Kimi K3 gaat verder dan alleen de leidende positie in front-end ontwikkeltests. Door de recente publicaties van Moonshot AI wordt het model met 2,8 biljoen parameters gezien als een serieuze rivaal voor GPT-5.6 Sol en Claude Fable 5 op gebieden zoals programmeren, webbrowsen, automatisering, spreadsheets en visueel redeneren. Toch erkent het bedrijf zelf dat de algehele prestaties en gebruikerservaring nog onder die van de meest geavanceerde proprietaire modellen blijven.
Samenvatting van de resultaten van Kimi K3 in 30 seconden
- Kimi K3 leidt in Program Bench, SWE Marathon, BrowseComp, Automation Bench en SpreadsheetBench 2 onder de geteste modellen.
- Met slechts 0,5 punten achterstand op GPT-5.6 Sol in Terminal Bench 2.1.
- Claude Fable 5 behoudt de voorsprong in DeepSWE, FrontierSWE, JobBench en diverse visuele taken.
- De vergelijkingen gebruiken verschillende agent-omgevingen, waardoor resultaten niet altijd direct vergelijkbaar zijn.
- Moonshot plant de volledige modelgewichten vóór 27/07/2026 vrij te geven.
De volledige tabel biedt een genuanceerder beeld dan de eerste plaats van Kimi K3 in Frontend Code Arena. Het nieuwe model presteert hoog in bijna alle categorieën, maar er is geen eenduidige winnaar. GPT-5.6 Sol blinkt uit in sommige programmeertests en denkprocessen, Claude Fable 5 blijft favoriet voor complex software-ontwikkeling en professionele taken, terwijl Kimi K3 vooral goed scoort bij langdurige sessies, webnavigatie, automatisering en bepaalde vormen van visuele creativiteit.
Moonshot heeft Kimi K3 beoordeeld met maximaal denkvermogen, een temperatuurinstelling van 1,0 en in verschillende uitvoenomgevingen, afhankelijk van de test. Het bedrijf waarschuwt dat de modellen niet altijd hetzelfde harness gebruikten: het inzetten van Kimi Code, Claude Code of Codex kan aanzienlijk invloed hebben op de resultaten.
Kimi K3 komt dichtbij GPT-5.6 in langdurig programmeren
In Terminal Bench 2.1, een test die de capaciteit meet om taken via een terminal op te lossen, behaalt Kimi K3 88,3 punten. GPT-5.6 Sol blijft de koppositie behouden met 88,8, slechts een halve punt verschil.
Kimi overtreft daarbij Claude Fable 5 en Claude Opus 4.8, beide met 84,6, en ook GPT-5.5 en GLM-5.2. Deze score suggereert dat Kimi K3 beter geschikt is voor lange sessies, toolgebruik en repository-navigatie.
| Programmeertest | Kimi K3 | Beste resultaat | Positie van Kimi |
|---|---|---|---|
| DeepSWE | 67,5 | GPT-5.6 Sol: 73,0 | 3e |
| Program Bench | 77,8 | Kimi K3: 77,8 | 1e |
| Terminal Bench 2.1 | 88,3 | GPT-5.6 Sol: 88,8 | 2e |
| FrontierSWE | 81,2 | Claude Fable 5: 86,6 | 2e |
| SWE Marathon | 42,0 | Kimi K3: 42,0 | 1e |
| Kimi Code Bench 2.0 | 72,9 | Claude Fable 5: 76,9 | 2e |
Program Bench eindigt met Kimi K3 op de eerste plek, met 77,8 punten, vlak achter GPT-5.6 Sol met 77,6 en Fable 5 met 76,8. De kleine verschillen bevestigen dat K3 zich kan meten met toonaangevende gesloten modellen op het gebied van codegeneratie en -oplossingen.
SWE Marathon toont een duidelijkere voorsprong. Kimi K3 scoort 42 punten, gevolgd door Claude Opus 4.8 met 40, GPT-5.6 Sol met 39 en Fable 5 met 35. Deze test beoordeelt het vermogen om lange termijn engineeringtaken uit te voeren, een kernfocus van Moonshot tijdens de training van het model.
De resultaten verschillen bij DeepSWE. GPT-5.6 Sol behaalt 73 punten, Fable 5 70, en Kimi K3 eindigt derde met 67,5. In FrontierSWE voert Fable 5 de ranglijst aan met 86,6, gevolgd door Kimi met 81,2.
Dit patroon laat zien dat Kimi K3 niet algemeen de programmeer-kampioen is. Zijn sterke punten liggen vooral in taken die langdurige continuïteit, exploratie en toolgebruik vereisen, terwijl GPT-5.6 en Fable 5 beter presteren in andere software-engineering tests.
Methodologisch gezien gebruikt Kimi K3 voor verschillende tests Kimi Code, terwijl GPT-5.6 Sol met Codex draait en de modellen van Anthropic werk gebruiken met Claude Code of Terminus. Een goed beheerde omgeving kan beter de context behouden, juiste tools selecteren en fouten herstellen, waardoor een deel van de scores afhangt van het volledige systeem en niet alleen van het model.
Moonshot erkent verder dat sommige resultaten van Claude Fable 5 mogelijk automatisch worden vervangen door Claude Opus 4.8 bij afwijzing om beleidsredenen. De cijfers van GPT-5.6 Sol kunnen beïnvloed worden door veiligheidscontroles. Dit bemoeilijkt een volledig uniforme vergelijking.
BrowseComp en Automation Bench benadrukken agent-vaardigheden
De sterkste punten van Kimi K3 bevinden zich buiten conventioneel programmeren. In BrowseComp, een onderzoeks- en webnavigatietest, scoort Kimi 91,2 punten, tegenover 90,4 voor GPT-5.6 Sol en 88 voor Fable 5.
Ook in Automation Bench domineert Kimi met 30,8 punten. GPT-5.6 Sol krijgt 29,7 en Fable 5 29,1. Het verschil is klein, maar relevant omdat deze test kijkt naar het vermogen om acties en tools te coördineren, in plaats van enkel tekst te genereren.
| Agententest | Kimi K3 | Model in leidende positie |
|---|---|---|
| BrowseComp | 91,2 | Kimi K3 |
| Automation Bench | 30,8 | Kimi K3 |
| SpreadsheetBench 2 | 34,8 | Kimi K3 |
| AA-Briefcase Elo | 1.548 | Fable 5: 1.583 |
| GDPval-AA v2 Elo | 1.668 | Fable 5: 1.760 |
| JobBench | 52,9 | Fable 5: 57,4 |
| MCP Atlas | 84,2 | Fable 5: 84,7 |
| Toolathlon-Verified | 73,2 | Fable 5: 77,9 |
K3 behaalt ook de hoogste scores in SpreadsheetBench 2 met 34,8 punten, net boven Fable 5 met 34,7. GPT-5.6 Sol scoort 32,4 en Claude Opus 4.8 komt uit op 31,6.
Deze test is interessant omdat werken met spreadsheets veel inzicht vereist in structuur, formulegebruik en coherentie tussen verschillende bewerkingen. Het gaat niet alleen om syntax, maar om het begrijpen van de bedoeling van de gebruiker en het toepassen van veranderingen op bestaande documenten.
Fable 5 behoudt de koppositie in JobBench met 57,4 punten, gevolgd door Kimi K3 met 52,9 en GPT-5.6 Sol met 49.9, terwijl Fable 5 ook hoog scoort in GDPval-AA met 1.760 punten Elo., tegenover 1.668 voor Kimi K3. Deze benchmarks simuleren professionele taken op een breed scala aan scenario’s en bevestigen dat Kimi K3 zich nog niet kan meten met de topmodellen op algemeen niveau.
Bij AA-Briefcase blijft Fable 5 met 1.583 punten leaden, gevolgd door Kimi K3 op korte afstand met 1.548 en GPT-5.6 Sol met 1.495. MCP Atlas toont zeer vergelijkbare scores: Fable 5 met 84,7, Kimi K3 met 84,2, en GPT-5.6 Sol en Opus 4.8 met 83,6. Kleine verschillen maken het moeilijk om een duidelijke superioriteit aan te wijzen, vooral omdat een beoordelingsmodel en limieten zoals 100 ronden de resultaten beïnvloeden.
Natuurlijke visie, maar Claude behoudt voorsprong in diverse tests
Kimi K3 beschikt over ingebouwde visuele mogelijkheden en kan tegelijk captures, tekst, video’s en code verwerken tijdens één enkele taak. Moonshot benadrukt deze functionaliteit voor prestaties in front-end, gaming, grafisch ontwerp en bewerking.
De visuele testresultaten blijven een gelijkmatig gevecht tonen. Kimi K3 scoort 91,3 punten in CharXiv met Python, iets onder Fable 5 met 93,5, maar boven GPT-5.6 Sol, Opus 4.8 en GPT-5.5.
| Visuele test | Kimi K3 | Beste resultaat |
|---|---|---|
| MMMU-Pro | 81,6 | GPT-5.6 Sol: 83,0 |
| MMMU-Pro met Python | 83,4 | Fable 5: 86,5 |
| CharXiv met Python | 91,3 | Fable 5: 93,5 |
| MathVision | 94,3 | GPT-5.6 Sol: 95,8 |
| MathVision met Python | 97,8 | Fable 5: 98,6 |
| ZeroBench met Python | 41,0 | Fable 5: 46,0 |
| OmniDocBench | 91,1 | Kimi K3: 91,1 |
| PerceptionBench | 58,5 | GPT-5.6 Sol: 59,7 |
In OmniDocBench behaalt Kimi K3 de hoogste score met 91,1 punten. Deze test beoordeelt het vermogen documenten met complexe inhoud te begrijpen, inclusief tekst, structuur en visuele elementen.
In MathVision met Python behaalt K3 97,8 punten, gelijk aan GPT-5.6 Sol en dicht bij Fable 5 met 98,6. Alle topmodellen scoren hoog, waardoor praktische verschillen vooral afhangen van soort problemen en de wijze van het gebruik van rekenhulpmiddelen.
Claude Fable 5 excelleert in meerdere veeleisende visuele taken, terwijl GPT-5.6 Sol uitblinkt in MMMU-Pro en MathVision. Kimi K3 blijft dicht bij beiden en overtreft in verschillende gevallen Claude Opus 4.8 en GPT-5.5.
De visuele capaciteiten tonen zich ook in minder gestructureerde demonstraties. Moonshot benadrukt dat K3 in staat is eigen gegenereerde resultaten te observeren en bij te stellen via herhaalde captures. Dit proces, “visie in de lus”, maakt het mogelijk om interface-, game- of ontwerpaanpassingen direct te optimaliseren op basis van daadwerkelijk gedrag.
Een model met 2,8 biljoen parameters dat slechts een fractie activeert
Kimi K3 is gebouwd op een mengarchitectuur van experts met in totaal 2,8 biljoen parameters. Bij elke operatie worden slechts 16 van de 896 beschikbare experts geactiveerd, wat minder rekentijd vereist dan een compleet dicht model van dezelfde omvang.
Moonshot wijt deze efficiëntie deels aan innovaties zoals Kimi Delta Attention, Attention Residuals en Stable LatentMoE. De combineerde benadering biedt volgens hen ongeveer 2,5 keer zo’n goede schaalbaarheid als Kimi K2.
| Technische specificaties | Kimi K3 |
|---|---|
| Totale parameters | 2,8 biljoen |
| Architectuur | Mengen van experts |
| Beschikbare experts | 896 |
| Geactiveerde experts per operatie | 16 |
| Maximale contextlengte | Een miljoen tokens |
| Multimodale input | Tekst, beeld en video |
| Quantisatie tijdens training | MXFP4 (gewichten), MXFP8 (activeringen) |
| Voorgesteld gebruik | Superknooppunten met minimaal 64 accelerators |
De schaal waarop het model draait beperkt het praktische gebruik van de volledige, vrijgegeven gewichten voor individuele gebruikers. Het uitvoeren van Kimi K3 in zijn geheel vereist een infrastructuur met veel accelerators en hoge bandbreedte.
Moonshot adviseert het gebruik van superknooppunten met minimaal 64 apparaten voor efficiënte inferentie. Hoewel de gemeenschap de gewichten kan aanpassen of comprimeren, blijft de volledige implementatie voorlopig voorbehouden aan onderzoekscentra, inference-providers en grote bedrijven.
De API-kosten bedragen 0,30 dollar per miljoen tokens uit cache, 3 dollar zonder cache en 15 dollar voor gegenereerde output. Moonshot claimt dat zijn Mooncake-architectuur boven de 90% cache-hit ratio presteert op programmeertaken, gebaseerd op eigen systemen.
Moonshot erkent instabiliteit en overmatige initiatiefname
De ontwikkelaar wijst op twee belangrijke technische beperkingen. Kimi K3 is getraind om tijdens sessies het denkproces te behouden. Wanneer de omgeving dat niet correct doorgeeft of het model wordt vervangen, kan de kwaliteit instabiel worden.
Daarom adviseert Moonshot het gebruik van Kimi Code of een andere compatibele omgeving die het behoud van context heeft getest. Het wordt ook afgeraden om het model te wisselen tijdens een langdurige taak.
Daarnaast vertoont Kimi K3 de neiging tot initiatief nemen. Voor lange projecten kan het model doorschieten in improvisatie bij ambiguïteit of kleine problemen. In systemen die strakke controle vereisen, raadt Moonshot aan expliciete restricties in het systeembericht of documentatie zoals AGENTS.md te plaatsen.
Deze waarschuwingen zijn vooral relevant voor softwareontwikkeling. Een te actieve agent kan onbevoegde bestanden wijzigen, dependencies installeren of de architectuur aanpassen zonder expliciete toestemming, met mogelijk onbedoelde gevolgen.
Hoewel open gewichten voor Moonshot als belofte worden gedaan, is het huidige model nog niet zomaar voor thuisgebruik te draaien. Het vereist een krachtige infrastructuur met meerdere accelerators en snelle verbindingen.
De bevindingen tonen dat een model met open gewichten al enkele prestaties kan evenaren of overtreffen, maar dat volledige reproduceerbaarheid nog niet vanzelfsprekend is. Publieke documentatie en complete rapporten zullen nodig zijn om te bepalen hoe ver deze prestaties te repliceren zijn buiten de infrastructuur van de fabrikant.
Veelgestelde vragen
Heeft Kimi K3 GPT-5.6 Sol ingehaald in programmeren?
Het hangt af van de test. In Program Bench en SWE Marathon voert Kimi de ranglijsten aan, maar in DeepSWE en Terminal Bench 2.1 ligt GPT-5.6 Sol voor.
Is Kimi K3 een betere agent dan Claude Fable 5?
Kimi wint in BrowseComp, Automation Bench en SpreadsheetBench 2. Fable 5 blijft favoriet in JobBench, GDPval-AA, AA-Briefcase en diverse visuele taken.
Zijn alle resultaten direct vergelijkbaar?
Nee, niet volledig. Verschillende modellen gebruiken diverse agent-omgevingen, denk-niveaus en veiligheidsmechanismen. Sommige cijfers komen uit interne evaluaties.
Wanneer worden de gewichten van Kimi K3 gepubliceerd?
Moonshot plant de volledige vrijgave vóór 27/07/2026, inclusief meer details over architectuur, training en testresultaten.
Bron: Nieuws over kunstmatige intelligentie