24. Sept. 2026/Lesezeit: 6 MinutenKI und ML
Ankündigung von Kimi K3 auf Snowflake Cortex AI
Kimi K3, das Open-Weight-Modell von Moonshot AI, ist jetzt in Private Preview auf Snowflake Cortex AI verfügbar. Die Aufnahme von K3 in Cortex AI bietet Teams eine weitere Option, um das richtige Modell für die jeweilige Aufgabe zu finden, sei es für komplexes logisches Denken oder um teurere proprietäre Modelle für die Bereiche zu reservieren, in denen sie den größten Unterschied machen.
Zum Start können Preview-Kunden Kimi K3 über Snowflake Cortex AI Functions und Snowflake Cortex Inference nutzen. Die Unterstützung für Snowflake CoCo, Snowflake Cortex Agents und Snowflake CoWork folgt in Kürze.
In den von Moonshot veröffentlichten Evaluierungen hat K3 autonom einen funktionierenden GPU-Compiler von Grund auf neu erstellt, komplexe astrophysikalische Forschungen in zwei Stunden reproduziert und mehrtägige Programmiersitzungen über große Repositories hinweg aufrechterhalten. Diese Ergebnisse deuten auf ein Modell hin, das für Arbeiten entwickelt wurde, die viele Schritte erfordern, mehr als eine Art von Eingabe verwenden und den Kontext weiterführen müssen. Die folgenden Abschnitte behandeln, wie das auf Snowflake aussieht.
Kimi K3: entwickelt für lang andauernde Arbeiten
Kimi K3 ist ein Mixture-of-Experts-Modell mit 2,8 Billionen Parametern, das mithilfe des Stable LatentMoE-Frameworks von Moonshot 16 von 896 Experten pro Token aktiviert. Moonshot meldet eine 2,5-fache Verbesserung der Skalierungseffizienz gegenüber dem Vorgänger K2.
In der Praxis zielt diese Architektur auf Arbeiten ab, die mehrere Schritte erfordern und mehr als eine Art von Eingabe verwenden. Moonshot hebt lang andauernde Programmiersitzungen hervor, die durch große Repositories navigieren, Terminal-Tools orchestrieren und Screenshots verwenden, um das Ergebnis zu verfeinern. Die Forschungsbeispiele kombinieren Literaturrecherche, ausführbaren Code, Validierung und interaktive Visualisierungen. Für Teams bedeutet das eine Entwicklung auf Repository-Ebene, Forschungssynthese und analytische Workflows, bei denen das Modell den Kontext über viele Runden hinweg weiterführen muss.
Diese Beispiele beschreiben die Fähigkeiten auf Modellebene. Die Eingaben, Tools, Kontextgrenzen und die Ausgabeverarbeitung, die Ihnen zur Verfügung stehen, hängen von der verwendeten Snowflake-Oberfläche und -Konfiguration ab.
Quellen: Moonshot AI, Kimi K3: Open Frontier Intelligence und Hugging Face
Was Sie mit Kimi K3 auf Snowflake tun können
Kimi K3 erweitert die Modellauswahl von Snowflake um eine Open-Weight-Modelloption. Während der Private Preview können Teams es anhand ihrer eigenen Aufgaben und Qualitätsanforderungen evaluieren, ohne ein separates Inference-Deployment einzurichten.
In Kürze wird die Unterstützung für Kimi K3 in Snowflake CoCo, Snowflake CoWork und Cortex Agents diese Evaluierung auf Programmier-, Forschungs- und Data Agent-Workflows ausweiten:
- Entwickeln mit Snowflake CoCo: Die Arbeit auf Repository-Ebene hängt von mehr ab als nur von der Datei, die Sie vor sich haben. Ein Entwickler muss möglicherweise einen Aufruf durch mehrere Module verfolgen, die vorhandenen Tests verstehen und eine Änderung bis zu einem funktionierenden Ergebnis durchführen. Der Fokus von Kimi K3 auf lang andauernde Programmierung macht dies zu einem nützlichen Bereich für die Evaluierung in CoCo.
Starten Sie eine neue Sitzung mit Kimi K3 und geben Sie ihm eine begrenzte Aufgabe mit expliziten Akzeptanzkriterien. Moonshot rät davon ab, eine laufende Sitzung von einem anderen Modell auf K3 umzustellen, da das Modell empfindlich darauf reagiert, wie der Gesprächsverlauf erhalten bleibt. - Forschung in Data Agents einbringen: Mit der Unterstützung in Snowflake CoWork und Cortex Agents können Teams Forschungs- und Analyse-Workflows evaluieren, die auf die Daten und Tools zurückgreifen, die ihrem Agenten zur Verfügung stehen. Verwenden Sie Kimi K3 beispielsweise, um Kundenforschungsnotizen zu vergleichen, widersprüchliche Anforderungen zu identifizieren und ein Briefing mit den Beweisen für jede Empfehlung vorzubereiten.
Benchmark-Ergebnisse
Der folgende Snapshot zeigt Ergebnisse aus der veröffentlichten Evaluierungstabelle von Moonshot AI, einschließlich Benchmarks für Programmierung, Agenten, logisches Denken und visuelle Aspekte. Die vollständige Methodik, Details zum Harness und Fußnoten finden Sie in der Kimi K3-Modellkarte von Moonshot AI.
| Benchmark | Kimi K3-Ergebnis |
|---|---|
| DeepSWE | 67,5 |
| ProgramBench | 77,8 |
| Terminal-Bench 2.1 | 88,3 |
| FrontierSWE | 81,2 |
| BrowseComp | 91,2 |
| DeepSearchQA | 95,0 |
| ResearchRubrics | 76,2 |
| GDPval-AA v2 | 1686 |
| GPQA Diamond | 93,5 |
| AA-LCR | 74,7 |
| OmniDocBench | 91,1 |
| PerceptionBench | 58,5 |
Quelle: Moonshot AI
Forschung mit Cortex AI Functions zusammenfassen
Cortex AI Functions bringen Modellaufrufe in SQL. Ein:e Analyst:in kann AI_COMPLETE verwenden, um Forschungsnotizen zu vergleichen oder Dokumententext zusammenzufassen, ohne einen separaten API-Client schreiben zu müssen. Dieses in sich geschlossene Beispiel verwendet fiktive Produktinterviews:
SELECT AI_COMPLETE(
'kimi-k3',
'Compare these fictional product research notes. Interview A: export jobs time out on large reports. Interview B: users need scheduled exports. Interview C: report definitions are hard to reuse. Group the needs, explain how they differ, and propose follow-up questions. Use only the supplied notes.'
) AS research_summary;Kimi K3 mit dem OpenAI SDK aufrufen
Kimi K3 unterstützt das Chat Completions-Anfrageformat, sodass Entwickler das OpenAI SDK verwenden können, um es über die Cortex REST API von Snowflake aufzurufen. Setzen Sie SNOWFLAKE_PAT auf Ihr programmatisches Snowflake-Zugriffstoken und SNOWFLAKE_ACCOUNT_URL auf die HTTPS-URL Ihres Kontos.
import os
from openai import OpenAI
account_url = os.environ["SNOWFLAKE_ACCOUNT_URL"].rstrip("/")
client = OpenAI(
api_key=os.environ["SNOWFLAKE_PAT"],
base_url=f"{account_url}/api/v2/cortex/v1",
)
response = client.chat.completions.create(
model="kimi-k3",
messages=[{
"role": "user",
"content": (
"Compare these fictional product research notes. "
"Interview A: export jobs time out on large reports. "
"Interview B: users need scheduled exports. "
"Interview C: report definitions are hard to reuse. "
"Group the needs, explain how they differ, and propose "
"follow-up questions. Use only the supplied notes."
),
}],
)
print(response.choices[0].message.content)Was Sie wissen sollten, bevor Sie beginnen
- Der Gesprächsverlauf ist wichtig. K3 wurde mit erhaltenem Denkverlauf trainiert. Der Wechsel zu K3 mitten in der Sitzung von einem anderen Modell oder die Verwendung eines Harness, das Denkinhalte verwirft, kann die Ausgabequalität beeinträchtigen. Starten Sie neue Sitzungen, wenn Sie K3 evaluieren.
- Das Modell kann proaktiv sein. Wenn K3 auf kleinere Probleme oder unklare Absichten stößt, kann es in Ihrem Namen handeln, anstatt um Klärung zu bitten. Verwenden Sie explizite Einschränkungen in System-Prompts und stellen Sie sicher, dass Sie geeignete Agenten-Genehmigungsberechtigungen für Deployments verwenden, die strenge Grenzen erfordern.
- Moonshot gibt an, dass die allgemeine Benutzererfahrung von K3 „immer noch hinter den leistungsstärksten proprietären Modellen, Claude Fable 5 und GPT 5.6 Sol, zurückbleibt“. Betrachten Sie K3 als eine starke Open-Weight-Option zur Evaluierung, nicht als direkten Ersatz für jeden Workload.
Jetzt entdecken
Das beste Modell für eine Aufgabe hängt von der Aufgabe ab. In Private Preview bietet Kimi K3 Teams ein fortschrittliches Open-Weight-Modell, das sie über Cortex AI Functions und Cortex Inference evaluieren können, ohne eine separate Infrastruktur bereitzustellen. Verwenden Sie die Modell-ID kimi-k3, führen Sie eine Aufgabe aus, die Sie bereits verstehen, und vergleichen Sie.
Open-Weight-Modelle in dieser Größenordnung erforderten früher eine dedizierte Infrastruktur und ein Team für den Betrieb. Jetzt sind sie ein Modell-ID-Austausch. Jedes neue Modell auf der verwalteten KI-Plattform von Snowflake erweitert das, was Teams evaluieren können, und K3 fügt eines hinzu, das für Arbeiten entwickelt wurde, die viele Schritte bis zum Abschluss erfordern.
Hier mehr erfahren
- Agenten-Anwendungen mit Cortex Agents entwickeln: Machen Sie Ihre ersten Schritte mit Cortex Agents und erfahren Sie, wie Sie KI-Erlebnisse auf der Grundlage Ihrer Unternehmensdaten erstellen.
- Erste Schritte mit Snowflake CoWork: Erfahren Sie mehr über Snowflake CoWork und probieren Sie es mit unserem Leitfaden für Erste Schritte aus.
- Beginnen Sie mit der Entwicklung mit Snowflake CoCo: Erfahren Sie mehr über Snowflake CoCo und sammeln Sie praktische Erfahrungen mit dem Leitfaden für die ersten Schritte mit CoCo Desktop.
Die Cortex REST API bietet Ihnen Zugriff auf führende Frontier-Modelle über Ihren bevorzugten Endpunkt oder Ihr bevorzugtes SDK. Die gesamte Inferenz läuft innerhalb des Snowflake-Perimeters ab, sodass Ihre Daten sicher und innerhalb Ihrer Governance-Grenzen bleiben. Entdecken Sie die Cortex REST API, um mehr zu erfahren.
Zukunftsgerichtete Aussagen
Dieser Artikel enthält zukunftsgerichtete Aussagen, unter anderem zu unseren zukünftigen Produktangeboten, und stellt keine Verpflichtung zur Bereitstellung von Produktangeboten dar. Die tatsächlichen Ergebnisse und Angebote können abweichen und unterliegen bekannten und unbekannten Risiken und Unsicherheiten. Weitere Informationen finden Sie in unserem aktuellen Formular 10-Q.
