Der teure Kimi K3, das geldknappe Unternehmen Moonshot AI

Die Vorstellung des Kimi K3 war sehr aufsehenerregend.

Mit 2,8 Billionen Parametern, einem Kontext von einer Million Token und nativer Multimodalität hat Moonshot es direkt in einer Rangliste neben Claude Fable 5, GPT-5.6 Sol und Claude Opus 4.8 platziert, um sie zu vergleichen.

Doch die heutigen Nutzer lassen sich von solchen Ranglisten längst nicht mehr beeindrucken – nach der Einführung des K3 spalteten sich die Bewertungen in der Community schnell.

Einige Tester, die die Analyse großer Codebasen und die Schlussfolgerung aus langen Dokumenten durchführten, riefen aus: „Das chinesische Flaggschiff hat endlich aufgeholt“ – und berichteten, dass die Agentengruppe vier Stunden lang ununterbrochen arbeiten konnte, ohne aufzugeben.

Andere wiederum beschwerten sich nach ihren praktischen Tests, dass es zu ausführlich sei und die generierten Infografiken nur mittelmäßig gestaltet seien. Einige Entwickler erklärten direkt, dass ihre Programmieraufgaben nicht funktionierten und sie zu Claude Opus zurückkehrten, um bessere Ergebnisse zu erzielen.

Einige Bewertungen waren sehr einheitlich: Die Ergebnisse sind gelegentlich beeindruckend, aber es ist zwei- bis dreimal langsamer als Konkurrenzprodukte, der Token-Verbrauch ist hoch und das Abonnement ist schnell erschöpft.

Viele Nutzer sagten direkt: „Es riecht stark nach Marketing, und die praktische Erfahrung entspricht nicht dem Ruf, zu den Top Drei der Welt zu gehören.“

Das ist wohl der derzeit wahrste Zustand des K3: Es steht in den Ranglisten sehr gut da, aber seine tatsächliche Arbeitsfähigkeit muss sich erst noch über die Zeit beweisen.

Das peinliche Dilemma des Kimi K3

Abgesehen von der Werberhetorik: Wenn der K3 tatsächlich so leistungsstark ist, wie das Unternehmen behauptet, ist das inländische Modell, das am besten mit ihm verglichen werden kann, Zhipus GLM-5.2.

Dies sind derzeit die beiden chinesischen offenen Modelle, die am häufigsten direkt mit den führenden US-Modellen verglichen werden.

Das GLM-5.2 wurde einen Monat früher veröffentlicht und hat bereits eine Runde von API-Aufrufen, Codenplan-Abonnements und Überprüfungen der Entwickler-Toolkette durchlaufen – es verfügt also über mehr tatsächliches Marktfeedback als das neu eingeführte K3.

Viele Nutzer bezeichnen das GLM-5.2 als „erschwingliche Alternative für Claude Code“, und der Codenplan des GLM-5.2 ist oft nicht verfügbar, weil er überlastet ist.

Noch wichtiger ist der Preis.

Für das GLM-5.2 zahlt man 1,4 US-Dollar pro Million Token für die Eingabe und 4,4 US-Dollar für die Ausgabe; für das K3 sind es 3 US-Dollar für die Eingabe und 15 US-Dollar für die Ausgabe – der Ausgabepreis des K3 liegt damit mehr als dreimal so hoch wie der des GLM-5.2.

Das bringt das K3 in eine peinliche Lage.

Für die überwiegende Mehrheit der Unternehmen und Entwickler, die ihre Kosten kontrollieren müssen, ist der Preisunterschied der praktischste Grund für die Entscheidung – solange der Leistungsunterschied nicht deutlich ist.

Was die Preiswürdigkeit betrifft, kann es nicht mit Zhipu GLM oder DeepSeek mithalten; was Leistung und Marke betrifft, kann es vorübergehend nicht mit Claude oder GPT konkurrieren.

Das K3 muss beweisen, dass der zwei- bis dreimal höhere Preis im Vergleich zum GLM-5.2 zu einer deutlich höheren Erfolgsrate bei Aufgaben führt.

Warum sollten Nutzer sonst nicht direkt das GLM-5.2 oder das teurere Claude Opus 4.8 bzw. Claude Fable 5 verwenden? Warum sollten sie die Umstellungskosten auf sich nehmen?

Natürlich hat Kimi auch seine Vorteile.

Es verfügt über eine verbraucherorientierte Marke, Erfahrung mit langen Kontexten, Produkte für die Suche, Kimi Work, Code, Agenten und Multi-Agent-Systeme – und es versteht normale Nutzer besser als einige reine Modellanbieter.

Aber alle diese Vorteile müssen letztendlich eine Frage beantworten:

Welche Aufgaben lassen sich mit dem GLM nicht gut erledigen, sind für DeepSeek zu anspruchsvoll und für Claude zu teuer – und für die das K3 die einzig passende Lösung ist?

Die Finanzierungsgeschichte von Kimi

Dass das K3 zu diesem Zeitpunkt auf den Markt kommt, dient nicht nur der Modellverbesserung, sondern vor allem dazu, dem Kapitalmarkt eine neue Geschichte zu erzählen.

Die Finanzierungsaktivitäten von Moonshot haben sich in den letzten sechs Monaten stetig beschleunigt:

Ende letzten Jahres schloss das Unternehmen eine C-Runde über 500 Millionen US-Dollar ab, im Februar dieses Jahres folgte eine weitere Finanzierung von über 700 Millionen US-Dollar, und im Mai wurde eine weitere Finanzierung von etwa 2 Milliarden US-Dollar abgeschlossen.

Nur einen Monat später wurde bekannt, dass das Unternehmen eine neue Finanzierung von bis zu 2 Milliarden US-Dollar anstrebt, mit einer angestrebten Bewertung von 300 bis 31,5 Milliarden US-Dollar – und es prüft einen zukünftigen Börsengang in Hongkong.

Für den Kapitalmarkt ist die Position als Anbieter von weltweit führenden Modellen der Kerngrund, der eine hohe Bewertung stützt.

Dass Moonshot zu diesem Zeitpunkt ein „weltweit größtes, nahezu führendes“ K3 vorstellt, ist natürlich nicht nur eine technische Demonstration, sondern auch ein Beweis für seine Bewertung.

Es muss den Investoren zeigen, dass Moonshot nicht zurückgefallen ist und weiterhin am Tisch der führenden Anbieter sitzt.

Um fair zu sein: Die Iterationsgeschwindigkeit von Kimi gehört tatsächlich zur ersten Reihe in China.

In den letzten Jahren gab es fast jedes Quartal eine neue Version, Funktionen wie lange Kontexte und Agentengruppen haben die Probleme der Entwickler getroffen – und das technische Image des Gründerteams ist gut etabliert.

Aber jetzt stellt sich die Frage: Was ist die Kernpositionierung von Kimi angesichts vieler Konkurrenten mit unterschiedlichen Stärken?

Soll es den Weg hoher Preise gehen? Dann hat es noch keinen Leistungsvorsprung, der eine neue Generation darstellt – warum sollten Nutzer zwei- bis dreimal so viel bezahlen?

Soll es den Weg des Preiswettbewerbs gehen? Dann würden die Verluste bei der Inferenz noch größer werden, und der Druck auf die Recheninvestitionen und zukünftigen Finanzierungen würde nur zunehmen.

Soll es den Weg des Open-Source-Modells gehen, um ein Ökosystem aufzubauen? Dann würden die Drittanbieter, die das Modell privat hosten, direkt die API-Einnahmen schmälern – und die Verbreitung von Open-Source-Modellen würde die Preisobergrenze des gesamten Marktes senken, sodass es später schwierig wäre, Preise zu erhöhen.

Letztendlich liegt hier der Widerspruch zwischen der Finanzierungsgeschichte und der geschäftlichen Realität.

Um die hohe Bewertung aufrechtzuerhalten und einen erfolgreichen Börsengang zu schaffen, muss die Erzählung „weltweit führend, ständig neue Durchbrüche“ aufrechterhalten werden – was erfordert, stetig Geld in die Forschung und Entwicklung zu investieren.

Aber je mehr in die Forschung und Entwicklung investiert wird, desto größer werden die Verluste, desto unklarer wird die Gewinnerwartung – und desto weniger haltbar wird die Bewertungslogik.

Darüber hinaus hat der chinesische Markt seine eigene Preisobergrenze: Die Anbieter können ihre Flaggschiffmodelle nicht zu solch hohen Preisen verkaufen wie OpenAI oder Anthropic. Je näher die Leistung an die der ausländischen Modelle heranrückt, desto deutlicher wird der Kostenverlust.

So glänzend die Vorstellung des K3 auch war, sie kann das Problem von Moonshot, wie es langfristig überleben soll, nicht verdecken.

Die Schwierigkeiten im Modellwettbewerb

Eine noch härtere Wahrheit ist: Der „Tisch der führenden Modelle“ wird immer teurer.

Viele sagen, dass der Abstand zwischen den großen Modellen in China und den USA nach der Einführung des K3 kleiner geworden ist. Diese Beurteilung ist nur teilweise richtig.

Aus Sicht der Ranglisten und der Nutzererfahrung hat sich der Abstand tatsächlich verringert – aber das Problem ist, dass China die Flaggschiffmodelle einholt, die die USA vor einigen Monaten veröffentlicht haben, nicht die nächsten Generationen von Modellen, die derzeit in den USA trainiert werden.

Zumindest xAI hat öffentlich angekündigt, mehrere Richtungen zu verfolgen, darunter ein Projekt mit 10 Billionen Parametern. Auch ausländische Medien berichten, dass OpenAI und Anthropic ihre nächsten Basismodelle im Bereich von 10 Billionen Parametern trainieren.

Die Richtung ist klar: Die nächsten Generationen von Modellen werden auf größere Parameterkapazitäten, längere Trainingszeiten und höhere Rechenbudgets abzielen.

Das ist nicht einfach eine Frage, mehr GPUs zu kaufen.

Ein spärliches Modell wie das K3 mit 2,8 Billionen Parametern erfordert für ein einziges formelles Training möglicherweise zehntausende bis mehrere zehntausend H100-äquivalente Chips – und das gesamte Projekt kann Dutzende Millionen oder sogar Hunderte Millionen US-Dollar kosten.

Ein spärliches Modell im Bereich von 10 Billionen Parametern erfordert möglicherweise eine Cluster von hunderttausend Chips und ein Budget von mehreren hundert Millionen US-Dollar oder mehr.

Noch kostspieliger ist: Das Training erfolgt einmal, aber die Inferenzkosten fallen täglich an.

Je länger das Modell denkt, je mehr es Agenten ausführt und je mehr Stunden es ununterbrochen arbeitet – desto mehr Chips, Strom und Bandbreite verbraucht der Anbieter bei jedem Aufruf.

Aber was wirklich den Unterschied ausmacht, ist nicht nur das Geld für Training und Inferenz – sondern die Fähigkeit, fünf verschiedene Richtungen gleichzeitig zu verfolgen und vier davon scheitern zu lassen.

Hinter den führenden US-Labors stehen Cloud-Giganten wie Microsoft, Amazon, Google und Oracle.

Die Kosten für Chips, Rechenzentren, Netzwerke und Finanzierungen werden von dem gesamten Cloud-Geschäft, der Unternehmenssoftware und dem Kapitalmarkt gemeinsam getragen.

Wenn ein Modell-Training scheitert, kann man eine andere Richtung verfolgen. Wenn die Inferenz nach der Einführung des Modells Verluste verursacht, kann man diese vorübergehend mit Cloud-Verträgen und Ökosystem-Einnahmen auffangen.

Aber unabhängige Modellanbieter wie Moonshot können das nicht.

Sie können Milliarden von US-Dollar finanzieren – genug, um einen Wettbewerb im Maßstab des K3 zu führen, und sogar ein noch ehrgeizigeres Training eines spärlichen 10-Billionen-Parameter-Modells zu versuchen.

Aber dieses Geld reicht bei weitem nicht aus, um mehrere Architekturen gleichzeitig zu trainieren, die API langfristig zu niedrigen Preisen zu subventionieren und gleichzeitig zwei bis drei neue Modellgenerationen pro Jahr zu veröffentlichen.

Für unabhängige Modellanbieter ist jede Generation von Flaggschiffmodellen fast ein großes Wagnis, bei dem sie ihre Bewertung, ihr Bargeld und die nächste Finanzierung aufs Spiel setzen.

Das führt zu einer sehr unangenehmen Situation:

In China hat man mit weniger Rechenleistung und klügeren Algorithmen den Großteil der öffentlichen Nutzererfahrung schnell eingeholt. Aber für die verbleibende Spitzenleistung kommt es rein auf Rechenkapazität und Kapitalinvestitionen an – es gibt keine Abkürzungen.

In einer Zeit, in der die Trainings- und Inferenzkosten exponentiell steigen, werden die Anbieter, die die nächste Runde überleben können, immer weniger.

Das K3 hält Moonshot weiterhin am Tisch der führenden Modelle – aber was ist mit der nächsten Runde und den Runden danach?

Dieser Artikel stammt aus dem WeChat-Offiziellen Konto „Weltmodell-Werkstatt“, Autor: Weltmodell-Werkstatt, und wurde mit Genehmigung von 36 Kr veröffentlicht.