Kimi K3.1 Pro im deutschen Sprachtest gegen GPT-6 Astra, Claude Opus 5.5 und Gemini 4 Argon

Aktualisierung (9. November 2026): Claude Fable 5.2 und Mythos 5.2 sind erschienen - Preise, Zugang und Benchmarks im Überblick zu Claude Fable 5.2.

👁 119 Aufrufe

Ich habe Kimi K3.1 Pro in einem speziell für den deutschen Markt entworfenen Benchmark aus zwölf Aufgaben getestet - von einem Einspruch beim Finanzamt München über die Umsatzsteuer-Regeln 2026 für die Gastronomie bis hin zur IBAN-Validierung in Python. Während GPT-6 Astra (72,0/72), Gemini 4 Argon (71,0/72) und Claude Opus 5.5 (71,0/72) an der Spitze praktisch gleichauf lagen, kam Kimi K3.1 Pro über den Endpoint moonshotai/mxfp4 nur auf 51,0 von 72 Punkten und belegte den siebten und letzten Platz. Der Hauptgrund war nicht mangelndes Sprachgefühl, sondern drei Nullrunden - darunter zwei Antworten, die völlig am Prompt vorbeigingen.

• Gesamtergebnis auf Deutsch: 51,0 / 72 Punkte (Platz 7 von 7 getesteten Modellen).
• Stärken auf Spitzenniveau (jeweils 6,0/6): Einspruch ans Finanzamt (Aufgabe a), Redewendungen und Wortspiele (b), Zusammenfassung (c), Datums- und Zahlenformate (f), JSON-Extraktion (i), lokales Faktenwissen (j) sowie langer Kontext über ca. 30.000 Token (k).
• Schwere Aussetzer (0,0/6): Bei der Umsatzsteuer-Rechnung (e) behauptete Kimi fälschlicherweise, im Prompt fehlten die Beträge; beim Python-Code (g) gab das Modell nur einen einzigen chinesischen Satz aus; das Logikrätsel (h) erklärte es nach 14.000 Reasoning-Token fälschlich für unlösbar.
• Geschwindigkeit und Kosten im Test: 82 Token/s im Median, 337 Sekunden Gesamtlaufzeit und 0,279 USD für alle zwölf deutschen Aufgaben über OpenRouter.

Methodik: Zwölf deutsche Aufgaben aus der Praxis

Dieser Einzeltest ist Teil meiner größeren Untersuchung vom 24. Oktober 2026, für die ich Kimi K3.1 Pro in insgesamt zehn Sprachmärkten geprüft habe (einen Überblick bietet mein zentraler Hub zu Kimi K3). Für Deutsch wurden zwölf Aufgaben von Grund auf neu auf Deutsch verfasst und in lokale Realitäten eingebettet - es handelt sich ausdrücklich nicht um Übersetzungen eines englischen Benchmarks. Geprüft wurden unter anderem ein formelles Schreiben mit korrekter Sie-Form an eine Behörde, Redewendungen, eine Übersetzung mit falschen Freunden, eine Rechnung mit deutschen Umsatzsteuersätzen (19 % und 7 %, inklusive der ab 1. Januar 2026 geltenden Regel nach § 12 UStG / BMF-Schreiben vom 22.12.2025: 7 % auf Speisen in der Gastronomie, 19 % auf Getränke - im Prompt angegeben), eine Python-Funktion zur Prüfung einer deutschen IBAN mit deutschen Kommentaren, ein Logikrätsel sowie das Finden von Details in rund 28.000 cl100k-Token (110 bis 150 Protokolle einer Wohnungseigentümergemeinschaft).

Alle Modelle liefen am 24.10.2026 über OpenRouter mit identischen Einstellungen: System-Prompt auf Deutsch, Reasoning-Stufe „medium“, maximal 16.000 Output-Token, Streaming und genau ein Versuch pro Aufgabe ohne Fallback auf andere Provider. Jede Aufgabe brachte maximal 6 Punkte (3 Kriterien à 0 bis 2 Punkte), insgesamt also 72 Punkte. Rechnungen, Datumsformate, Logik, JSON, Fakten, langer Kontext und die Code-Ausführung in einem isolierten Prozess (python -I) wurden automatisch ausgewertet. Textqualität, Stil und Code-Kommentare bewerteten zwei KI-Richter blind: GPT-6.1 Sol und Gemini 4 Argon. Um Familien-Bias auszuschließen, bewertete Antworten von GPT-6 Astra ausschließlich Gemini 4 Argon, Antworten von Gemini ausschließlich GPT-6.1 Sol, und bei allen anderen Modellen (inklusive Kimi und Claude Opus 5.5) zählte der Durchschnitt beider Richter.

Wichtige Transparenzhinweise zur Methode: Die Aufgaben und Musterlösungen wurden von einem Agenten auf Basis von Claude Opus 5.5 erstellt; obwohl die Bewertung größtenteils automatisch oder durch fremde Richter erfolgte, ist dies kein unabhängiger menschlicher Benchmark, und ein stilistischer Vorteil für Opus lässt sich nicht ausschließen. Zudem fiel während der Durchführung auf, dass beim Logikrätsel (Aufgabe h) im deutschen, italienischen und japanischen Set die Liste der möglichen Werte im Einleitungstext fehlte, sodass Frage C objektiv nicht benennbar war. Ich habe die Werteliste ergänzt und Aufgabe h in diesen drei Sprachen für alle Modelle neu ausgeführt.

Ergebnisse und Ranking im deutschen Test

Da pro Aufgabe nur ein einziger Durchlauf stattfand, sind Abstände von 1 bis 2 Punkten in der Praxis als Unentschieden zu werten. Zwischen GPT-6 Astra (72,0), Gemini 4 Argon (71,0) und Claude Opus 5.5 (71,0) gibt es im deutschen Set also keinen belastbaren Qualitätsunterschied. Kimi K3.1 Pro fällt mit 51,0 Punkten jedoch deutlich ab.

Auch bei der Geschwindigkeit bildete Kimi im deutschen Durchlauf das Schlusslicht der Gesamtdauer. Zu beachten ist, dass bis zu 20 Anfragen parallel liefen und GPT-6 Astra außerhalb des polnischen Tests über den günstigeren Endpoint openai/flex angesprochen wurde - dessen Zeitwerte sind daher nicht direkt mit Standard-Endpoints vergleichbar. Der Highspeed-Endpoint von Kimi wurde aus Budgetgründen nur im polnischen Set getestet; Rückschlüsse auf seine Geschwindigkeit oder Stabilität im Deutschen lasse ich hier bewusst weg.

Aufgabe für Aufgabe: Wo Kimi überzeugt und wo es scheitert

Ein Blick auf die Einzelaufgaben zeigt ein extrem gespaltenes Bild. Die automatischen Aufgaben zu Datenformaten (f), JSON (i), lokalen Fakten (j) und langem Kontext (k) waren im gesamten Teilnehmerfeld gesättigt - hier holten fast alle Modelle inklusive Kimi 6,0 von 6 Punkten.

Wenn Kimi K3.1 Pro das tut, worum man es bittet, ist sein Deutsch hervorragend. In Aufgabe a (formelles Schreiben, 6,0/6 Punkte) sollte ein Einspruch an das Finanzamt München formuliert werden. Kimi traf den deutschen Behördenton präzise und rechnete die Homeoffice-Pauschale sauber vor:

Einspruch gegen den Einkommensteuerbescheid für 2025 vom 6. Oktober 2026**  
**Steuernummer: 143/215/30567**

Sehr geehrte Damen und Herren,

hiermit lege ich gegen den oben genannten Einkommensteuerbescheid fristgerecht Einspruch ein

Auch bei Aufgabe b (Redewendungen und Wortspiele, 6,0/6 Punkte) ließ Kimi fünf der sechs Konkurrenten hinter sich und zog mit dem Spitzenreiter GPT-6 Astra gleich. Es erklärte idiomatische Wendungen wie „Tomaten auf den Augen haben“ fehlerfrei, analysierte das Piraten-Wortspiel rund um die Enter-Taste und das Verb „entern“ treffend und konstruierte einen funktionierenden deutschen Witz mit der Doppelbedeutung von „Bank“.

Kleine Schwächen im Sprachdetail zeigten sich bei Aufgabe d (Übersetzung mit Fallen, 5,0/6 Punkte): Hier tappte Kimi im zweiten Teil in eine klassische False-Friend-Falle und übersetzte das englische „sympathetic“ mit „sympathisch“ statt mit „verständnisvoll“ oder „einfühlsam“ (der Durchschnitt der Rivalen lag hier allerdings auch nur bei 4,8 Punkten). In Aufgabe l (Fehlerkorrektur, 4,0/6 Punkte) fand Kimi sechs von sieben eingebauten Fehlern, übersah im korrigierten Fließtext jedoch das fehlende Komma und das Doppel-s bei „sagte das sie“ (obwohl es die Stelle in seiner Erklärungsliste erwähnte).

Die drei Nullrunden: Off-Topic-Fehler auf dem API-Endpoint

Den Absturz auf 51,0 Punkte verursachten die Aufgaben e, g und h. Bei Aufgabe g (Python-Code zur deutschen IBAN-Prüfung, 0,0/6 Punkte) lieferten alle sechs Konkurrenten funktionierenden Code mit sauberen deutschen Docstrings. Kimi K3.1 Pro gab über moonshotai/mxfp4 stattdessen lediglich diese Zeile aus:

按文档功能移除代码块包装

Das führte im Testskript zwangsläufig zu einem SyntaxError wegen des chinesischen Satzzeichens und zu 0 Punkten bei beiden Richtern. Ähnlich kurios verlief Aufgabe e (Rechnung mit Währung und Umsatzsteuer, 0,0/6 Punkte). Obwohl alle Netto- und Bruttobeträge für Notebook, gedruckte Bücher sowie Speisen und Getränke im Restaurant klar im Prompt standen (und von allen sechs Rivalen exakt auf 246,95 Euro, 1.650,81 Euro und 16,00 Euro berechnet wurden), antwortete Kimi:

Für die Berechnung fehlen die **Positionen mit ihren Nettobeträgen**. Angegeben ist nur „Notebook“, jedoch kein Betrag; außerdem ist der Hinweis zu acht Positionen und einer 9. Position widersprüchlich

In Aufgabe h (Logikrätsel, 0,0/6 Punkte) antwortete Kimi zwar auf das Thema bezogen, verbrauchte aber rund 14.000 Reasoning-Token und kam zu dem falschen Schluss, die Hinweise reichten für eine eindeutige Zuordnung nicht aus (A: nicht eindeutig bestimmbar), während sämtliche Konkurrenten die einzige korrekte Lösung (Carl, Position 5, Hühner) fanden.

Um zu prüfen, ob die beiden Off-Topic-Antworten in e und g an den parallelen Anfragen lagen, habe ich außerhalb der Wertung diagnostische Wiederholungen ohne Parallelität auf demselben Endpoint (moonshotai/mxfp4) durchgeführt. Das Ergebnis: Aufgabe e wurde im zweiten Anlauf perfekt gelöst (6,0/6 Punkte), während Aufgabe g erneut scheiterte (0 Punkte, AttributeError wegen fehlender Funktion ist_gueltige_iban). Selbst wenn man nur die zehn deutschen Aufgaben betrachtet, bei denen Kimi beim Thema blieb, käme das Modell diagnostisch auf 51,0 von 60 Punkten - im Vergleich zu 60,0/60 bei GPT-6 Astra und 54,5/60 beim schwächsten Rivalen GLM-5.3. Im offiziellen Ranking bleiben die Erstversuche als Nullen bestehen, denn genau diese Antworten hätte ein Entwickler über die API erhalten.

Praktische Einordnung und Grenzen des Vergleichs

Was bedeutet dieses Ergebnis für den Alltag? Zunächst gilt eine strikte Einschränkung: Ich habe Kimi K3.1 Pro über die API auf dem Endpoint moonshotai/mxfp4 via OpenRouter getestet, nicht über die offizielle Kimi-Weboberfläche. Die beobachteten Aussetzer (chinesischer Satz statt Code, übersehene Zahlen im Prompt) deuten stark auf ein Bereitstellungs- oder Quantisierungsproblem dieses spezifischen API-Endpoints hin, beweisen aber nicht, dass sich die Web-App identisch verhält. Ebenso lassen sich die Ergebnisse dieses deutschen Zwölf-Aufgaben-Sets nicht pauschal auf andere Sprachen oder völlig andere Anwendungsfälle übertragen.

Für reine deutsche Textarbeit - Entwürfe für formelle Briefe, Zusammenfassungen oder kreative Sprachspiele - liefert das Modell eine sehr natürliche Qualität, die mit doppelt so teuren Flaggschiffen mithalten kann. Für automatisierte API-Pipelines, in denen zuverlässig JSON, Code oder Kalkulationen beim ersten Versuch geliefert werden müssen, war der Standard-Endpoint mxfp4 in meinem Test jedoch zu unzuverlässig, während DeepSeek V4.1 Flash über Together für nur 0,025 USD im deutschen Set 67,5 Punkte erreichte.

Wenn Sie die Textfähigkeiten des Modells für eigene Projekte selbst ausprobieren möchten, können Sie Kimi über meinen Empfehlungslink testen (Hinweis: Dies ist ein Partnerlink; bei einer Nutzung erhalte ich möglicherweise eine kleine Provision, ohne dass sich für Sie etwas am Preis ändert).

Häufig gestellte Fragen (FAQ)

Wie gut schreibt Kimi K3.1 Pro formelle deutsche Texte?

Sehr gut. Beim Einspruch gegen einen Einkommensteuerbescheid an das Finanzamt München (Aufgabe a) und bei der lokalen Zusammenfassung (Aufgabe c) erreichte Kimi K3.1 Pro jeweils die volle Punktzahl von 6,0/6 und lag damit gleichauf mit GPT-6 Astra, Claude Opus 5.5 und Gemini 4 Argon.

Warum hat Kimi K3.1 Pro im deutschen Test nur 51 von 72 Punkten erreicht?

Das Modell verlor insgesamt 18 Punkte durch drei Nullrunden: Bei der Umsatzsteuer-Aufgabe (e) behauptete es fälschlich, es seien keine Beträge angegeben; bei der Python-Aufgabe zur IBAN-Prüfung (g) gab es nur einen chinesischen Satz aus; und das Logikrätsel (h) hielt es fälschlich für nicht eindeutig lösbar.

Lag das Scheitern bei Rechnung und Code am Modell oder am API-Endpoint?

Die Daten deuten zumindest teilweise auf Probleme beim getesteten Endpoint moonshotai/mxfp4 hin. In einem diagnostischen Zweitversuch ohne parallele Anfragen löste Kimi die deutsche Umsatzsteuer-Rechnung fehlerfrei (6/6), scheiterte beim Python-Code jedoch erneut. Auf das Verhalten der Kimi-Weboberfläche lässt sich daraus nicht direkt schließen.

Welches Modell war im deutschen Sprachtest am günstigsten?

DeepSeek V4.1 Flash 1017 (über den Endpoint together) kostete für alle zwölf deutschen Aufgaben zusammen nur 0,025 USD, war mit einem Median von 467 Token/s das schnellste Modell im Feld und erreichte solide 67,5 von 72 Punkten.

Quellen und Testdaten

Alle Punktzahlen, Laufzeiten, Kosten und Antwortzitate in diesem Artikel stammen aus meinem eigenen Sprachtest, den ich am 24. Oktober 2026 über die OpenRouter-API durchgeführt habe (12 deutsche Aufgaben, je ein Versuch pro Modell, Auswertung per Python-Testskript sowie blind durch GPT-6.1 Sol und Gemini 4 Argon). Die folgenden Links dienen lediglich zur allgemeinen Einordnung des Modells durch den Hersteller und sind nicht die Quelle meiner Messwerte:

• Offizielle Modell-Vorstellung von Kimi K3.1 Pro im Kimi-Blog
• Dokumentation der API-Plattform von Moonshot AI

// weiterlesenGemini 4 Argon im Test: 23 Aufgaben gegen Opus 5.5 und GPT-6 AstraBenchmarksGemini 4 Argon Kontextfenster: Kapazität in der PraxisNachrichtenAlternativen zu Gemini 4 Argon nach Preis sortiertKI-Werkzeuge

Kinetyra