Yeni bir model piyasaya sürüldüğünde, iki tür rakam aynı anda ortaya çıkar ve nadiren birbiriyle uyuşur: laboratuvarın kendi rakamları ve bağımsız test uzmanlarının sonuçları. Moonshot AI'ın 16 Temmuz 2026'da piyasaya sürdüğü Kimi K3, her ikisini de aldanmadan okumak için net bir vaka çalışmasıdır. Bağımsız tarafta akıllı görünüyor ancak hızlı değil; satıcı tarafında ise Moonshot onu "sınır seviyesinde" olarak adlandırırken, aynı gönderide hala en iyi tescilli sistemlerin gerisinde kaldığını kabul ediyor. Bu yazı, neyin kanıtlandığını, neyin iddia edildiğini ve henüz kimsenin yayınlamadığını görmeniz için bu ayrıntıları ortaya koyuyor.
TL;DR: Kimi K3 gerçekte nasıl kıyaslama yapıyor
Bağımsız Artificial Analysis Intelligence Index'inde Kimi K3, 57 puan alarak 189 model arasında 4. sırada yer alıyor ve gerçek bir öncü şirket. Ancak ölçülen çıktı hızı saniyede yaklaşık 62 jeton olup, kendi fiyat segmenti için 72.7 olan ortalamanın altında kalıyor, bu da onu daha yavaş çalışan güçlü bir akıl yürütücü yapıyor. Moonshot'ın lansman gönderisi "değerlendirme süitimizde sınır seviyesinde performans" iddia ediyor, ardından K3'ün "hala en güçlü tescilli modeller olan Claude Fable 5 ve GPT-5.6 Sol'un gerisinde kaldığını" açıkça belirtiyor. Moonshot'ın yayınladığı kıyaslama tablosu güçlü: K3, BrowseComp, Automation Bench ve SpreadsheetBench 2'de lider, Terminal-Bench 2.1'de ikinci ve DeepSWE'de üçüncü sırada yer alıyor. Bunlar satıcı tarafından yürütülen sayılar olup bağımsız olarak tekrarlanmamıştır, bu yüzden bunları yön gösterici olarak kabul edin; hala eksik olan şey, kodlama süitlerinin tarafsız bir yeniden çalıştırılması ve klasik bir SWE-bench Verified puanıdır. Dürüst özet: kanıtlanmış güçlü genel zeka, güvenilir ancak satıcı tarafından yürütülen görev sayıları ve iki tescilli liderin altında kendi kendine ilan edilmiş bir tavan.
kimi-k3 uç noktasına yönlendirin ve gerçek istemlerinizde gecikmeyi, maliyeti ve çıktı kalitesini ölçün. Bu sayı, K3'ün yığınınızda yer alıp almayacağına karar vermek için herhangi bir liderlik tablosundan daha iyidir.Üç iddia, ayrı tutuldu
Model lansmanları kafa karıştırıcı gelebilir çünkü üç farklı türde açıklama tek bir başlıkta birleşir. Bunları ayırdığınızda resim netleşir. Tam özellik sayfası için Kimi K3 nedir yazısı mimariyi ve fiyatlandırmayı kapsar; burada sayılara odaklanıyoruz.
İddia 1: bağımsız dayanak (Artificial Analysis)
Artificial Analysis bir üçüncü taraftır: API erişimi satın alır, sabit bir değerlendirme süiti çalıştırır ve laboratuvar girdisi olmadan sonuçları yayınlar. Bu yüzden rakamları burada en büyük ağırlığı taşır.
Kimi K3 için dayanak noktaları şunlardır:
- Zeka Endeksi: 57. Akıl yürütme, bilgi ve kodlama değerlendirmelerinin tek bir rakamda birleşimi.
- Sıralama: 189 model arasında 4. Yazım anında genel zeka konusunda yalnızca üç model daha yüksek puan alıyor.
- Çıktı hızı: yaklaşık saniyede 62 jeton. Kategori ortalaması 72.7 olduğundan, K3 kendi maliyet seviyesindeki tipik bir benzerinden daha yavaş üretir.
- İlk jetona kadar geçen süre: yaklaşık 2 saniye. Üretim başlamadan önce kısa ama gerçek bir bekleme süresi.
Bu sayılar birlikte belirli bir hikaye anlatıyor: K3 akıllı ama hızlı değil. İlk dört sıradan birine giriyor, ancak çıktı hızında biraz geri kalıyor. Gece çalışan toplu bir iş için bunun pek önemi yok. Ancak bir geliştiricinin her tamamlama için beklediği etkileşimli bir kodlama asistanı için saniyede 62 jeton gerçek bir yük. Aynı model, ne inşa ettiğinize bağlı olarak zıt yargılar.
İddia 2: Moonshot'ın kendisi hakkında söyledikleri
Moonshot'ın lansman gönderisi, satış amacıyla yazılmış bir satıcı belgesidir. K3'ü "değerlendirme süitimizde sınır seviyesinde performans gösteren, diğer test edilmiş modelleri sürekli olarak geride bırakan" bir model olarak tanımlıyor. "Değerlendirme süitimiz" ifadesine dikkat edin. Kendi kıyaslama karışımınızı seçmek hile değildir, ancak bir ev sahibi avantajıdır: her satıcı güçlü göründüğü değerlendirmeleri seçer, bu nedenle iddia yön göstericidir, belirleyici değil.
Lansman haberlerinden ikincil bir iddia, K3'ün "Automation Bench, SpreadsheetBench 2 ve BrowseComp dahil olmak üzere 8 gerçek dünya otomasyon kıyaslamasının 4'ünde birinci sırada yer aldığını", çoğu diğerinde ise Claude Fable 5'in arkasında ikinci olduğunu söylüyor. Bu, bağımsız bir test uzmanının henüz tekrarlamadığı, satıcıya yakın, ikincil bir kaynak rakamıdır, bu nedenle tarafsız bir taraf bu kıyaslamaları çalıştırıp çalışmasını gösterene kadar "ilginç, doğrulanmamış" olarak sınıflandırın.
İddia 3: Moonshot'ın kabul ettiği tavan
Lansman gönderisindeki en faydalı cümle, abartıyı boşa çıkarıyor. Moonshot, K3'ün "genel performansının hala en güçlü tescilli modeller olan Claude Fable 5 ve GPT-5.6 Sol'un gerisinde kaldığını" yazıyor. Kendi tavanını gönüllü olarak açıklayan bir satıcı nadirdir ve güvenilmeye değerdir.
Bu, beklentiler için önemlidir. En zorlu görevleriniz için Moonshot'ın kendisi, tescilli seçeneklerin ham yetenek açısından hala önde olduğunu söylüyor. K3'ün amacı asla "herkesi yendik" olmadı; "maliyetin bir kısmına açık bir modelde sınıra yakın kalite" idi. Karşılaştırmalar için Kimi K3 vs GPT-5.6 Sol ve Kimi K3 vs Claude Opus 4.8 analizleri daha derine iner.
Bağımsız vs satıcı sayıları, yan yana
İşte tüm kıyaslama hikayesi tek bir görünümde, her bir iddiayı kimin yaptığına göre sıralanmış.
| İddia | Kim söylüyor | Neyi ölçer | Ne kadar güvenmeli |
|---|---|---|---|
| Zeka Endeksi 57, 189 model arasında 4. sıra | Artificial Analysis (bağımsız) | Bileşik genel zeka | Yüksek. Üçüncü taraf, sabit süit, laboratuvar girdisi yok. |
| Çıktı ~saniyede 62 jeton (kategori ortalaması 72.7) | Artificial Analysis (bağımsız) | Üretim verimi | Yüksek. Ölçülmüş, tekrarlanabilir. |
| İlk jetona kadar geçen süre ~2 saniye | Artificial Analysis (bağımsız) | Yanıt verebilirlik | Yüksek. Ölçülmüş. |
| “Değerlendirme süitimizde sınır seviyesinde performans” | Moonshot (satıcı) | Kendi seçtiği kıyaslama karışımı | Yön gösterici. Ev sahibi avantajı geçerlidir. |
| BrowseComp, Automation Bench, SpreadsheetBench 2'yi kazanıyor; Terminal-Bench 2.1'de 2., DeepSWE'de 3. | Moonshot (satıcı, yayınlanmış tablo) | Görev seviyesinde ajans performansı | Orta. Gerçek yayınlanmış sayılar, ancak satıcı tarafından çalıştırılmış ve bağımsız olarak tekrarlanmamış. |
| Claude Fable 5 ve GPT-5.6 Sol'un genel olarak gerisinde kalıyor | Moonshot (satıcı, kendi kabulü) | Tescilli liderlere karşı tavan | Yüksek. Satıcının kendi sınırını kabul etmesi. |
| Bağımsız olarak tekrarlanan kodlama puanları + klasik SWE-bench Verified | Henüz kimse | Kodlamaya özel yetenek | Yayınlanmadı. Moonshot'ın kendi sayıları mevcut; tarafsız tekrarlar yok. |
Desen gözden kaçırmak kolaydır: en çok güvenebileceğiniz sayılar (bağımsız olanlar) genel zeka ve hızı tanımlarken, görev seviyesindeki sayılar gerçektir ancak satıcı tarafından yürütülür. Bu boşluk, kendi testlerinizin karşılığını verdiği yerdir.
İşte Moonshot'ın yayınladığı lansman tablosu, maksimum akıl yürütme ayarında, böylece iddianın şeklini bir paragraf yerine görebilirsiniz.
| Kıyaslama | Kimi K3 | Claude Fable 5 | GPT-5.6 Sol | Claude Opus 4.8 |
|---|---|---|---|---|
| Terminal-Bench 2.1 | 88.3 | 84.6 | 88.8 | 84.6 |
| DeepSWE | 67.5 | 70.0 | 73.0 | 59.0 |
| BrowseComp | 91.2 | 88.0 | 90.4 | 84.3 |
| Automation Bench | 30.8 | 29.1 | 29.7 | 27.2 |
| SpreadsheetBench 2 | 34.8 | 34.7 | 32.4 | 31.6 |
İki şey dikkat çekiyor. K3, bu beş kıyaslamanın dördünde hem Claude Fable 5'i hem de Claude Opus 4.8'i geride bırakıyor ve BrowseComp, Automation Bench ve SpreadsheetBench 2'de GPT-5.6 Sol'u kıl payı geçiyor. Ancak buradaki en zorlayıcı ajans tabanlı kodlama metriği olan DeepSWE'de, K3 Sol ve Fable 5'in açıkça gerisinde üçüncü sırada yer alıyor. Bu satır, Moonshot'ın "genel olarak iki tescilli liderin hala gerisinde" ifadesinin neden güvenilir olduğunu gösteriyor: K3 genişlikte kazanırken, en zorlu kodlama yarışını kaybediyor.
Hala ne eksik
Bir kıyaslama analizi, bilinmeyenler listesi kadar dürüsttür. Kimi K3'ün henüz herkese açık olmayanları şunlardır.
- Bağımsız kodlama puanları. Moonshot kendi Terminal-Bench 2.1 ve DeepSWE sayılarını yayınladı, ancak Artificial Analysis kodlamayı bileşik Endeks'e dahil ediyor ve K3'ün bağımsız SWE-bench Doğrulanmış rakamını yayınlamıyor. Bugün K3 için gördüğünüz herhangi bir kesin SWE-bench yüzdesi, Moonshot'ın kendi çalıştırmalarına atıfta bulunuyor veya tahmin ediliyor; tarafsız rakamı bekleyin.
- Tekrarlanan otomasyon sonuçları. Üçüncü bir tarafın hala Moonshot'ın Automation Bench, SpreadsheetBench 2 ve BrowseComp başarılarını yayınlanmış metodolojiyle yeniden çalıştırması gerekiyor. Ajans kıyaslamaları iskelelemeye, istem formatına ve yeniden deneme mantığına duyarlıdır, bu nedenle satıcı ve bağımsız sayılar büyük ölçüde farklılık gösterebilir.
- 1M jetonda uzun bağlam kalitesi. K3, 1 milyon jetonluk bir pencere sunar, ancak geniş bir pencere ve bu pencere boyunca güvenilir geri çağırma farklı şeylerdir. Tam bağlamda yayınlanmış uzun belge puanları henüz yaygın olarak mevcut değildir, bu nedenle kullanım durumunuz tam pencereye dayanıyorsa, kendiniz test edin.
Moonshot ayrıca lansmandan kısa bir süre sonra tam açık ağırlıkları yayınlama taahhüdünde bulundu, bu da lansman günü hikayesini doğrulayan veya karmaşıklaştıran topluluk kıyaslamaları getirmelidir. Bir sayının olmaması kötü bir sayı değildir; sadece henüz kimsenin yayınlamadığı bir sayıdır.
Satıcı kıyaslamalarını aldanmadan nasıl okursunuz
Her satıcı grafiğine güvenmemeniz gerekmiyor, sadece onları değerlendirmek için kısa bir kontrol listesi yeterli.
- Testi kim çalıştırdı? Bağımsız olan, kendi rapor edilenleri yener. Eğer laboratuvar çalıştırdıysa, karışımın onları kayırdığını varsayın.
- Kesin değerlendirme adlandırılmış ve sürümlenmiş mi? “SWE-bench Verified” kontrol edilebilir; “dahili kodlama süitimiz” değildir. Adlandırılmış kıyaslamalar, üçüncü bir tarafın sonucu tekrarlamasına olanak tanır.
- Ne dışarıda bırakıldı? Üç galibiyetin grafiği, sekizinin tamamının grafiği değildir. Eksik metrikler genellikle modelin düşük performans gösterdiği yerlerdir.
- Satıcı bir tavanı kabul ediyor mu? Moonshot'ın Fable 5 ve Sol ile yaptığı gibi geride kaldığı modelleri belirten bir laboratuvar, tam bir zafer iddia eden birini yener.
- Bağımsız dayanakla eşleşiyor mu? Bir satıcı iddiası ile tarafsız bir kaynak çelişirse, tarafsız kaynağa inanın.
K3'ün lansmanını bu filtreden geçirin, çoğu modelden daha iyi dayanır. Bağımsız Endeks gerçek gücü doğrular, satıcı kendi sınırlarını gönüllü olarak belirtir ve zayıf nokta, 1 ve 3 numaralı kontrolleri geçemeyen doğrulanmamış otomasyon iddiasıdır. Daha uzun bir örnek için GLM-5.2 kıyaslamaları analizi aynı bağımsız-önce yaklaşımını kullanır ve GPT-5.6 vs Claude Fable 5 karşılaştırması, iki öncü modelin süitler arasında nasıl galibiyetleri değiştiğini gösterir.
Gerçek test: K3'ü göreviniz için kıyaslayın
Halka açık liderlik tabloları genel bir soruyu yanıtlar: bu model ortalama ne kadar akıllı? Sizin işiniz özeldir: ihtiyacınız olan tek şeyi ne kadar iyi yapıyor? Genel olarak 4. sırada yer alan bir model, sizin tam istem şekliniz için birinci olabilir veya alanınıza göre ayarlanmış daha ucuz bir modelin gerisinde kalabilir. Bunu bilmenin tek yolu ölçmektir. İşte bir satın alma kararı için hafif bir süreç.
- Altın bir set oluşturun. İş yükünüzden 20 ila 50 gerçek istem toplayın, varsa bilinen iyi çıktılarla birlikte: gerçek biletler, gerçek kod farkları, gerçek destek soruları. Sentetik istemler yalan söyler; üretim istemleri söylemez.
- Değişkenlerinizi sabitleyin. Model kimliğini (`kimi-k3`), sıcaklığı, sistem istemini ve maksimum jetonları sabitleyin. Farkı atfedemeyeceğiniz için bir seferde yalnızca bir şeyi değiştirin.
- İstem başına dört şeyi ölçün. Çıktı kalitesi (görevi çözdü mü), gecikme (ilk jetona kadar geçen süre artı toplam üretim), maliyet (giriş artı çıktı jetonları çarpı fiyat) ve birden fazla çalıştırmadaki tutarlılık. Saniyede 62 jeton rakamı başlangıç tahminidir; gerçek gecikmeniz istem uzunluğuna ve bölgeye bağlıdır.
- Mevcut modelinizle karşılaştırın. Bugün kullandığınız herhangi bir modele karşı aynı altın seti çalıştırın. Bir modele geçiş yapmaya ancak önemsediğiniz eksende kazanırsa değer.
Bir API istemcisinin değeri işte burada ortaya çıkar. Apidog, `kimi-k3` uç noktasını birinci sınıf bir istek olarak ele alır: altın set istemlerinizi yeniden kullanılabilir bir koleksiyon olarak kaydedin, sabitlenmiş parametrelerle gönderin, jeton jeton gecikmeyi izlemek için yanıtı akışlayın ve maliyet hesaplaması için tam jeton sayılarını geri okuyun. Uç noktayı değiştirerek tüm seti farklı bir modele karşı yeniden çalıştırın. İşiniz bir düzenleyicideyse, aynı istekleri VS Code içinden yönlendirin. Hazır olduğunuzda, Apidog'u İndirin ve Moonshot uç noktasına yeni bir istek yönlendirin.
Birkaç görev şekli ve dikkat edilmesi gerekenler:
- Kodlama asistanı. Gecikme baskındır. Saniyede 62 jetonda, uzun bir tamamlamanın fark edilir bir çekim süresi vardır, bu nedenle gerçek ortalama tamamlama uzunluğunuzla test edin. Genel olarak daha düşük puan alsa bile daha hızlı bir modelle karşılaştırın.
- Toplu veri çıkarma. Çıktıyı hiçbir şey beklemez, bu nedenle verim pek önemli değildir. K3'ün zeka sıralaması tüm hikayedir; kaliteyi ve jeton başına maliyeti tartın.
- Uzun belge analizi. Gerçekte kullandığınız bağlam uzunluğunda test edin. 32K'da güvenilir bir model 500K'da bozulabilir ve 1M pencere bir garanti değil, bir tavandır.
- Ajans otomasyonu. Doğrulanmamış "8'de 4" iddiasının yaşadığı yer burasıdır, bu yüzden pazarlamaya karşı kendi çalıştırmalarınıza güvenin. Küçük bir ajan donanımı oluşturun, gerçek görev döngünüzü çalıştırın ve başarıları sayın.
Doğrudan bir anahtarı yönetmek istemiyorsanız K3'ü bir toplayıcı aracılığıyla da çekebilirsiniz: moonshotai/kimi-k3 için OpenRouter listesi aynı modeli OpenAI uyumlu bir rotanın arkasında sunar.
K3'ün dürüstçe konumu
Lansman gürültüsünü bir kenara bırakırsak, Kimi K3, net ve kendi kabul ettiği bir tavanı olan, gerçekten güçlü bir genel modeldir. Bağımsız okuma güvenilir ve gurur vericidir: Moonshot'ın tasarlamadığı bir süitte kazanılan 189 model arasında ilk dördüncü sıra. Hız, etkileşimli çalışma için çok önemli olan ve toplu çalışma için neredeyse hiç önemli olmayan dürüst zayıf noktasıdır. Satıcı iddiaları net bir şekilde ayrılıyor: Fable 5 ve Sol'un gerisinde kaldığı kabulü (güvenebilirsiniz) ve doğrulanmamış otomasyon başarıları (bağımsız biri bunları tekrarlayana kadar temkinli yaklaşmalısınız). Bir lansman, kanıtların başlangıcıdır, sonu değil. Modeli kendi işiniz üzerinde ölçün ve o sayının karar vermesine izin verin. Değeri maliyete karşı tartmak için Kimi K3 fiyatlandırma analizi fiyatı bu kıyaslama sayılarıyla eşleştirir.
Sıkça sorulan sorular
Kimi K3'ün kıyaslama puanı nedir? Bağımsız Artificial Analysis Intelligence Index'inde Kimi K3, 57 puan alarak 189 model arasında 4. sırada yer alıyor. Moonshot kendi Terminal-Bench 2.1 ve DeepSWE puanlarını yayınladı, ancak henüz hiçbir bağımsız laboratuvar K3'ün bağımsız kodlama kıyaslamalarını tekrarlamadı, bu nedenle Endeks mevcut en iyi tarafsız sayıdır.
Kimi K3 diğer modellerden daha mı hızlı? Hayır. Ölçülen çıktı hızı saniyede yaklaşık 62 jeton olup, kendi fiyat segmenti için 72.7 olan ortalamanın altında kalıyor ve ilk jetona kadar geçen süre yaklaşık 2 saniyedir. K3, daha yavaş çalışan güçlü bir akıl yürütücüdür; gecikmeye duyarlı etkileşimli araçlardan ziyade toplu ve analiz işlerine daha uygun.
Kimi K3, Claude Fable 5 veya GPT-5.6 Sol'u yener mi? Moonshot'ın kendi ifadesine göre genel olarak hayır: lansman gönderisi K3'ün "hala en güçlü tescilli modeller olan Claude Fable 5 ve GPT-5.6 Sol'un gerisinde kaldığını" belirtiyor. İkincil bir iddia, K3'ün birkaç otomasyon kıyaslamasında önde olduğunu söylüyor, ancak bu satıcıya yakın ve bağımsız olarak doğrulanmamıştır. Öncü görevler için, iki tescilli model hala öndedir.
Kimi K3'ü kendi kullanım durumum için nasıl kıyaslamalıyım? İş yükünüzden 20 ila 50 gerçek istemden oluşan bir altın set oluşturun, model kimliğini ve parametrelerini sabitleyin, ardından mevcut modelinize karşı çıktı kalitesini, gecikmeyi, maliyeti ve tutarlılığı ölçün. Apidog gibi araçlar, bu istemleri yeniden kullanılabilir bir koleksiyon olarak kaydetmenize ve adil bir karşılaştırma için `kimi-k3` ve herhangi bir rakibe karşı yeniden çalıştırmanıza olanak tanır.