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 hâlâ en iyi tescilli sistemlerin gerisinde kaldığını kabul ediyor. Bu yazı, neyin kanıtlandığını, neyin iddia edildiğini ve henüz kimsenin yayınlamadığını ayırmanıza yardımcı olur.
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 model olarak öne çıkıyor.
Ancak ölçülen çıktı hızı saniyede yaklaşık 62 jeton. Bu değer, kendi fiyat segmentindeki 72,7 jeton/saniye ortalamasının altında. Sonuç: K3 güçlü bir akıl yürütücü, fakat hızlı değil.
Moonshot'ın lansman gönderisi “değerlendirme süitimizde sınır seviyesinde performans” iddia ediyor. Aynı gönderi, K3'ün “hâlâ en güçlü tescilli modeller olan Claude Fable 5 ve GPT-5.6 Sol'un gerisinde kaldığını” da açıkça belirtiyor.
Moonshot'ın yayınladığı kıyaslama tablosunda K3:
- BrowseComp, Automation Bench ve SpreadsheetBench 2'de lider.
- Terminal-Bench 2.1'de ikinci.
- DeepSWE'de üçüncü.
Bu görev seviyesi sayıları satıcı tarafından çalıştırıldı ve henüz bağımsız olarak tekrarlanmadı. Bu nedenle onları kesin sonuç değil, yön göstergesi olarak değerlendirin.
💡 Unutmayın: En önemli kıyaslama, kendi iş yükünüz üzerinde çalıştırdığınız kıyaslamadır. Apidog gibi OpenAI uyumlu bir istemciyi
kimi-k3uç noktasına yönlendirin; gerçek istemlerinizde gecikmeyi, maliyeti ve çıktı kalitesini ölçün. K3'ün yığınınıza uygun olup olmadığını liderlik tablolarından daha doğru gösteren metrik budur.
Üç iddia, ayrı tutuldu
Model lansmanları kafa karıştırıcı olabilir; çünkü üç farklı açıklama türü genellikle tek bir başlık altında birleşir. Bunları ayırdığınızda resim netleşir.
Tam özellik sayfası için Kimi K3 nedir yazısı mimariyi ve fiyatlandırmayı kapsar. Burada kıyaslama sayılarına 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 nedenle aşağıdaki sayılar en yüksek ağırlığı taşır.
Kimi K3 için temel noktalar:
- Zeka Endeksi: 57. Akıl yürütme, bilgi ve kodlama değerlendirmelerinin tek puanda 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, benzer maliyet seviyesindeki tipik modellerden daha yavaş üretiyor.
- İlk jetona kadar geçen süre: yaklaşık 2 saniye. Üretim başlamadan önce kısa fakat gerçek bir bekleme var.
Bu sayılar belirli bir tablo çiziyor: K3 akıllı, ancak hızlı değil.
Gece çalışan toplu işlerde bu farkın etkisi düşük olabilir. Buna karşılık, geliştiricinin her tamamlama için beklediği etkileşimli bir kodlama asistanında saniyede 62 jeton hissedilir bir gecikme yaratabilir. Aynı model, kullanım şeklinize bağlı olarak farklı sonuç verir.
İddia 2: Moonshot'ın kendisi hakkında söyledikleri
Moonshot'ın lansman gönderisi satıcı tarafından yazılmış bir belgedir. K3'ü “değerlendirme süitimizde sınır seviyesinde performans gösteren, diğer test edilen modelleri sürekli olarak geride bırakan” bir model olarak tanımlıyor.
Buradaki kritik ifade: “değerlendirme süitimiz.”
Kendi kıyaslama karışımını seçmek başlı başına bir sorun değildir. Ancak her satıcı güçlü olduğu değerlendirmeleri seçme eğilimindedir. Bu nedenle bu iddiayı belirleyici sonuç olarak değil, yön gösterici veri olarak ele alın.
Lansman haberlerinden gelen ikincil bir iddia, K3'ün Automation Bench, SpreadsheetBench 2 ve BrowseComp dahil olmak üzere sekiz gerçek dünya otomasyon kıyaslamasının dördünde birinci olduğunu; çoğunda ise Claude Fable 5'in arkasında ikinci sırada yer aldığını söylüyor.
Bu veriler henüz bağımsız bir test uzmanı tarafından tekrarlanmadı. Tarafsız bir ekip metodolojiyi yayınlayıp aynı sonuçları üretinceye kadar bunları “ilginç fakat doğrulanmamış” kabul edin.
İddia 3: Moonshot'ın kabul ettiği tavan
Lansman gönderisindeki en yararlı cümle, pazarlama abartısını sınırlar:
K3'ün genel performansı hâlâ en güçlü tescilli modeller olan Claude Fable 5 ve GPT-5.6 Sol'un gerisindedir.
Bir satıcının kendi tavanını açıkça belirtmesi nadirdir ve bu açıklama değerlidir.
Bu, beklentileri doğru kurmanızı sağlar. En zorlu görevler için Moonshot'ın kendisi, tescilli seçeneklerin ham yetenekte önde olduğunu söylüyor. K3'ün iddiası “herkesi yendik” değil; maliyetin bir kısmına açık bir modelde sınıra yakın kalite sunmak.
Karşılaştırmalar için şu analizlere bakabilirsiniz:
Bağımsız ve satıcı sayıları, yan yana
Tüm kıyaslama hikâyesini, iddianın kaynağına göre ayıralım.
| 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 yaklaşık saniyede 62 jeton; kategori ortalaması 72,7 | Artificial Analysis — bağımsız | Üretim verimi | Yüksek. Ölçülmüş ve tekrarlanabilir. |
| İlk jetona kadar geçen süre yaklaşık 2 saniye | Artificial Analysis — bağımsız | Yanıt verebilirlik | Yüksek. Ölçülmüş veri. |
| “Değerlendirme süitimizde sınır seviyesinde performans” | Moonshot — satıcı | Kendi seçtiği kıyaslama karışımı | Yön gösterici. Ev sahibi avantajı geçerli. |
| BrowseComp, Automation Bench ve SpreadsheetBench 2 galibiyetleri; Terminal-Bench 2.1'de 2., DeepSWE'de 3. sıra | Moonshot — satıcı | Görev seviyesi ajan performansı | Orta. Yayınlanmış sayı var, ancak bağımsız tekrar yok. |
| Claude Fable 5 ve GPT-5.6 Sol'un genel olarak gerisinde | Moonshot — satıcı | Tescilli liderlere karşı tavan | Yüksek. Satıcının kendi sınırını kabul etmesi. |
| Bağımsız tekrarlanmış kodlama puanları ve klasik SWE-bench Verified | Henüz hiç kimse | Kodlamaya özel yetenek | Yayınlanmadı. Satıcı sayıları var, tarafsız tekrar yok. |
En güvenilir sayılar, yani bağımsız olanlar, K3'ün genel zekasını ve hızını tanımlıyor. Görev seviyesi otomasyon sayıları ise gerçek olsa da satıcı tarafından yürütülüyor.
Moonshot'ın maksimum akıl yürütme ayarında yayınladığı tablo:
| 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 nokta öne çıkıyor:
- K3, bu beş kıyaslamanın dördünde Claude Fable 5 ve Claude Opus 4.8'i geride bırakıyor.
- DeepSWE'de K3, GPT-5.6 Sol ve Claude Fable 5'in açıkça gerisinde üçüncü sırada.
Bu tablo, Moonshot'ın “genel olarak iki tescilli liderin gerisinde” açıklamasının neden makul olduğunu gösteriyor: K3 genişlikte güçlü, ancak en zorlu ajan tabanlı kodlama ölçümünde geride.
Hâlâ ne eksik?
İyi bir kıyaslama analizi, bilinmeyenler listesi kadar dürüsttür. Kimi K3 için henüz herkese açık olmayan noktalar şunlar:
- Bağımsız kodlama puanları: Moonshot, Terminal-Bench 2.1 ve DeepSWE sayılarını yayınladı. Ancak Artificial Analysis kodlamayı bileşik Endeks içine katıyor ve K3'ün bağımsız SWE-bench Verified sonucunu yayınlamıyor. Bugün gördüğünüz kesin SWE-bench yüzdeleri satıcının kendi çalıştırmalarına dayanıyor veya tahmin niteliğinde olabilir.
- Tekrarlanan otomasyon sonuçları: Üçüncü tarafların Moonshot'ın Automation Bench, SpreadsheetBench 2 ve BrowseComp sonuçlarını yayınlanmış metodolojiyle tekrar çalıştırması gerekiyor. Ajan kıyaslamaları iskeleleme, istem biçimi ve yeniden deneme mantığına duyarlıdır.
- 1M jetonda uzun bağlam kalitesi: K3, 1 milyon jetonluk pencere sunuyor. Ancak büyük bir pencereye sahip olmak, pencerenin tamamında güvenilir geri çağırma sağlamakla aynı şey değildir. Tam bağlam uzunluğunda yayınlanmış uzun belge puanları henüz yaygın değil.
Bir sayının olmaması kötü sayı olduğu anlamına gelmez; yalnızca henüz yayınlanmadığını gösterir.
Satıcı kıyaslamalarını aldanmadan nasıl okursunuz?
Her satıcı grafiğini reddetmeniz gerekmez. Ancak aşağıdaki kontrol listesini uygulayın:
Testi kim çalıştırdı?
Bağımsız testler, kendi kendine raporlanan sonuçlardan daha değerlidir. Laboratuvar testi kendi yürüttüyse kıyaslama karışımının onu destekleyebileceğini varsayın.Değerlendirme açıkça adlandırılmış ve sürümlenmiş mi?
“SWE-bench Verified” doğrulanabilir bir tanımdır. “Dahili kodlama süitimiz” değildir.Neler dışarıda bırakılmış?
Üç galibiyetin grafiği, sekiz testin tamamını göstermez. Eksik metrikler genellikle düşük performans alanlarını gizleyebilir.Satıcı bir tavanı kabul ediyor mu?
Moonshot'ın Fable 5 ve Sol karşısında geride olduğunu belirtmesi, tam zafer iddiasından daha güvenilir bir sinyaldir.İddia bağımsız dayanakla uyuşuyor mu?
Satıcı iddiası ile tarafsız kaynak çelişiyorsa bağımsız kaynağı önceleyin.
K3 lansmanı bu filtreyle çoğu modelden daha iyi görünür: bağımsız Endeks gerçek gücü doğruluyor, satıcı kendi sınırlarını belirtiyor. Ancak doğrulanmamış otomasyon iddiaları hâlâ dikkat gerektiriyor.
Daha uzun örnekler için:
Gerçek test: K3'ü kendi göreviniz için kıyaslayın
Halka açık liderlik tabloları genel bir soruyu yanıtlar: Bu model ortalama olarak ne kadar akıllı?
Sizin sorunuz daha özeldir: İhtiyacım olan işi ne kadar iyi yapıyor?
Genelde 4. sırada olan bir model, sizin istem biçiminizde ilk sıraya çıkabilir. Ya da alanınıza uyarlanmış daha ucuz bir modelin gerisinde kalabilir. Bunu öğrenmenin tek yolu ölçmektir.
Uygulanabilir kıyaslama süreci
Altın bir set oluşturun.
İş yükünüzden 20–50 gerçek istem toplayın. Mümkünse bilinen iyi çıktıları ekleyin: gerçek destek talepleri, gerçek kod farkları, gerçek veri çıkarma görevleri. Sentetik istemler yanıltıcı olabilir.Değişkenleri sabitleyin.
Model kimliğini (kimi-k3), sıcaklığı, sistem istemini ve maksimum jeton değerini sabitleyin. Bir testte yalnızca bir değişkeni değiştirin.-
İstem başına dört metrik ölçün.
- Çıktı kalitesi: Görevi çözdü mü?
- Gecikme: İlk jetona kadar süre ve toplam üretim süresi
- Maliyet: Girdi + çıktı jetonları × fiyat
- Tutarlılık: Aynı istemde birden fazla çalıştırmadaki sonuç farkı
Mevcut modelinizle karşılaştırın.
Aynı altın seti bugün kullandığınız modelde de çalıştırın. Geçiş ancak önemsediğiniz eksende anlamlı bir kazanç sağlıyorsa değerlidir.
Bir API istemcisi burada işe yarar. Apidog ile kimi-k3 uç noktasını yeniden kullanılabilir bir koleksiyon olarak kaydedebilirsiniz:
- Altın setinizdeki istemleri ayrı istekler olarak ekleyin.
- Sıcaklık, sistem istemi ve maksimum jeton değerlerini sabitleyin.
- Akış yanıtını açarak ilk jeton ve toplam yanıt süresini gözlemleyin.
- Token kullanımını kaydedip maliyet hesabı yapın.
- Yalnızca model uç noktasını değiştirerek aynı seti başka modellerde tekrar çalıştırın.
İş akışınız düzenleyicideyse, istekleri VS Code içinden de çalıştırabilirsiniz. Hazır olduğunuzda Apidog'u indirin ve Moonshot uç noktasına yeni bir istek gönderin.
İş yüküne göre nelere bakmalısınız?
Kodlama asistanı
Gecikme baskındır. Saniyede 62 jeton hızında uzun tamamlamalar fark edilir süre alabilir. Gerçek ortalama tamamlama uzunluğunuzla test edin ve daha hızlı modellerle karşılaştırın.Toplu veri çıkarma
Kullanıcı yanıtı beklemiyorsa verim daha az kritik olabilir. Bu senaryoda K3'ün zeka sıralaması, kalite ve jeton başına maliyet daha önemlidir.Uzun belge analizi
Gerçekte kullandığınız bağlam uzunluğunda test yapın. 32K bağlamda güvenilir olan model, 500K bağlamda bozulabilir. 1M pencere garanti değil, üst sınırdır.Ajan otomasyonu
Doğrulanmamış “8'de 4” iddiasının önemli olduğu yer burasıdır. Pazarlama verisine güvenmek yerine küçük bir ajan donanımı kurun, gerçek görev döngünüzü çalıştırın ve başarı oranını ölçün.
Doğrudan anahtar yönetmek istemiyorsanız K3'ü bir toplayıcı üzerinden de kullanabilirsiniz: moonshotai/kimi-k3 için OpenRouter listesi, aynı modeli OpenAI uyumlu bir rota arkasında sunar.
K3'ün dürüstçe konumu
Lansman gürültüsünü bir kenara bırakırsak Kimi K3, net ve kendi kabul ettiği bir tavana sahip, gerçekten güçlü bir genel modeldir.
Bağımsız veri güven veriyor: Moonshot'ın tasarlamadığı bir süitte, 189 model arasında ilk dörtte yer alıyor. Hız ise etkileşimli kullanımda önemli, toplu işlerde ise daha az önemli olan dürüst zayıf noktası.
Satıcı iddialarını ayırın:
- Fable 5 ve Sol'un gerisinde olduğu kabulü: Güvenilebilir.
- Otomasyon kıyaslamalarındaki başarı iddiaları: Bağımsız olarak tekrarlanana kadar temkinli yaklaşılmalı.
Bir lansman, kanıtların sonu değil başlangıcıdır. Modeli kendi işiniz üzerinde ölçün ve kararı kendi verinizle verin.
Maliyet ve değer ilişkisini değerlendirmek için Kimi K3 fiyatlandırma analizi, fiyatları bu kıyaslama sayılarıyla birlikte ele alır.
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 bağımsız laboratuvarlar K3'ün kodlama kıyaslamalarını henüz tekrarlamadı. Bu nedenle Endeks, mevcut en iyi tarafsız sayıdır.
Kimi K3 diğer modellerden daha mı hızlı?
Hayır. Ölçülen çıktı hızı saniyede yaklaşık 62 jeton ve kendi fiyat segmentindeki 72,7 ortalamasının altında. İlk jetona kadar geçen süre yaklaşık 2 saniye. K3 güçlü fakat daha yavaş bir akıl yürütücü; gecikmeye duyarlı etkileşimli araçlardan çok toplu ve analiz odaklı işler için daha uygun olabilir.
Kimi K3, Claude Fable 5 veya GPT-5.6 Sol'u yener mi?
Moonshot'ın kendi açıklamasına göre genel olarak hayır. Lansman gönderisi K3'ün “hâlâ en güçlü tescilli modeller olan Claude Fable 5 ve GPT-5.6 Sol'un gerisinde kaldığını” belirtiyor. K3 birkaç otomasyon kıyaslamasında önde görünüyor, ancak bu sonuçlar satıcıya yakın kaynaklardan geliyor ve bağımsız biçimde doğrulanmış değil.
Kimi K3'ü kendi kullanım durumum için nasıl kıyaslamalıyım?
İş yükünüzden 20–50 gerçek istemden oluşan bir altın set oluşturun. Model kimliğini ve parametreleri sabitleyin. Ardından K3'ü mevcut modelinizle karşılaştırarak çıktı kalitesini, gecikmeyi, maliyeti ve tutarlılığı ölçün. Apidog gibi araçlarla istemleri yeniden kullanılabilir koleksiyon olarak kaydedebilir ve kimi-k3 ile rakip modeller arasında adil tekrar testleri yapabilirsiniz.
Top comments (0)