Kimi K3: het grootste open AI-model is nu beschikbaar

TL;DR

• Wat: Moonshot AI heeft Kimi K3 uitgebracht — een open model met 2,8 biljoen parameters, direct beschikbaar via Together AI.
• Waarom relevant: open modellen van dit kaliber geven ondernemers meer keuze en minder afhankelijkheid van één AI-leverancier.
• Wat je ermee kunt: onderzoek of een open model als K3 taken kan overnemen waarvoor je nu een duur gesloten model gebruikt.

Ik stuitte deze week op een aankondiging van Moonshot AI: hun nieuwste model, Kimi K3, is live en direct beschikbaar via Together AI als zogenaamde 'day-0 launch partner'. Wat mij deed stilstaan, is niet zozeer het model zelf — er komen maandelijks nieuwe modellen uit — maar de schaal en het feit dat het volledig open is.

Wat is Kimi K3 precies?

Kimi K3 is een AI-model van het Chinese bedrijf Moonshot AI, dat wordt gesteund door onder andere Alibaba. Het model telt 2,8 biljoen parameters. Ter vergelijking: dat is bijna drie keer zo groot als zijn voorganger, Kimi K2. Daarmee is het op dit moment het grootste open-weight model ter wereld — 'open-weight' betekent dat de modelgewichten vrij beschikbaar zijn, zodat ontwikkelaars het model zelf kunnen draaien en aanpassen.

Onder de motorkap werkt K3 met een Mixture-of-Experts architectuur. Dat klinkt ingewikkeld, maar het idee is elegant: het model heeft 896 specialisten ('experts'), maar activeert er slechts 16 per keer. Vergelijk het met een groot kantoor waar niet alle medewerkers tegelijk aan dezelfde opdracht werken, maar steeds het juiste team wordt ingezet. Dat maakt het model efficiënter dan je op basis van die 2,8 biljoen parameters zou verwachten.

Verder heeft K3 een contextvenster van één miljoen tokens. In de praktijk betekent dat: je kunt het model een complete codebase of een uitgebreid rapport laten verwerken in één sessie, zonder dat het de draad kwijtraakt.

Hoe presteert het model?

Moonshot AI is zelf eerlijk over de positie van K3: op de brede benchmarks scoort het model iets lager dan Claude Fable 5 en GPT 5.6 Sol, twee gesloten topmodellen. Ik vind die transparantie opvallend — het komt niet vaak voor dat een bedrijf bij een lancering meteen zegt waar het model níét de beste is.

Maar op specifieke taken laat K3 sterke resultaten zien. Enkele opvallende scores:

• BrowseComp: 91,2
• GPQA-Diamond: 93,5 (een benchmark voor wetenschappelijke kennis)
• Terminal-Bench 2.1: 88,3 (gericht op software-engineering)
• Frontend Code Arena: nummer 1 met een Elo-score van 1679

Wat mij hier opvalt: K3 lijkt bijzonder sterk in programmeertaken en technisch werk. De nummer-1-positie op de Frontend Code Arena is wat mij betreft veelzeggend — het model kan kennelijk goed overweg met het soort werk dat veel softwareteams dagelijks doen.

Een kanttekening bij benchmarks

Benchmarks vertellen niet het hele verhaal. Ze meten specifieke taken onder gecontroleerde omstandigheden. Hoe een model presteert in jouw bedrijfssituatie — met jouw data, jouw vragen, jouw werkprocessen — kan anders uitpakken. Ik zou benchmarks zien als een eerste indicatie, niet als een garantie.

Waarom is de beschikbaarheid via Together AI interessant?

Together AI is een Amerikaans platform dat gespecialiseerd is in het aanbieden van open modellen via een API. Dat K3 daar vanaf dag één beschikbaar is, betekent dat je als ontwikkelaar of ondernemer het model meteen kunt uitproberen zonder zelf de infrastructuur te regelen — en die infrastructuur zou je voor een model van deze omvang ook niet zomaar hebben.

De prijzen via de Kimi API zelf liggen op $3 per miljoen invoertokens en $15 per miljoen uitvoertokens, met een aanzienlijk lagere prijs ($0,30) als er een cache-hit is. Voor wie regelmatig vergelijkbare vragen stelt — denk aan een klantenservice die steeds dezelfde productdocumentatie raadpleegt — kan dat kostentechnisch gunstig uitpakken.

Wat betekent dit voor ondernemers?

Ik denk dat de echte relevantie niet zit in de specificaties van dit ene model, maar in wat het vertegenwoordigt. Open modellen worden in rap tempo beter. Een jaar geleden was het ondenkbaar dat een open model in dezelfde categorie zou vallen als de beste gesloten modellen van OpenAI en Anthropic. Nu gebeurt dat meerdere keren per kwartaal.

Voor ondernemers heeft dat een paar praktische implicaties:

Minder leveranciersafhankelijkheid

Als je nu AI inzet in je bedrijf via één provider — zeg OpenAI of Anthropic — dan ben je afhankelijk van hun prijsbeleid, hun voorwaarden en hun beschikbaarheid. Open modellen zoals K3 geven je in principe de mogelijkheid om te wisselen of te diversifiëren. Stel dat je als ondernemer een AI-toepassing hebt gebouwd voor interne documentanalyse: met een open model kun je die desgewenst op eigen servers draaien, of via een andere aanbieder laten hosten.

De drempel daalt, maar is niet weg

Laat me wel realistisch zijn: een model met 2,8 biljoen parameters draai je niet op een gemiddeld kantoornetwerk. Je hebt daar serieuze rekenkracht voor nodig, of je gebruikt een dienst als Together AI. De drempel voor het experimenteren met dit soort modellen is wel flink gedaald — je hoeft geen AI-team in huis te hebben om via een API te testen of een model waarde kan toevoegen.

Data en privacy

Voor Nederlandse ondernemers speelt er nog een extra overweging: Moonshot AI is een Chinees bedrijf. Bij het gebruik van een API stuur je data naar externe servers. Wie gevoelige bedrijfsinformatie verwerkt, doet er goed aan om na te gaan waar die data terechtkomt en welke voorwaarden gelden. Het feit dat de modelgewichten open zijn, betekent in theorie dat je het model lokaal of binnen de EU kunt draaien — maar dat vereist wel de bijbehorende infrastructuur en expertise.

Een verschuiving die doorzet

Wat mij het meest fascineert aan deze ontwikkeling, is het tempo. Kimi K3 is niet het eerste open model dat serieus concurreert met gesloten alternatieven, en het zal niet het laatste zijn. De trend is duidelijk: de voorsprong van gesloten modellen wordt kleiner.

Voor mij is dit vooral een signaal dat ondernemers die AI overwegen, meer opties krijgen dan ooit — en dat het loont om die opties periodiek te evalueren. Het AI-landschap van zes maanden geleden is niet meer het AI-landschap van vandaag.