Direktvergleich

GPT-5.4 vs. Kimi K3

Veröffentlichte Benchmarkwerte aus derselben Version und Vergleichskohorte, API-Preise und technische Eckdaten. Unterschiedliche Testeinstellungen werden sichtbar ausgewiesen.

gemeinsame Messreihen: 168
verschiedene Benchmarks: 18
jüngster Abruf: 26.08.2026

Erstes ModellZweites Modell

Steckbrief

Allgemeine Daten

Erscheinungsdatum, Verfügbarkeit, Kontextfenster, Architektur und veröffentlichte Parameterzahlen auf einen Blick. Nicht veröffentlichte Angaben bleiben als solche markiert.

Allgemeine Daten von GPT-5.4 und Kimi K3
Merkmal	GPT-5.4	Kimi K3
Anbieter	OpenAI	Moonshot AI
Erschienen	März 2026	16. Juli 2026
Verfügbarkeit	Aktiv	Aktiv
Modelltyp	Proprietär	Open Weights
Parameter	Nicht veröffentlicht	2,8 Billionen, 104 Mrd. aktiv
Architektur	Nicht veröffentlicht	Mixture of Experts
Kontextfenster	1.050.000 Token	1.048.576 Token
Wissensstand	31. August 2025	Nicht veröffentlicht
Technische Quellen	Modell	Modell

Kosten

API-Preise im Vergleich

Die Tabelle vergleicht die offiziellen Standard-API-Tarife pro 1 Mio. Token einschließlich veröffentlichter Cache-Preise. Batch, Fast, Priority, regionale Aufschläge, Toolaufrufe und Cloudpreise sind nicht eingerechnet.

API-Preise von GPT-5.4 und Kimi K3
Preisart	GPT-5.4	Kimi K3
API-Eingabe	2,5 $ ≤272K / 5 $ >272K	3 $
API-Ausgabe	15 $ ≤272K / 22,5 $ >272K	15 $
Cache lesen	0,25 $ ≤272K / 0,5 $ >272K	0,3 $
Cache schreiben (5 Min.)	Nicht ausgewiesen	Nicht ausgewiesen
Cache schreiben (1 Std.)	Nicht ausgewiesen	Nicht ausgewiesen
Preis geprüft	30.07.2026 Quelle	30.07.2026 Quelle

GPT-5.4Kimi K3

API-EingabeUSD pro 1 Mio. Token, Basistarif

GPT-5.42,5 $

Kimi K33 $

API-AusgabeUSD pro 1 Mio. Token, Basistarif

GPT-5.415 $

Kimi K315 $

Cache lesenUSD pro 1 Mio. Token, Basistarif

GPT-5.40,25 $

Kimi K30,3 $

Zeichenerklärung:besserer Wertbesser, aber nicht eindeutigGleichstand

Preise nach Anbieter

Direkte Entwicklertarife und über OpenRouter geroutete Anbieterpreise sind getrennt gekennzeichnet. Alle Preise gelten in USD pro 1 Mio. Token. Kontextabhängige Direktpreise sowie regionale, Flex-, Priority- und weitere OpenRouter-Tarife bleiben einzeln erkennbar.

Anbieterpreise von GPT-5.4 und Kimi K3
Modell	Anbieter	Bezugsweg und Tarif	Eingabe pro 1 Mio. Token	Ausgabe pro 1 Mio. Token	Quelle
GPT-5.4	OpenAI	Direkt beim EntwicklerBis 272.000 Kontext-Token	2,5 $	15 $	Quelle30.07.2026
	OpenAI	Direkt beim EntwicklerÜber 272.000 Kontext-Token	5 $	22,5 $	Quelle30.07.2026
	Amazon Bedrock	Über OpenRouteramazon-bedrock/us-east-1	2,75 $	16,5 $	Quelle25.08.2026
	Azure	Über OpenRouterazure	2,5 $	15 $	Quelle25.08.2026
	Azure	Über OpenRouterazure/eu	2,75 $	16,5 $	Quelle25.08.2026
	Azure	Über OpenRouterazure/us	2,75 $	16,5 $	Quelle25.08.2026
	OpenAI	Über OpenRouteropenai	2,5 $	15 $	Quelle25.08.2026
	OpenAI	Über OpenRouteropenai/flex	Günstigster erfasster Preis: 1,25 $	Günstigster erfasster Preis: 7,5 $	Quelle25.08.2026
	OpenAI	Über OpenRouteropenai/priority	5 $	30 $	Quelle25.08.2026
Kimi K3	Moonshot AI	Direkt beim EntwicklerStandard-API	3 $	15 $	Quelle30.07.2026
	Alibaba	Über OpenRouteralibaba	3,45 $	17,25 $	Quelle25.08.2026
	BaseTen	Über OpenRouterbaseten/fp8	3 $	15 $	Quelle25.08.2026
	Chutes	Über OpenRouterchutes/mxfp4	3 $	15 $	Quelle25.08.2026
	DeepInfra	Über OpenRouterdeepinfra/bf16	2,85 $	14,25 $	Quelle25.08.2026
	DigitalOcean	Über OpenRouterdigitalocean	2,85 $	14,25 $	Quelle25.08.2026
	Fireworks	Über OpenRouterfireworks	3 $	15 $	Quelle25.08.2026
	Fireworks	Über OpenRouterfireworks/fast	4,5 $	22,5 $	Quelle25.08.2026
	Fireworks	Über OpenRouterfireworks/us	3,3 $	16,5 $	Quelle25.08.2026
	Modal	Über OpenRoutermodal/mxfp4	3 $	15 $	Quelle25.08.2026
	Moonshot AI	Über OpenRoutermoonshotai/mxfp4	3 $	15 $	Quelle25.08.2026
	Morph	Über OpenRoutermorph/fast	6 $	22,5 $	Quelle25.08.2026
	Morph	Über OpenRoutermorph/fp4	Günstigster erfasster Preis: 2,8 $	Günstigster erfasster Preis: 14 $	Quelle25.08.2026
	Phala	Über OpenRouterphala	3 $	15 $	Quelle25.08.2026
	Together	Über OpenRoutertogether	3 $	15 $	Quelle25.08.2026

Leistung

Gemeinsame Benchmarks

Nur veröffentlichte Ergebnisse mit derselben Benchmark-Version, Aufgabe, Metrik und Vergleichskohorte werden gegenübergestellt. Wenn Anbieter unterschiedliche Reasoning-Stufen, Agenten oder Ausgabegrenzen verwendet haben, steht das direkt in der Tabelle.

Fähigkeitsprofil aus vergleichbaren Benchmarks

Jede Achse mittelt direkt vergleichbare Benchmarkfamilien. Ein Wert von 100 bedeutet den stärkeren Wert innerhalb dieses Duells, keinen universellen Qualitätswert.

GPT-5.4

Kimi K3

Coding: 71,9 / 89,2 (5 Benchmarkfamilien)

Reasoning: 98,6 / 100 (1 Benchmarkfamilie)

Wissen: 99,4 / 100 (1 Benchmarkfamilie)

Finanzen: 96,3 / 99 (3 Benchmarkfamilien)

Recht: 50 / 100 (2 Benchmarkfamilien)

Multimodal: 99,3 / 100 (1 Benchmarkfamilie)

Cybersecurity: 92,2 / 100 (1 Benchmarkfamilie)

Gesundheit: 86,3 / 100 (2 Benchmarkfamilien)

17 passende Messreihen aus 17 Benchmarkfamilien wurden berücksichtigt. Das Radar zeigt 8 von 9 vergleichbaren Kategorien.

GPT-5.4Kimi K3

Code MigrationOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied

GPT-5.434,984 %

Kimi K316,099 %

CorpFin v2Overall. Mehr ist besser. Kein dokumentierter Setup-Unterschied

GPT-5.465,268 %

Kimi K371,562 %

CyberBenchOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied

GPT-5.472,881 %

Kimi K379,026 %

GPQA DiamondOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied

GPT-5.491,666 %

Kimi K392,929 %

Harvey's Legal Agent BenchmarkOverall · Task fully resolved. Mehr ist besser. Kein dokumentierter Setup-Unterschied

GPT-5.40 %

Kimi K310,833 %

LegalBenchOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied

GPT-5.486,044 %

Kimi K386,016 %

LiveCodeBench v6Overall. Mehr ist besser. Kein dokumentierter Setup-Unterschied

GPT-5.484,141 %

Kimi K387,185 %

LMArena Text, Style ControlOverall. Mehr ist besser. Testaufbau nicht identisch dokumentiert

GPT-5.41.465,739

Kimi K31.489,097

MedCodeOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied

GPT-5.441,292 %

Kimi K348,884 %

MedScribeOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied

GPT-5.477,549 %

Kimi K387,958 %

MMLU-ProOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied

GPT-5.487,482 %

Kimi K387,973 %

MMMU-ProOverall. Mehr ist besser. Kein dokumentierter Setup-Unterschied

GPT-5.487,514 %

Kimi K388,15 %

Zeichenerklärung:besserer Wertbesser, aber nicht eindeutigGleichstand

Benchmarkwerte von GPT-5.4 und Kimi K3
Benchmark und Aufgabe	GPT-5.4	Kimi K3	Quelle
Code MigrationOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05	Gewinner34,984 %	16,099 %	Vals AI Quellendetails Datenstand: 19.08.2026
CorpFin v2Overall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 2Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05	65,268 %	Gewinner71,562 %	Vals AI Quellendetails Datenstand: 12.08.2026
CyberBenchOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05	72,881 %	Gewinner79,026 %	Vals AI Quellendetails Datenstand: 03.08.2026
GPQA DiamondOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05	91,666 %	Gewinner92,929 %	Vals AI Quellendetails Datenstand: 19.08.2026
Harvey's Legal Agent BenchmarkOverall · Task fully resolved Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: task resolution rateBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05	0 %	Gewinner10,833 %	Vals AI Quellendetails Datenstand: 19.08.2026
LegalBenchOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05	Gewinner86,044 %	86,016 %	Vals AI Quellendetails Datenstand: 19.08.2026
LiveCodeBench v6Overall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05	84,141 %	Gewinner87,185 %	Vals AI Quellendetails Datenstand: 19.08.2026
LMArena Text, Style ControlOverall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4, Harness: Arena text, style control Kimi K3: Snapshot: kimi-k3-max, Reasoning: max, Harness: Arena text, style controlGPT-5.4: Stilbereinigte Arena-Bewertung aus 63.659 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 15.054 anonymen Paarvergleichen.	1.465,739 95-%-Konfidenzintervall: ±3,812Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	Höherer Messwert1.489,097 95-%-Konfidenzintervall: ±5,803Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 21.08.2026
MedCodeOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05	41,292 %	Gewinner48,884 %	Vals AI Quellendetails Datenstand: 20.08.2026
MedScribeOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05	77,549 %	Gewinner87,958 %	Vals AI Quellendetails Datenstand: 20.08.2026
MMLU-ProOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05	87,482 %	Gewinner87,973 %	Vals AI Quellendetails Datenstand: 19.08.2026
MMMU-ProOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05	87,514 %	Gewinner88,15 %	Vals AI Quellendetails Datenstand: 19.08.2026
MortgageTaxOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05	Gewinner68,323 %	66,336 %	Vals AI Quellendetails Datenstand: 19.08.2026
ProgramBenchOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05	0 %	Gewinner2 %	Vals AI Quellendetails Datenstand: 19.08.2026
SAGEOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05	43,312 %	Gewinner54,26 %	Vals AI Quellendetails Datenstand: 19.08.2026
SWE-bench VerifiedOverall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05	78,2 %	Gewinner93,4 %	Vals AI Quellendetails Datenstand: 19.08.2026
TaxEval v2Overall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 2Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05	73,958 %	Gewinner75,716 %	Vals AI Quellendetails Datenstand: 19.08.2026
Vibe Code Bench v1.1Overall Testdetails Kein dokumentierter Unterschied im TestaufbauVersion: 1.1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05, Harness: OpenHands Kimi K3: Harness: OpenHands	67,421 %	Gewinner84,963 %	Vals AI Quellendetails Datenstand: 19.08.2026
CorpFin v2Exact Pages Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 128.000 tokens Kimi K3: Temperatur: 1, Ausgabegrenze: 262.144 tokens	64,103 %	Höherer Messwert69,347 %	Vals AI Quellendetails Datenstand: 06.08.2026
CyberBenchPatch Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05 Kimi K3: Temperatur: 1, Ausgabegrenze: 262.144 tokens	81,356 %	Höherer Messwert83,051 %	Vals AI Quellendetails Datenstand: 03.08.2026
GPQA DiamondFew-Shot CoT Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 128.000 tokens Kimi K3: Temperatur: 1, Ausgabegrenze: 262.144 tokens	91,414 %	Höherer Messwert93,434 %	Vals AI Quellendetails Datenstand: 09.08.2026
Harvey's Legal Agent BenchmarkAntitrust Competition · Criteria passed Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: criteria pass rateBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 128.000 tokens Kimi K3: Temperatur: 1, Ausgabegrenze: 262.144 tokens	76,449 %	Höherer Messwert87,319 %	Vals AI Quellendetails Datenstand: 07.08.2026
LegalBenchConclusion Tasks Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 128.000 tokens Kimi K3: Temperatur: 1, Ausgabegrenze: 262.144 tokens	88,939 %	Höherer Messwert90,733 %	Vals AI Quellendetails Datenstand: 09.08.2026
LiveCodeBench v6Easy Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 128.000 tokens Kimi K3: Temperatur: 1, Ausgabegrenze: 262.144 tokens	Höherer Messwert99,068 %	98,758 %	Vals AI Quellendetails Datenstand: 09.08.2026
LMArena Text, Style ControlOverall Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-high, Reasoning: high, Harness: Arena text, style control Kimi K3: Snapshot: kimi-k3-max, Reasoning: max, Harness: Arena text, style controlGPT-5.4: Stilbereinigte Arena-Bewertung aus 60.708 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 15.054 anonymen Paarvergleichen.	1.476,487 95-%-Konfidenzintervall: ±3,885Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	Höherer Messwert1.489,097 95-%-Konfidenzintervall: ±5,803Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 21.08.2026
MMLU-ProBiology Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 128.000 tokens Kimi K3: Temperatur: 1, Ausgabegrenze: 262.144 tokens	92,887 %	Höherer Messwert93,863 %	Vals AI Quellendetails Datenstand: 09.08.2026
MortgageTaxNumerical Extraction Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 128.000 tokens Kimi K3: Temperatur: 1, Ausgabegrenze: 262.144 tokens	75,994 %	Höherer Messwert78,855 %	Vals AI Quellendetails Datenstand: 09.08.2026
ProgramBenchAlmost Resolved Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 128.000 tokens Kimi K3: Temperatur: 1, Ausgabegrenze: 262.144 tokens	7 %	Höherer Messwert17,5 %	Vals AI Quellendetails Datenstand: 09.08.2026
SAGEAutomata Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 30.000 tokens Kimi K3: Temperatur: 1, Ausgabegrenze: 30.000 tokens	21,428 %	Höherer Messwert44,048 %	Vals AI Quellendetails Datenstand: 09.08.2026
SWE-bench Verified<15 min fix Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 128.000 tokens Kimi K3: Temperatur: 1, Ausgabegrenze: 262.144 tokens	88,144 %	Höherer Messwert92,268 %	Vals AI Quellendetails Datenstand: 08.08.2026
TaxEval v2Correctness Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 128.000 tokens Kimi K3: Temperatur: 1, Ausgabegrenze: 262.144 tokens	64,922 %	Höherer Messwert65,331 %	Vals AI Quellendetails Datenstand: 09.08.2026
CorpFin v2Max Fitting Context Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 128.000 tokens Kimi K3: Temperatur: 1, Ausgabegrenze: 262.144 tokens	64,918 %	Höherer Messwert72,727 %	Vals AI Quellendetails Datenstand: 06.08.2026
CyberBenchPoC Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05 Kimi K3: Temperatur: 1, Ausgabegrenze: 262.144 tokens	64,407 %	Höherer Messwert75 %	Vals AI Quellendetails Datenstand: 03.08.2026
GPQA DiamondZero-Shot CoT Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 128.000 tokens Kimi K3: Temperatur: 1, Ausgabegrenze: 262.144 tokens	91,919 %	Höherer Messwert92,424 %	Vals AI Quellendetails Datenstand: 09.08.2026
Harvey's Legal Agent BenchmarkAntitrust Competition · Task fully resolved Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: task resolution rateBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 128.000 tokens Kimi K3: Temperatur: 1, Ausgabegrenze: 262.144 tokens	Kein direkter Sieger0 %	Kein direkter Sieger0 %	Vals AI Quellendetails Datenstand: 07.08.2026
LegalBenchInterpretation Tasks Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 128.000 tokens Kimi K3: Temperatur: 1, Ausgabegrenze: 262.144 tokens	Höherer Messwert83,921 %	82,612 %	Vals AI Quellendetails Datenstand: 09.08.2026
LiveCodeBench v6Hard Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 128.000 tokens Kimi K3: Temperatur: 1, Ausgabegrenze: 262.144 tokens	67,714 %	Höherer Messwert74,286 %	Vals AI Quellendetails Datenstand: 09.08.2026
LMArena Text, Style ControlBusiness, management and finance Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4, Harness: Arena text, style control Kimi K3: Snapshot: kimi-k3-max, Reasoning: max, Harness: Arena text, style controlGPT-5.4: Stilbereinigte Arena-Bewertung aus 13.077 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 3.052 anonymen Paarvergleichen.	1.475,009 95-%-Konfidenzintervall: ±6,546Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	Höherer Messwert1.490,29 95-%-Konfidenzintervall: ±11,183Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 21.08.2026
MMLU-ProBusiness Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 128.000 tokens Kimi K3: Temperatur: 1, Ausgabegrenze: 262.144 tokens	91,762 %	Höherer Messwert92,015 %	Vals AI Quellendetails Datenstand: 09.08.2026
MortgageTaxSemantic Extraction Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 128.000 tokens Kimi K3: Temperatur: 1, Ausgabegrenze: 262.144 tokens	Höherer Messwert60,652 %	53,816 %	Vals AI Quellendetails Datenstand: 09.08.2026
ProgramBenchFully Resolved Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 128.000 tokens Kimi K3: Temperatur: 1, Ausgabegrenze: 262.144 tokens	0 %	Höherer Messwert2 %	Vals AI Quellendetails Datenstand: 09.08.2026
SAGECalculus Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 30.000 tokens Kimi K3: Temperatur: 1, Ausgabegrenze: 30.000 tokens	70,988 %	Höherer Messwert75,617 %	Vals AI Quellendetails Datenstand: 09.08.2026
SWE-bench Verified>4 hours Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 128.000 tokens Kimi K3: Temperatur: 1, Ausgabegrenze: 262.144 tokens	0 %	Höherer Messwert66,667 %	Vals AI Quellendetails Datenstand: 08.08.2026
TaxEval v2Stepwise Reasoning Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 128.000 tokens Kimi K3: Temperatur: 1, Ausgabegrenze: 262.144 tokens	82,993 %	Höherer Messwert86,1 %	Vals AI Quellendetails Datenstand: 09.08.2026
CorpFin v2Shared Max Context Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 2Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 128.000 tokens Kimi K3: Temperatur: 1, Ausgabegrenze: 262.144 tokens	66,783 %	Höherer Messwert72,611 %	Vals AI Quellendetails Datenstand: 06.08.2026
Harvey's Legal Agent BenchmarkArbitration International Dispute Resolution · Criteria passed Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: criteria pass rateBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 128.000 tokens Kimi K3: Temperatur: 1, Ausgabegrenze: 262.144 tokens	66,667 %	Höherer Messwert92,115 %	Vals AI Quellendetails Datenstand: 07.08.2026
LegalBenchIssue Tasks Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 128.000 tokens Kimi K3: Temperatur: 1, Ausgabegrenze: 262.144 tokens	90,526 %	Höherer Messwert91,099 %	Vals AI Quellendetails Datenstand: 09.08.2026
LiveCodeBench v6Medium Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 128.000 tokens Kimi K3: Temperatur: 1, Ausgabegrenze: 262.144 tokens	85,64 %	Höherer Messwert88,512 %	Vals AI Quellendetails Datenstand: 09.08.2026
LMArena Text, Style ControlBusiness, management and finance Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-high, Reasoning: high, Harness: Arena text, style control Kimi K3: Snapshot: kimi-k3-max, Reasoning: max, Harness: Arena text, style controlGPT-5.4: Stilbereinigte Arena-Bewertung aus 12.366 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 3.052 anonymen Paarvergleichen.	1.483,67 95-%-Konfidenzintervall: ±6,667Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	Höherer Messwert1.490,29 95-%-Konfidenzintervall: ±11,183Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 21.08.2026
MMLU-ProChemistry Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 128.000 tokens Kimi K3: Temperatur: 1, Ausgabegrenze: 262.144 tokens	91,078 %	Höherer Messwert91,784 %	Vals AI Quellendetails Datenstand: 09.08.2026
ProgramBenchRaw Pass Rate Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 128.000 tokens Kimi K3: Temperatur: 1, Ausgabegrenze: 262.144 tokens	Höherer Messwert68,596 %	62,768 %	Vals AI Quellendetails Datenstand: 09.08.2026
SAGELinear Algebra Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 30.000 tokens Kimi K3: Temperatur: 1, Ausgabegrenze: 30.000 tokens	68,826 %	Höherer Messwert72,701 %	Vals AI Quellendetails Datenstand: 09.08.2026
SWE-bench Verified1-4 hours Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 128.000 tokens Kimi K3: Temperatur: 1, Ausgabegrenze: 262.144 tokens	50 %	Höherer Messwert92,857 %	Vals AI Quellendetails Datenstand: 08.08.2026
Harvey's Legal Agent BenchmarkArbitration International Dispute Resolution · Task fully resolved Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: task resolution rateBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 128.000 tokens Kimi K3: Temperatur: 1, Ausgabegrenze: 262.144 tokens	Kein direkter Sieger0 %	Kein direkter Sieger0 %	Vals AI Quellendetails Datenstand: 07.08.2026
LegalBenchRhetoric Tasks Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 128.000 tokens Kimi K3: Temperatur: 1, Ausgabegrenze: 262.144 tokens	Höherer Messwert82,824 %	80,813 %	Vals AI Quellendetails Datenstand: 09.08.2026
LMArena Text, Style ControlChinese Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4, Harness: Arena text, style control Kimi K3: Snapshot: kimi-k3-max, Reasoning: max, Harness: Arena text, style controlGPT-5.4: Stilbereinigte Arena-Bewertung aus 3.555 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 986 anonymen Paarvergleichen.	1.495,577 95-%-Konfidenzintervall: ±11,192Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	Höherer Messwert1.531,702 95-%-Konfidenzintervall: ±19,329Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 21.08.2026
MMLU-ProComputer Science Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 128.000 tokens Kimi K3: Temperatur: 1, Ausgabegrenze: 262.144 tokens	89,756 %	Höherer Messwert91,22 %	Vals AI Quellendetails Datenstand: 09.08.2026
SAGEPartial Differential Equations Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 30.000 tokens Kimi K3: Temperatur: 1, Ausgabegrenze: 30.000 tokens	39,683 %	Höherer Messwert46,032 %	Vals AI Quellendetails Datenstand: 09.08.2026
SWE-bench Verified15 min - 1 hour Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 128.000 tokens Kimi K3: Temperatur: 1, Ausgabegrenze: 262.144 tokens	76,245 %	Höherer Messwert94,636 %	Vals AI Quellendetails Datenstand: 08.08.2026
Harvey's Legal Agent BenchmarkBanking Finance · Criteria passed Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: criteria pass rateBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 128.000 tokens Kimi K3: Temperatur: 1, Ausgabegrenze: 262.144 tokens	80,297 %	Höherer Messwert92,193 %	Vals AI Quellendetails Datenstand: 07.08.2026
LegalBenchRule Tasks Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 128.000 tokens Kimi K3: Temperatur: 1, Ausgabegrenze: 262.144 tokens	84,008 %	Höherer Messwert84,822 %	Vals AI Quellendetails Datenstand: 09.08.2026
LMArena Text, Style ControlChinese Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: style-control-v1Messgröße: style-controlled Bradley-Terry ratingBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-high, Reasoning: high, Harness: Arena text, style control Kimi K3: Snapshot: kimi-k3-max, Reasoning: max, Harness: Arena text, style controlGPT-5.4: Stilbereinigte Arena-Bewertung aus 3.347 anonymen Paarvergleichen.Kimi K3: Stilbereinigte Arena-Bewertung aus 986 anonymen Paarvergleichen.	1.505,82 95-%-Konfidenzintervall: ±11,394Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	Höherer Messwert1.531,702 95-%-Konfidenzintervall: ±19,329Der Arena-Score misst menschliche Präferenzen und ist kein fester Fähigkeitstest. Konfidenzintervall und Modellkonfiguration gehören zum Ergebnis.	LMArena Quellendetails Datenstand: 21.08.2026
MMLU-ProEconomics Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: accuracyBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 128.000 tokens Kimi K3: Temperatur: 1, Ausgabegrenze: 262.144 tokens	89,692 %	Höherer Messwert91,588 %	Vals AI Quellendetails Datenstand: 09.08.2026
Harvey's Legal Agent BenchmarkBanking Finance · Task fully resolved Testdetails Testaufbau nicht identisch dokumentiertKein direkter SiegerVersion: 1Messgröße: task resolution rateBewertung: Mehr ist besserGPT-5.4: Snapshot: gpt-5.4-2026-03-05, Reasoning: xhigh, Ausgabegrenze: 128.000 tokens Kimi K3: Temperatur: 1, Ausgabegrenze: 262.144 tokens	Kein direkter Sieger0 %	Kein direkter Sieger0 %	Vals AI Quellendetails Datenstand: 07.08.2026
Zeichenerklärung:besserer Wertbesser, aber nicht eindeutigGleichstand

So liest du den Vergleich

Ein Benchmark-Sieg ist kein Gesamturteil

Entscheidend sind deine Aufgaben, dein Budget und die benötigte Kontextlänge. Ein Coding-Benchmark sagt wenig über Bildverständnis oder Agentenarbeit aus.

Die Standardpreistabelle nutzt direkte Entwicklertarife. Der Anbieter-Vergleich kennzeichnet OpenRouter-Endpoints, Regionen und Sondertarife separat.

Jeder Messwert verlinkt seine Messstelle und zeigt den Abrufstand. Je nach Kennzeichnung handelt es sich um eine Anbieterangabe, ein offizielles Benchmark-Leaderboard oder eine unabhängige Evaluation. Strittige oder archivierte Ergebnisse werden nicht verwendet.

Weitere Duelle

Vergleiche GPT-5.4 und Kimi K3 mit weiteren wichtigen Modellen. Alle Duelle nutzen dieselbe Daten- und Benchmarklogik.

Zum vollständigen LLM-Vergleich