Kimi K3 vs. DeepSeek V4: Welches offene KI-Modell sollten Sie 2026 wählen?

Auf den ersten Blick wirken Kimi K3 und DeepSeek V4 wie zwei ähnliche chinesische KI-Modelle. Beide bieten ein Kontextfenster von ungefähr einer Million Token, nutzen Mixture-of-Experts-Architekturen, richten sich an Coding und agentische Arbeit und sollen Alternativen zu geschlossenen Modellen amerikanischer Anbieter sein.

In der Praxis sind die Unterschiede größer, als die Startmaterialien vermuten lassen.

DeepSeek V4 ist bereits in zwei wichtigen Varianten verfügbar: V4-Pro und V4-Flash. Die Gewichte beider Modelle lassen sich herunterladen, und die MIT-Lizenz erlaubt die kommerzielle Nutzung. Kimi K3 ist neuer und in mehreren unabhängigen Tests deutlich stärker, seine vollständigen Gewichte waren zum Zeitpunkt der letzten Überprüfung jedoch noch nicht veröffentlicht. Moonshot AI kündigte ihre Bereitstellung bis zum 27. Juli 2026 an, während die endgültige Lizenz noch nicht bekannt war. [1][2][3]

Daraus ergibt sich die erste und wichtigste Schlussfolgerung:

Wenn Sie ein Modell mit offenen Gewichten benötigen, das Sie heute herunterladen und bereitstellen können, gewinnt DeepSeek V4 ohne Einschränkung. Wenn Sie eine API verwenden und Qualität, Multimodalität sowie Interface-Entwicklung am wichtigsten sind, ist Kimi K3 derzeit der stärkere Kandidat.

Zunächst eine wichtige Korrektur: Welches Modell ist tatsächlich offen?

In der KI-Branche werden die Begriffe „Open Source“, „offenes Modell“ und „offene Gewichte“ häufig gleichbedeutend verwendet, obwohl sie nicht dasselbe bedeuten.

DeepSeek hat die Modelldateien von V4-Pro und V4-Flash unter der MIT-Lizenz veröffentlicht. Die Lizenz erlaubt Änderungen, Bereitstellung und kommerzielle Nutzung, sofern die erforderlichen Lizenzhinweise beibehalten werden. Dadurch wird nicht der gesamte Trainingsprozess transparent. Aus praktischer Bereitstellungssicht ist DeepSeek V4 heute jedoch ein Modell mit tatsächlich verfügbaren offenen Gewichten. [2][3]

Moonshot bezeichnet Kimi K3 als offenes Modell in der Größenordnung von rund drei Billionen Parametern. Zum Zeitpunkt der Überprüfung konnte es jedoch nur über die Produkte und die API des Unternehmens verwendet werden. Vollständige Gewichte und technischer Bericht wurden für einen späteren Termin angekündigt. Bis Dateien und Lizenz veröffentlicht sind, sollte Kimi K3 als Modell mit angekündigter Open-Weight-Veröffentlichung und nicht als bereits unabhängig bereitstellbares Modell beschrieben werden. [1]

Dieser Unterschied ist kein semantisches Detail. Er bestimmt, ob ein Unternehmen derzeit:

• das Modell ohne Erlaubnis des Anbieters herunterladen kann;
• es in eigener Infrastruktur betreiben kann;
• eine bestimmte Version dauerhaft festschreiben kann;
• die Gewichte finetunen oder quantisieren kann;
• künftige Änderungen von API-Preisen und Richtlinien vermeiden kann;
• die Lizenz vor einer Projektentscheidung prüfen kann.

Schneller Vergleich

Angaben zu Architektur, Modalitäten, Limits und Preisen stammen aus offiziellen Modellkarten und API-Dokumentationen. [1][2][4][5]

Was ist Kimi K3?

Kimi K3 ist das neueste Flaggschiffmodell von Moonshot AI. Es besitzt 2,8 Billionen Parameter und nutzt eine sparse Mixture-of-Experts-Architektur. Während der Generierung aktiviert es 16 von 896 Experten und muss daher nicht für jedes Token das gesamte Netzwerk verwenden. [1]

Das Modell nutzt mehrere von Moonshot entwickelte Technologien:

• Kimi Delta Attention, für effiziente Arbeit mit sehr langen Sequenzen;
• Attention Residuals, die Repräsentationen selektiv aus früheren Schichten abrufen;
• Stable LatentMoE, für stabileres Skalieren des Experten-Routings;
• Training, das Gewichte und Aktivierungen mit geringer Präzision berücksichtigt.

Moonshot zufolge bietet K3 ungefähr die 2,5-fache Skalierungseffizienz von Kimi K2. Das ist eine Herstellerangabe und kein unabhängig bestätigtes Ergebnis, insbesondere weil der vollständige technische Bericht noch nicht verfügbar war. [1]

K3 richtet sich vor allem an lang laufende Coding-Aufgaben, Forschung, Arbeit an großen Repositorys, Interface-Entwicklung, Spiele und CAD-Projekte. Es akzeptiert Bilder und Video nativ und unterscheidet sich dadurch von der textbasierten DeepSeek-V4-Familie. [4]

Was ist DeepSeek V4?

DeepSeek V4 ist kein einzelnes Modell, sondern eine Familie mit mindestens zwei wichtigen Varianten.

DeepSeek V4-Pro

V4-Pro besitzt 1,6 Billionen Parameter, von denen während der Inferenz ungefähr 49 Milliarden aktiv sind. Es wurde mit mehr als 32 Billionen Token trainiert und unterstützt ein Kontextfenster von einer Million Token. DeepSeek positioniert es für schwieriges Coding, Reasoning, Agenten und Tool-Nutzung. [2][3]

V4-Pro ist der passende Konkurrent zu Kimi K3, wenn die leistungsfähigsten Modelle beider Unternehmen verglichen werden.

DeepSeek V4-Flash

V4-Flash besitzt 284 Milliarden Parameter, davon sind ungefähr 13 Milliarden aktiv. Es ist schwächer als V4-Pro, aber wesentlich einfacher und günstiger zu betreiben. Es bietet weiterhin ein Kontextfenster von einer Million Token, herunterladbare Gewichte und dieselbe MIT-Lizenz. [2][3]

Für ein gewöhnliches Unternehmen kann Flash relevanter sein als Pro. Es eignet sich für das Routing einfacher Aufgaben, umfangreiche Klassifikation, Extraktion, weniger anspruchsvolle Codegenerierung und viele parallele Agenten ohne die Kosten eines Frontier-Modells.

Was zeigen unabhängige Benchmarks?

Der derzeit nützlichste Vergleich stammt von Artificial Analysis. Die Organisation bewertet Modelle mit einem konsistenten Testpaket, das Reasoning, Wissen, Coding, Terminalarbeit und professionelle Aufgaben umfasst.

Kimi führt im aggregierten Index mit 13 Punkten, was einen deutlichen Unterschied darstellt. Es handelt sich nicht um eine geringfügige Abweichung in einem einzelnen Benchmark: Im aktuellen unabhängigen Testpaket ist Kimi klar das stärkere allgemeine Modell. [6][7]

DeepSeek antwortet mit dem Preis. Die Durchführung derselben Evaluationsklasse kostete etwa 15,3-mal weniger, obwohl DeepSeek mehr Ausgabe-Token erzeugte. Das zeigt, wie aggressiv die Preisgestaltung ist. [6][7]

Wichtig ist außerdem, dass die Generierungsgeschwindigkeit nach Beginn der Antwort nahezu identisch war. DeepSeek erzielte den Kostenvorteil nicht durch eine um den Faktor zehn reduzierte Ausgaberate. Die größeren Unterschiede liegen bei Qualität und Tokenmenge, die zur Lösung einer Aufgabe benötigt wird. [6][7]

Was zeigen die Arena-Ranglisten?

In der Text-Rangliste von Arena vom 16. Juli erreichte Kimi K3 vorläufig etwa 1486 Punkte und lag unter den ersten zehn. DeepSeek V4-Pro und dessen Thinking-Variante lagen bei ungefähr 1456-1458 und deutlich weiter unten. Kimis Ergebnis war jedoch als vorläufig markiert und beruhte auf weniger Stimmen. Der Positionsunterschied sollte daher nicht als endgültig betrachtet werden. [8][9]

In der WebDev Arena war die Lücke größer. Kimi K3 lag vorläufig mit etwa 1679 Punkten auf Platz eins, während DeepSeek V4-Pro-thinking mit ungefähr 1459 Punkten deutlich niedriger lag. Diese Rangliste ist für Website- und Interface-Entwicklung besonders relevant, da visuelle Ergebnisse und nicht nur die textliche Korrektheit einer Antwort bewertet werden. [10][11]

Das Ergebnis passt zu den Fähigkeiten der Modelle. Kimi kann Screenshots untersuchen und anhand eines Bildes iterieren. DeepSeek V4 ist ein Textmodell und benötigt für einen ähnlichen Workflow eine zusätzliche visuelle Beschreibungsschicht oder ein externes Vision-Modell.

Coding: Welches Modell ist besser?

Derzeit existiert kein einzelnes unabhängiges und vollständig kontrolliertes Testpaket, das Kimi K3 und DeepSeek V4 in allen identischen Coding-Agent-Harnesses vergleicht.

Moonshot berichtet für Kimi unter anderem 67,5 bei DeepSWE, 88,3 bei Terminal-Bench 2.1, 81,2 bei FrontierSWE und 42,0 bei SWE Marathon. DeepSeek nennt für V4-Pro Max unter anderem 80,6 bei SWE-bench Verified, 55,4 bei SWE-bench Pro, 67,9 bei Terminal-Bench 2.0 und 93,5 bei LiveCodeBench. Diese Zahlen dürfen nicht in eine einfache Gewinner-Verlierer-Tabelle gestellt werden, weil sie mit verschiedenen Benchmark-Versionen, Agenten, Limits und Methodiken ermittelt wurden. [1][2]

Eine verlässlichere Schlussfolgerung ergibt sich aus unabhängigen Tests und der Beschaffenheit der Modelle.

Kimi K3 ist gewöhnlich besser, wenn:

• die Aufgabe Frontend-Arbeit oder ein anhand von Screenshots bewertetes Interface umfasst;
• der Agent Bilder oder Aufzeichnungen analysieren muss;
• die höchste Qualität dieser beiden Modelle erforderlich ist;
• das Modell viele Stunden an einer schwierigen Aufgabe arbeitet;
• Kosten wichtig, aber nicht die wichtigste Einschränkung sind;
• das Unternehmen noch keine private Bereitstellung der Gewichte benötigt.

DeepSeek V4-Pro ist gewöhnlich besser, wenn:

• die Aufgabe überwiegend text- und codebasiert ist;
• das Budget viele Versuche erfordert;
• viele Agenten parallel arbeiten sollen;
• Claude Code ohne die Preise von Anthropic-Modellen verwendet werden soll;
• eine bestimmte Modellversion eingefroren und unabhängig gepflegt werden muss;
• für einfache Vorgänge ein Modus ohne Reasoning erforderlich ist.

DeepSeek V4-Flash ist gewöhnlich besser, wenn:

• der Durchsatz Priorität hat;
• große Mengen wiederkehrender Aufgaben verarbeitet werden;
• eine günstige Ebene von Hilfsagenten aufgebaut wird;
• eine realistischere Self-Hosting-Variante gesucht wird;
• nicht jede Anfrage die Qualität von Kimi oder V4-Pro benötigt.

Agenten und Tool-Nutzung

DeepSeek V4 unterstützt Tool Calling, JSON-Ausgaben, Prefix Completion und lange Antworten mit bis zu 384.000 Token. Die API bietet einen Modus ohne Reasoning sowie high und max. Die Dokumentation weist darauf hin, dass eine Anwendung beim Einsatz von Tools im Thinking-Modus reasoning_content in späteren Anfragen zurückgeben muss; fehlt es, kann ein HTTP-400-Fehler entstehen. [5]

DeepSeek bietet außerdem Kompatibilität mit der Anthropic API und eine offizielle Anleitung für die Verbindung von V4 mit Claude Code. Das Unternehmen ordnet Modellnamen und Umgebungsvariablen direkt zu, während Websuche in dieser Umgebung über die DeepSeek-API funktionieren kann. [12]

Kimi unterstützt ebenfalls Function Calling, tool_choice, JSON Schema, dynamisches Laden von Tools, Streaming und automatisches Caching. Wie DeepSeek verlangt es jedoch, dass die vollständige, mit Reasoning verbundene Assistenzhistorie erhalten bleibt. Moonshot warnt, dass das Entfernen dieser Nachrichten oder ein Modellwechsel während einer Sitzung die Stabilität beeinträchtigen kann. [4][13]

Zum Zeitpunkt der Überprüfung wurde Kimis offizielle Websuche aktualisiert und nicht für Produktion empfohlen. DeepSeek hatte in diesem Bereich daher die praktischere Integration, insbesondere für Nutzer von Claude Code. [4][12]

Steuerung des Reasoning-Aufwands

Dieser Teil des Vergleichs spricht klar für DeepSeek.

DeepSeek V4 kann arbeiten:

• ohne Reasoning;
• mit reasoning_effort="high";
• mit reasoning_effort="max".

Die Dokumentation wahrt die Kompatibilität mit weiteren Bezeichnungen: low und medium werden auf high abgebildet, xhigh auf max. Bei komplexen agentischen Aufgaben wie Claude-Code-Sitzungen kann die API automatisch die maximale Stufe wählen. [5]

Kimi K3 hat Reasoning permanent aktiviert und unterstützte zum Start ausschließlich:

reasoning_effort="max"

Moonshot kündigte Modi mit geringerem Aufwand an, sie waren jedoch noch nicht verfügbar. [4]

Bei einem schwierigen Problem ist das nicht zwingend ein Nachteil. Bei einfachen Transformationen, Klassifikationen, kurzen Antworten oder massenhaftem Routing führt es jedoch zu unnötigem Tokenverbrauch und verhindert, dass das Modellverhalten an den Wert der Aufgabe angepasst wird.

Bilder, Dokumente und Video

Kimi K3 besitzt einen Vorteil, der nicht allein durch niedrigere Tokenpreise ausgeglichen werden kann: Es ist multimodal.

Die offizielle API akzeptiert Text, Bilder und Videodateien. Dasselbe Modell kann daher Code analysieren, einen Screenshot der Anwendung betrachten, Abweichungen von einem Design erkennen und anschließend Korrekturen implementieren. Es kann außerdem mit Video arbeiten, ohne dass Frames manuell extrahiert und an ein separates Modell übergeben werden müssen. [4]

DeepSeek V4-Pro und V4-Flash werden als Textmodelle beschrieben. Ein multimodaler Workflow kann um sie herum aufgebaut werden, benötigt jedoch ein zusätzliches Vision-Modell, OCR, Transkription oder eine eigene Extraktionsschicht. [2][7]

Bei Backend-Systemen, Skripten, Repository-Analyse und Terminal-Agenten spielt das möglicherweise keine Rolle. Für Frontend, visuelle Qualitätssicherung, mobile Anwendungen, Spiele und Videoanalyse ist es einer der wichtigsten Unterschiede.

Vergleich der API-Preise

Nach offiziellen Listenpreisen ist die Eingabe von V4-Pro etwa 6,9-mal günstiger als die von Kimi, die Ausgabe etwa 17,2-mal günstiger. Cache-Lesezugriffe sind ungefähr 82,8-mal günstiger. V4-Flash vergrößert den Unterschied weiter. [5][14]

Beispiel 1: Repository-Aufgabe

Annahmen:

• 100.000 ungecachte Eingabe-Token;
• 10.000 Ausgabe-Token.

V4-Pro ist in diesem Beispiel ungefähr 8,6-mal günstiger als Kimi. Flash kostet selbst nach mehreren vergleichbaren Versuchen weniger als vier Cent.

Beispiel 2: großer gecachter Kontext

Annahmen:

• 500.000 gecachte Eingabe-Token;
• 20.000 Ausgabe-Token.

Bei einem häufig wiederholten langen Präfix ist der Kostenunterschied enorm.

Das Verhalten der Modelle muss trotzdem berücksichtigt werden. In der Evaluierung von Artificial Analysis erzeugte DeepSeek ungefähr 180 Millionen Ausgabe-Token, Kimi ungefähr 130 Millionen. DeepSeek war ausführlicher, blieb aber dennoch klar günstiger. [6][7]

Self-Hosting und Hardwareanforderungen

Offene Gewichte bedeuten nicht, dass das Modell auf einem leistungsfähigen Bürorechner läuft.

DeepSeek V4-Pro besitzt insgesamt 1,6 Billionen Parameter, auch wenn während der Inferenz nur ungefähr 49 Milliarden aktiv sind. Vollständige Gewichte, Speicher, Experten-Routing, Kommunikation zwischen Geräten und Cache für einen Kontext von einer Million Token benötigen verteilte Infrastruktur. Die offizielle Modellkarte enthält Anweisungen zum Serving, aber eine praktische Bereitstellung von Pro bleibt ein Projekt für Unternehmen mit mehreren Beschleunigern. [2][3]

V4-Flash mit 284 Milliarden Gesamtparametern und ungefähr 13 Milliarden aktiven Parametern ist ein deutlich realistischeres Modell für private Infrastruktur. Es ist weiterhin kein Laptop-Modell, doch Hardwarekosten und Durchsatz dürften leichter zu bewältigen sein als bei V4-Pro.

Kimi K3 ist noch größer. Moonshot empfiehlt Supernode-Konfigurationen mit mindestens 64 Beschleunigern. Auch nach Veröffentlichung der Gewichte wird eine private Bereitstellung hauptsächlich für Hyperscaler, große Labore und Infrastrukturanbieter sinnvoll sein. [1]

Für die meisten Unternehmen sollte „Self-Hosting“ daher eher Folgendes bedeuten:

• Nutzung eines spezialisierten Inferenzanbieters;
• Miete eines Clusters für die Dauer eines Workloads;
• Bereitstellung des kleineren V4-Flash;
• Weiterleitung der schwierigsten Aufgaben an eine externe API.

Datenschutz und Datenstandort

Eine private Bereitstellung von DeepSeek V4 bietet die größte Kontrolle über Daten, aber nur dann, wenn das Unternehmen tatsächlich Infrastruktur, Logs, Backups und Administratorzugriffe verwaltet.

Bei Nutzung der offiziellen API erklärt die Datenschutzrichtlinie von DeepSeek, dass das Unternehmen Prompts, Dateien, Bilder und Gesprächsverläufe erfasst, Daten zur Verbesserung und zum Training seiner Technologie verwenden kann und personenbezogene Daten in der Volksrepublik China verarbeitet. Die Richtlinie beschreibt außerdem eine Möglichkeit, der Nutzung für Training zu widersprechen. [15]

Die Datenschutzrichtlinie der Kimi-Plattform besagt, dass Nutzerinhalte zur Entwicklung und Verbesserung der Technologie verwendet werden können und Daten auf gesicherten Servern in Singapur gespeichert werden. Die Aufbewahrung hängt unter anderem von Datentyp, Kontoaktivität und rechtlichen Verpflichtungen ab. [16]

Keine allgemeine Datenschutzrichtlinie ersetzt einen Unternehmensvertrag. Bevor Quellcode, Geschäftsgeheimnisse oder Kundendaten gesendet werden, sollte ein Unternehmen schriftliche Bedingungen zu folgenden Punkten einholen:

• Nutzung für Training;
• Opt-out-Möglichkeiten;
• Aufbewahrung und Löschung;
• Verarbeitungsregion;
• Unterauftragsverarbeiter;
• Reaktion auf Sicherheitsvorfälle;
• Einhaltung interner Anforderungen.

Einschränkungen von Kimi K3

Kimis größte aktuelle Schwäche besteht darin, dass die angekündigte Offenheit noch nicht überprüft werden kann. Die endgültige Lizenz, Vollständigkeit der Veröffentlichung und Bedingungen für die Nutzung der Gewichte sind unbekannt.

Das Modell hat außerdem drei praktische Einschränkungen:

1. es arbeitet derzeit nur mit maximalem Reasoning-Aufwand;
2. es reagiert empfindlich auf den Verlust der vollständigen Reasoning-bezogenen Nachrichtenhistorie;
3. es kann übermäßig proaktiv sein und bei mehrdeutigen Anweisungen nicht genehmigte Entscheidungen treffen. [4][13]

Kimi ist zudem wesentlich teurer als DeepSeek, und der Qualitätsvorteil wird nicht für jeden Workload benötigt. Der Einsatz für einfaches Parsing, Klassifikation oder vorlagenbasierte Codegenerierung kann wirtschaftlich unsinnig sein.

Einschränkungen von DeepSeek V4

DeepSeek V4-Pro ist im unabhängigen aggregierten Index klar schwächer als Kimi K3. In der WebDev-Rangliste war die Lücke noch größer, und das Fehlen nativer Bild- und Videoeingaben begrenzt seine Eignung für visuelle Workflows. [6][7][10][11]

Das Modell ist außerdem sehr ausführlich. In der Evaluierung von Artificial Analysis erzeugte es ungefähr 180 Millionen Ausgabe-Token und damit mehr als Kimi. Die niedrigen Preise sorgen dafür, dass es dennoch günstig bleibt. Längere Verläufe können jedoch Latenz, Logvolumen und Zeit für menschliche Prüfung erhöhen. [7]

Agentenintegrationen müssen reasoning_content korrekt erhalten. Eine fehlerhafte Verarbeitung des Verlaufs kann einen Tool-Aufruf unterbrechen. [5]

Offene Gewichte lösen auch Sicherheitsprobleme nicht automatisch. Ein Unternehmen, das das Modell selbst betreibt, übernimmt die Verantwortung für Tool-Isolation, Aktualisierungen, Filter, Monitoring, Zugriffskontrolle und Datenschutz.

Welches Modell sollten Sie wählen?

Wählen Sie Kimi K3, wenn:

• Sie die höchste Qualität der hier verglichenen Modelle benötigen;
• Sie Frontends, Anwendungen, Spiele oder CAD-Tools entwickeln;
• der Agent Screenshots oder Videos analysieren muss;
• Sie eine API verwenden und noch keine privaten Gewichte benötigen;
• eine einzelne Aufgabe wertvoll genug ist, dass der Modellpreis nicht dominiert;
• Sie autonome Aktionen streng testen können.

Wählen Sie DeepSeek V4-Pro, wenn:

• Sie tatsächlich verfügbare offene Gewichte benötigen;
• die MIT-Lizenz und kommerzielle Nutzung wichtig sind;
• Sie Text- und Coding-Agenten in großem Maßstab entwickeln;
• Sie API-Kosten drastisch senken möchten;
• Sie Claude Code oder einen Client im Anthropic-Format integrieren möchten;
• Sie einen Modus ohne Reasoning und mehr Kontrolle über den Aufwand benötigen;
• Sie eine geringere allgemeine Qualität als bei Kimi akzeptieren.

Wählen Sie DeepSeek V4-Flash, wenn:

• Preis und Durchsatz höchste Priorität haben;
• Sie große Mengen routinemäßiger Aufgaben verarbeiten;
• Sie ein Multi-Modell-System aufbauen;
• Sie eine praktischere private Bereitstellung suchen;
• schwierige Fälle an V4-Pro, Kimi oder ein anderes Modell eskaliert werden können.

Erwägen Sie Routing zwischen mehreren Modellen

Die sinnvollste Architektur muss nicht für jede Aufgabe dasselbe Modell verwenden.

Ein mögliches Routing:

• V4-Flash übernimmt Klassifikation, Extraktion, einfache Korrekturen und Hilfsagenten;
• V4-Pro übernimmt schwierigere Text- und Coding-Arbeit;
• Kimi K3 übernimmt Frontend, Bilder, Video und die schwierigsten Fälle;
• sensible Daten bleiben auf einer privaten DeepSeek-Bereitstellung;
• weniger sensible Arbeit kann externe APIs verwenden.

Dieser Ansatz nutzt Kimis Stärken, ohne für jede Anfrage dessen Preis zu zahlen.

Fazit

Die Frage im Titel hat zwei unterschiedliche Antworten.

Das beste offene Modell, das heute bereitgestellt werden kann, ist DeepSeek V4. Es bietet verfügbare Gewichte, eine MIT-Lizenz, eine extrem günstige API, eine Pro-Variante für schwierige Aufgaben und eine Flash-Variante für Skalierung. Außerdem bietet es ausgereifte Kompatibilität mit OpenAI- und Anthropic-Formaten, einstellbare Reasoning-Stufen und eine offizielle Claude-Code-Integration. [2][3][5][12]

Das stärkere Modell bei Nutzung über eine API ist Kimi K3. Es führt im unabhängigen Artificial Analysis Intelligence Index, schneidet in aktuellen Arena-Ranglisten besser ab, unterstützt Bilder und Video und ist besonders stark bei visueller Interface-Entwicklung. [4][6][8][10]

Kimi könnte nach Veröffentlichung seiner Gewichte zu einem äußerst interessanten offenen Modell werden. Eine Infrastrukturentscheidung sollte jedoch nicht allein auf einer Ankündigung beruhen. Teams sollten auf Dateien, Lizenz, technischen Bericht und erste unabhängige Bereitstellungstests warten.

Am 17. Juli 2026 lautet die Empfehlung daher:

• DeepSeek V4-Pro, wenn private Gewichte, niedrige Kosten und ein starkes Textmodell benötigt werden;
• DeepSeek V4-Flash, wenn ein günstiges System für große Skalierung aufgebaut wird;
• Kimi K3, wenn Qualität, Frontend, Bilder und Video wichtiger sind als vollständige Offenheit und Preis.

Die beste Entscheidung ergibt sich weiterhin aus Tests mit realen Workloads. Ein allgemeiner Benchmark zeigt nicht, wie ein Modell mit den Konventionen eines bestimmten Repositorys, den Datenformaten eines Unternehmens, dessen Berechtigungssystem oder den Kosten menschlicher Prüfung umgeht.

Quellen

1. Moonshot AI, Kimi K3: Open Frontier Intelligence
2. DeepSeek, offizielle Ankündigung von DeepSeek V4
3. DeepSeek AI, Modellkarte von DeepSeek V4 auf Hugging Face
4. Kimi API Platform, Kimi K3 Quickstart
5. DeepSeek API Docs, Modelle, Preise und Reasoning-Modi
6. Artificial Analysis, Evaluierung von Kimi K3
7. Artificial Analysis, Evaluierung von DeepSeek V4 Pro Max
8. Arena, Text-Rangliste und Ergebnis von Kimi K3
9. Arena, Text-Rangliste und Ergebnis von DeepSeek V4
10. Arena, WebDev-Rangliste und Ergebnis von Kimi K3
11. Arena, WebDev-Rangliste und Ergebnis von DeepSeek V4
12. DeepSeek API Docs, Integration mit Claude Code
13. Moonshot AI, Einschränkungen und Empfehlungen zu Kimi K3
14. Kimi API Platform, Preise von Kimi K3
15. DeepSeek, Datenschutzrichtlinie
16. Kimi OpenPlatform, Datenschutzrichtlinie