Chinas Kimi K2 Thinking setzt neue Maßstäbe für Open-Source-KI und übertrifft GPT 5 in wichtigen Tests

Ein leistungsstarkes offenes Modell fordert die Spitzenklasse heraus

Moonshot AI hat Kimi K2 Thinking veröffentlicht, ein Modell mit offenen Gewichten, das direkt auf die höchste Leistungsklasse der Reasoning-Systeme abzielt. Das Unternehmen gibt an, dass das Modell führende proprietäre Systeme bei einer Reihe anspruchsvoller Tests übertrifft, die schrittweises Schlussfolgern, Web-Browsing-Agenten und Softwareentwicklung messen. K2 Thinking ist über die Plattform von Moonshot und Kimi.com verfügbar. Die Gewichte stehen auf öffentlichen Plattformen zum Selbsthosting bereit, und zwar unter einer modifizierten MIT-Lizenz, die eine kommerzielle Nutzung mit einer geringen Pflicht zur Namensnennung bei sehr großen Deployments erlaubt.

Das Modell verbindet Skalierung mit Effizienz. K2 Thinking nutzt eine Mixture-of-Experts-Architektur mit insgesamt einer Billion Parametern. Bei jedem generierten Token werden jedoch nur etwa 32 Milliarden Parameter aktiviert. Das Modell unterstützt ein Kontextfenster von 256.000 Tokens und wurde mit Quantization-Aware-Training für native INT4-Inferenz trainiert. Diese Konfiguration reduziert Latenz und Speicherbedarf und trägt so zur wettbewerbsfähigen Preisgestaltung bei. Über die reinen Testergebnisse hinaus treibt die Veröffentlichung offene Modelle in Richtung agentischen Verhaltens. K2 Thinking zeigt langfristige Planung und strukturierten Werkzeugeinsatz über 200 bis 300 aufeinanderfolgende Aufrufe hinweg. Zudem kann es transparente Reasoning-Spuren ausgeben, sodass Nutzer Zwischenschritte nachvollziehen können. Diese Fähigkeiten in Verbindung mit niedrigeren Kosten erhöhen den Wettbewerbsdruck auf geschlossene Alternativen.

Was K2 Thinking ist und wie es funktioniert

K2 Thinking basiert auf einem Mixture-of-Experts-Transformer. Ein großer Pool spezialisierter Expertenmodule ist hinter einem Router angeordnet, der für jedes Token eine kleine Teilmenge auswählt. So sinkt der Rechenaufwand, während die Kapazität erhalten bleibt. Moonshot beschreibt eine Architektur mit 61 Schichten, 384 Experten, acht pro Token ausgewählten Experten, 64 Attention-Heads, einer verborgenen Dimension von 7168 und einem Wortschatz von 160.000 Einträgen. Zu jedem Zeitpunkt sind nur etwa 32 Milliarden Parameter aktiv. Das hält die Inferenz handhabbar, während die Gesamtkapazität sehr hoch bleibt. Der Attention-Mechanismus wird als Multi-Head-Latent-Attention mit SwiGLU-Aktivierung beschrieben. Bei diesem Ansatz konzentrieren sich Training und Inferenz auf die für den jeweiligen Inhalt relevantesten Experten, was sowohl den Durchsatz als auch die Genauigkeit verbessert.

Sparse Experts und Effizienz

Mixture of Experts ermöglicht es, ein Modell auf eine Billion Parameter zu skalieren, ohne für jedes Token sämtliche Parameter ausführen zu müssen. In der Praxis kann das Modell dadurch tiefgründiger schlussfolgern und ein breiteres Wissen abdecken, während Speicherbedarf und Schrittzeit im Rahmen aktueller Beschleuniger bleiben. Das Kontextfenster von 256.000 Tokens ermöglicht es dem Modell, umfangreiche Codebasen oder lange Forschungsunterlagen aufzunehmen und anschließend über viele Schritte hinweg zu planen, während es Werkzeuge aufruft. Diese Architektur eignet sich besonders für agentische Aufgaben, bei denen ein System über Dutzende oder Hunderte Aktionen hinweg suchen, lesen, schreiben und Ergebnisse überprüfen muss.

Native INT4-Inferenz und Quantization-Aware-Training

Moonshot hat K2 Thinking mit quantisierungsbewussten Methoden trainiert, sodass das Modell nativ mit INT4 für die Speicherung der Gewichte und die Inferenz ausgeführt werden kann. INT4 verwendet zwei Bits pro Nibble für jeden Parameterwert statt Formaten mit höherer Präzision. Das verringert den Speicherbedarf und beschleunigt die Generierung. Das Unternehmen berichtet von einer etwa doppelt so hohen Generierungsgeschwindigkeit bei minimalem Qualitätsverlust im Vergleich zu höherer Präzision. Alle Benchmark-Ergebnisse wurden unter INT4 ermittelt. Das ist für Kosten und Verfügbarkeit relevant. Community-Tester berichten, das Modell auf leistungsstarken Desktop-Systemen auszuführen. Moonshot empfiehlt Engines wie vLLM, SGLang und KTransformers. Das Modell unterstützt außerdem mit OpenAI und Anthropic kompatible APIs, was die Integration für Teams vereinfacht, die diese Schnittstellen bereits verwenden.

Benchmarks, in denen K2 Thinking führt

Bei öffentlichen Tests erzielt das Modell Ergebnisse, die es zu den besten verfügbaren Reasoning-Systemen zählen lassen; in mehreren Tests belegt es den Spitzenplatz. Zu den gemeldeten Werten gehören 44,9 Prozent bei Humanity’s Last Exam mit aktivierten Werkzeugen, 23,9 Prozent in einer reinen Textversion und 51,0 Prozent in einer anspruchsvollen Variante; 60,2 Prozent bei BrowseComp für Web-Browsing-Agenten; 71,3 Prozent bei SWE Bench Verified für die Behebung von Softwarefehlern mit Werkzeugen; 83,1 Prozent bei LiveCodeBench v6 und 56,3 Prozent bei Seal 0. In Mathematik und Naturwissenschaften erreicht das Modell 94,5 Prozent bei AIME25 ohne Werkzeuge, 99,1 Prozent bei AIME25 mit der Möglichkeit, Python auszuführen, 89,4 Prozent bei HMMT25 ohne Werkzeuge und etwa 85 bis 86 Prozent beim wissenschaftlichen Wissenstest GPQA Diamond. Ergebnisse werden außerdem mit 87,0 bei Frames, 47,4 bei FinSearchComp T3 und 61,1 bei SWE Multilingual angegeben. In vielen dieser Kategorien erreicht oder übertrifft K2 Thinking GPT 5. Bei BrowseComp liegt das Modell deutlich vor Claude Sonnet 4.5.

Agentische Such- und Browsing-Aufgaben

BrowseComp prüft, ob ein Modell planen, im Web suchen, Links verfolgen, Erkenntnisse zusammenführen und Antworten überprüfen kann. Mit 60,2 Prozent bei BrowseComp liegt K2 Thinking über dem für GPT 5 gemeldeten Wert von 54,9 Prozent und deutlich vor den 24,1 Prozent von Claude Sonnet 4.5. Auch bei Seal 0 und Frames erzielt das Modell starke Werte. Diese Tests messen Informationsbeschaffung, Planung und Zuverlässigkeit beim Werkzeugeinsatz. Die Ergebnisse entsprechen den Designzielen des Modells. Durch verschachteltes Nachdenken kann es innehalten, schlussfolgern, ein Werkzeug aufrufen und anschließend seinen Plan aktualisieren. Die Unterstützung von 200 bis 300 aufeinanderfolgenden Aufrufen hilft dabei, den Zustand über viele Schritte hinweg beizubehalten; das große Kontextfenster hält den Arbeitsstand im Speicher.

Programmierung und Softwareentwicklung

SWE Bench Verified bewertet, ob ein Modell Repository-Probleme lesen, einen Patch erstellen und Tests bestehen kann. K2 Thinking erzielt mit Werkzeugen 71,3 Prozent, ein starkes Ergebnis für ein Modell mit offenen Gewichten. Bei LiveCodeBench v6 erreicht es 83,1 Prozent, bei SWE Multilingual 61,1 Prozent. Community-Demos zeigen, dass das Modell aus einer einzigen Eingabeaufforderung funktionsfähige Projekte erstellen kann, darunter Spiele und vollständige Webanwendungen, und sie anschließend mithilfe wiederholter Werkzeugaufrufe überarbeiten kann. Das lange Kontextfenster hilft bei der Navigation im Code, während die INT4-Inferenz die Latenz bei längeren Entwicklungssitzungen niedrig hält.

Preise, Zugang und Lizenz

K2 Thinking wird unter einer modifizierten MIT-Lizenz veröffentlicht. Die kommerzielle Nutzung ist erlaubt; sehr große Deployments müssen eine geringe Namensnennung enthalten. Das Modell ist für Chats auf Kimi.com verfügbar und kann über die Kimi Open Platform per API genutzt werden. Für das Selbsthosting können Teams die Gewichte von öffentlichen Modellplattformen wie Hugging Face beziehen: huggingface.co/moonshotai/Kimi-K2-Thinking. Die Dokumentation der Plattform ist unter platform.moonshot.ai verfügbar.

Die Preise sind so angesetzt, dass sie unter denen geschlossener Alternativen liegen. Moonshot nennt etwa 0,15 US-Dollar pro einer Million Tokens bei Cache-Treffern, etwa 0,60 US-Dollar pro einer Million Tokens bei Cache-Fehlgriffen und etwa 2,50 US-Dollar pro einer Million Tokens für Ausgaben. Zum Vergleich: GPT 5 kostet etwa 1,25 US-Dollar pro einer Million Eingabe-Tokens und 10 US-Dollar pro einer Million Ausgabe-Tokens. Die native INT4-Unterstützung von K2 Thinking senkt die Betriebskosten. Durch die Mixture-of-Experts-Architektur wird zudem sichergestellt, dass jeweils nur ein Teil des Netzwerks ausgeführt wird. Im Standard-Chatmodus auf Kimi.com ist die Auswahl an Werkzeugen eingeschränkt, um ein leichteres Nutzungserlebnis zu bieten. Ergebnisse auf der Website müssen daher nicht den Agenten-Benchmarks entsprechen, solange die Einführung des Agent-Modus noch nicht abgeschlossen ist.

Warum das für das KI-Wettrennen wichtig ist

Offene Modelle holen gegenüber den besten geschlossenen Systemen auf. Die Benchmark-Erfolge von K2 Thinking zeigen, dass offene Forschung nun auch in den Bereichen Reasoning, Programmierung und agentische Aufgaben auf höchstem Niveau konkurrieren kann. Das setzt proprietäre Anbieter unter Druck, sich durch Zuverlässigkeit, Sicherheitswerkzeuge, Unternehmenssupport und integrierte Produkte zu unterscheiden, statt nur mit Spitzenwerten in Benchmarks zu werben. Für Unternehmen bieten offene Gewichte mehr Kontrolle über Daten, Compliance und den Umfang von Deployments. Entwickler erhalten die Möglichkeit, mit fortgeschrittenem agentischem Verhalten zu experimentieren, ohne für jedes Token Premiumpreise zu zahlen.

Chinas wachsende Präsenz im KI-Bereich

Chinas Labore entwickeln sich schneller und prägen die Debatte zunehmend. Namen wie DeepSeek, Qwen, MiniMax und Kimi sind in den Vordergrund getreten und veröffentlichen in rascher Folge neue Modelle. MiniMax’ früheres Modell setzte ein Tempo bei offenen Benchmarks und einen niedrigeren Kostenmaßstab. K2 Thinking geht nun bei langfristigem Schlussfolgern und Werkzeugen für Agenten noch weiter. Analysten weisen darauf hin, dass chinesische Teams Feedbackschleifen verkürzen, auf Test-Time-Scaling setzen und ein hohes Veröffentlichungstempo als Vorteil nutzen, auch wenn geschlossene Spitzensysteme bei einigen Aufgaben weiterhin besser abschneiden. Der Wettbewerb verlagert sich außerdem vom Chat hin zu agentischer Intelligenz, bei der ein System planen, Werkzeuge einsetzen und komplexe Ziele erreichen kann. K2 Thinking ist genau auf diesen Wandel ausgerichtet.

Fähigkeiten und Beispiele aus der Praxis

Die Demonstrationen von Moonshot und Nutzertests zeigen, wie das Modell längere Aufgaben bewältigt. In einer Demonstration löst das System eine mathematische Frage auf Promotionsniveau, indem es wiederholt Fachartikel liest, Formeln extrahiert, Python-Code ausführt und Ergebnisse in mehr als zwanzig Reasoning- und Werkzeugschritten überprüft, bevor es eine endgültige Lösung erstellt. Eine andere Demo zeigt, wie das Modell über mehrere Suchvorgänge den Schauspieler Jimmy Gary Jr. identifiziert und eine bestimmte Filmrolle bestätigt. Dafür musste es zahlreiche Webseiten sorgfältig prüfen. Bei Programmiersitzungen berichten Tester, dass K2 Thinking in einem Durchgang ein funktionierendes Spiel im Stil von Space Invaders erstellen und es anschließend durch wiederholte Werkzeugaufrufe verfeinern kann. Andere zeigen, wie es vollständige Websites entwirft, Frontend-Komponenten erstellt und sogar eine Desktop-Oberfläche zur Verwaltung von Dateien und Menüs nachbildet.

Was Entwickler beobachten

Unabhängige Tester in Entwicklerforen beschreiben ein ausgewogenes Verhältnis von Geschwindigkeit und Kontrolle. Ein erfahrener Nutzer führte das Modell auf handelsüblicher Hardware aus und berichtete von stabilem Verhalten bei langen Werkzeugketten und umfangreichen Eingaben. Der Tester ergänzte, dass der native INT4-Pfad die Geschwindigkeit erhöhte, während die Qualität stabil blieb.

In meinen Tests bewältigte es bis zu 300 aufeinanderfolgende Werkzeugaufrufe, ohne den roten Faden zu verlieren. Das ist eine deutliche Verbesserung gegenüber früheren Modellen.

Derselbe Tester verwies auf ein Kontextfenster von 256.000 Tokens, mit dem sich große Codeprojekte bearbeiten ließen, auf die Stärke bei mehrsprachiger Programmierung und auf praktische Verbesserungen bei Frontend-Aufgaben. Der gemeldete Durchsatz auf leistungsstarken Desktop-Rechnern lag je nach Einstellungen bei mehreren Dutzend bis zu Hunderten Tokens pro Sekunde. Dadurch reagieren Agentenschleifen bei Entwicklungsarbeiten schnell genug.

Einschätzung eines Experten

Nathan Lambert, ein KI-Forscher, der offene Modelle und Agentensysteme beobachtet, sieht in K2 Thinking einen Wendepunkt für offene Gewichte im oberen Leistungsbereich. Außerdem hebt er das hohe Veröffentlichungstempo der Labore in China hervor.

Die Veröffentlichung gilt als der bisher größte Schritt offener Modelle in Richtung der geschlossenen Spitzenmodelle bei der Leistung.

Lambert verweist zudem auf einen Geschwindigkeitsvorteil bei der Veröffentlichung neuer Systeme und Überarbeitungen im offenen Bereich, obwohl geschlossene Modelle in einigen Bereichen weiterhin führend sind.

Offene Modelle erscheinen schneller. Chinesische Labore veröffentlichen ihre Modelle deutlich schneller als westliche Labore.

Was K2 Thinking noch beweisen muss

Eine Spitzenposition bei Benchmarks bedeutet nicht, dass ein Modell in der Produktion durchweg überlegen ist. Einige Nutzer berichten von gelegentlichen Einbußen beim Erinnern an Inhalte in sehr langen Kontexten. Das ist eine verbreitete Herausforderung für Systeme mit großen Kontextfenstern. Auch unterscheiden sich Benchmarks hinsichtlich der erlaubten Werkzeugbudgets und der Begrenzung von Reasoning-Tokens. Vergleiche können daher davon abhängen, wie stark die Teams auf Test-Time-Scaling setzen. Hunderte Werkzeugaufrufe in einer Sitzung stellen zudem Hosting-Anbieter vor Herausforderungen, denn sie müssen mehr Zustandsdaten, mehr Netzwerkaufrufe und umfangreichere Protokolle verarbeiten.

Unternehmen werden auf Stabilität über verschiedene Versionen hinweg, reproduzierbare Ergebnisse bei festen Einstellungen und Sicherheitswerkzeuge achten, die sich in bestehende Abläufe integrieren lassen. Die Ausgabe von Reasoning-Spuren ist ein hilfreicher Schritt, weil Teams so Zwischenschritte untersuchen können. Zugleich müssen Betreiber entscheiden, wie viele Denkprozesse protokolliert werden und wann sensible Inhalte unkenntlich gemacht werden sollen. Das offene Design des Modells ermöglicht schnelle Weiterentwicklungen durch die Community. Das ist eine Stärke, bedeutet aber auch, dass zahlreiche Varianten mit unterschiedlichen Kompromissen bei Geschwindigkeit, Speicherbedarf und Qualität entstehen werden. Die ersten Ergebnisse sind vielversprechend. Weitere Tests über Sprachen, Fachgebiete und Hardware hinweg werden zeigen, wo K2 Thinking besonders stark ist.

Das Wichtigste

• Moonshot AI hat Kimi K2 Thinking mit offenen Gewichten unter einer modifizierten MIT-Lizenz veröffentlicht, die eine kommerzielle Nutzung erlaubt.
• Das Modell nutzt eine Mixture-of-Experts-Architektur mit insgesamt einer Billion Parametern, von denen pro Token etwa 32 Milliarden aktiv sind.
• Native INT4-Inferenz auf Grundlage von Quantization-Aware-Training senkt Kosten und Latenz bei gleichbleibender Qualität.
• K2 Thinking erzielt bei Humanity’s Last Exam mit Werkzeugen 44,9 Prozent und bei BrowseComp 60,2 Prozent. Bei diesem Agententest übertrifft es GPT 5.
• Zu den Ergebnissen bei der Programmierung zählen 71,3 Prozent bei SWE Bench Verified und 83,1 Prozent bei LiveCodeBench v6.
• Das System unterstützt ein Kontextfenster von 256.000 Tokens und kann 200 bis 300 aufeinanderfolgende Werkzeugaufrufe ausführen.
• Die Preise liegen bei etwa 0,15 US-Dollar pro einer Million Tokens bei Cache-Treffern, 0,60 US-Dollar bei Cache-Fehlgriffen und 2,50 US-Dollar für Ausgaben. Damit sind sie deutlich niedriger als die Preise von GPT 5.
• Der Zugang ist über Kimi.com, per API über die Kimi Open Platform und über öffentliche Plattformen wie Hugging Face möglich.
• Offene Modelle aus China, darunter Kimi, DeepSeek, Qwen und MiniMax, treiben schnelle Veröffentlichungen und höhere Benchmark-Ergebnisse voran.
• Zu beobachten sind die Zuverlässigkeit bei langen Kontexten, Hosting-Unterstützung für umfangreiche Werkzeugschleifen und die Leistung unter Produktionsbedingungen.