Kimi K3 vs DeepSeek V4: welk open AI-model kiest u in 2026?

Op het eerste gezicht lijken Kimi K3 en DeepSeek V4 op twee vergelijkbare Chinese AI-modellen. Beide bieden een contextvenster van ongeveer één miljoen tokens, gebruiken Mixture-of-Experts-architecturen, richten zich op programmeren en agentisch werk en worden gepositioneerd als alternatieven voor gesloten modellen van Amerikaanse aanbieders.

In de praktijk zijn de verschillen groter dan de lanceringsmaterialen suggereren.

DeepSeek V4 is al beschikbaar in twee belangrijke varianten: V4-Pro en V4-Flash. De gewichten van beide modellen kunnen worden gedownload en de MIT-licentie staat commercieel gebruik toe. Kimi K3 is nieuwer en duidelijk sterker in verschillende onafhankelijke evaluaties, maar bij de laatste controle waren de volledige gewichten nog niet gepubliceerd. Moonshot AI kondigde aan dat deze uiterlijk op 27 juli 2026 beschikbaar zouden komen, terwijl de definitieve licentie nog niet bekend was. [1][2][3]

Dat leidt tot de eerste en belangrijkste conclusie:

Als u een model met open gewichten nodig hebt dat vandaag kan worden gedownload en geïmplementeerd, wint DeepSeek V4 zonder voorbehoud. Als u een API gebruikt en kwaliteit, multimodaliteit en interfaceontwikkeling het belangrijkst vindt, is Kimi K3 momenteel de sterkere kandidaat.

Eerst een belangrijke verduidelijking: welk model is werkelijk open?

In de AI-sector worden de termen “open source”, “open model” en “open gewichten” vaak door elkaar gebruikt, hoewel ze niet hetzelfde betekenen.

DeepSeek heeft de modelbestanden van V4-Pro en V4-Flash onder de MIT-licentie vrijgegeven. Die licentie staat wijziging, implementatie en commercieel gebruik toe, zolang de vereiste licentievermeldingen behouden blijven. Dat maakt niet het volledige trainingsproces transparant, maar vanuit praktisch implementatieperspectief is DeepSeek V4 vandaag een model met werkelijk beschikbare open gewichten. [2][3]

Moonshot beschrijft Kimi K3 als een open model in de klasse van ongeveer drie biljoen parameters, maar op het moment van verificatie kon het alleen via de producten en API van het bedrijf worden gebruikt. De volledige gewichten en het technische rapport waren voor een later moment aangekondigd. Totdat de bestanden en licentie zijn gepubliceerd, moet Kimi K3 worden omschreven als een model met een aangekondigde toekomstige release van open gewichten, niet als een model dat al zelfstandig kan worden geïmplementeerd. [1]

Dit verschil is geen semantisch detail. Het bepaalt of een organisatie vandaag:

• het model zonder toestemming van de aanbieder kan downloaden;
• het in eigen infrastructuur kan uitvoeren;
• een specifieke versie kan vastzetten;
• de gewichten kan finetunen of kwantiseren;
• toekomstige wijzigingen in API-prijzen en regels kan vermijden;
• de licentie kan controleren voordat een project wordt gestart.

Snelle vergelijking

Gegevens over architectuur, modaliteiten, limieten en prijzen komen uit officiële modelkaarten en API-documentatie. [1][2][4][5]

Wat is Kimi K3?

Kimi K3 is het nieuwste vlaggenschipmodel van Moonshot AI. Het heeft 2,8 biljoen parameters en gebruikt een sparse Mixture-of-Experts-architectuur. Tijdens generatie activeert het 16 van 896 experts, waardoor niet voor elk token het volledige netwerk hoeft te worden gebruikt. [1]

Het model gebruikt verschillende door Moonshot ontwikkelde technologieën:

• Kimi Delta Attention, ontworpen om efficiënt met zeer lange sequenties te werken;
• Attention Residuals, waarmee representaties selectief uit eerdere lagen worden opgehaald;
• Stable LatentMoE, gebruikt om expert-routing stabiel op te schalen;
• training die rekening houdt met gewichten en activaties met lage precisie.

Moonshot stelt dat K3 ongeveer 2,5 keer de schaalefficiëntie van Kimi K2 biedt. Dat is een leveranciersclaim, geen onafhankelijk bevestigd resultaat, vooral omdat het volledige technische rapport nog niet beschikbaar was. [1]

K3 is voornamelijk bedoeld voor langlopende programmeertaken, onderzoek, werk met grote repositories, interfacebouw, games en CAD-projecten. Het accepteert native afbeeldingen en video, waarmee het zich onderscheidt van de op tekst gerichte DeepSeek V4-familie. [4]

Wat is DeepSeek V4?

DeepSeek V4 is niet één model, maar een familie met ten minste twee belangrijke varianten.

DeepSeek V4-Pro

V4-Pro heeft 1,6 biljoen parameters, waarvan ongeveer 49 miljard actief zijn tijdens inferentie. Het werd getraind op meer dan 32 biljoen tokens en ondersteunt een contextvenster van één miljoen tokens. DeepSeek positioneert het voor moeilijk programmeren, redeneren, agents en toolgebruik. [2][3]

V4-Pro is de juiste concurrent van Kimi K3 wanneer de krachtigste modellen van beide bedrijven worden vergeleken.

DeepSeek V4-Flash

V4-Flash heeft 284 miljard parameters, waarvan ongeveer 13 miljard actief zijn. Het is zwakker dan V4-Pro, maar veel eenvoudiger en goedkoper om te serveren. Het behoudt een contextvenster van één miljoen tokens, downloadbare gewichten en dezelfde MIT-licentie. [2][3]

Voor een gewoon bedrijf kan Flash relevanter zijn dan Pro. Het is geschikt voor routing van eenvoudige taken, grootschalige classificatie, extractie, minder complexe codegeneratie en veel parallelle agents zonder de kosten van een frontier-model.

Wat tonen onafhankelijke benchmarks?

De nuttigste huidige vergelijking komt van Artificial Analysis, dat modellen beoordeelt met een consistente set tests voor redeneren, kennis, programmeren, terminalwerk en professionele taken.

Kimi leidt de geaggregeerde index met 13 punten, een aanzienlijk verschil. Het gaat niet om een kleine afwijking in één benchmark: in de huidige onafhankelijke testset is Kimi duidelijk het sterkere algemene model. [6][7]

DeepSeek antwoordt met prijs. Dezelfde klasse evaluatie uitvoeren kostte ongeveer 15,3 keer minder, hoewel DeepSeek meer uitvoertokens genereerde. Dat laat zien hoe agressief de prijsstelling is. [6][7]

Ook belangrijk is dat de generatiesnelheid nadat het antwoord begon vrijwel identiek was. DeepSeek behaalde zijn kostenvoordeel niet door de doorvoer tien keer lager te maken. De grotere verschillen zitten in kwaliteit en het aantal tokens dat nodig is om een taak te voltooien. [6][7]

Wat tonen de Arena-ranglijsten?

In de tekst-ranglijst van Arena van 16 juli had Kimi K3 een voorlopige score van ongeveer 1486 en stond het in de top tien. DeepSeek V4-Pro en de thinking-variant lagen rond 1456-1458 en duidelijk lager. Kimis score was echter als voorlopig gemarkeerd en gebaseerd op minder stemmen, waardoor het positieverschil niet als definitief moet worden beschouwd. [8][9]

Het verschil was groter in WebDev Arena. Kimi K3 stond voorlopig eerste met ongeveer 1679 punten, terwijl DeepSeek V4-Pro-thinking veel lager stond met circa 1459. Deze ranglijst is bijzonder relevant voor websites en interfaces omdat het visuele resultaat wordt beoordeeld, niet alleen de tekstuele juistheid van het antwoord. [10][11]

Het resultaat past bij de mogelijkheden van de modellen. Kimi kan screenshots onderzoeken en op basis van een afbeelding itereren. DeepSeek V4 is een tekstmodel, waardoor een vergelijkbare workflow een extra visuele beschrijvingslaag of extern vision-model nodig heeft.

Programmeren: welk model is beter?

Er bestaat momenteel geen enkele onafhankelijke en volledig gecontroleerde suite die Kimi K3 en DeepSeek V4 in exact dezelfde programmeeragent-harnassen vergelijkt.

Moonshot rapporteert voor Kimi onder meer 67,5 op DeepSWE, 88,3 op Terminal-Bench 2.1, 81,2 op FrontierSWE en 42,0 op SWE Marathon. DeepSeek rapporteert voor V4-Pro Max onder meer 80,6 op SWE-bench Verified, 55,4 op SWE-bench Pro, 67,9 op Terminal-Bench 2.0 en 93,5 op LiveCodeBench. Deze cijfers mogen niet in een simplistische winnaar-verliezer-tabel worden gezet omdat ze afkomstig zijn van verschillende benchmarkversies, agents, limieten en methodologieën. [1][2]

Een veiligere conclusie volgt uit onafhankelijke evaluaties en de aard van de modellen.

Kimi K3 is meestal beter wanneer:

• de taak frontendwerk of een op screenshots beoordeelde interface omvat;
• de agent afbeeldingen of opnamen moet analyseren;
• de hoogste kwaliteit van deze twee modellen nodig is;
• het model vele uren aan een moeilijk probleem werkt;
• kosten belangrijk zijn, maar niet de belangrijkste beperking;
• het bedrijf nog geen private implementatie van de gewichten nodig heeft.

DeepSeek V4-Pro is meestal beter wanneer:

• de taak voornamelijk tekst- en codegericht is;
• het budget veel pogingen vereist;
• veel agents parallel moeten draaien;
• u Claude Code wilt gebruiken zonder Anthropic-modelprijzen te betalen;
• u een specifieke modelversie wilt vastzetten en onafhankelijk onderhouden;
• u voor eenvoudige bewerkingen een modus zonder redeneren nodig hebt.

DeepSeek V4-Flash is meestal beter wanneer:

• doorvoer prioriteit heeft;
• u grote aantallen repetitieve taken verwerkt;
• u een goedkope laag hulpagents bouwt;
• u een realistischer self-hosting-optie zoekt;
• u niet voor elke aanvraag de kwaliteit van Kimi of V4-Pro nodig hebt.

Agents en toolgebruik

DeepSeek V4 ondersteunt tool calling, JSON-uitvoer, prefix completion en lange antwoorden tot 384.000 tokens. De API biedt een modus zonder redeneren, high en max. De documentatie vermeldt dat bij toolgebruik in thinking-modus een applicatie reasoning_content in latere aanvragen moet terugsturen; het weglaten ervan kan een HTTP 400-fout opleveren. [5]

DeepSeek biedt ook compatibiliteit met de Anthropic API en een officiële handleiding om V4 aan Claude Code te koppelen. Het bedrijf koppelt modelnamen en omgevingsvariabelen rechtstreeks, terwijl webzoeken in die omgeving via de DeepSeek-API kan werken. [12]

Kimi ondersteunt eveneens function calling, tool_choice, JSON Schema, dynamisch laden van tools, streaming en automatische caching. Net als DeepSeek vereist het echter dat de volledige redeneergerelateerde assistentgeschiedenis wordt behouden. Moonshot waarschuwt dat het verwijderen van deze berichten of het wisselen van model tijdens een sessie de stabiliteit kan verminderen. [4][13]

Tijdens de verificatie werd Kimis officiële webzoekfunctie bijgewerkt en niet aanbevolen voor productie. DeepSeek had op dit gebied daarom een praktischere integratie, vooral voor Claude Code-gebruikers. [4][12]

Regeling van redeneren

Dit deel van de vergelijking valt duidelijk in het voordeel van DeepSeek uit.

DeepSeek V4 kan werken:

• zonder redeneren;
• met reasoning_effort="high";
• met reasoning_effort="max".

De documentatie behoudt compatibiliteit met andere labels: low en medium worden gekoppeld aan high, terwijl xhigh wordt gekoppeld aan max. Bij complexe agenttaken zoals Claude Code-sessies kan de API automatisch maximale inspanning kiezen. [5]

Kimi K3 heeft redeneren permanent ingeschakeld en ondersteunde bij de lancering alleen:

reasoning_effort="max"

Moonshot kondigde modi met lagere inspanning aan, maar die waren nog niet beschikbaar. [4]

Voor een moeilijk probleem hoeft dit geen nadeel te zijn. Bij eenvoudige transformaties, classificaties, korte antwoorden of grootschalige routing veroorzaakt het echter onnodig tokengebruik en kan het gedrag niet aan de waarde van de taak worden aangepast.

Afbeeldingen, documenten en video

Kimi K3 heeft een voordeel dat niet alleen met tokenprijs kan worden gecompenseerd: het is multimodaal.

De officiële API accepteert tekst, afbeeldingen en videobestanden. Hetzelfde model kan daardoor code analyseren, een applicatiescreenshot bekijken, verschillen met een ontwerp identificeren en vervolgens correcties implementeren. Het kan ook met video werken zonder frames handmatig te extraheren en aan een apart model door te geven. [4]

DeepSeek V4-Pro en V4-Flash worden beschreven als tekstmodellen. Er kan een multimodale workflow omheen worden gebouwd, maar daarvoor zijn een extra vision-model, OCR, transcriptie of een eigen extractielaag nodig. [2][7]

Voor backend, scripts, repositoryanalyse en terminalagents maakt dat mogelijk weinig uit. Voor frontend, visuele kwaliteitscontrole, mobiele apps, games en videoanalyse is het een van de belangrijkste verschillen.

Vergelijking van API-prijzen

Volgens de officiële prijzen is invoer bij V4-Pro ongeveer 6,9 keer goedkoper dan bij Kimi en uitvoer ongeveer 17,2 keer goedkoper. Cache reads zijn ongeveer 82,8 keer goedkoper. V4-Flash vergroot het verschil verder. [5][14]

Voorbeeld 1: repositorytaak

Aannames:

• 100.000 ongecachete invoertokens;
• 10.000 uitvoertokens.

V4-Pro is in dit voorbeeld ongeveer 8,6 keer goedkoper dan Kimi. Flash kost zelfs na meerdere vergelijkbare pogingen minder dan vier cent.

Voorbeeld 2: grote gecachete context

Aannames:

• 500.000 gecachete invoertokens;
• 20.000 uitvoertokens.

Bij een lange prefix die vaak wordt herhaald, is het kostenverschil enorm.

Modelgedrag blijft belangrijk. In de evaluatie van Artificial Analysis genereerde DeepSeek ongeveer 180 miljoen uitvoertokens en Kimi ongeveer 130 miljoen. DeepSeek was uitvoeriger, maar bleef duidelijk goedkoper. [6][7]

Self-hosting en hardwarevereisten

Open gewichten betekenen niet dat het model op een krachtige kantoorcomputer draait.

DeepSeek V4-Pro heeft 1,6 biljoen totale parameters, hoewel tijdens inferentie ongeveer 49 miljard actief zijn. De volledige gewichten, het geheugen, expert-routing, communicatie tussen apparaten en cache voor één miljoen contexttokens vereisen gedistribueerde infrastructuur. De officiële modelkaart bevat serving-instructies, maar een praktische Pro-implementatie blijft een project voor organisaties met meerdere accelerators. [2][3]

V4-Flash, met 284 miljard totale parameters en ongeveer 13 miljard actieve, is een veel realistischer kandidaat voor private infrastructuur. Het is nog steeds geen laptopmodel, maar hardwarekosten en doorvoer zijn beter beheersbaar dan bij V4-Pro.

Kimi K3 is nog groter. Moonshot adviseert supernodeconfiguraties met minstens 64 accelerators. Zelfs na publicatie van de gewichten zal private implementatie vooral zinvol zijn voor hyperscalers, grote laboratoria en infrastructuuraanbieders. [1]

Voor de meeste bedrijven zou “self-hosting” daarom eerder moeten betekenen:

• een gespecialiseerde inferentieaanbieder gebruiken;
• een cluster huren voor de duur van een workload;
• het kleinere V4-Flash implementeren;
• de moeilijkste taken naar een externe API sturen.

Privacy en datalocatie

Een private implementatie van DeepSeek V4 geeft de meeste controle over data, maar alleen wanneer de organisatie werkelijk de infrastructuur, logs, back-ups en beheerderstoegang beheert.

Bij gebruik van de officiële API stelt DeepSeeks privacybeleid dat het bedrijf prompts, bestanden, afbeeldingen en gespreksgeschiedenis verzamelt, data kan gebruiken om technologie te verbeteren en te trainen en persoonsgegevens verwerkt in de Volksrepubliek China. Het beleid beschrijft ook een mogelijkheid om bezwaar te maken tegen gebruik voor training. [15]

Het privacybeleid van het Kimi-platform zegt dat gebruikersinhoud kan worden gebruikt om de technologie te ontwikkelen en te verbeteren en dat gegevens op beveiligde servers in Singapore worden opgeslagen. Bewaring hangt af van factoren zoals gegevenstype, accountactiviteit en wettelijke verplichtingen. [16]

Geen algemeen privacybeleid vervangt een zakelijke overeenkomst. Voordat broncode, bedrijfsgeheimen of klantgegevens worden verzonden, moet een organisatie schriftelijke voorwaarden verkrijgen over:

• gebruik voor training;
• opt-outmogelijkheden;
• bewaring en verwijdering;
• verwerkingsregio;
• subverwerkers;
• incidentrespons;
• naleving van interne eisen.

Beperkingen van Kimi K3

Kimis grootste huidige zwakte is dat de aangekondigde openheid nog niet kan worden gecontroleerd. De definitieve licentie, volledigheid van de release en gebruiksvoorwaarden van de gewichten zijn onbekend.

Het model heeft bovendien drie praktische beperkingen:

1. het werkt momenteel alleen met maximale redeneerinspanning;
2. het is gevoelig voor verlies van de volledige redeneergerelateerde berichtgeschiedenis;
3. het kan te proactief zijn en bij dubbelzinnige instructies niet-goedgekeurde beslissingen nemen. [4][13]

Kimi is ook veel duurder dan DeepSeek en het kwaliteitsvoordeel is niet voor elke workload nodig. Het gebruiken voor eenvoudig parsen, classificatie of templategebaseerde codegeneratie kan economisch onlogisch zijn.

Beperkingen van DeepSeek V4

DeepSeek V4-Pro is duidelijk zwakker dan Kimi K3 in de onafhankelijke geaggregeerde index. Het verschil was nog groter in WebDev en het ontbreken van native invoer voor afbeeldingen en video beperkt de bruikbaarheid in visuele workflows. [6][7][10][11]

Het model is ook zeer uitvoerig. In Artificial Analysis produceerde het ongeveer 180 miljoen uitvoertokens, meer dan Kimi. Door de lage prijzen blijft het goedkoop, maar langere trajecten kunnen latentie, logvolume en menselijke controletijd verhogen. [7]

Agentintegraties moeten reasoning_content correct bewaren. Onjuiste verwerking van de geschiedenis kan een toolaanroep onderbreken. [5]

Open gewichten lossen veiligheid ook niet automatisch op. Een organisatie die het model zelf uitvoert, neemt verantwoordelijkheid voor toolisolatie, updates, filters, monitoring, toegangscontrole en gegevensbescherming.

Welk model moet u kiezen?

Kies Kimi K3 wanneer:

• u de hoogste kwaliteit van de vergeleken modellen nodig hebt;
• u frontends, applicaties, games of CAD-tools ontwikkelt;
• de agent screenshots of video moet analyseren;
• u een API gebruikt en nog geen private gewichten nodig hebt;
• een afzonderlijke taak genoeg waarde heeft dat de modelprijs niet domineert;
• u autonome acties streng kunt testen.

Kies DeepSeek V4-Pro wanneer:

• u werkelijk beschikbare open gewichten nodig hebt;
• de MIT-licentie en commercieel gebruik belangrijk zijn;
• u tekst- en programmeeragents op grote schaal bouwt;
• u API-kosten drastisch wilt verlagen;
• u wilt integreren met Claude Code of een Anthropic-formaatclient;
• u een modus zonder redeneren en meer controle over inspanning nodig hebt;
• u lagere algemene kwaliteit dan Kimi accepteert.

Kies DeepSeek V4-Flash wanneer:

• prijs en doorvoer de hoogste prioriteiten zijn;
• u grote aantallen routinetaken verwerkt;
• u een multi-modelsysteem bouwt;
• u een praktischere private implementatie zoekt;
• moeilijke gevallen kunnen worden geëscaleerd naar V4-Pro, Kimi of een ander model.

Overweeg routing tussen meerdere modellen

De verstandigste architectuur hoeft niet voor elke taak hetzelfde model te gebruiken.

Een voorbeeldrouting:

• V4-Flash behandelt classificatie, extractie, eenvoudige correcties en hulpagents;
• V4-Pro behandelt moeilijker tekst- en programmeerwerk;
• Kimi K3 neemt frontend, afbeeldingen, video en de moeilijkste gevallen over;
• gevoelige gegevens blijven op een private DeepSeek-implementatie;
• minder gevoelig werk kan externe API's gebruiken.

Deze aanpak benut Kimis sterke punten zonder voor elke aanvraag het Kimi-tarief te betalen.

Oordeel

De vraag in de titel heeft twee verschillende antwoorden.

Het beste open model dat vandaag kan worden geïmplementeerd, is DeepSeek V4. Het heeft beschikbare gewichten, een MIT-licentie, een extreem goedkope API, een Pro-variant voor moeilijke taken en een Flash-variant voor schaal. Het biedt ook volwassen compatibiliteit met OpenAI- en Anthropic-formaten, instelbare redeneerniveaus en een officiële Claude Code-integratie. [2][3][5][12]

Het sterkere model bij gebruik via een API is Kimi K3. Het leidt de onafhankelijke Artificial Analysis Intelligence Index, presteert beter in huidige Arena-ranglijsten, ondersteunt afbeeldingen en video en is bijzonder sterk in visuele interfaceontwikkeling. [4][6][8][10]

Kimi kan na publicatie van de gewichten een zeer interessant open model worden. Een infrastructuurbeslissing mag echter niet alleen op een aankondiging zijn gebaseerd. Teams moeten wachten op bestanden, licentie, technisch rapport en de eerste onafhankelijke implementatietests.

Op 17 juli 2026 is de aanbeveling daarom eenvoudig:

• DeepSeek V4-Pro wanneer private gewichten, lage kosten en een sterk tekstmodel nodig zijn;
• DeepSeek V4-Flash wanneer een goedkoop systeem op grote schaal wordt gebouwd;
• Kimi K3 wanneer kwaliteit, frontend, afbeeldingen en video belangrijker zijn dan volledige openheid en prijs.

De beste beslissing komt nog steeds uit tests met echte workloads. Een algemene benchmark laat niet zien hoe een model omgaat met de conventies van een specifiek repository, bedrijfsdataformaten, een machtigingssysteem of de kosten van menselijke controle.

Bronnen

1. Moonshot AI, Kimi K3: Open Frontier Intelligence
2. DeepSeek, officiële aankondiging van DeepSeek V4
3. DeepSeek AI, DeepSeek V4-modelkaart op Hugging Face
4. Kimi API Platform, Kimi K3 Quickstart
5. DeepSeek API Docs, modellen, prijzen en redeneermodi
6. Artificial Analysis, evaluatie van Kimi K3
7. Artificial Analysis, evaluatie van DeepSeek V4 Pro Max
8. Arena, tekstranglijst en score van Kimi K3
9. Arena, tekstranglijst en score van DeepSeek V4
10. Arena, WebDev-ranglijst en score van Kimi K3
11. Arena, WebDev-ranglijst en score van DeepSeek V4
12. DeepSeek API Docs, integratie met Claude Code
13. Moonshot AI, beperkingen en aanbevelingen voor Kimi K3
14. Kimi API Platform, prijzen van Kimi K3
15. DeepSeek, Privacy Policy
16. Kimi OpenPlatform, Privacy Policy