Kimi K3.1 Pro hat ein Kontextfenster von einer Million Token. Das Team hinter Kimi hat die erste Version der K3.1-Reihe vorgestellt und nennt sie das leistungsfähigste offene Modell der 3T-Klasse. Verbesserungen soll es bei Programmierung, 3D-Erstellung, Finanzrecherche und agentischen Aufgaben geben. Parallel erscheint Kimi K3.1 Pro Highspeed, das zwei- bis dreimal so schnell antworten soll wie die Standardvariante. Beide Modelle sind ab sofort auf Kimi.ai, in Kimi Work, in Kimi Code und über die Kimi API verfügbar; die vollständigen Modellgewichte sollen bis zum 4. November folgen.
Wer solche Ankündigungen einordnen will, kann sich ein Modell als Werkstatt vorstellen. Die Werkbank ist der Kontext: die Fläche, auf der alle Teile eines Auftrags gleichzeitig liegen. Die Werkzeuge an der Wand sind die eingeübten Fähigkeiten. Das Post-Training ist die Einarbeitung eines Gesellen, der viel gesehen hat und erst durch konkrete Aufträge lernt, wann welches Werkzeug greift. Je größer die Werkbank, desto weniger muss zwischendurch weggeräumt werden. Das ist der praktische Kern der langen Kontextlänge.
Was Kimi K3.1 Pro laut Hersteller kann
Kimi K3.1 Pro ist laut Hersteller ein nachtrainiertes Modell auf Basis von Kimi K3, mit größerem Rechenbudget in der zweiten Trainingsphase. Um Reinforcement Learning über Hunderte Anwendungsdomänen gleichzeitig zu betreiben, hat das Team nach eigenen Angaben jede Schicht des Stacks angepasst: Trainingsframework, Inferenz für lange Kontexte, Trainingseffizienz, Sandbox-Infrastruktur, Ablaufplanung der Rollouts und eine gemeinsame Plattform zur Qualitätsprüfung der Trainingsumgebungen. Das Ziel ist nüchtern: Jede zusätzliche Recheneinheit soll einen stabilen, vorhersagbaren Ertrag liefern. Erst dann lassen sich solche Läufe planen.
Der Nutzen zeigt sich in der Breite. Laut Hersteller gewinnt K3.1 Pro in jeder getesteten Domäne hinzu und erreicht bei Coding-, Agenten- und Wissens-Benchmarks das Niveau der stärksten proprietären Modelle oder kommt ihm nahe. Bei einem Open-Weight-Modell zählt nicht nur ein Spitzenwert in einer Disziplin, sondern ein Bündel von Fähigkeiten, das man selbst betreiben kann. Für Teams, die aus Datenschutz- oder Kostengründen nicht jede Anfrage an einen fremden Dienst schicken wollen, ist das wichtiger als der letzte Prozentpunkt.
Benchmarks: Coding-Agenten unter realistischen Bedingungen
Auf Terminal-Bench 4.0 erreicht Kimi K3.1 Pro 65,7 Prozent. Der Benchmark prüft Coding-Agenten an realistischen Terminal-Aufgaben mit knappen Ressourcen und strengen, aufgabenspezifischen Tests. Das ist eher ein Werkstattauftrag unter Zeitdruck als eine Multiple-Choice-Prüfung. Damit liegt das Modell vor GPT-6 Astra mit 58,2 Prozent und knapp hinter Claude Opus 5.5 mit 66,4 Prozent. Im internen Kimi Code Bench 3.0 Long-horizon, der mehrstufige Ausführung, Werkzeugnutzung und End-to-End-Problemlösung über verschiedene Ingenieurdomänen misst, kommt K3.1 Pro auf 61,2 Prozent und verbessert sich gegenüber K3 mit 55,95 Prozent.
Konkreter als die Zahlen ist ein Beispiel des Herstellers: K3.1 Pro baute einen Simulator für menschliche Gangdynamik auf Basis von human-atlas, einem offenen anatomischen Modell mit 296 Skelettkomponenten inklusive Knorpel und 402 Muskelkomponenten, samt Trainings- und Auswertungs-Pipelines. Über 167 Missionen und 420 unabhängige Prüfungen analysierte das Modell Ergebnisse, diagnostizierte Fehler und verfeinerte den Geh-Regler, bis die Figur nicht mehr nach wenigen Sekunden zusammenbrach, sondern 11,2 Sekunden mit wechselnden Schritten lief. Als die Belohnungsfunktion beim Armverhalten nicht weiterhalf, drehte es nicht weiter an der Belohnung, sondern führte offene Messungen der Simulationsdynamik durch, fand 36 Fehler in der Berechnung der Schulter-Muskel-Momentarme und trainierte danach neu. Das unterscheidet ein Werkzeug, das Anweisungen befolgt, von einem, das einen defekten Prüfstand hinterfragt.
Insgesamt deckt das Modell laut Hersteller schnelle Korrekturen in bestehenden Codebasen bis zum Aufbau ganzer Projekte ab. Es arbeitet mit Engines wie Unity, Unreal Engine und Godot und kombiniert diese mit Websuche und 3D-Generierung. Für Frontend-Seiten, interaktive Three.js-Szenen und 3D-Assets werden bessere Komposition, Typografie und Animation versprochen. In diesem Bereich funktionierten Modelle bisher oft sauber und sahen trotzdem beliebig aus.
3D-Modellierung: parametrisches Design als Kernkompetenz
Bei der 3D-Modellierung lassen sich Werkzeugnutzung und reines Modellkönnen getrennt betrachten. Auf BenchCAD, das die 3D-Rekonstruktion aus Mehrfachansichten über CAD-Code-Generierung prüft, erreicht Kimi K3.1 Pro mit Werkzeugen 92,7 Prozent – hinter Claude Opus 5.5 mit 96,2 und GPT-6 Astra mit 95,9 Prozent, aber vor Claude Fable 5.1 mit 92,6 und DeepSeek-V4.1-Flash-1017 mit 81,6 Prozent. Ohne Werkzeuge, also ohne ausgelagerte Rechenhilfen, liegt K3.1 Pro mit 72,8 Prozent praktisch gleichauf mit Opus 5.5 (73,0), während die übrigen Vergleichsmodelle deutlich abfallen. Die Fähigkeit steckt hier stärker im Modell selbst als in der angeschlossenen Software.
Der Hersteller hebt parametrisches Modellieren hervor: mechanische Bauteile, Architekturmodelle, konfigurierbare Produkte, Möbel nach Maß. Ohne MCP-Konnektoren schreibt und startet das Modell Skripte für Blender und CAD-Programme, um Assets zu bauen, Bauteile zu bearbeiten und Geometrie, Materialien oder Szenenlayout anzupassen. Aus einer Textvorgabe, einer Skizze oder einem Referenzbild soll es Form, Proportionen und räumliche Beziehungen ableiten. Zusätzlich ist 3D Make auf kimi.ai und in der Kimi-App gestartet. Dort lassen sich Modelle online ansehen, bearbeiten, für den 3D-Druck herunterladen oder als Video exportieren. Das verkürzt den Weg vom Entwurf zum prüfbaren Objekt.
Finanzanalyse: weniger Halluzinationen
Im Finanzbereich meldet der Hersteller einen Bestwert auf OfficeQA Pro v2 mit 64,4 Punkten. Der Test verlangt komplexe Auswertung echter Finanzdokumente über Retrieval, quellenübergreifende Prüfung und mehrstufige numerische Schlüsse. Auf Frontier Finance, das komplette Investment-Abläufe vom Screening bis zur Profitabilitätsanalyse abbildet, erreicht K3.1 Pro 58,6 Punkte. In internen Benchmarks verbessert sich das Modell gegenüber K3 beim Financial Modeling um 7,2 Punkte auf 57,6, bei Financial Research um 11,6 Punkte auf 70,4 und im simulierten Geschäftsbetrieb auf 37 gegenüber 8,9 – laut Hersteller etwa das 4,2-Fache.
Wichtiger als die Zuwächse ist die Fehlerquote. Auf Kimi Hallu Bench Hard, einem internen Stresstest für Faktenrichtigkeit, sank die Halluzinationsrate auf Aussagenebene von 23,4 Prozent bei K3 auf 8,3 Prozent. Der Anteil der Antworten mit mindestens einem sachlichen Fehler liegt nach diesen Zahlen bei 42,4 Prozent dessen, was der Vorgänger produzierte. Der Hersteller schränkt selbst ein, dass es ein bewusst gemeiner Test ist und die Werte keine Alltagsfehlerquote abbilden. Diese Einschränkung wird in der Berichterstattung gern überlesen: Ein Stresstest zeigt, wo die Decke liegt, nicht wie der Raum im Alltag aussieht. Für Finanzarbeit bleibt der prüfende Mensch unverzichtbar.
Cybersicherheit: warum die Gewichte kontrolliert freigegeben werden
Bei der Sicherheit beobachtete das Team, dass die Fähigkeit zur Schwachstellenforschung mit Skalierung des Post-Trainings zunahm. Bei der Ursachensuche zeigte sich, dass Cybersicherheits-Inhalte im allgemeinen Mid-Training-Korpus steckten und entsprechende Aufgaben auch in der Mischung der RL-Umgebungen auftauchten – ein Nebenprodukt breiter Datensammlung. In Vorversuchen an internen Modellen stieg die Cyber-Fähigkeit ohne Entfernung dieser Daten in beiden Trainingsphasen erheblich an. Daraus ergab sich ein konkreter Hebel: Für die offene Version von K3.1 Pro wurden die entsprechenden Daten aus beiden Stufen entfernt, während allgemeine Programmieraufgaben erhalten blieben.
Gemessen wurde das auf xdev-bench-hard, einem internen Benchmark mit expertenkuratierten Aufgaben zur Schwachstellensuche und -ausnutzung, unter anderem aus Linux-Kernel, Node.js, JavaScriptCore, Exim und VirGL, jeweils mit aktiven Schutzmaßnahmen. Der Prüfling bekommt Quellcode, einen kurzen Hinweis und das Binärprogramm; er muss einen Exploit entwickeln, in einer separaten Sandbox beliebigen Code ausführen und eine geheime Zeichenfolge zurückholen. Ein Zwischenstand ohne die Risikomaßnahmen löst 90,5 Prozent der Aufgaben bei pass@3, das finale K3.1 Pro kommt auf 81,0 Prozent. Der Vorgänger K3 liegt bei 33,3 Prozent, GLM-5.3 bei 57,1 und DeepSeek-V4.1-Flash bei 85,7 Prozent.
Aus diesen Zahlen leitet der Hersteller zwei Grundsätze ab. Erstens sollen offene Gewichte nicht die absolute Grenze der Cyber-Fähigkeit verschieben; K3.1 Pro bleibt bewusst unter dem, was die eigene Pipeline leisten könnte, und hinter seit Monaten verfügbaren proprietären Modellen zurück. Zweitens will man die in offenen Gewichten verfügbare Fähigkeit schrittweise anheben, weil eine nicht-diskriminierende Freigabe denen nützt, die solche dual-use-Werkzeuge zur Verteidigung brauchen – etwa um alten, selten geprüften Code zu auditieren. Das ist eine nachvollziehbare Abwägung, aber eine Entscheidung des Herstellers, keine Eigenschaft der Technik.
Was das für Teams und Entwickler bedeutet
Für die Praxis zählt weniger der Spitzenwert als die Frage, was man selbst damit betreiben kann. Kimi K3.1 Pro API und Modellgewichte stehen in Aussicht, Letztere bis zum 4. November. Wer sensible Daten verarbeitet, kann das Modell dann grundsätzlich auf eigener Infrastruktur laufen lassen, statt jede Anfrage auszulagern. Wer vor allem schnelle Rückmeldung braucht, etwa beim Arbeiten mit einem Assistenten im Editor, für den ist die Highspeed-Variante interessant: Zwei- bis dreifache Geschwindigkeit bei gleicher Modellfamilie verändert den Arbeitstakt oft stärker als ein paar Benchmark-Punkte.
Zugleich lohnt eine nüchterne Lesart der Zahlen. Ein Teil der Auswertungen stammt aus eigenen Häusern; Benchmarks wie der interne Code Bench oder Hallu Bench sind nicht unabhängig nachprüfbar. Das ist bei jedem Hersteller so. Trotzdem sollte man die eigenen Aufgaben testen, bevor man Produktionsketten umstellt. Ein offenes Modell mit großer Kontextlänge, das bei Coding und 3D-Design in Reichweite der stärksten kommerziellen Systeme kommt, verschiebt Preis und Verfügbarkeit dieser Fähigkeiten. Die Werkbank wird größer, die Werkzeuge werden geliehen statt gemietet.
Quelle: kimi.ai
