Kimi K2.6 Modell-Übersicht

Kimi K2.6 ist ein Open-Weights LLM mit 1 Billion Parametern und einer Mixture-of-Experts-Architektur (32 Milliarden Parameter aktiv pro Token). Als direkter Nachfolger von Kimi K2.5 wurde K2.6 auf das langfristige Arbeiten an mehrstündigen Aufgaben als KI-Agent optimiert. Kimi K2.6 ist ein multimodales LLM (Text, Bild, Video). Für das Arbeiten mit KI-Agenten bietet der Entwickler Moonshot AI eine "Agent-Swarm-Technologie" an, mit der bis zu 300 Sub-Agenten parallel an einer Aufgabe arbeiten können. In Benchmarks erreicht K2.6 ähnliche Scores wie GPT-5.4 und Claude Opus 4.6.

Playground API Dokumentation Hugging Face Blog

Features & Modalitäten

Verfügbar

ReasoningToolsMultimodalitätWebsucheStrukturierte AusgabenQuellenangabenFinetuning

Input:TextBildVideo

Output:TextJson

Details zum Modell

262,14k Token

0,75 $

3,50 $

1.000 Mrd.

554,30 GB

163,84k

Kosten berechnen Geschwindigkeit testen

Kimi K2.6 Benchmark Scores

Stärken

Top 3Logik & Schlussfolgerung

Top 3Agentische Aufgaben

Kimi K2.6 Benchmark Übersicht

Kimi K2.6 Performance im Vergleich zu anderen KI-Modellen

Benchmark	Kimi K2.6	Kimi K2.5	Kimi K3	Claude Opus 4.7	DeepSeek V4 Flash	Muse Glimmer 30B	Muse Spark 1.2
AIME 2026Logik & Schlussfolgerung	96,4 %	—	—	—	—

Ergebnisse in Benchmarks

Benchmark auswählen

Darstellung der Rohdaten für den Benchmark AIME 2026. Der niedrigste Score im Benchmark ist 0 % und der höchste Score ist 100 %.
Modell	Score
GLM-5.2	99,2 %
Inkling	97,1 %
Kimi K2.6	96,4 %
Inkling-Small	95,5 %
GLM-5.1	95,3 %
Muse Glimmer 30B	94,7 %
Gemma 4 31B	89,2 %

Vergleich von LLMs im Benchmark AIME 2026. Der niedrigste Score im Benchmark ist 0 % und der höchste Score ist 100 %.

Darstellung der Rohdaten für den Benchmark APEX-Agents. Der niedrigste Score im Benchmark ist 0 % und der höchste Score ist 100 %.
Modell	Score
Kimi K3	37,6 %
DeepSeek V4 Flash	33 %
Kimi K2.6	27,9 %
MiniMax-M3	27,7 %
MiniMax M2.7	5,6 %

Vergleich von LLMs im Benchmark APEX-Agents. Der niedrigste Score im Benchmark ist 0 % und der höchste Score ist 100 %.

Darstellung der Rohdaten für den Benchmark BrowseComp. Der niedrigste Score im Benchmark ist 0 % und der höchste Score ist 100 %.
Modell	Score
Kimi K3	91,2 %
Claude Opus 5	90,8 %
GPT-5.6 Sol	90,4 %
GPT-5.6 Terra	87,5 %
Claude Sonnet 5	84,7 %
GPT-5.5	84,4 %
Claude Opus 4.8	84,3 %
MiniMax-M3	83,52 %
DeepSeek-V4-Pro (Preview)	83,4 %
GPT-5.6 Luna	83,3 %
Kimi K2.6	83,2 %
Claude Opus 4.7	79,3 %
Inkling-Small	77,4 %
Inkling	77,1 %
MiniMax M2.7	76,3 %
DeepSeek V4 Flash	72,2 %
GLM-5.1	68 %

Vergleich von LLMs im Benchmark BrowseComp. Der niedrigste Score im Benchmark ist 0 % und der höchste Score ist 100 %.

Darstellung der Rohdaten für den Benchmark GPQA Diamond. Der niedrigste Score im Benchmark ist 0 % und der höchste Score ist 100 %.
Modell	Score
Fugu Ultra	95,5 %
GPT-5.6 Sol	94,6 %
Claude Opus 4.8	93,6 %
Kimi K3	93,5 %
Claude Opus 5	93,43 %
Claude Fable 5	93,18 %
Grok 4.5	93,1 %
GPT-5.6 Terra	92,9 %
Gemini 3.6 Flash	92,8 %
Qwen 3.8 Max	92,6 %
GPT-5.6 Luna	92,3 %
GLM-5.2	91,2 %
DeepSeek V4 Flash 0731	90,8 %
Kimi K2.6	90,5 %
Muse Spark 1.2	90,4 %
DeepSeek-V4-Pro (Preview)	90,1 %
Inkling-Small	89,5 %
Inkling	87,2 %
Gemini 3.5 Flash-Lite	83,8 %
Muse Glimmer 30B	83,5 %

Vergleich von LLMs im Benchmark GPQA Diamond. Der niedrigste Score im Benchmark ist 0 % und der höchste Score ist 100 %.

Darstellung der Rohdaten für den Benchmark HMMT 2025. Der niedrigste Score im Benchmark ist 0 % und der höchste Score ist 100 %.
Modell	Score
GLM-5.2	94,4 %
GLM-5.1	94 %
Kimi K2.6	92,7 %

Vergleich von LLMs im Benchmark HMMT 2025. Der niedrigste Score im Benchmark ist 0 % und der höchste Score ist 100 %.

Darstellung der Rohdaten für den Benchmark Humanity's Last Exam. Der niedrigste Score im Benchmark ist 0 % und der höchste Score ist 100 %.
Modell	Score
Claude Opus 5	56,3 %
Muse Spark 1.1	52,2 %
Fugu Ultra	50 %
Claude Opus 4.8	49,8 %
GPT-5.6 Sol	47,2 %
Muse Spark 1.2	43,93 %
Qwen 3.8 Max	43,6 %
Kimi K3	43,5 %
Claude Sonnet 5	43,2 %
GPT-5.6 Terra	41,8 %
GLM-5.2	40,5 %
Grok 4.5	40,3 %
Gemini 3.5 Flash	40,2 %
Gemini 3.6 Flash	38,3 %
DeepSeek V4 Flash 0731	36,8 %
Kimi K2.6	34,7 %
Inkling-Small	31,6 %
Inkling	29,7 %
Muse Glimmer 30B	22 %
Gemini 3.5 Flash-Lite	17,5 %

Vergleich von LLMs im Benchmark Humanity's Last Exam. Der niedrigste Score im Benchmark ist 0 % und der höchste Score ist 100 %.

Darstellung der Rohdaten für den Benchmark LiveCodeBench. Der niedrigste Score im Benchmark ist 0 % und der höchste Score ist 100 %.
Modell	Score
Gemini 3.1 Pro	2.887 %
DeepSeek-V4-Pro (Preview)	93,5 %
Fugu Ultra	93,2 %
DeepSeek V4 Flash	91,6 %
Kimi K2.6	89,6 %
Claude Opus 5	89,03 %
DeepSeek-v3.2 Speciale	88,7 %
GPT-5.6 Terra	85,93 %
Kimi K2.5 (Thinking)	85 %
GLM-4.7	84,9 %
Qwen3.5-397B-A17B	83,6 %
DeepSeek-v3.2 Thinking	83,3 %
Kimi K2 Thinking	83,1 %
MiniMax-M2	83 %
GPT-5.6 Sol	82,6 %
Nemotron 3 Super	81,19 %
MiniMax M2.1	81 %
Muse Spark	80 %
Gemma 4 31B	80 %
Gemini 3.1 Flash-Lite	72 %

Vergleich von LLMs im Benchmark LiveCodeBench. Der niedrigste Score im Benchmark ist 0 % und der höchste Score ist 100 %.

Darstellung der Rohdaten für den Benchmark MMMU-Pro. Der niedrigste Score im Benchmark ist 0 % und der höchste Score ist 100 %.
Modell	Score
Claude Opus 5	89,88 %
Claude Fable 5	89,31 %
Gemini 3.5 Flash	83,6 %
Gemini 3.6 Flash	83,2 %
GPT-5.6 Sol	83 %
Qwen 3.8 Max	82,3 %
Kimi K3	81,6 %
GPT-5.5	81,2 %
GPT-5.6 Terra	80,7 %
Grok 4.5	80,4 %
Muse Spark	80,4 %
Kimi K2.6	79,4 %
Gemini 3.5 Flash-Lite	79 %
GPT-5.6 Luna	78,4 %
MiniMax-M3	78,1 %
Gemma 4 31B	76,9 %
Muse Glimmer 30B	74 %
Inkling-Small	74 %
Inkling	73,5 %

Vergleich von LLMs im Benchmark MMMU-Pro. Der niedrigste Score im Benchmark ist 0 % und der höchste Score ist 100 %.

Darstellung der Rohdaten für den Benchmark OSWorld-Verified. Der niedrigste Score im Benchmark ist 0 % und der höchste Score ist 100 %.
Modell	Score
Qwen 3.8 Max	86,1 %
Claude Fable 5	85 %
Claude Opus 4.8	83,4 %
Gemini 3.6 Flash	83 %
Claude Sonnet 5	81,2 %
Muse Spark 1.1	80,8 %
Claude Mythos Preview	79,6 %
GPT-5.5	78,7 %
Gemini 3.5 Flash	78,4 %
Claude Opus 4.7	78 %
GPT-5.4	75 %
Gemini 3.5 Flash-Lite	74 %
Kimi K2.6	73,1 %
Claude Opus 4.6	72,7 %
Claude Sonnet 4.6	72,5 %
MiniMax-M3	70,06 %
Claude Opus 4.5	66,3 %
Muse Glimmer 30B	65,9 %
GPT-5.3-Codex	64,7 %
GPT-5.4 mini	42 %

Vergleich von LLMs im Benchmark OSWorld-Verified. Der niedrigste Score im Benchmark ist 0 % und der höchste Score ist 100 %.

Darstellung der Rohdaten für den Benchmark SWE-bench Multilingual. Der niedrigste Score im Benchmark ist 0 % und der höchste Score ist 100 %.
Modell	Score
Claude Opus 5	89,5 %
Claude Mythos Preview	87,3 %
Claude Opus 4.8	84,4 %
Laguna S 2.1	78,5 %
Claude Sonnet 5	78,3 %
Grok 4.5	78 %
Kimi K2.6	76,7 %
MiniMax M2.7	76,5 %
DeepSeek-V4-Pro (Preview)	76,2 %
DeepSeek V4 Flash	73,3 %

Vergleich von LLMs im Benchmark SWE-bench Multilingual. Der niedrigste Score im Benchmark ist 0 % und der höchste Score ist 100 %.

Darstellung der Rohdaten für den Benchmark SWE-bench Pro. Der niedrigste Score im Benchmark ist 0 % und der höchste Score ist 100 %.
Modell	Score
Claude Fable 5	80 %
Claude Opus 5	79,2 %
Fugu Ultra	73,7 %
Claude Opus 4.8	69,2 %
Qwen 3.8 Max	67,7 %
Grok 4.5	64,7 %
GPT-5.6 Sol	64,6 %
GPT-5.6 Terra	63,4 %
Claude Sonnet 5	63,2 %
GPT-5.6 Luna	62,7 %
GLM-5.2	62,1 %
Muse Spark 1.1	61,5 %
Laguna S 2.1	59,4 %
MiniMax-M3	59 %
Gemini 3.6 Flash	58,7 %
Kimi K2.6	58,6 %
Inkling-Small	55,9 %
Inkling	54,3 %
Gemini 3.5 Flash-Lite	54,2 %
Muse Glimmer 30B	51,2 %

Vergleich von LLMs im Benchmark SWE-bench Pro. Der niedrigste Score im Benchmark ist 0 % und der höchste Score ist 100 %.

Darstellung der Rohdaten für den Benchmark SWE-bench Verified. Der niedrigste Score im Benchmark ist 0 % und der höchste Score ist 100 %.
Modell	Score
GPT-5.6 Sol	96,2 %
Claude Opus 5	96 %
Claude Fable 5	95 %
Claude Mythos Preview	93,9 %
Claude Opus 4.8	88,6 %
Claude Opus 4.7	87,6 %
Claude Sonnet 5	85,2 %
DeepSeek-V4-Pro (Preview)	80,6 %
Gemini 3.1 Pro	80,6 %
MiniMax-M3	80,5 %
Inkling-Small	80,2 %
Kimi K2.6	80,2 %
MiniMax M2.7	79,9 %
Claude Sonnet 4.6	79,6 %
DeepSeek V4 Flash	79 %
Inkling	77,6 %
Muse Spark	77,4 %
Qwen3.5-397B-A17B	76,4 %
Muse Glimmer 30B	76 %
GPT-5.6 Terra	75,2 %

Vergleich von LLMs im Benchmark SWE-bench Verified. Der niedrigste Score im Benchmark ist 0 % und der höchste Score ist 100 %.

Darstellung der Rohdaten für den Benchmark Terminal-Bench 2.0. Der niedrigste Score im Benchmark ist 0 % und der höchste Score ist 100 %.
Modell	Score
GPT-5.5	82,7 %
Claude Mythos Preview	82 %
GPT-5.3-Codex	77,3 %
GPT-5.4	75,1 %
Claude Opus 4.7	69,4 %
Gemini 3.1 Pro	68,5 %
DeepSeek-V4-Pro (Preview)	67,9 %
Kimi K2.6	66,7 %
Claude Opus 4.6	65,4 %
GLM-5.1	63,5 %
Claude Sonnet 4.6	59,1 %
Muse Spark	59 %
MiniMax M2.7	57 %
DeepSeek V4 Flash	56,9 %
GLM-5	56,2 %
Qwen3.5-397B-A17B	52,5 %
MiniMax M2.5	51,7 %
GPT-5.4 nano	46,3 %
GPT-5.4 mini	38,2 %
Nemotron 3 Super	31 %

Vergleich von LLMs im Benchmark Terminal-Bench 2.0. Der niedrigste Score im Benchmark ist 0 % und der höchste Score ist 100 %.

‌
‌

Technologie & Daten

Technische Spezifikationen

Architektur	MoE-Transformer
Input Kontextlänge	262,14k
Output Kontextlänge	262,14k
Tokenizer	Proprietärer Tokenizer

Besonderheiten

Agent Swarm 2.0	Ermöglicht lange autonome Workflows mit einer Vielzahl an Sub-Agenten
Preserve Thinking Mode	Behält Reasoning-Ketten über mehrere Turns hinweg, anstatt sie zurückzusetzen.
Native Video-Verarbeitung	Verarbeitet Videos (mp4, mov, avi, webm, 3gpp u.a.) bis 2K-Auflösung direkt im selben Modell.

Vorteile & Nachteile

Vorteile

SOTA Open Weights Modell
Kimi-K2.6 gehört zum Zeitpunkt der Veröffentlichung zu den führenden Open Weights LLMs. In Benchmarks liegt es knapp vor GLM-5.1, deutlich vor DeepSeek V4 Pro und gleichauf mit MiMo-2.5.
Beliebtes OpenClawd Modell
Kimi-K2.6 lässt sich lokal ausführen und wird gleichzeitig bei guter Leistung und Token-Throughput über eine Cloud-API angeboten. Damit ist das Modell beliebt unter OpenClawd oder Pi.dev Nutzern.
Native Multimodalität
K2.6 ist das erste Kimi-LLM mit nativer Video-Unterstützung. Zusätzlich können auch Audio- und Bildinputs nativ verarbeitet werden.
Open Weights unter Modified MIT
Kimi-K2.6 lässt sich vollständig von HuggingFace herunterladen und lokal deployen (ca. 594 GB Modellgröße).
Wettbewerbsfähige API-Preise
Mit $0.95/$4.00 pro Million Tokens über die offizielle Moonshot API (und teils günstigerem Pricing über andere Inferenz-Anbieter), bietet Kimi-K2.6 fast die Leistung von proprietären SOTA-Modellen zu einem deutlich günstigerem Pricing.

Nachteile

Hohe Hardware-Anforderungen
Wer Kimi-K2.6 lokal deployen möchte, benötigt teure Hardware. Empfohlen werden mindestens 4× H100-GPUs oder vergleichbare Datacenter-Hardware.
Web-Search nicht mit Thinking-Modus kompatibel
Die integrierte Web-Suche ist temporär (zum Zeitpunkt unseres Kimi-K2.6 Tests) nicht mit dem Thinking-Modus kombinierbar.
Sehr junges Modell
Erst seit 20. April 2026 verfügbar, Community-Feedback und Production-Erfahrungen noch begrenzt.

Vergleiche Kimi K2.6 mit anderen LLMs

Vergleiche Kimi K2.6 mit anderen Sprachmodellen anhand wichtiger Metriken wie Kontextgröße, Preisen und Benchmark-Leistung.

Entwickler	Modell⇅	Lizenz⇅	Intelligence-Index ⇅	Input-Tokens ⇅	Output-Tokens ⇅	Input-Preis ⇅	Output-Preis ⇅	Veröffentlichung
Moonshot AI	Kimi K2.6	MIT	–	262,14k	262,14k	0,75 $	3,50 $	20.04.2026
Meta AI	Muse Glimmer 30B	Apache 2.0	35,1	131,07k	131,07k	0,35 $	1,50 $	10.08.2026
Meta AI	Muse Spark 1.2	Proprietär	54,1	1,05 Mio.	1,05 Mio.	1,25 $	4,25 $	05.08.2026
Alibaba	Qwen 3.8 Max	Proprietär	–	1 Mio.	128k	2,00 $	6,00 $	02.08.2026
DeepSeek AI	DeepSeek V4 Flash	MIT	49,9	1 Mio.	384k	0,14 $	0,28 $	31.07.2026
Thinking Machines Lab	Inkling Small	Apache 2.0	40	1 Mio.	1 Mio.	0,50 $	1,20 $	30.07.2026
Anthropic	Claude Opus 5	Proprietär	61	1 Mio.	128k	5,00 $	25,00 $	24.07.2026
Google DeepMind	Gemini 3.5 Flash Lite	Proprietär	36,5	1 Mio.	65,54k	0,30 $	2,50 $	21.07.2026
Google DeepMind	Gemini 3.6 Flash	Proprietär	50,1	1 Mio.	64k	1,50 $	7,50 $	21.07.2026
Poolside	Laguna S 2.1	Open Model License	–	1,05 Mio.	131,07k	0,10 $	0,20 $	20.07.2026
Moonshot AI	Kimi K2.5	MIT	–	256k	96k	0,60 $	3,00 $	27.01.2026

‌
Alle Modelle vergleichen

Kimi K2.6 ausprobieren

Du musst kein Entwickler sein: Kimi K2.6 ist auch direkt in Kimi Membership nutzbar.

Kimi Membership

19,00 $

Provider & APIs

Du kannst Moonshot AI Kimi K2.6 über die API folgender Anbieter nutzen.

Das Modell ist derzeit bei keinen Anbietern verfügbar.

Häufige Fragen zu Kimi K2.6

Kann ich Kimi K2.6 kostenlos nutzen?

Ja, Kimi K2.6 ist in Kimi Membership auch mit einem kostenlosen Konto nutzbar — allerdings meist mit Nutzungslimits.

Ist Kimi K2.6 Open Source?

Kimi K2.6 wird unter der Lizenz „MIT“ veröffentlicht. Details stehen in den Lizenzbedingungen des Anbieters.

Welche Eingabeformate versteht Kimi K2.6?

Kimi K2.6 verarbeitet folgende Eingabeformate: Text, Bild, Video.

Was kostet Kimi K2.6 über die API?

Über die API kostet Kimi K2.6 0,75 $ pro 1 Mio. Input-Token und 3,50 $ pro 1 Mio. Output-Token. Bei Reasoning-Modellen kommen Thinking-Tokens hinzu, die als Output abgerechnet werden.

Wie groß ist das Kontextfenster von Kimi K2.6?

Kimi K2.6 verarbeitet bis zu 262,14k Token in einer Anfrage.

Was ist der Vorgänger von Kimi K2.6?

Der direkte Vorgänger von Kimi K2.6 ist Kimi K2.5 (erschienen Januar 2026). Einen tabellarischen Vergleich der beiden Modelle findest du auf dieser Seite im Abschnitt „Vergleiche“.

Kimi K2.6

Kimi K2.6 Modell-Übersicht

Features & Modalitäten

Features & Modalitäten

Details zum Modell

API-Preise einordnen

Kimi K2.6 Benchmark Scores

Stärken

Kimi K2.6 Benchmark Übersicht

Wissen & Sprache

Logik & Schlussfolgerung

Programmierung

Multimodalität

Agentische Aufgaben

So liest du die Übersicht

Kimi K2.6 Performance im Vergleich zu anderen KI-Modellen

Ergebnisse in Benchmarks

Benchmarks & Performance

Technologie & Daten

Technische Spezifikationen

Besonderheiten

Vorteile & Nachteile

Vorteile

Nachteile

Vergleiche Kimi K2.6 mit anderen LLMs

Kimi K2.6 ausprobieren

Provider & APIs

Häufige Fragen zu Kimi K2.6

Stärken

Kimi K2.6 Benchmark Übersicht

Wissen & Sprache

Logik & Schlussfolgerung

Programmierung

Multimodalität

Agentische Aufgaben

So liest du die Übersicht

Kimi K2.6 Performance im Vergleich zu anderen KI-Modellen

Ergebnisse in Benchmarks

So liest du die Tabelle

So liest du die Charts