlussfolgern und endgültige Antwort gemeinsam nutzen. Ist es zu klein, kann die Antwort mit finish_reason: "length" enden, bevor sie vollständig ist. RequestBeam-Erklärung zum Ausgabebudget
Bei length empfehlen wir zu prüfen, ob genügend Platz für Schlussfolgern und Antwort verbleibt, bevor Sie das Budget erhöhen oder die Aufgabe aufteilen. Meldet der Fehler eine Überschreitung des Kontextlimits, entfernen Sie irrelevanten Verlauf und doppelte Materialien.
Abschließend müssen wir eines klarstellen: Ein Millionen-Token-Kontext bedeutet nicht, dass das Modell in diesem Umfang tatsächlich gute Ergebnisse liefert. Wenn Korrektheit Vorrang hat, bleibt die Kontrolle der Kontextlänge bisher Ihre einzige Möglichkeit.
API-Clients müssen reasoning_content vom endgültigen content unterscheiden.
0
Wie behandle ich beim Aufruf von Kimi K3 die Fehler 400, 401, 402 und 429?
Prüfen Sie zuerst den HTTP-Status und dann den numerischen code der Antwort. Die RequestBeam-Dokumentation zu Chat Completions definiert häufige Fehler wie folgt. RequestBeam-Dokumentation zu Fehlerantworten
HTTP-Status
Numerischer code
Bedeutung
Unsere Handlungsempfehlung
400
10000
Ungültige Anfrage
model, messages, Feldtypen und optionale Parameter prüfen
401
20000
Fehlende oder ungültige Authentifizierung
RequestBeam API Key und Bearer-Authentifizierungsheader prüfen
402
40000
Unzureichendes verfügbares Guthaben
Kontostand und das für diese Anfrage erforderliche Kontingent prüfen
429
40001
Anfragefrequenz begrenzt
Parallelität und Häufigkeit senken und mit Backoff erneut versuchen
Beginnen Sie die Fehlersuche mit der minimalen Anfrage und stellen Sie Parameter anschließend einzeln wieder her. Behandeln Sie HTTP-Status und Antwort-code getrennt. Bleibt das Problem bestehen, bewahren Sie die Anfragekennung aus der Antwort sowie relevante Parameter auf, damit wir den konkreten Fehler finden können.
Prüfen Sie bei 403 Modellberechtigungen im für Ihren Schlüssel sichtbaren Katalog. Diagnostizieren Sie 502, 503, 504 und Fehler im SSE-Stream anhand der vollständigen Fehlerantwort.
Kann die Kimi K3 Testumgebung Bilder, PDFs oder Videos annehmen?
Diese Seite bietet Textgespräche ohne Upload-Funktion für Dateien oder Bilder. Natives visuelles Verständnis erfordert eine Schnittstelle, die solche Eingaben unterstützt. Dieses Tool lädt keine verlinkten Dateien herunter, liest keine externen Dokumente und durchsucht das Web nicht automatisch. Extrahieren Sie für Tests hier zunächst den relevanten Text.
Kann eine Anfrage mehrere Alternativen liefern oder gültiges JSON garantieren?
Kimi K3 unterstützt über API Hop nur n=1. Fordern Sie mehrere Alternativen innerhalb einer Antwort an. Definieren Sie für JSON Felder, Typen und den Umgang mit fehlenden Werten und validieren Sie dann Syntax, Schema und fachliche Bedeutung in Ihrer Anwendung.