Kimi K3.1 Pro ist dieselbe Basis wie K3 mit deutlich mehr RL und liegt bei Terminal-Bench weniger als einen Punkt hinter Opus 5.5

Moonshot AI hat Kimi K3.1 Pro am 23. Oktober in seiner API und seinen Apps freigeschaltet. Das Basismodell ist dasselbe geblieben: Laut Unternehmen ist K3.1 Pro eine nachtrainierte Version von K3 mit erheblich mehr Rechenbudget für das Post-Training.

Moonshot behielt die K3-Basis und steckte viel mehr Reinforcement Learning hinein

Um gemeinsames RL über Hunderte Domänen zu fahren, hat Moonshot nach eigenen Angaben den gesamten Stack umgebaut: das RL-Framework, die Inferenz mit langem Kontext, die Planung der Rollouts und die Sandboxes. Herausgekommen ist ein Modell mit einem Kontextfenster von 1 Million Tokens, das bei Tests zu Programmierung, agentischen Aufgaben und Wissen die stärksten proprietären Modelle erreicht oder nah an sie herankommt. Bei Terminal-Bench 4.0 meldet es 65,7 %, GPT-6 Astra kommt auf 58,2 % und Claude Opus 5.5 auf 66,4 %. Im eigenen Kimi Code Bench 3.0 Long-horizon steigt der Wert von 55,95 % bei K3 auf 61,2 %.

Nathan Lambert, früher Co-Leiter des Olmo-Projekts am Ai2 und Autor eines Buchs über Post-Training, fasste das auf X in einem einzigen Beitrag zusammen. Die erste Version von K3 sei ein sehr beeindruckendes Basismodell mit leichterem Post-Training gewesen, und nun sehe es so aus, als habe Moonshot sein RL in den Griff bekommen. China halte beim Zuwachs an Fähigkeiten durchaus Schritt.

Die unabhängige Messung von Artificial Analysis gibt dem Modell 55 Punkte im Intelligence Index. Simon Willison weist darauf hin, dass dies vor Claude Fable 5.1, GPT-6 Astra und Gemini 4 Argon mit je 53 liegt und nur hinter Claude Opus 5.5 mit 58. Die API kostet 2 Dollar pro Million Eingabe-Tokens und 10 Dollar pro Million Ausgabe-Tokens, so viel wie GPT-6.1 Sol und halb so viel wie Opus 5.5. Die Gewichte sind noch nicht verfügbar; Moonshot verspricht sie bis zum 4. November 2026.

Post-Training wird zur schnelleren Abkürzung an die Spitze

Für den Markt zählt das mehr als jeder einzelne Wert. Wenn dieselbe Basis mit mehr RL so weit nach oben springt, bemisst sich der Abstand zwischen chinesischen und amerikanischen Laboren nicht mehr nur daran, wer mehr Chips fürs Pretraining hat. Post-Training lässt sich häufiger und in kleineren Schritten wiederholen, und genau dort hat Moonshot seine Rechenleistung eingesetzt. Für US-Labore, die auf Exportkontrollen für Chips setzen, ist das ein unbequemes Signal: Hardwaregrenzen bremsen den Bau einer neuen Basis, das Aufholen über RL aber deutlich weniger.

Für Entwicklerteams verschiebt sich die Modellwahl. Ein Modell zum Preis von GPT-6.1 Sol mit Ergebnissen knapp unter Opus 5.5 soll in wenigen Tagen auch als offene Gewichte erscheinen. Wer keinen Code und keine Dokumente in eine chinesische Cloud schicken darf, bekommt eine Option, die ohne Moonshots API auskommt. Es wird allerdings ein Modell der 3-Billionen-Parameter-Klasse sein, betreiben können es also nur Teams mit eigenem GPU-Cluster.

Die meisten dieser Zahlen hat Moonshot selbst gemessen

Terminal-Bench lief im Harness von Claude Code, Kimi Code Bench ist ein interner Test, und die Werte der Konkurrenz stammen aus deren Blogs und Bestenlisten. In einem internen Stresstest sanken die Halluzinationen auf Ebene einzelner Aussagen von 23,4 % auf 8,3 %, wobei Moonshot selbst betont, dass dies keine Fehlerquoten im Alltagsgebrauch sind. Artificial Analysis hielt außerdem fest, dass das Modell bei der Indexmessung 150 Millionen Ausgabe-Tokens erzeugte, der Median liegt bei 87 Millionen. Der Preis pro Million Tokens sagt also wenig über den Preis pro Aufgabe: Ein gesprächiges Modell bezahlt man mehrfach.

Die zweite Ebene betrifft Cybersicherheit. Moonshot gibt an, cyberbezogene Daten aus dem Training entfernt zu haben. Eine Version ohne diese Eingriffe löste im internen Test xdev-bench-hard 90,5 % der Aufgaben, das finale K3.1 Pro 81,0 %. Die offensiven Fähigkeiten des Modells liegen damit bewusst unter dem, was die Pipeline hervorbringen kann, und trotzdem weit über K3. Wo diese Grenze beim nächsten Mal verläuft, entscheidet vorerst allein das Labor.

Der 4. November und erste unabhängige Tests der Gewichte entscheiden

Das erste Signal ist einfach: Veröffentlicht Moonshot bis zum 4. November die vollständigen Gewichte, und unter welcher Lizenz? Das zweite kommt von unabhängigen Teams, die das Modell in eigenen Harnesses laufen lassen und prüfen, ob das Terminal-Bench-Ergebnis auch ohne Claude Code hält. Das dritte zeigt, ob Lamberts These breiter trägt. Gelingt DeepSeek oder Qwen ein ähnlicher Sprung allein durch Post-Training, wird RL zur Hauptstrecke im Rennen der chinesischen Labore.

Liliths Urteil

Moonshot hat denselben Motor genommen und ihn einfach viel länger auf der Rennstrecke eingefahren. Wer in Washington glaubte, es genüge, die Motorenfabriken zu bewachen, merkt jetzt, dass das Rennen in der Boxengasse entschieden wird.