senn-techKI-Radar: Kimi K3 vs. Claude Code vs. Codex — das Agenten-Duell, ehrlich sortiert
Moonshot AI hat Kimi K3 am 16. Juli 2026 veröffentlicht: 2,8 Billionen Parameter, offene Gewichte, ein Eine-Million-Token-Kontextfenster und ein dauerhaft aktiver Thinking-Modus. Die vollen Gewichte folgen bis Ende Juli. Der Tenor überall ist derselbe — das offene Modell, das Claude und Codex schlägt. Ein wirklich beeindruckendes Release. Als Schlagzeile vergleicht es allerdings zwei verschiedene Dinge.
Zuerst: die Kategorien entwirren
„Kimi K3 vs. Claude Code vs. Codex“ ist ein Missverhältnis der Gewichtsklassen. Kimi K3 ist ein Modell. Claude Code und Codex sind Agenten — Harnesses, die planen, Werkzeuge aufrufen und ein zugrundeliegendes Modell steuern (Claude Opus, GPT-5.x). Man betreibt nicht „Kimi K3 statt Claude Code“; man betreibt K3 innerhalb eines Harness. Moonshot liefert einen eigenen mit, KimiCode, und die Start-Benchmarks vergleichen Modell-plus-Harness gegen Modell-plus-Harness.
Das ist relevant, weil ein Harness einen Wert um zweistellige Prozentpunkte verschieben kann. Wenn Moonshot für K3 unter KimiCode 67,5 Prozent auf SWE-bench meldet und Anthropic für Claude Code unter eigenem Harness 80,4 Prozent auf SWE-bench Pro, dann liegen diese Zahlen nicht auf derselben Achse. Weniger „wer ist schneller“, mehr „zwei verschiedene Autos auf zwei verschiedenen Strecken“.
Die Benchmarks: kein Gesamtsieger
Sobald man das akzeptiert, wird das Bild erfrischend nüchtern. Jedes Werkzeug gewinnt dort, wohin sein Design zeigt:
| Benchmark | Spitze | Wert | Was gemessen wird |
|---|---|---|---|
| SWE Marathon | Kimi K3 | ~42 % | Langstrecke, mehrstündige Agentenarbeit |
| SWE-bench Pro | Claude Code | ~80 % | Klar umrissene Coding-Aufgaben |
| Terminal-Bench | Codex | ~89 % | Terminal-getriebene Werkzeugnutzung |
| GDPval-AA v2 (Elo) | K3 1.668 · Opus 4.8 1.600 · Fable 5 1.760 | — | Allgemeine Agenten-Fähigkeit |
K3s echte Stärke ist die Kohärenz über lange Horizonte — die mehrstündige, tief verschachtelte Aufgabe, bei der ein Agent den Kontext halten muss. Genau hier zahlen sich ein Millionen-Token-Fenster und ein starker Thinking-Modus aus, und das ist ein bedeutsamer Vorsprung. Bei eng definierten Aufgaben liegt Claude Code weiterhin vorn; bei terminallastiger Automatisierung Codex. Keine Krone hier, nur eine Landkarte der Passung zur Aufgabe.
Der Souveränitäts-Winkel — und sein Haken
Für ein KMU ist der spannende Teil die offene Gewichtung, denn sie verspricht, was eine gehostete API nicht kann: Die Daten verlassen das Haus nicht. Der Haken ist die Größenordnung. 2,8 Billionen Parameter sind kein „läuft auf der Ersatz-GPU“-Modell — es ist eine Rechenzentrums-Verpflichtung. Eigenbetrieb von K3 ist real, aber weder billig noch klein.
Und der bequeme Weg hat das bekannte Problem: Die gehostete Kimi-API wird aus China betrieben. Für personenbezogene oder vertrauliche Daten ist das unter DSGVO ein hartes Aus. Die ehrliche souveräne Empfehlung bleibt daher dieselbe wie in unserem Kimi-K2.7-Fazit: ein kleineres offenes Modell on-prem für alles Schützenswerte — und ein Frontier-Modell wie K3 nur über die API, für unkritische, wirklich schwere Arbeit.
Wie wir es lesen
Wir bewerten Modelle und Agenten nach Aufgabe, nicht nach Start-Chart — der gleiche Mehrspur-Ansatz, den wir über Claude Code, Codex und Gemini CLI fahren. Kimi K3 verdient einen Platz in diesem Werkzeugkasten: ein offenes, auf Langstrecke starkes Modell, das das Feld verbreitert und jeden einzelnen Anbieter beim Preis ehrlich hält. Aber „schlägt Claude und Codex“ ist ein Slogan, kein Ergebnis. Die drei gewinnen verschiedene Rennen.
Der praktische Rat bleibt unverändert: am eigenen, repräsentativen Repository messen, vor dem ersten Token klären, wohin die Daten fließen, und das Werkzeug wählen, das zu dieser Aufgabe und diesen Daten passt. Der Benchmark, der zählt, ist der, der auf dem eigenen Code läuft.