← Alle Modelle

Moonshot AI · Kimi

Kimi K2.6

kimi-k2.6

open-weightModell, dessen trainierte Gewichte öffentlich herunterladbar sind, sodass man es selbst (lokal oder auf eigener Hardware) betreiben kann. Nicht zwingend vollständig quelloffen – die Lizenz bestimmt die erlaubte Nutzung.Mehr im Wissen →TextBild (Eingabe)Video (Eingabe)

Solide WahlOpen-Weight Agenten-/Coding-Schwergewicht

open-weightModell, dessen trainierte Gewichte öffentlich herunterladbar sind, sodass man es selbst (lokal oder auf eigener Hardware) betreiben kann. Nicht zwingend vollständig quelloffen – die Lizenz bestimmt die erlaubte Nutzung.Mehr im Wissen →-MoE (Mixture of Experts)Architektur, bei der je Anfrage nur ein Teil des Modells („Experten“) aktiv wird. So hat das Modell sehr viele Gesamt-Parameter, rechnet aber nur mit wenigen aktiven – das spart Rechenzeit.Mehr im Wissen → mit 1 Bio. ParameterDie im Training gelernten „Stellschrauben“ eines Modells (gezählt in Milliarden). Mehr Parameter heißt grob mehr Kapazität, aber auch mehr Rechen- und Speicherbedarf – und sagt allein wenig über die Qualität.Mehr im Wissen → (32 Mrd. aktiv), stark bei Long-Horizon-Coding und Agenten-Schwärmen. Im AA-IntelligenzZusammengesetzter Intelligenz-Index von Artificial Analysis (unabhängig, 0–100): bündelt mehrere Reasoning-, Wissens- und Mathe-Benchmarks zu einer Zahl. Je höher, desto stärker das allgemeine Reasoning.Mehr im Wissen → 43 / Coding 62 (Coding führt) – eine der stärksten offenen Coding-/Agenten-Optionen, multimodal mit 256-K-Kontext.

  • agentisches Coding
  • Long-Horizon-Workflows
  • Self-Hosting
  • natürliche Prosa & Chat
KontextfensterDie maximale Textmenge (in Tokens), die ein Modell pro Anfrage gleichzeitig „im Blick“ hat – Eingabe plus bisheriger Verlauf. Ist es voll, fällt Älteres aus dem Kontext.Mehr im Wissen →
262 KTokenDie kleinste Verarbeitungseinheit eines Sprachmodells – ein Wortstück, kein ganzes Wort. Faustregel: rund 1.000 Tokens entsprechen grob 750 deutschen Wörtern. Preise und Kontextlängen werden in Tokens gerechnet.Mehr im Wissen →
Max. Ausgabe
32.768 K Token
Preis (Input / Output)
$0.95 / $4 je 1 Mio. Token
Preis-LeistungHier: AA-Intelligenz geteilt durch den (3:1 gewichteten) Token-Preis – Indexpunkte je Dollar pro Mio. Tokens. Höher = mehr Leistung fürs Geld. Entspricht der „Intelligence vs. Price“-Sicht von Artificial Analysis.Mehr im Wissen →
25,1 Indexpkt. je $/Mio. Token
WissensstichtagDer Zeitpunkt, bis zu dem die Trainingsdaten eines Modells reichen („knowledge cutoff“). Über spätere Ereignisse weiß das Modell von sich aus nichts – es sei denn, sie werden ihm in der Anfrage mitgegeben.Mehr im Wissen →
nicht ausgewiesen
Release
20. April 2026

Stärken

  • Open-Weight (Modified MIT) – self-hosted/lokal betreibbar, nativ INT4-quantisiert
  • Stark bei Long-Horizon-Coding und Agenten-Schwärmen (laut Anbieter bis 300 Sub-Agenten)
  • Multimodal (Text/Bild/Video-Eingabe, MoonViT-Encoder), 256-K-Kontext

Schwächen

  • Sehr großes Gewichtspaket (1 Bio. Parameter MoE) – Self-Hosting nur mit erheblicher Hardware
  • Nur Text-Ausgabe; kein dediziertes K2.6-Technical-Report (nur Vorgänger-Paper K2.5)

Typische Einsatzfälle

  • agentisches Coding
  • Long-Horizon-Workflows
  • Self-HostingEin (meist open-weight) Modell auf eigener Hardware oder in der eigenen Cloud betreiben, statt die API eines Anbieters zu nutzen. Bringt Datenhoheit und Kostenkontrolle, erfordert aber eigene Infrastruktur.Mehr im Wissen →

Leistung im Vergleich

Unabhängige Indizes (Artificial Analysis, 0–100), zwei kontaminationsarme Einzel-Benchmarks (Terminal-Bench, agentische Shell-Aufgaben; τ²-bench, Tool-Use-Verlässlichkeit über viele Läufe) und Human-Präferenz-Elo (LMArena). Die dunkle Markierung zeigt den Bestwert im Katalog – so wird der Abstand zur Spitze sichtbar. Die Preis-LeistungHier: AA-Intelligenz geteilt durch den (3:1 gewichteten) Token-Preis – Indexpunkte je Dollar pro Mio. Tokens. Höher = mehr Leistung fürs Geld. Entspricht der „Intelligence vs. Price“-Sicht von Artificial Analysis.Mehr im Wissen → oben ist daraus abgeleitet: AA-Intelligenz je AA-Blended-Preis (3:1) – entspricht der „Intelligence vs. Price“-Sicht von Artificial Analysis. AAs token-basiertes „Cost to Run Index“ ist nicht öffentlich abrufbar.

  • AA-IntelligenzZusammengesetzter Intelligenz-Index von Artificial Analysis (unabhängig, 0–100): bündelt mehrere Reasoning-, Wissens- und Mathe-Benchmarks zu einer Zahl. Je höher, desto stärker das allgemeine Reasoning.Mehr im Wissen →43
  • AA-CodingCoding-Teilindex von Artificial Analysis (unabhängig, 0–100): bündelt mehrere Programmier-Benchmarks zu einem Wert für die Code-Fähigkeit eines Modells.Mehr im Wissen →62
  • Terminal-BenchAusführungsbasierter Benchmark (0–100 %): das Modell löst echte Shell-/Terminal-Aufgaben in einer Sandbox, gewertet wird, ob das Ergebnis wirklich funktioniert. Dadurch kontaminationsärmer als reine Wissensquizze.Mehr im Wissen →66
  • τ²-benchBenchmark für die Verlässlichkeit beim Werkzeug-Einsatz: dieselbe Aufgabe wird viele Male wiederholt, gemessen wird, wie konstant das Modell die Tools korrekt bedient (0–100 %).Mehr im Wissen →96

Benchmarks im Detail

Kennzahlen aus zitierten Messungen – unabhängige Quellen sind ausgewiesen, Anbieterangaben entsprechend markiert. Werte sind nicht über Skalen hinweg vergleichbar. Wie man Benchmark-Zahlen liest →

  • Artificial Analysis Intelligence Index

    43

    unabhängigArtificial Analysis (API), abgerufen 2026-06-16

  • Artificial Analysis Coding Index

    62

    unabhängigArtificial Analysis (API), abgerufen 2026-07-09

  • Terminal-Bench (agentische Shell-Aufgaben)

    66 %

    unabhängigArtificial Analysis (API), abgerufen 2026-07-09

  • τ²-bench (Tool-Use-Verlässlichkeit)

    96 %

    unabhängigArtificial Analysis (API), abgerufen 2026-06-16

  • DeepSWE (Long-Horizon Coding)

    24 %

    (±4)

    unabhängigdeepswe.lol (kontaminationsfrei, mini-swe-agent), 2026-07-10

Einordnung

  • Open-Weight-MoE: 1 Bio. Gesamt- / 32 Mrd. aktive Parameter, MoonViT-Vision-Encoder (400 M); 256-K-Kontext, Modified-MIT-Lizenz, nativ QuantisierungVerfahren, das die Gewichte eines Modells mit weniger Bits speichert (z. B. 4 statt 16). Das senkt Speicher- und Hardwarebedarf deutlich, kostet aber etwas Genauigkeit – wichtig fürs lokale Betreiben.Mehr im Wissen →.Beleg · Primärquelle
  • Im AA Intelligence Index 43 / Coding 62 – beim Coding eines der stärksten Open-Weight-Modelle des Katalogs, vor MiniMax-M3 und GLM-5.1. Preis $0,95 / $4 (Cache-Hit-Input $0,16).Beleg · Primärquelle

Stimmen aus der Öffentlichkeit

Subjektive Einschätzungen Dritter – keine belegten Fakten, jeweils verlinkt.

ℹ️ MoE 1 Bio. total / 32 Mrd. aktiv, 384 Experten (+1 shared, 8 aktiv/Token), MoonViT-Vision-Encoder, nativ INT4. Modified MIT (Sichtbarkeits-Auflage ab >100 Mio. MAU bzw. >20 Mio. $ Monatsumsatz). Cache-Hit-Input $0,16 / 1 Mio. Token. Kein dediziertes K2.6-Paper (das auf der Card verlinkte arXiv 2602.02276 gehört zum Vorgänger K2.5). API OpenAI-/Anthropic-kompatibel über platform.kimi.ai.