Kimi K3.1 Pro und die 0,7-Punkte-Lücke: Das Release-Sheet lesen, bevor am 4. November die Gewichte kommen

Wichtige Erkenntnisse

• Kimi K3.1 Pro erzielt 65,7 % auf Terminal-Bench 4.0 — 0,7 Punkte unter den 66,4 %, die der Vendor für Claude Opus 5.5 auf demselben Harness gemessen hat, und 7,5 Punkte über GPT-6 Astra mit 58,2 % (Moonshots Release-Beitrag).
• Die Halluzinationsrate auf Aussagenebene fiel von 23,4 % bei K3 auf 8,3 % bei K3.1 Pro — unter Opus 5.5 mit 15,0 % — mit dem Stress-Test-Hinweis im selben Absatz (Release-Beitrag).
• Die API-Preise sind auf der Plattformseite selbst verifiziert: 2,00 $/10,00 $ pro MTok mit gecachten Eingaben zu 0,20 $ — ein ausgewiesener Cache-Rabatt von 90 % — und Cache-Schreibvorgänge werden separat nach TTL abgerechnet: 2,00 $ (5 Minuten) oder 4,00 $ (1 Stunde) (Kimi API-Preise).
• Moonshot hat vor der Offen-Gewichte-Veröffentlichung Cyberangriff-Daten aus beiden Trainingsphasen entfernt — dem Mid-Training-Korpus und der RL-Umgebungsmischung (Release-Beitrag, Cybersicherheit-Kapitel).
• Die vollständigen Gewichte sind vom Vendor für den 4. November bestätigt; bis dahin labelt Artificial Analysis das Modell weiterhin als proprietär mit 2,8 Billionen Parametern, und die Gewichte-Lizenz ist ungenannt (Artificial-Analysis-Modelleintrag).

Zwei Zahlen auf derselben Release-Seite entscheiden den größten Teil dieser Analyse: 65,7 und 66,4. Kimi K3.1 Pro ist das erste Modell der K3.1-Serie von Moonshot und firmiert als das „bisher fähigste 3T-Klasse-Open-Weight-Modell" des Unternehmens mit einem Kontextfenster von 1 Million Token. Es erzielte 65,7 % auf Terminal-Bench 4.0 — und dasselbe Sheet druckt Claude Opus 5.5 mit 66,4 %, gemessen auf Moonshots eigenem Harness, und GPT-6 Astra mit 58,2 % (Release-Beitrag). Der Launch eröffnet mit der Zeile, in der er knapp verliert. Das Sheet druckt außerdem eine Halluzinationsrate auf Aussagenebene, die von 23,4 % bei K3 auf 8,3 % bei K3.1 Pro fiel, eine Preisseite, deren Zahlen Zeile für Zeile aufgehen, und ein Datum für die vollständigen Gewichte: den 4. November. Dieser Artikel liest den Release so, wie ein Käufer es tun sollte: was das Sheet bereits entscheidet — Fähigkeitsklasse, Preis, Workload-Passung —, was nur die Gewichte beantworten können — Lizenz, Kalibrierung, Reproduzierbarkeit — und die am 4. November auszuführende Fünf-Check-Auditierung, mit der Weights-Day-Methode, die diese Auditierung auf einen Release ausweitet, bei dem das Sheet zuerst ankommt.

Der Komparator, den es gegen sich selbst druckt

Die drei Terminal-Bench-4.0-Zeilen sind die Offenlegung. K3.1 Pro mit 65,7, Claude Opus 5.5 mit 66,4, wie von Moonshot auf seinem eigenen Harness gemessen — die Fußnote des Sheets weist der Opus-Punktzahl als Quelle der Komparatoren die Systemkarte von Anthropic zu — und GPT-6 Astra mit 58,2. Eine Lücke von 0,7 Punkten liegt innerhalb jeder vernünftigen Rauschspanne, und genau das ist der Punkt: Kein Käufer sollte bei so einer Lücke den Stack wechseln, aber das Sheet eliminiert die Versuchung, so zu tun, als liege das Modell vor Anthropics Flaggschiff. Diese Unterscheidung zählt in der Beschaffungssprache. Ein Vorsprung von 7,5 Punkten gegenüber OpenAIs agentischem Flaggschiff ist eine echte Fähigkeitsspalte; eine Paritäts- oder Überlegenheitsbehauptung gegenüber Anthropics Frontier wäre eine Fabrication, die der unabhängige Index unmittelbar widerlegt — Artificial Analysis' Verbundindex setzt K3.1 Pro auf einen Intelligence Index von 55, Platz 4 von 215 Modellen, innerhalb desselben Frontier-Clusters, das die proprietären Spitzenreiter besetzen. Die Fußnoten des Vendors verweisen die Komparatoren selbst auf Primärquellen — die OpenAI-Seite für Astra, die Systemkarte von Anthropic für Opus 5.5 —, sodass die Provenienz des Sheets überprüfbar ist und nicht bloß behauptet.

Die Scores mit Tools werden doppelt gedruckt, und die Lücke ist die Lektion. Auf BenchCAD, das 3D-Rekonstruktion durch CAD-Codegenerierung testet, erzielt K3.1 Pro 92,7 mit Tools, nahe den 96,2 von Opus 5.5 und den 95,9 von GPT-6 Astra — und 72,8 ohne Tools, gegenüber den 73,0 von Opus 5.5 (Release-Beitrag). Neunzehn Punkte der veröffentlichten Punktzahl hängen am Tool-Harness. Dasselbe Muster zeigt sich auf der Halluzinationsbench, wo die Rate mit Tools 8,3 % und ohne Tools 5,4 % ist. Ein Team, das weiß, dass sein eigener Serving-Stack allem Tools anhängt, sollte die Spalte mit Tools lesen; ein Team, das das Standalone-Verhalten eines Modells bewertet, sollte die andere lesen. Beide zu drucken ist die Offenlegung, die die Wahl lesbar macht.

Die unabhängige Spalte bepreist die Arbeit, und sie ist nicht umsonst. Die Verbundzeile von Artificial Analysis — am Kimi-API gemessen — ergänzt die Nebenwirkungen, die eine Fähigkeitstabelle auslässt: 2,11 $ pro Intelligence-Index-Task, Ausgabegeschwindigkeit 57,5 Token/Sekunde gegenüber einem Median von 82,3, und Verbosität von 150 Mio. Ausgabe-Token im Index-Run gegenüber einem Median von 87 Mio. Die Verbosität ist eine Rechnung — derselbe Mechanismus, den die Effort-Ökonomie-Analyse von Sonnet 5.5 isoliert hat: Ein Agent, der in mehr Token denkt, kostet mehr zu denken. Für die immer aktiven Workloads ist die langsamere Ausgabegeschwindigkeit eine interaktive Latenzsteuer; der time-to-first-token von 3,07 s liegt unter dem Median von 3,90 s, was die Steuer mildert. Moonshots Antwort auf diese Steuer ist ein zweiter Tier: K3.1 Pro Highspeed liefert das 2–3-Fache der Geschwindigkeit von K3.1 Pro für dieselbe Interaktionsklasse, bei 4,00 $/20,00 $ pro MTok auf der Preisseite.

Die Halbierung der Halluzinationen, mit Stresslabel

Zuerst die ehrlichen Zahlen, dann das ehrliche Label. Auf dem Kimi-Hallucination-Benchmark-Hard-Set — Aussagenebenen-Halluzinationsrate, bewertet von Faktencheck-Agenten über absichtlich fehleranfällige, anonymisierte Praxis-Prompts — fiel die Rate von K3.1 Pro von 23,4 % bei K3 auf 8,3 %, und der Anteil der Antworten mit mindestens einem faktischen Fehler sank auf 42,4 % des Vorgüngerwerts (Release-Beitrag). In der Spalte mit Tools liegt K3.1 Pros 8,3 % unter den 15,0 % von Opus 5.5, weit unter GLM-5.3 mit 22,6 % und DeepSeek-V4.1-Flash-1017 mit 23,3 %, mit nur den 5,5 % von GPT-6 Astra davor. Und der Release-Beitrag trägt seinen eigenen Hinweis in derselben Sektion: Die Evaluierung ist ein Stresstest für faktische Genauigkeit, die Beispiele sondieren Situationen, in denen Modelle fehlbar sind, und die gemeldeten Raten „stellen die Gesamtraten im Alltagsgebrauch nicht dar". Ein Käufer, der die 8,3 % ohne dieses Label zitiert, misszitiert den Vendor.

Der operative Lesemodus bleibt stark für dokumentenlastiges Arbeiten. OfficeQA Pro v2 — Finanzdokumentenanalyse durch Retrieval, dokumentenübergreifende Verifikation und mehrstufiges numerisches Schließen — erzielt eine behauptete Bestmarke von 64,4 für K3.1 Pro, und die internen Finanz-Benches des Vendors verbessern um 7,2 Punkte beim Finanzmodellieren, 11,6 Punkte bei der Finanzresearch und ein 4,2-Faches bei langfristigen Geschäftsabläufen gegenüber K3 (Release-Beitrag). Für einen Angebotsabgleich- oder Rechnungsaudit-Agenten ist die Halbierung der Aussagenebenen-Fehlerrate auf einer Stressbench bei gleichzeitig mitgedrucktem Hinweis der Unterschied zwischen einem Modell, das bei jeder offenen Retrieval eine Verifikationsschicht braucht, und einem, das sie nur bei adversariellen Prompts braucht. Die Ökonomie der immer aktiven Agenten bepreist den Rest.

Was die Preisseite zusichert

Jede Zahl, die ein Kostenmodell braucht, steht auf der Plattform-Preisseite selbst — diese Woche geprüft. kimi-k3.1-pro abrechnet 2,00 $ pro MTok Eingabe und 10,00 $ pro MTok Ausgabe, mit gecachten Eingaben zu 0,20 $; das Highspeed-Tier verdoppelt beide Listenpreise und hält dieselbe 0,20-$-Cachetrate; alle K3-Modelle tragen ein 1.048.576-Token-Kontextfenster (Kimi API-Preise). Die Abrechnung ist flat pay-as-you-go ohne Tiering nach Kontextlänge, und — die Zeile, die die Arithmetik verändert — Cache-Schreibvorgänge werden separat nach TTL abgerechnet: 2,00 $ pro MTok für das 5-Minuten-Tier und 4,00 $ pro MTok für das 1-Stunden-Tier. Die API aktiviert Context Caching für wiederholte Anfrage-Präfixe automatisch mit einem Standard-TTL von 5 Minuten. Ein 1-Stunden-Cache-Schreiben kostet genau das Doppelte des Eingabepreises; ein 5-Minuten-Schreiben kostet so viel wie die Eingabe. Langlebige Agentensitzungen sollten das billige Tier kaufen und neu berechnen, nicht einen einzigen Cache-Kosten annehmen.

Die Cache-Rate ist die dritte publizierte Zeile neben den Flash-Tiers — in einer anderen Größenklasse. MiniMax M3.1 Flash listet gecachte Eingaben bei 0,015 $ pro MTok (die Launch-Day-Lektüre), und 1017-Snapshot von DeepSeek berechnet zu etwa 0,017 $ effektiver Eingabe bei seiner beobachteten Cache-Hit-Rate (der 0,017-$-Agent). Kimis 0,20 $ sind absolut zehnmal höher — und es ist eine Flaggschiff-Größenzeile (Artificial Analysis zählt 2,8T Gesamtparameter) statt eines Flash-Tier-Produkts, mit dem ausgewiesenen Rabatt bei 90 %. Der Vergleich, den ein Mittelstands-Käufer durchführen sollte, ist pro Task an der Hit-Quote seiner Workload, nicht an der Token-Listenrate.

Das Sheet trägt auch die Migrationsuhr. K2-Serien-Modelle schließen für neue Nutzende am 31. Oktober 2026, und die Plattform plant, alle bis Ende Dezember einzustellen (Preisnotiz) — jede K2-Bereitstellung auf der Plattform erbt eine K3.1-Migration mit Frist. Ein weiterer Kostenhebel ist in den Plattformdocs dokumentiert: Reasoning Effort wird pro Anfrage auf low, high oder max (Standard max) konfiguriert, und Thinking lässt sich nie ganz abschalten — der Effort, nicht ein Schalter, ist die Kostenkontrolle pro Task (K3.1-Pro-Quickstart).

Das Release-Gate, das Sie bereits lesen können

Die Cyber-Daten-Entfernung ist mit ihrem Mechanismus dargelegt, nicht nur als Slogan. Moonshot beobachtete, dass die Fähigkeit zur Schwachstellenforschung mitwächst, wenn das Post-Training skaliert, verfolgte Cyberinhalte im allgemeinen Mid-Training-Korpus und Cyberaufgaben in der RL-Umgebungsmischung und fand in Vorversuchen, dass „ohne Datenentfernung sowohl in der Mid-Training- als auch in der RL-Phase die downstream-Cyberfähigkeit erheblich ansteigen würde". Für die Offen-Gewichte-Veröffentlichung entfernte das Unternehmen Cyberdaten aus beiden Trainingsphasen, während es die allgemeinen Codierungsaufgaben hielt (Release-Beitrag, Cybersicherheit-Kapitel). Das ist dasselbe Gate-Muster, das GLM-5.3 bei seinem gestaffelten Release anwendete — Gewichte nach einer Sicherheitspause (der gestaffelte Release-Präzedenzfall) — mit einem strukturellen Unterschied: K3.1 Pro veröffentlichte das komplette Detail-Sheet beim Launch und terminierte die Gewichte — keine gestaffelte Pause dazwischen.

Die Oktober-Offen-Gewichte-Releases bilden nun drei lesbare Spielbücher. MiniMax lieferte Gewichte vier Tage nach dem API-Launch und ließ die Lizenzdatei die Kaufbedingungen tragen — eine Einnahmenlinie von 20 Mio. $ mit Namensnennung. GLM-5.3 stellte seinen Release hinter eine Sicherheitspause. Kimi K3.1 Pro startete mit dem Sheet zuerst, das Sicherheits-Gate vorab angelegt, und die Gewichte terminiert auf den 4. November. Was variiert, ist nicht die Fähigkeitsbehauptung; es ist, welche Artefakte zuerst landen, und das Audit des Käufers muss den Artefakten folgen.

Was bis zum 4. November offen bleibt — und das auszuführende Audit

Das Sheet beantwortet Fähigkeiten, Preis und Workload-Passung. Vier Dinge kann es nicht beantworten, und die Fünf-Check-Weights-Day-Methode deckt sie so, wie sie MiniMax abdeckte:

1. Die Lizenz ist ungenannt. MiniMax' Weights Day schrieb eine Einnahmen-Schwelle und eine Namensnennungspflicht in den kommerziellen Selbsthostingbetrieb; K3.1 Pros Bedingungen bleiben der wichtigste offene Punkt am 4. November, und kein Selbsthosting-Plan sollte bepreist werden, bevor die Lizenzdatei gelesen ist.
2. Eine unabhängige Kalibrierungsspalte existiert nicht. Artificial Analysis' Verbundindex misst Fähigkeit (2,11 $ pro Task bei Index 55), nicht das selbstsicher-falsch-Fehlvermögen — die AA-Omniscience-Klasse-Zeile, die zeigte, dass MiniMax' Flash-Tier bei 92,8 % selbstsicher falsch antwortete (das Weights-Day-Audit). Bei offener faktischer Retrieval ohne Verifikationsschicht ist diese Spalte die eine, die das Sheet über sich selbst nicht drucken kann.
3. Reproduzierbarkeit unter Fremd-Harness. Der Verbundindex betreibt Terminal-Bench 4.0 bereits als eine seiner zehn Evaluierungen; wenn die Gewichte landen, reproduzieren Community-Harness-Lektüren entweder die 65,7 des Sheets oder erzwingen eine Harness-Fußnote — dieselbe Abgleich, die MiniMax' Tabelle einlud.
4. Kartenebene Parameter und Servierrezepte. Die „3T-Klasse"-Rahmung und Artificial Analysis' 2,8T-Zählung brauchen die Aussage der Modellkarte selbst; Servierrezepte für vLLM- und SGLang-artige Stacks sind das, was einen Download in eine deploybare Einheit verwandelt.

Artificial Analysis labelt K3.1 Pro weiterhin als proprietär — ein Zustand, den der 4.-November-Abwurf ersetzt, die Art von Oberflächenveraltetheit, mit der ein Käufer in den Tagen nach jedem Weights-Event rechnen sollte.

Das Ein-Minuten-Diagramm trennt das Entschiedene vom Offenen:

Die zwei Panels sind die Trennung, die das Sheet zieht: die Amber-Seite ist das, was der 23. Oktober mit überprüfbaren Zahlen entschied, die Violett-Seite ist das, was nur die Gewichte vom 4. November beantworten können, und der Korallenstreifen ist das Ereignis, das die Lücke schließt.

Weiterführende Lektüre

• Die 20-Millionen-$-Zeile in der Lizenz: Weights Day auditerende MiniMax M3.1 Flash — das Schwesteraudit, das diese Sheet-erst-Lektüre ausweitet: die Fünf-Check-Methode, ausgeführt auf einem Release, bei dem die Gewichte zuerst landeten
• Inference-Ökonomie: Warum immer aktive Produktionsagenten nun leistbar sind — der Task-Kostenrahmen, der Kimis publizierte Cache-Tiers in eine Workload-Entscheidung übersetzt
• Der 0,017-$-Agent: DeepSeek 1017-Snapshot senkt Task-Kosten ohne Preissenkung — die andere Cache-Ökonomie-Zeile neben Kimis 0,20 $: die Hit-Quote, nicht die Preisliste, setzt die effektiven Agentenkosten

Ein repräsentativer Aufbau

Ein 400-Mann-B2B-Softwareunternehmen betreibt eine Flotte aus Code-Review- und Dokumentenaudit-Agenten, die vergangene Woche rund 12.000 Agent-Task über einen gemischten Modellpool abrechnete — gebunden an die eigenen MCP-basierten Repository- und ERP-Integrationen des Teams. Das Release-Sheet bewegt diese Woche zwei Workloads: langfristige Codierungsaufgaben, die Terminal-Bench-4.0-Proxys zu K3.1 Pro in der 65,7-Mit-Tools-Klasse leiten, bei denen die 0,20-$-Cachetrate für Eingaben und der Standard-5-Minuten-Cache-TTL zu ihrem Präfix-Wiederholungsverkehr passen; und Finanzdokument-Audit-Läufe, die dieselben OfficeQA-artigen Workload-Proxys gleichfalls zu K3.1 Pro leiten, mit dem Reasoning Effort, nach der Token-Kostenüberprüfung des Teams auf high statt der Vorgabe max gepinnt. Das 1-Stunden-Cache-Schreiben-Tier wird nach der Arithmetik verworfen — beim Doppelten des Eingabepreises berechnen ihre Sitzungen günstiger neu, als sie zu halten. Am 4. November führt das Plattformteam vor jedem Selbsthosting-Plan das Fünf-Check-Audit durch: zuerst die Lizenzdatei, dann Parameter, Format und Rezepte, Harness-Deltas gegen das Sheet, und die Kalibrierung — unter Beibehaltung des gepinnten Checkpoints, auch wenn das Serving weiter auf der Vendor-API läuft.

Sondierter Build anfordern. Einwöchige Discovery. Sie erhalten ein Systeminventar, eine Workflow-Karte und einen festen Umfang — ganz unabhängig davon, ob Sie mit uns bauen.