Kimi K2 von Moonshot AI fordert die westlichen Marktführer heraus, mit einem Kniff in der Lizenz

Das chinesische KI-Startup Moonshot AI hat Kimi K2 Thinking veröffentlicht, ein riesiges Sprachmodell, das nach Angaben des Unternehmens führende amerikanische KI-Systeme in mehreren wichtigen Benchmarks schlägt. Halten diese Angaben unabhängigen Tests stand, wäre das ein weiterer Meilenstein in Chinas immer schnellerem Vorstoß, den Leistungsrückstand auf die westlichen Labors aufzuholen. Und zwar mit öffentlich zugänglichen Modellgewichten, was OpenAI und Anthropic beharrlich verweigern.

Aber „Open Source“ braucht hier Sternchen. Die Modellgewichte von Kimi K2 Thinking liegen zwar auf Hugging Face, die Veröffentlichung kommt aber mit einer abgewandelten MIT-Lizenz samt ungewöhnlicher Pflicht zur Namensnennung bei kommerzieller Nutzung. Und ob Trainingsdaten, reproduzierbare Trainingsumgebungen oder Evaluierungsskripte jemals erscheinen, ist unklar. In der Welt der LLMs heißt „offen“ immer öfter „so halbwegs“.

Hinter den technischen Daten und dem Benchmark-Getöse steckt eine interessantere Geschichte: Die abgewandelte Lizenz scheint auf die wachsende Sorge zu reagieren, dass US-Unternehmen kostengünstige chinesische KI-Technik still und leise übernehmen, ohne ihre Herkunft offenzulegen, und das in Produkten für ihre Kunden. Die Veröffentlichung fällt in eine Zeit, in der westliche KI-Labors wegen der Rechenkosten und des Zugangs zu ihren Modellen zunehmend unter Druck stehen, während chinesische Unternehmen die Offenheit selbst als strategischen Vorteil positionieren.

Eine Billion Parameter, aber nur 32 Milliarden auf einmal

Kimi K2 Thinking baut auf einer Architektur auf, die zum Markenzeichen chinesischer KI-Labors geworden ist: Mixture-of-Experts (MoE). Das Modell hat insgesamt stattliche eine Billion Parameter, aktiviert aber jeweils nur 32 Milliarden. Dieser Ansatz, den Google entwickelt hat und den Unternehmen wie DeepSeek und jetzt Moonshot verfeinert haben, erlaubt riesige Modellkapazität, ohne dass der Rechenaufwand bei der Inferenz im selben Maß wächst.

Das Kontextfenster umfasst 256.000 Token. Das kann mit dem Standardangebot von Claude mithalten, ist aber deutlich kleiner als der spezielle Millionen-Token-Modus von GPT-4 (der teuer bleibt und in der Praxis selten eingesetzt wird). Für die praktische Nutzung noch wichtiger: Moonshot hat keine Mindestanforderungen an die Hardware für die Inferenz genannt. Ob das Modell „akademisch offen“ ist oder „tatsächlich ohne GPU-Cluster lauffähig“, bleibt unklar. Für die Entwickler, die am Ende darüber entscheiden, ob K2 Thinking wirklich zugänglich oder nur technisch verfügbar ist, macht dieser Unterschied viel aus.

Was K2 Thinking laut Moonshot abhebt, ist der Fokus auf „agentisches“ Verhalten: die Fähigkeit, komplexe Aufgaben zu zerlegen, Tools systematisch zu nutzen und Hunderte von Denkschritten ohne menschliches Eingreifen aneinanderzureihen.

Was „agentisch“ tatsächlich bedeutet

Im KI-Jargon ist ein „agentisches“ System eines, das:

• komplexe Aufgaben selbstständig in Teilaufgaben zerlegt
• bei Bedarf externe Tools auswählt und aufruft (Websuche, Codeausführung, Taschenrechner)
• Zustand und Kontext über mehrere Denkschritte hinweg hält
• sich selbst korrigiert, wenn erste Ansätze scheitern

Der Begriff ist zum Marketing-Kürzel für „kann mehr, als nur das nächste Token vorherzusagen“ geworden, deckt aber ein breites Spektrum ab, vom einfachen Tool-Aufruf bis zum wirklich autonomen Problemlösen. Der Teufel steckt wie immer in den Details der Evaluierung.

Moonshot behauptet, K2 Thinking könne zwischen 200 und 300 aufeinanderfolgende Tool-Aufrufe ausführen und dabei logisch konsistent bleiben. Wenn das so funktioniert wie angekündigt, wäre es ein großer Sprung beim autonomen Problemlösen durch KI. Benchmarks für verkettete Tool-Aufrufe sind aber bekanntermaßen fragil und stark vom Kontext abhängig. Außerhalb von Moonshot haben bisher nur wenige Labors konstante Leistung bei mehr als 100 Schritten gezeigt, und der Branche fehlen einheitliche Evaluierungsprotokolle. Hier kommt es auf die unabhängige Überprüfung an.

Das Unternehmen führte diese Fähigkeit an mehreren Beispielen vor: an einer Matheaufgabe auf PhD-Niveau, die 23 verschachtelte Denkschritte und Tool-Aufrufe brauchte (das Modell recherchierte selbstständig die einschlägige Literatur, führte Berechnungen durch und kam auf das richtige Ergebnis), und an einer komplexen Rechercheaufgabe, bei der eine Person anhand mehrerer Kriterien zu identifizieren war, darunter Hochschulabschluss, NFL-Karriere und Rollen in Filmen und im Fernsehen. Das Modell durchsuchte systematisch mehrere Quellen und identifizierte schließlich den früheren NFL-Spieler Jimmy Gary Jr. Ob das handverlesene Erfolge waren oder die typische Leistung zeigen, wird sich erst herausstellen.

Benchmark-Schlacht: nur mit Vorsicht zu genießen

Die Benchmark-Angaben des Unternehmens sind beeindruckend, wenn auch nicht unabhängig überprüft. Bei Humanity’s Last Exam (HLE) mit aktivierten Tools erreichte K2 Thinking 44,9 Prozent, was Moonshot als Rekord für diesen Test bezeichnet. Bei BrowseComp, das agentische Such- und Browsing-Fähigkeiten bewertet, kam es auf 60,2 Prozent, der menschliche Vergleichswert liegt bei 29,2 Prozent.

HLE und BrowseComp gehören zu einer neueren Generation von Benchmarks mit Tool-Einsatz, die Denkketten und das Erledigen realer Aufgaben testen sollen, nicht bloß Mustererkennung oder Faktenwissen. Sie sollen Fähigkeiten erfassen, bei denen westliche Modelle auf einem Plateau angekommen sind: Suche, Analyse und Synthese über längere Interaktionen hinweg zu verbinden. Ob sie messen, worauf es ankommt, oder nur das, was sich leicht beziffern lässt, ist in der Evaluierungs-Community noch offen.

Bei Coding-Aufgaben erreichte das Modell 71,3 Prozent bei SWE-Bench Verified und 61,1 Prozent bei SWE-Multilingual. Die Vergleichsgrafiken von Moonshot zeigen diese Ergebnisse bei bestimmten Benchmarks knapp vor GPT-5 und Claude Sonnet 4.5, ebenso vor dem chinesischen Konkurrenten DeepSeek-V3.2.

Die üblichen Vorbehalte gelten: Benchmarks bilden die Leistung in der Praxis nur unvollkommen ab, Unternehmen heben naturgemäß ihre stärksten Ergebnisse hervor, und die unabhängige Überprüfung steht noch aus. Trotzdem haben chinesische KI-Labors Skeptiker im vergangenen Jahr immer wieder überrascht, mit konkurrenzfähiger oder besserer Leistung zu niedrigeren Kosten als ihre westlichen Pendants.

Das Unternehmen führte vor, wie K2 Thinking angeblich aus einem einzigen Prompt einen voll funktionsfähigen Dokumenteneditor im Stil von Word erzeugt, samt Formatierungsleiste, Lineal, Schrifteinstellungen, Listen, Tabellen und Vollbildmodus. Moonshot hat den Prompt nicht veröffentlicht und auch nicht erklärt, ob das auf Anhieb klappte oder das Ergebnis schrittweiser Nachbesserung war, was die Bewertung erschwert. Stimmt die Angabe, wären so viele aufeinander abgestimmte Funktionen in einem Durchgang trotzdem ein Beleg für beachtliche Fähigkeiten in der Frontend-Entwicklung, besonders bei HTML- und React-Anwendungen.

Die 4,6-Millionen-Dollar-Frage

Das wohl erstaunlichste Detail: Laut CNBC kostete das Training von K2 Thinking rund 4,6 Millionen Dollar. Stimmt das, ist die Summe bemerkenswert niedrig für ein Modell mit einer Billion Parametern, das es mit Systemen von Unternehmen aufnehmen will, die Milliarden in Recheninfrastruktur gesteckt haben.

Die üblichen Vorbehalte gelten: Die Zahl dürfte die direkten Kosten für Hardware und Energie abbilden, ohne Personal, Datensatzlizenzen, Nachbearbeitung nach dem Training und die laufenden Kosten für den Betrieb eines KI-Labors. Doch selbst wenn man das einrechnet, scheint der Kostenunterschied zwischen chinesischen und westlichen Frontier-Modellen erheblich.

Diese Effizienz hat mehrere Gründe: Chinas niedrigere Energiekosten, optimierte Trainingsverfahren und den Vorteil, auf bestehenden Architekturen aufzubauen, statt völlig neue zu entwickeln. Konkret setzt Moonshot auf Quantization-Aware Training, eine Technik, die dem Modell beibringt, numerische Gewichte mit weniger Bits darzustellen (etwa 4 Bit statt 16 Bit), ohne nennenswert an Genauigkeit zu verlieren. Diese Kompression verdoppelt die Inferenzgeschwindigkeit gegenüber der unkomprimierten Version ungefähr, wodurch der Betrieb im großen Maßstab billiger wird.

Erst diese Kombination aus niedrigen Trainingskosten und effizienter Inferenz erlaubt es chinesischen KI-Labors, konkurrenzfähige Modelle als Open Source zu veröffentlichen, während sich westliche Unternehmen immer mehr hinter kommerzielle APIs zurückziehen. Die Ökonomie der Offenheit sieht ganz anders aus, wenn ein Trainingslauf Millionen kostet und nicht Hunderte Millionen.

Die Lizenz, die das Unausgesprochene ausspricht

Jetzt wird es interessant. Kimi K2 Thinking erscheint unter einer MIT-Lizenz, einer der freizügigsten Open-Source-Lizenzen überhaupt. Es gibt aber eine Änderung, auf die der Sicherheitsforscher Simon Willison hingewiesen hat: Jedes Unternehmen, das das Modell kommerziell nutzt, muss den Namen „Kimi K2“ deutlich sichtbar anzeigen, wenn es mehr als 20 Millionen Dollar Monatsumsatz macht oder über 100 Millionen monatlich aktive Nutzer hat.

Diese Klausel ist für Open-Source-Veröffentlichungen im KI-Bereich ungewöhnlich und wirft sofort rechtliche und Governance-Fragen auf. Indem Moonshot die Pflicht zur Namensnennung in der MIT-Lizenz über das übliche „Urheberrechtshinweise im Quellcode erhalten“ hinaus ausweitet, hat das Unternehmen streng genommen eine Lizenz geschaffen, die nicht mehr MIT-konform ist. Ob Open-Source-Repositories wie Hugging Face oder Stiftungen wie die Open Source Initiative das als echtes „Open Source“ behandeln, wird sich zeigen. Die Open Source Definition der OSI verbietet ausdrücklich die Diskriminierung nach Einsatzgebieten oder Unternehmensgröße.

Die Änderung zielt offenbar auf eine bestimmte Sorge: dass amerikanische Tech-Unternehmen kostengünstige chinesische Modelle übernehmen, ohne deren Herkunft in ihren Produkten für Kunden offenzulegen. In einem Umfeld, in dem „KI-Souveränität“ und Transparenz in der Lieferkette zu politischen Reizthemen geworden sind und Abgeordnete gezielt nachfragen, wessen Modelle welche Dienste antreiben, lässt sich die Herkunft des Modells durch eine öffentliche Namensnennung ab einer gewissen Größe nicht mehr verbergen.

Ob diese Lizenzänderung die Nutzung bremst oder einfach Transparenz erzwingt, wird sich zeigen. Für kleinere Unternehmen und Forschende unterhalb der Schwelle bietet K2 Thinking Fähigkeiten auf Frontier-Niveau ohne die Einschränkungen oder Kosten kommerzieller APIs. Für größere Unternehmen macht die Offenlegungspflicht Deployment-Entscheidungen komplizierter, besonders in Branchen, in denen schon der Anschein chinesischer Technik regulatorische oder PR-Bedenken auslösen könnte.

Test-Time Scaling und die Zukunft des KI-Reasoning

K2 Thinking nutzt „Test-Time Scaling“, eine Technik, die bei der Inferenz sowohl die Reasoning-Token als auch die Tool-Aufrufe erhöht, um bei komplexen Aufgaben besser abzuschneiden. Dieser Ansatz, manchmal auch „Inference-Time Compute Scaling“ genannt, rückt ab vom Paradigma „größerer Trainingslauf gleich besseres Modell“, das die KI-Entwicklung seit GPT-3 bestimmt hat.

Die Idee ist einfach: Das Modell bekommt bei schwierigen Problemen mehr Zeit und Ressourcen zum „Denken“, so wie sich auch ein Mensch für eine anspruchsvolle Aufgabe mehr Zeit nehmen würde. Die jüngsten Modelle von DeepSeek haben Ähnliches ausprobiert, und OpenAI hat Inference-Time Scaling bei seinen „o1“-Reasoning-Modellen angedeutet.

Diese architektonische Richtung könnte die Ökonomie des KI-Deployments von Grund auf verändern. In der Praxis heißt Test-Time Scaling, dass KI-Systeme zugleich billiger im Training und teurer in der Nutzung werden könnten. Das würde das Geschäftsmodell der Cloud-KI umkehren, das die enormen Trainingskosten bisher auf Milliarden billiger Inferenz-Aufrufe umgelegt hat. Wenn die Zukunft aus weniger, dafür teureren „Denk“-Sitzungen besteht statt aus unzähligen schnellen Antworten, ändert das alles, von den Preismodellen bis zu den Anforderungen an die Infrastruktur.

Kontext und Konkurrenz

Aufmerksamkeit bekam Moonshot AI erstmals im Juli mit dem Standardmodell Kimi K2, das mit Claude Sonnet 4 und GPT-4.1 mithielt, obwohl es kein spezielles Reasoning-Training hatte. Dieses Modell war vor allem auf agentische Aufgaben und Tool-Nutzung abgestimmt, und dieser Fokus scheint sich bei der „Thinking“-Variante ausgezahlt zu haben.

Die Veröffentlichung stellt Moonshot neben DeepSeek und Baichuan in Chinas immer härter umkämpftes Ökosystem offener Modelle. DeepSeek konzentriert sich auf Inference-Time Scaling und extrem effiziente Architekturen, Baichuan auf Mehrsprachigkeit und die Einbindung von Tools. Gemeinsam ist ihnen die Bereitschaft, Modellgewichte zu veröffentlichen, während westliche Labors (mit der bemerkenswerten Ausnahme von Meta) ihre Frontier-Systeme unter Verschluss halten.

Metas Llama-Reihe bleibt auf US-Seite das große Gegenbeispiel, auch wenn diese Modelle in den Benchmarks meist hinter den geschlossenen Frontier-Systemen von OpenAI und Anthropic zurücklagen. Und Metas Offenheitsstrategie ist kein reiner Altruismus. Dahinter stehen die Außenwirkung in Kartellfragen, der Aufbau eines Entwickler-Ökosystems und der Wunsch, die KI-Schicht zur Massenware zu machen, während sich Meta auf die Social- und Werbeschichten darüber konzentriert. Offenheit erfüllt also für verschiedene Unternehmen verschiedene strategische Zwecke.

Kimi K2 Thinking ist ab sofort über kimi.com und per API verfügbar, die Modellgewichte liegen auf Hugging Face. Der vollständige „Agentic Mode“ soll bald kommen, die aktuelle Umsetzung bietet einen schlankeren Satz an Tools für schnellere Antworten.

Ob K2 Thinking seine Benchmark-Versprechen im praktischen Einsatz einlöst, wird sich zeigen, sobald Entwickler es auf Herz und Nieren prüfen. Die Veröffentlichung selbst, und vor allem diese abgewandelte MIT-Lizenz, zeigt aber: Der Wettbewerb zwischen amerikanischen und chinesischen KI-Labors tritt in eine neue Phase, in der Offenheit selbst zur strategischen Waffe wird und Transparenzpflichten zur Verhandlungsmasse.

Für Unternehmen, die ihren KI-Stack bewerten, geht es bei der Rechnung nicht mehr nur um Fähigkeiten und Kosten. Es geht auch um Offenlegung, regulatorisches Risiko und die immer verwickeltere Geopolitik der künstlichen Intelligenz. Chinesische Labors wetten darauf, dass radikale Offenheit, selbst Offenheit mit Bedingungen, attraktiver sein wird als westliche Intransparenz, egal wer bei den Benchmarks vorne liegt.

An der nächsten Grenze geht es vielleicht nicht darum, wessen Modell besser denkt, sondern darum, wessen Regeln es überhaupt denken lassen.

Aus dem Englischen übersetzt: zum Originalbeitrag