Kimi K2.6 gewinnt eine Runde eines KI-Coding-Wettbewerbs
In einem Schiebepuzzle mit Buchstaben traten Bots von zehn Sprachmodellen gegeneinander an. Kimi K2.6 von Moonshot AI mit offenen Gewichten gewann vor MiMo V2-Pro von Xiaomi und GPT-5.5.
TL;DR
- Kimi K2.6, ein Modell mit offenen Gewichten von Moonshot AI, gewann Tag 12 von Rohana Rezels AI Coding Contest, ein Wortpuzzle, vor MiMo V2-Pro und GPT-5.5 [^1].
- Es ist eine einzelne Wettbewerbsrunde, kein breiter Benchmark: Laut Rezel trennte die beiden Besten teils der Zufall der Startwerte [^1].
Hintergrund
Rohana Rezel betreibt den AI Coding Contest, in dem große Sprachmodelle in Programmieraufgaben in Echtzeit mit objektiver Wertung gegeneinander antreten [^1]. Jedes Modell schreibt einen Bot, und die Bots spielen dann über eine Netzwerkverbindung zu einem Spielserver gegeneinander [^1]. Kimi K2.6 stammt von Moonshot AI, einem 2023 gegründeten chinesischen Start-up, und seine Gewichte sind öffentlich verfügbar [^1].
Was passiert ist
Tag 12 war das Word Gem Puzzle, ein Schiebepuzzle aus Buchstabenkacheln zwischen 10×10 und 30×30 Feldern mit einem freien Feld. Die Bots schieben Kacheln in das freie Feld und beanspruchen englische Wörter, die sich waagerecht oder senkrecht in gerader Linie bilden. Wörter ab sieben Buchstaben bringen ihre Länge minus sechs Punkte; kürzere kosten Punkte, und jedes Wort lässt sich nur einmal beanspruchen. Jedes Modellpaar spielte fünf Runden, eine pro Gittergröße, mit je zehn Sekunden [^1]. Zehn Modelle traten an, doch der Code von Nvidias Nemotron Super 3 hatte einen Syntaxfehler und verband sich nie, also spielten neun [^1].
Kimi K2.6 gewann mit 22 Matchpunkten und einer Bilanz von 7-1-0. Dahinter folgten MiMo V2-Pro von Xiaomi mit 20, GPT-5.5 mit 16, GLM 5.1 von Zhipu AI mit 15 und Claude Opus 4.7 mit 12. Gemini Pro 3.1 und Grok Expert 4.2 kamen auf je 9, DeepSeek V4 auf 3 und Muse Spark auf 0 [^1].
Die Zugprotokolle zeigen, warum. Kimis Bot ging gierig vor: Er machte jeweils den Zug, der die wertvollsten neuen Wörter freilegte, und diese Menge an Zügen zahlte sich auf den 30×30-Gittern aus, wo das Mischen fast alle vorab platzierten Wörter zerstört hatte [^1]. MiMos Bot schob nie und beanspruchte nur Wörter ab sieben Buchstaben, die schon auf dem Brett standen. Auch Claudes Bot schob nicht und brach auf den 30×30-Gittern ein, wo Kacheln bewegt werden mussten. DeepSeeks Bot schickte in jeder Runde fehlerhafte Daten. Der Bot von Muse beanspruchte jedes gefundene Wort, auch kurze, und landete kumuliert bei −15.309 Punkten [^1].
Warum es wichtig ist
Rezel ist vorsichtig damit, was das Ergebnis zeigt. Das Puzzle prüft Entscheidungen in Echtzeit und ob ein Modell sauberen, lauffähigen Code schreiben kann, der sich mit einem TCP-Server verbindet und ein neues Spiel korrekt spielt; es prüft weder Schlussfolgern über lange Kontexte noch Codegenerierung aus einer Spezifikation [^1]. Kimi und MiMo lagen mit fast gegensätzlichen Strategien zwei Punkte auseinander, was Rezel teils auf den Zufall der Startwerte zurückführt. Rezel lässt auch einen Einwand gelten: Stark auf Sicherheit trainierte Modelle beanspruchen Wörter womöglich zurückhaltender, die Wertung könnte also das Verhalten mancher Modelle begünstigen [^1].
Die größere Lehre zieht Rezel bei den offenen Gewichten. Kimi K2.6 kommt im Artificial Analysis Intelligence Index auf 54, GPT-5.5 auf 60 und Claude auf 57, was Rezel „keine Parität, aber nah dran“ nennt [^1]. Ein Modell, das jeder herunterladen kann, landet in solchen Wettbewerben inzwischen weit vorne. Auch die Fehlschläge lehren etwas: Wie Rezel anmerkt, las Muse die Aufgabe nur teilweise und setzte diese Teillesart dann vollständig um, was für alle zählt, die Modelle für strukturierte Aufgaben mit Strafpunkten einsetzen [^1].
Ein Beispiel aus der Praxis
Angenommen, Tomás leitet ein kleines Team, das Handelsbots für den Ingame-Markt eines Spielestudios baut, auf dem schlechte Aufträge Geld kosten. Ein Kollege leitet die Schlagzeile weiter, Kimi K2.6 habe Claude, GPT-5.5 und Gemini geschlagen, und fragt, ob das Team das Modell wechseln sollte.
Tomás liest über die Schlagzeile hinaus. Der Wettbewerb hat eine Sache gemessen: einen einmal geschriebenen Bot, der über eine Serververbindung ein Schiebepuzzle mit zehn Sekunden pro Runde spielt [^1]. Der Vorsprung betrug zwei Punkte, die Rezel teils dem Zufall der Startwerte zuschreibt, und unter anderen Wertungsregeln könnte die Rangfolge anders aussehen [^1]. Das reicht nicht für einen Modellwechsel.
Nützlicher sind für Tomás die Fehlschläge. Der Code eines Modells lief nie, eines schickte fehlerhafte Daten, und eines ignorierte die Strafe für kurze Wörter und rutschte auf −15.309 [^1]. Genau diese Risiken gibt es auf einem Markt, auf dem schlechte Aufträge bestraft werden. Also schreibt Tomás einen eigenen Test: Jedes Kandidatenmodell schreibt einen Bot für eine Kopie des Markts, der gegen feste Startwerte läuft und darauf geprüft wird, ob der Code läuft, die Nachrichten dem Protokoll folgen und die Aufträge die Kostenregeln einhalten. Kimi K2.6 kommt auf die Liste, weil sich seine Gewichte lokal betreiben lassen [^1]. Ob es bleibt, entscheidet dieser Test, nicht ein Wortpuzzle.
Passende Produkte
Wir empfehlen dieses Buch, weil es zeigt, wie man Foundation-Modelle für die eigene Anwendung evaluiert, also genau den Schritt, den ein einzelnes Wettbewerbsergebnis nicht ersetzt.