Kimi K3 vs GPT-5.6 Sol är tillräckligt nära för att få mig att köra om mina routing-tester. Moonshots modell ersätter fortfarande inte OpenAI eller Anthropic i min stack.
Den slutsatsen är mindre dramatisk än rubrikerna vid lanseringen, men siffrorna stöder den. Moonshot AI:s nya flaggskepp rankas tredje på ett oberoende intelligensindex, leder en blind arena för frontend-kodning och slår GPT-5.6 Sol på ett kunskapsarbetsprov med lång tidshorisont. Det ligger fortfarande efter Claude Fable 5 och Sol på de bredaste måtten, och dess nedladdningsbara vikter utlovas fortfarande för ett framtida datum.
Från och med den 18 juli 2026 ser jag Kimi K3 som en seriös utvärderingskandidat snarare än en anledning att migrera produktionsarbete. Jag har inte kört K3 genom mitt eget produktionsbenchmark ännu, så jag skiljer nedan på resultat från tredje part och mitt routing-beslut.
Det korta domslutet
Resultatet är ett lopp mellan tre modeller med olika vinnare beroende på uppgift. En enskild topplista kan inte berätta vilken modell som kommer att avsluta ditt arbete med fåest försök.
Vad är Kimi K3?
Moonshot AI introducerade Kimi K3 den 16 juli som en Mixture-of-Experts-modell med 2,8 biljoner parametrar. Dess router väljer 16 av 896 experter för varje token. K3 har också inbyggt bildinmatningsstöd, ett kontextfönster på en miljon tokens och textutmatning.
Moonshot tillskriver hoppet från K2 till två arkitektoniska förändringar: Kimi Delta Attention och Attention Residuals. Företaget rapporterar ungefär 2,5 gånger bättre skalningseffektivitet än K2, men en teknisk rapport har ännu inte publicerats. Den siffran förblir ett påstående från leverantören.
API:et är live nu. Moonshot säger att de fullständiga vikterna kommer att levereras senast den 27 juli. Tills dess är K3 en annonserad open-weight-modell, inte en modell du redan kan ladda ner och verifiera på din egen infrastruktur.
Kimi K3 vs GPT-5.6 Sol vs Claude Fable 5
Den renaste jämförelsen kombinerar oberoende tester med officiella produktspecifikationer. De fyra första raderna nedan kommer från Artificial Analysis och Arena; kontext och prissättning kommer från respektive leverantörs dokumentation.
| Mått | Kimi K3 | GPT-5.6 Sol | Claude Fable 5 |
|---|---|---|---|
| --- | ---: | ---: | ---: |
| Artificial Analysis Intelligence Index | 57 | 59 | 60 |
| GDPval-AA v2 | 1 668 Elo | 1 748 Elo | 1 760 Elo |
| AA-Briefcase knowledge work | 1 547 Elo | 1 495 Elo | 1 583 Elo |
| Frontend Code Arena | 1 679 Elo | 1 618 Elo | 1 631 Elo |
| Kontextfönster | 1M tokens | 1,05M tokens | 1M tokens |
| API input/output per 1M tokens | $3 / $15 | $5 / $30 | $10 / $50 |
| Vikter | Utlovade 27 juli | Stängda | Stängda |
*Källa: Artificial Analysis, 17 juli 2026. Dess v4.1-index kombinerar nio utvärderingar inom kodning, resonemang, kunskap och agenter.*
Klyftan på två poäng mellan K3 och Sol är tillräckligt liten för att vara mindre viktig än kvaliteten på verktygssviten (harness), latens, tokenanvändning och återhämtning vid fel. Klyftan på tre poäng till Fable 5 är dock fortfarande verklig. K3 har nått gruppen i framkanten; det har inte vunnit gruppen.
Var vinner Kimi K3?
Frontend-kodning och visuell iteration
K3:s starkaste oberoende resultat är Frontend Code Arena. Mänskliga utvärderare jämför anonyma, körbara frontend-utmatningar och röstar på det bättre resultatet. K3 nådde 1 679 Elo, 48 poäng före Fable 5 och 61 före Sol. Arena placerade det också först i sex av sju frontend-kategorier.
Detta resultat är viktigt för team som bygger landningssidor, dashboards, designåterskapanden och visuella verktyg. Det mäter preferensen för fungerande utmatning, inte bara om ett enhetstest klaras.
Moonshots bredare kodningstabell är blandad. K3 leder Program Bench med 77,8 och SWE Marathon med 42,0. Sol leder DeepSWE med 73,0 och Terminal-Bench 2.1 med 88,8. Fable 5 leder FrontierSWE med 86,6 och Moonshots interna Kimi Code Bench-jämförelse med 76,9.
*Källa: Moonshot AI:s inlägg om lanseringen av Kimi K3. Dessa är resultat sammansatta av leverantören, och modellerna använder ibland olika agent-sviter (harnesses).*
Valet av verktygssvit (harness) ändrar poängen. K3 körs ofta i Kimi Code, Sol i Codex och Fable i Claude Code. Ett benchmark kan mäta modellen, verktygssviten eller interaktionen mellan båda. Jag skulle köra om en representativ uppgift från ett repository inuti det verktyg jag planerar att distribuera.
Automatisering och kunskapsarbete
Artificial Analysis ger K3 ett resultat på 53 % och förstaplatsen på AutomationBench-AA. På AA-Briefcase, en privat utvärdering av kunskapsarbete med lång tidshorisont, får K3 1 547 Elo. Det slår Sols 1 495 och ligger efter Fable 5:s 1 583.
Moonshots utvärdering placerar också K3 snävt före på BrowseComp och SpreadsheetBench 2. Fable leder GDPval-AA, JobBench och det breda AA-Briefcase-poänget. Sol förblir starkast när det gäller presentationskvalitet inom nedbrytningen av AA-Briefcase.
*Källa: Moonshot AI. Diagrammet inkluderar oberoende poäng, offentliga topplistor och tester körda av Moonshot; läs dess fotnoter innan du behandlar staplarna som ett kontrollerat experiment.*
K3 ser användbart ut för forskningsagenter, kalkylbladsarbete och webbläsarautomatisering. Fable förblir det säkrare valet när analytisk kvalitet är viktigare än pris. Sol passar team som redan använder Codex, Responses API, hostade verktyg och programmatisk verktygsanrop.
Var ligger Kimi K3 fortfarande efter?
Breda resonemang och expertkunskap
Fable 5 behåller en tydlig ledning på Humanity's Last Exam. Moonshot rapporterar 53,3 för Fable, 44,5 för Sol och 43,5 för K3 utan verktyg. Med verktyg stiger poängen till 63, 58 respektive 56. Det är en större klyfta än det övergripande indexet antyder.
Sol publicerar de starkaste poängen på flera tester inom vetenskap, datoranvändning och lång kontext i OpenAI:s lanseringstabell. Fable leder GDPval-AA och AA-Briefcase totalt sett. K3 vinner utvalda uppgifter, men det visar inte samma konsekvens över kategorierna.
Kunskaps tillförlitlighet
K3 förbättrade sin AA-Omniscience-noggrannhet från 33 % till 46 % jämfört med K2.6. Dess hallucinationsfrekvens ökade också från 39 % till 51 %. Det kombinerade Omniscience-poänget förbättras från 6 till 18 eftersom K3 svarar korrekt på fler frågor, men försämringen när det gäller svar utan stöd förtjänar testning på citeringskrävande arbete.
*Källa: Artificial Analysis. Hallucinationsfrekvensen tillhör AA-Omniscience och bör inte generaliseras till alla typer av prompts.*
Jag skulle kräva källhämtning, citerad bevisföring och deterministisk verifiering innan jag använder någon av dessa modeller för faktapublicering. K3:s resultat ändrar inte den regeln.
Är Kimi K3 billigare i praktiken?
Listpriserna får K3 att se avgörande ut:
Artificial Analysis uppskattar kostnaden till $0,94 per intelligensindex-uppgift för K3, $1,04 för Sol och $2,75 för Fable 5. K3:s tokenanvändning minskar dess listprisfördel gentemot Sol till tio cent på den arbetsbelastningen. Fable kostar mycket mer, men det avslutar också först på det övergripande indexet och de svåraste testen för kunskapsarbete.
Pris per token är en ofullständig budget. Produktionskostnad inkluderar försök på nytt (retries), verktygsanrop, granskningstid, latens och det arbete som krävs för att återhämta sig från ett felaktigt svar. En modell som tar hälften så mycket betalt men behöver dubbelt så många reparationsloopar har inte sparat pengar.
Varför min stack förblir OpenAI och Anthropic
Jag använder redan OpenAI och Anthropic för kodning, forskning och agent-flöden. K3 har inte gett mig tillräckligt med bevis för att absorbera en tredje produktionsleverantör ännu.
OpenAI förblir mitt standardval för agentisk kodning eftersom Sol leder det oberoende Coding Agent Index med 80, integreras med Codex och Responses API, och har den bredaste verktygsytan för mitt arbete. Min jämförelse av GPT-5.6 Sol och Fable 5→ täcker det routing-beslutet mer i detalj.
Anthropic förblir min andra rutt för lång, svår analys och komplext kodbasesarbete. Fable 5 leder det övergripande intelligensindexet, GDPval-AA, AA-Briefcase och Humanity's Last Exam. Dess pris på $10/$50 och kravet på 30 dagars datalagring innebär att jag kommer att reservera det för arbete där kvalitetsvinsten täcker dessa begränsningar.
Min standard kommer från att bygga AI-agenter som faktiskt fungerar→: avslutade uppgifter, observerade verktygsfel och granskningskostnad är viktigare än en rubrikpoäng.
K3 går in i ett testspår med tre jobb:
Jag kommer att överväga produktions-routing på nytt efter att Moonshot släpper vikterna och den tekniska rapporten, efter att jag har granskat den slutgiltiga licensen, och efter att K3 har överlevt dessa tester. Team med tunga arbetsbelastningar inom frontend eller automatisering kan nå den punkten tidigare.
Ett praktiskt modellval
Välj Kimi K3 för en kontrollerad utvärdering när frontend-kvalitet, webbläsarautomatisering eller lägre API-listpriser dominerar arbetsbelastningen.
Välj GPT-5.6 Sol när du behöver en mogen miljö för kodningsagenter, brett verktygsstöd, stark presentationskvalitet och konsekventa resultat över tekniska uppgifter.
Välj Claude Fable 5 när jobbet är långt, tvetydigt och analytiskt svårt nog att motivera den högre kostnaden och begränsningarna för datalagring.
Mitt svar idag är OpenAI plus Anthropic, med K3 under test. Moonshot har förtjänat det testet. Det har inte förtjänat en automatisk migrering.
Källor och metodik
Jag kontrollerade Moonshots inlägg om lanseringen av Kimi K3 och API-prissättning, Artificial Analysis oberoende utvärdering av K3, Arenas blinda frontend-ranking enligt rapportering från AP, OpenAI:s GPT-5.6-release och dokumentation för Sol-modellen, samt Anthropic:s lansering av Fable 5 och API-guide för Claude Fable 5.
Alla poäng och priser är aktuella från och med den 18 juli 2026. Modellleverantörer kan ändra prissättning, routing, säkerhetsåtgärder och serveringsbeteende utan att ändra modellnamnet.