Vergleichskohorte: vals-corp-fin-v2:2:overall
Messgröße: accuracy
Skala: 0-100
Teilnehmer: 50
Methodik und Einordnung: Kennung des Quellmodells: kimi/kimi-k2-thinking. Name des Quellmodells: Kimi K2 Thinking. Evaluator: Vals AI. Datensatztyp: private. Stand der Rangliste: 2026-08-12. Latenz in Sekunden: 93.297. Kosten je Aufgabe in USD: 0.038163. Quellenkennung: vals-ai. Kennung der Evidenzaufnahme: vals-corp_fin_v2-2026-09-04-46dad6684551. Prüfsumme der Quelldaten: 46dad668455190ee4239b7c743d00d81c6fd3127e0d87123c518ec107c13b44d. Parserversion: vals-astro-v2. Importiert am: 2026-09-04

Quelle: Vals AI

TaxEval v2

Overall

Mehr ist besser54 ModelleKimi K2 Thinking: Platz 37 von 54Datenstand: 4. September 2026

1.Claude Fable 576,94 %

2.GPT-5.6 Luna76,17 %

2.GPT-5.6 Terra76,17 %

4.Kimi K375,72 %

5.Claude Sonnet 575,63 %

6.GLM-5.3-Flash75,59 %

7.Inkling Small75,51 %

8.Inkling75,31 %

9.GPT-5 mini75,23 %

10.Claude Opus 575,14 %

11.GPT-4.175,06 %

12.GPT-5.574,98 %

13.Gemini 3.6 Flash74,86 %

14.o4-mini74,78 %

15.GPT-5.6 Sol74,78 %

16.Gemini 3.7 Flash74,73 %

17.Kimi K2.674,65 %

18.o374,57 %

19.Gemini 3.8 Flash74,45 %

20.Gemini 3.5 Flash74,37 %

21.o174,28 %

22.Kimi K2.574,2 %

23.GPT-5.473,96 %

24.Gemini 3 Flash73,88 %

25.MiMo-V2.5-Pro73,79 %

26.GPT-573,39 %

27.GLM-5.273,34 %

28.Gemini 3.1 Pro Preview72,88 %

29.Gemini 3.5 Flash-Lite72,61 %

30.GLM-4.572,4 %

31.GLM-5.372,36 %

32.DeepSeek-R172,28 %

33.DeepSeek-V4-Pro72,08 %

34.GPT-4.1 mini71,91 %

35.MiMo-V2.571,83 %

36.Gemini 3.1 Flash-Lite71,79 %

37.Kimi K2 Thinking71,71 %

38.Grok 4.571,67 %

39.GPT OSS 120B71,59 %

40.GPT-5.4 mini71,22 %

41.GLM-5.171,19 %

42.DeepSeek-V3 032471,1 %

42.Grok 4.671,1 %

44.Grok 4.370,81 %

45.GLM-570,03 %

46.o3-mini69,42 %

47.GLM-4.768,77 %

48.DeepSeek-V367,91 %

49.GPT-5.4 nano67,42 %

50.GPT-5 nano67,38 %

51.GLM-4.666,24 %

52.GPT OSS 20B63,7 %

53.GPT-4.1 nano60,75 %

54.GPT-4o mini60,55 %

Skala: 0 % - 100 %

Quelle: Vals AI

CC BY 4.0

gradually.ai

Methodik und Einordnung

Vergleichskohorte: vals-tax-eval-v2:2:overall
Messgröße: accuracy
Skala: 0-100
Teilnehmer: 54
Methodik und Einordnung: Kennung des Quellmodells: kimi/kimi-k2-thinking. Name des Quellmodells: Kimi K2 Thinking. Evaluator: Vals AI. Datensatztyp: private. Stand der Rangliste: 2026-09-01. Latenz in Sekunden: 61.408. Kosten je Aufgabe in USD: 0.00913. Quellenkennung: vals-ai. Kennung der Evidenzaufnahme: vals-tax_eval_v2-2026-09-04-f0e140ab16fc. Prüfsumme der Quelldaten: f0e140ab16fcb52041f4f87d2872273c03ca8014fdb69b3da9afd01b0f1e77ec. Parserversion: vals-astro-v2. Importiert am: 2026-09-04

Quelle: Vals AI

GPQA Diamond

Overall

Mehr ist besser54 ModelleKimi K2 Thinking: Platz 38 von 54Datenstand: 4. September 2026

1.Gemini 3.1 Pro Preview95,45 %

2.GPT-5.6 Sol95,2 %

3.Grok 4.694,7 %

4.Gemini 3.8 Flash94,44 %

5.Gemini 3.7 Flash93,94 %

6.Claude Opus 593,43 %

6.Gemini 3.6 Flash93,43 %

8.Claude Fable 593,18 %

8.GPT-5.593,18 %

10.Grok 4.592,93 %

10.Kimi K392,93 %

12.Gemini 3.5 Flash92,68 %

13.GPT-5.491,67 %

13.GPT-5.6 Luna91,67 %

15.Grok 4.391,41 %

16.GPT-5.6 Terra90,91 %

17.DeepSeek-V4-Pro89,39 %

18.Kimi K2.689,14 %

19.Claude Sonnet 588,89 %

20.GLM-5.388,13 %

21.Gemini 3 Flash87,88 %

22.Inkling87,12 %

23.GLM-5.3-Flash86,36 %

24.GLM-5.285,61 %

24.GPT-585,61 %

26.GLM-5.184,52 %

27.Kimi K2.584,09 %

27.o384,09 %

29.Gemini 3.5 Flash-Lite83,84 %

30.Inkling Small83,59 %

31.GLM-583,33 %

32.GPT-5.4 mini83,08 %

33.MiMo-V2.5-Pro82,58 %

34.MiMo-V2.581,57 %

35.Gemini 3.1 Flash-Lite81,06 %

36.GPT-5 mini80,3 %

37.GLM-4.780,05 %

38.GPT OSS 120B78,54 %

38.Kimi K2 Thinking78,54 %

40.GPT-5.4 nano77,53 %

41.o3-mini75,51 %

42.GLM-4.674,5 %

42.o4-mini74,5 %

44.o173,23 %

45.GLM-4.572,22 %

46.GPT OSS 20B68,94 %

47.GPT-4.1 mini67,93 %

48.GPT-4.165,4 %

49.GPT-5 nano63,38 %

50.DeepSeek-V3 032461,62 %

51.DeepSeek-V354,55 %

52.GPT-4.1 nano50,76 %

53.GPT-4o mini44,19 %

54.Command R+31,06 %

Skala: 0 % - 100 %

Quelle: Vals AI

CC BY 4.0

gradually.ai

Methodik und Einordnung

Vergleichskohorte: vals-gpqa:1:overall
Messgröße: accuracy
Skala: 0-100
Teilnehmer: 54
Methodik und Einordnung: Kennung des Quellmodells: kimi/kimi-k2-thinking. Name des Quellmodells: Kimi K2 Thinking. Evaluator: Vals AI. Datensatztyp: public. Stand der Rangliste: 2026-09-01. Latenz in Sekunden: 585.555. Kosten je Aufgabe in USD: 0.023072. Quellenkennung: vals-ai. Kennung der Evidenzaufnahme: vals-gpqa-2026-09-04-fc438726f0d8. Prüfsumme der Quelldaten: fc438726f0d8523d320f02d75ae372a3fa38b28b36f70fe318d119f55153560d. Parserversion: vals-astro-v2. Importiert am: 2026-09-04

Quelle: Vals AI

Programmieren

2 Messreihen

LiveCodeBench v6

Overall

Mehr ist besser56 ModelleKimi K2 Thinking: Platz 49 von 56Datenstand: 4. September 2026

1.Claude Fable 589,78 %

2.Gemini 3.8 Flash89,48 %

3.Claude Opus 589,03 %

4.Gemini 3.7 Flash88,65 %

5.Gemini 3.1 Pro Preview88,49 %

6.Grok 4.688,22 %

7.Gemini 3.6 Flash88,08 %

8.Gemini 3.5 Flash87,6 %

9.DeepSeek-V4-Pro87,48 %

10.Grok 4.587,35 %

11.GPT-5.3-Codex87,31 %

12.Kimi K387,19 %

13.Kimi K2.686,77 %

14.GPT-5 mini86,61 %

15.Inkling Small85,93 %

16.GPT-5.6 Terra85,93 %

17.GPT-585,91 %

18.Gemini 3 Flash85,59 %

19.Inkling85,52 %

20.GPT-5.585,3 %

21.Grok 4.384,49 %

22.GPT-5.484,14 %

23.GPT-5.4 nano84,01 %

24.o383,91 %

25.Kimi K2.583,87 %

26.GPT OSS 120B83,23 %

27.GPT-5.6 Sol82,6 %

28.Claude Sonnet 582,43 %

29.GLM-4.782,23 %

30.o4-mini82,21 %

31.Kimi K2.7 Code82,05 %

32.GLM-581,87 %

33.MiMo-V2.581,51 %

34.GPT-5.4 mini81,47 %

35.GLM-5.181,38 %

36.MiMo-V2.5-Pro81,35 %

37.GLM-4.681,04 %

38.GLM-5.380,54 %

39.GLM-5.3-Flash80,51 %

40.GPT OSS 20B80,39 %

41.Gemini 3.1 Flash-Lite80,12 %

42.Gemini 3.5 Flash-Lite79,01 %

43.o3-mini71,48 %

44.DeepSeek-R170,22 %

45.GPT-5 nano70,22 %

46.GLM-5.269,5 %

47.GLM-4.567,45 %

48.DeepSeek-V3 032465,48 %

49.Kimi K2 Thinking63,15 %

50.GPT-4.1 mini58,16 %

51.GPT-4.154,67 %

52.o150,26 %

53.GPT-4o43,44 %

54.GPT-4.1 nano42,72 %

55.GPT-4o mini26,42 %

56.Command R+18,24 %

Skala: 0 % - 100 %

Quelle: Vals AI

CC BY 4.0

gradually.ai

Methodik und Einordnung

Vergleichskohorte: vals-lcb:1:overall
Messgröße: accuracy
Skala: 0-100
Teilnehmer: 56
Methodik und Einordnung: Kennung des Quellmodells: kimi/kimi-k2-thinking. Name des Quellmodells: Kimi K2 Thinking. Evaluator: Vals AI. Datensatztyp: public. Stand der Rangliste: 2026-09-01. Latenz in Sekunden: 1150.624. Kosten je Aufgabe in USD: 0.033631. Quellenkennung: vals-ai. Kennung der Evidenzaufnahme: vals-lcb-2026-09-04-95ca83387127. Prüfsumme der Quelldaten: 95ca83387127df287e9a6d928c411c98c9b65b4cefeee46eb4008ca1521f5ed4. Parserversion: vals-astro-v2. Importiert am: 2026-09-04

Quelle: Vals AI

SWE-bench Verified

Overall

Mehr ist besser42 ModelleKimi K2 Thinking: Platz 40 von 42Datenstand: 4. September 2026

1.Claude Opus 597 %

2.GPT-5.6 Sol96,2 %

3.Grok 4.695,6 %

4.GLM-5.395,4 %

4.GPT-5.6 Terra95,4 %

6.Claude Fable 595 %

7.Kimi K393,4 %

8.GPT-5.6 Luna93 %

9.GLM-5.3-Flash92 %

10.Grok 4.586,6 %

11.GLM-5.282,8 %

12.GPT-5.582,6 %

13.Inkling Small82,2 %

14.Gemini 3.7 Flash80,8 %

15.Gemini 3.8 Flash80 %

16.Claude Sonnet 579,6 %

16.Gemini 3.6 Flash79,6 %

18.Gemini 3.1 Pro Preview78,8 %

18.Gemini 3.5 Flash78,8 %

20.GPT-5.478,2 %

20.Kimi K2.7 Code78,2 %

22.GPT-5.3-Codex78 %

23.Inkling77,6 %

24.DeepSeek-V4-Pro77,4 %

25.GLM-5.176,4 %

26.Kimi K2.676,2 %

27.Gemini 3 Flash75 %

27.Gemini 3.5 Flash-Lite75 %

29.MiMo-V2.5-Pro74 %

30.GPT-5.4 mini73 %

31.GLM-571,4 %

31.Grok 4.371,4 %

33.MiMo-V2.571 %

34.Kimi K2.570 %

35.GPT-5.4 nano69,8 %

36.GLM-4.769,4 %

37.GPT-569 %

38.Gemini 3.1 Flash-Lite62,8 %

39.GPT-5 mini60,8 %

40.Kimi K2 Thinking60,2 %

41.Gemini 2.5 Pro54,4 %

42.GPT OSS 120B33,6 %

Skala: 0 % - 100 %

Quelle: Vals AI

CC BY 4.0

gradually.ai

Methodik und Einordnung

Vergleichskohorte: vals-swebench:1:overall
Messgröße: accuracy
Skala: 0-100
Teilnehmer: 42
Methodik und Einordnung: Kennung des Quellmodells: kimi/kimi-k2-thinking. Name des Quellmodells: Kimi K2 Thinking. Evaluator: Vals AI. Datensatztyp: public. Stand der Rangliste: 2026-09-01. Latenz in Sekunden: 1632.209. Kosten je Aufgabe in USD: 0.366026. Quellenkennung: vals-ai. Kennung der Evidenzaufnahme: vals-swebench-2026-09-04-23e2d6d631b6. Prüfsumme der Quelldaten: 23e2d6d631b6dd94d25738415e287bece2e24eddbe0f699838f5e50efe93a54a. Parserversion: vals-astro-v2. Importiert am: 2026-09-04

Quelle: Vals AI

LegalBench

Overall

Mehr ist besser53 ModelleKimi K2 Thinking: Platz 37 von 53Datenstand: 4. September 2026

1.Claude Fable 588,56 %

2.Gemini 3.1 Pro Preview87,4 %

3.Gemini 3.7 Flash87,26 %

4.Gemini 3.8 Flash86,99 %

5.Claude Opus 586,97 %

6.GPT-5.6 Sol86,97 %

7.Gemini 3 Flash86,86 %

8.Gemini 3.6 Flash86,71 %

9.GPT-5.586,52 %

10.Grok 4.686,31 %

11.GPT-5.486,04 %

12.GPT-586,02 %

13.Kimi K386,02 %

14.Grok 4.585,97 %

15.GPT-5.6 Terra85,11 %

16.GLM-5.384,84 %

17.Kimi K2.684,74 %

18.Grok 4.384,46 %

19.GLM-5.184,39 %

20.Gemini 3.5 Flash-Lite84,07 %

20.GLM-5.284,07 %

22.GLM-584,06 %

23.GPT-5.6 Luna84,03 %

24.GLM-5.3-Flash83,93 %

25.Claude Sonnet 583,92 %

26.Gemini 3.1 Flash-Lite83,76 %

27.o383,76 %

28.Gemini 3.5 Flash83,6 %

29.GLM-4.783,36 %

30.GPT-4.183,1 %

31.Inkling Small82,99 %

32.Inkling82,95 %

33.GPT-5 mini81,77 %

34.DeepSeek-V380,76 %

35.o180,39 %

36.DeepSeek-V4-Pro80,32 %

37.Kimi K2 Thinking80,2 %

38.GLM-4.679,61 %

39.o4-mini79,19 %

40.MiMo-V2.578,89 %

41.GPT-4.1 mini78,04 %

42.GPT-5.4 nano77,92 %

43.DeepSeek-V3 032477,73 %

44.MiMo-V2.5-Pro77,13 %

45.GPT OSS 120B75,94 %

46.GLM-4.575,63 %

47.o3-mini71,54 %

48.GPT OSS 20B70,85 %

49.Command R+68,29 %

50.DeepSeek-R167,32 %

51.GPT-4.1 nano61,06 %

52.GPT-5 nano50,13 %

53.Command R32,97 %

Skala: 0 % - 100 %

Quelle: Vals AI

CC BY 4.0

gradually.ai

Methodik und Einordnung

Vergleichskohorte: vals-legal-bench:1:overall
Messgröße: accuracy
Skala: 0-100
Teilnehmer: 53
Methodik und Einordnung: Kennung des Quellmodells: kimi/kimi-k2-thinking. Name des Quellmodells: Kimi K2 Thinking. Evaluator: Vals AI. Datensatztyp: public. Stand der Rangliste: 2026-09-01. Latenz in Sekunden: 43.991. Kosten je Aufgabe in USD: 0.002182. Quellenkennung: vals-ai. Kennung der Evidenzaufnahme: vals-legal_bench-2026-09-04-ff81649923fb. Prüfsumme der Quelldaten: ff81649923fb684ff37d5f557fd320ba5ab433927831065ed781a94548f480ef. Parserversion: vals-astro-v2. Importiert am: 2026-09-04

Quelle: Vals AI

MedQA

Overall

Mehr ist besser27 ModelleKimi K2 Thinking: Platz 14 von 27Datenstand: 4. September 2026

1.o196,52 %

2.Gemini 3.1 Pro Preview96,37 %

3.GPT-596,32 %

4.GPT-5.496,09 %

5.GPT-5 mini96,06 %

5.o396,06 %

7.o4-mini96,02 %

8.Gemini 3 Flash95,81 %

9.o3-mini94,83 %

10.Kimi K2.594,37 %

11.GLM-594,27 %

12.GLM-4.793,74 %

13.GPT-5 nano93,26 %

14.Kimi K2 Thinking92,59 %

15.GLM-4.692,23 %

16.GPT OSS 120B91,36 %

17.GPT-4.191,18 %

18.DeepSeek-R190,8 %

19.GLM-4.589,98 %

20.GPT-4o88,16 %

21.GPT-4.1 mini84,63 %

22.GPT OSS 20B82,88 %

23.DeepSeek-V3 032482 %

24.DeepSeek-V380,9 %

25.GPT-4o mini72,44 %

26.GPT-4.1 nano68,23 %

27.Command R+2,65 %

Skala: 0 % - 100 %

Quelle: Vals AI

CC BY 4.0

gradually.ai

Methodik und Einordnung

Vergleichskohorte: vals-medqa:1:overall
Messgröße: accuracy
Skala: 0-100
Teilnehmer: 27
Methodik und Einordnung: Kennung des Quellmodells: kimi/kimi-k2-thinking. Name des Quellmodells: Kimi K2 Thinking. Evaluator: Vals AI. Datensatztyp: public. Stand der Rangliste: 2026-04-16. Latenz in Sekunden: 225.305. Kosten je Aufgabe in USD: 0.006153. Quellenkennung: vals-ai. Kennung der Evidenzaufnahme: vals-medqa-2026-09-04-de083a524dbf. Prüfsumme der Quelldaten: de083a524dbf0fa1c2da5cf0a06bd001693d2426690681ffac4cd93ccf3fbeba. Parserversion: vals-astro-v2. Importiert am: 2026-09-04

Quelle: Vals AI

MGSM

Overall

Mehr ist besser21 ModelleKimi K2 Thinking: Platz 12 von 21Datenstand: 4. September 2026

1.o4-mini93,42 %

2.Gemini 3 Flash93,31 %

3.GPT-592,84 %

4.GPT-5 mini92,58 %

5.DeepSeek-R192,25 %

6.DeepSeek-V392,15 %

7.GPT OSS 120B92,04 %

8.o391,75 %

9.DeepSeek-V3 032491,67 %

10.o3-mini91,35 %

11.GLM-4.590,84 %

12.Kimi K2 Thinking90,15 %

13.GLM-4.689,75 %

14.GPT-5 nano89,31 %

14.o189,31 %

16.GPT OSS 20B89,02 %

17.GLM-4.788,18 %

18.GPT-4.1 mini87,78 %

19.GPT-4.187,67 %

20.GPT-4o mini86,18 %

21.GPT-4.1 nano69,27 %

Skala: 0 % - 100 %

Quelle: Vals AI

CC BY 4.0

gradually.ai

Methodik und Einordnung

Vergleichskohorte: vals-mgsm:1:overall
Messgröße: accuracy
Skala: 0-100
Teilnehmer: 21
Methodik und Einordnung: Kennung des Quellmodells: kimi/kimi-k2-thinking. Name des Quellmodells: Kimi K2 Thinking. Evaluator: Vals AI. Datensatztyp: public. Stand der Rangliste: 2026-01-09. Latenz in Sekunden: 48.41. Kosten je Aufgabe in USD: 0.000891. Quellenkennung: vals-ai. Kennung der Evidenzaufnahme: vals-mgsm-2026-09-04-8454c4c2a5d6. Prüfsumme der Quelldaten: 8454c4c2a5d6a567e4c17ce67f5f6eb9f3589353348190378d4b83b2df182750. Parserversion: vals-astro-v2. Importiert am: 2026-09-04

Quelle: Vals AI

MMLU-Pro

Overall

Mehr ist besser55 ModelleKimi K2 Thinking: Platz 42 von 55Datenstand: 4. September 2026

1.Claude Opus 591,59 %

2.Claude Fable 591,5 %

3.Gemini 3.1 Pro Preview90,99 %

4.Gemini 3.8 Flash90,22 %

5.Gemini 3.7 Flash90,12 %

6.Gemini 3.5 Flash89,52 %

7.Grok 4.689,4 %

8.Gemini 3.6 Flash89,28 %

9.Grok 4.589,22 %

10.GPT-5.6 Sol89,1 %

11.Gemini 3 Flash88,59 %

12.GPT-5.588,14 %

13.Kimi K387,97 %

14.Kimi K2.687,57 %

15.Claude Sonnet 587,55 %

16.GPT-5.487,48 %

17.DeepSeek-V4-Pro87,25 %

18.GLM-5.186,9 %

19.GLM-5.386,77 %

20.GLM-5.286,71 %

21.GPT-5.6 Terra86,66 %

22.GPT-586,54 %

23.Inkling86,3 %

24.Gemini 3.1 Flash-Lite86,24 %

25.GLM-5.3-Flash86,06 %

26.GPT-5.6 Luna86,04 %

27.GLM-586,03 %

28.Kimi K2.585,91 %

29.Grok 4.385,84 %

30.Gemini 3.5 Flash-Lite85,84 %

31.o385,6 %

32.Inkling Small85,57 %

33.MiMo-V2.5-Pro84,6 %

34.GPT-5.4 mini84,55 %

35.o183,49 %

36.DeepSeek-R183,18 %

37.MiMo-V2.582,93 %

38.GLM-4.782,74 %

39.GPT-5 mini82,23 %

40.GLM-4.682,2 %

41.GLM-4.581,22 %

42.Kimi K2 Thinking81,07 %

43.o4-mini80,56 %

44.GPT-4.180,5 %

45.DeepSeek-V3 032479,47 %

46.GPT OSS 120B79,17 %

47.o3-mini78,69 %

48.GPT-4.1 mini77,23 %

49.GPT-5.4 nano77,17 %

50.GPT-5 nano76,07 %

51.DeepSeek-V373,82 %

52.GPT OSS 20B71,64 %

53.GPT-4.1 nano63,48 %

54.GPT-4o mini62,74 %

55.Command R+44 %

Skala: 0 % - 100 %

Quelle: Vals AI

CC BY 4.0

gradually.ai

Methodik und Einordnung

Vergleichskohorte: vals-mmlu-pro:1:overall
Messgröße: accuracy
Skala: 0-100
Teilnehmer: 55
Methodik und Einordnung: Kennung des Quellmodells: kimi/kimi-k2-thinking. Name des Quellmodells: Kimi K2 Thinking. Evaluator: Vals AI. Datensatztyp: public. Stand der Rangliste: 2026-09-01. Latenz in Sekunden: 94.771. Kosten je Aufgabe in USD: 0.002067. Quellenkennung: vals-ai. Kennung der Evidenzaufnahme: vals-mmlu_pro-2026-09-04-94eef672a38c. Prüfsumme der Quelldaten: 94eef672a38c8146fc1334fecbd173c083343c88de0f3047ae7d034776227e0f. Parserversion: vals-astro-v2. Importiert am: 2026-09-04

Quelle: Vals AI

Agentenaufgaben

2 Messreihen

Agent Poker Bench

Overall

Mehr ist besser6 ModelleKimi K2 Thinking: Platz 5 von 6Datenstand: 4. September 2026

1.GPT-51.103,18 Bewertung

2.Gemini 3 Flash1.100,21 Bewertung

3.Gemini 2.5 Pro1.032,6 Bewertung

4.GPT OSS 120B1.015,33 Bewertung

5.Kimi K2 Thinking1.011,63 Bewertung

6.GLM-4.6945,76 Bewertung

Skala: 0 Bewertung - 1.103,18 Bewertung

Quelle: Vals AI

CC BY 4.0

gradually.ai

Methodik und Einordnung

Vergleichskohorte: vals-poker-agent:1:overall
Messgröße: TrueSkill rating
Skala: Keine obere Grenze dokumentiert. Die Darstellung umfasst die erfassten Werte und den Nullpunkt.
Teilnehmer: 6
Methodik und Einordnung: Kennung des Quellmodells: kimi/kimi-k2-thinking. Name des Quellmodells: Kimi K2 Thinking. Evaluator: Vals AI. Datensatztyp: private. Stand der Rangliste: 2025-12-23. Latenz in Sekunden: 71.72413331456877. Standardfehler: 0. Kosten je Aufgabe in USD: 0.02410503610648917. Quellenkennung: vals-ai. Kennung der Evidenzaufnahme: vals-poker_agent-2026-09-04-2bf0dd7f88e8. Prüfsumme der Quelldaten: 2bf0dd7f88e861267360c45be912a71a2bde6ad507e691c297717570f949ee61. Parserversion: vals-astro-v2. Importiert am: 2026-09-04

Quelle: Vals AI

Terminal-Bench 2.0

Overall

Mehr ist besser24 ModelleKimi K2 Thinking: Platz 16 von 24Datenstand: 4. September 2026

1.GPT-5.573,2 %

2.Gemini 3.1 Pro Preview67,42 %

2.Gemini 3.5 Flash67,42 %

4.GPT-5.3-Codex64,05 %

5.GPT-5.458,43 %

6.Kimi K2.657,3 %

7.DeepSeek-V4-Pro56,18 %

8.GLM-5.153,93 %

9.Gemini 3 Flash51,69 %

10.GLM-549,44 %

11.GPT-5.4 mini44,94 %

12.Grok 4.343,45 %

13.Kimi K2.540,45 %

14.GPT-5.4 nano39,89 %

15.GLM-4.738,2 %

16.GPT-537,08 %

16.Kimi K2 Thinking37,08 %

18.Gemini 2.5 Pro30,34 %

19.GLM-4.628,09 %

20.GPT-5 mini26,97 %

21.Gemini 3.1 Flash-Lite24,72 %

22.GPT OSS 120B19,1 %

23.Trinity Large Thinking17,98 %

24.GPT-4.114,61 %

Skala: 0 % - 100 %

Quelle: Vals AI

CC BY 4.0

gradually.ai

Methodik und Einordnung

Vergleichskohorte: vals-terminal-bench-2:2.0:overall
Messgröße: accuracy
Skala: 0-100
Teilnehmer: 24
Methodik und Einordnung: Kennung des Quellmodells: kimi/kimi-k2-thinking. Name des Quellmodells: Kimi K2 Thinking. Evaluator: Vals AI. Datensatztyp: public. Stand der Rangliste: 2026-06-04. Latenz in Sekunden: 986.553. Kosten je Aufgabe in USD: 0.115876. Quellenkennung: vals-ai. Kennung der Evidenzaufnahme: vals-terminal-bench-2-2026-09-04-12d4c34f346d. Prüfsumme der Quelldaten: 12d4c34f346dae49eab98600ff4962559491e99c55a589a5f988b82342903659. Parserversion: vals-astro-v2. Importiert am: 2026-09-04

Quelle: Vals AI

Messungen ohne passende Vergleichswerte

Für diese Messungen fehlen passende Vergleichswerte unter gleichen Testbedingungen. Die Originalwerte und Quellen bleiben hier nachlesbar.

AIME: Overall (Messwert, Testbedingungen und Quelle anzeigen)

Originalwert: 85.417
Bewertung: 85.417
Messgröße: accuracy
Einheit: %
Benchmark-Version: 1
Kategorie: math
Aufgabe: overall
Aufgabenbezeichnung: Overall
Richtung: Mehr ist besser
Vergleichskohorte: vals-aime:1:overall
Quellentyp: independent-evaluator
Auswertung: Vals AI
Status: active
Abrufdatum: 2026-09-04
Methodik: Kennung des Quellmodells: kimi/kimi-k2-thinking. Name des Quellmodells: Kimi K2 Thinking. Evaluator: Vals AI. Datensatztyp: public. Stand der Rangliste: 2026-04-16. Latenz in Sekunden: 924.913. Kosten je Aufgabe in USD: 0.044508. Quellenkennung: vals-ai. Kennung der Evidenzaufnahme: vals-aime-2026-09-04-ab904d5655de. Prüfsumme der Quelldaten: ab904d5655de635c6d89d8e7b15a28996af0ceb1900d3589b2676c3de5eb9ab7. Parserversion: vals-astro-v2. Importiert am: 2026-09-04
Einordnung: Der Benchmark ist im Quelldatensatz als archiviert markiert. Der Wert bleibt als historische Evidenz sichtbar und ist nicht mit einer aktiven Rangliste gleichzusetzen.

Quelle Vals AI

Dokumentierte Messdetails

Jede Beobachtung enthält den Quellwert und die veröffentlichten Testbedingungen.

CorpFin v2: Overall (Messwert, Testbedingungen und Quelle anzeigen)

Originalwert: 60.567
Bewertung: 60.567
Messgröße: accuracy
Einheit: %
Benchmark-Version: 2
Kategorie: finance
Aufgabe: overall
Aufgabenbezeichnung: Overall
Richtung: Mehr ist besser
Vergleichskohorte: vals-corp-fin-v2:2:overall
Quellentyp: independent-evaluator
Auswertung: Vals AI
Status: active
Abrufdatum: 2026-09-04
Methodik: Kennung des Quellmodells: kimi/kimi-k2-thinking. Name des Quellmodells: Kimi K2 Thinking. Evaluator: Vals AI. Datensatztyp: private. Stand der Rangliste: 2026-08-12. Latenz in Sekunden: 93.297. Kosten je Aufgabe in USD: 0.038163. Quellenkennung: vals-ai. Kennung der Evidenzaufnahme: vals-corp_fin_v2-2026-09-04-46dad6684551. Prüfsumme der Quelldaten: 46dad668455190ee4239b7c743d00d81c6fd3127e0d87123c518ec107c13b44d. Parserversion: vals-astro-v2. Importiert am: 2026-09-04

Quelle Vals AI

GPQA Diamond: Overall (Messwert, Testbedingungen und Quelle anzeigen)

Originalwert: 78.536
Bewertung: 78.536
Messgröße: accuracy
Einheit: %
Benchmark-Version: 1
Kategorie: reasoning
Aufgabe: overall
Aufgabenbezeichnung: Overall
Richtung: Mehr ist besser
Vergleichskohorte: vals-gpqa:1:overall
Quellentyp: independent-evaluator
Auswertung: Vals AI
Status: active
Abrufdatum: 2026-09-04
Methodik: Kennung des Quellmodells: kimi/kimi-k2-thinking. Name des Quellmodells: Kimi K2 Thinking. Evaluator: Vals AI. Datensatztyp: public. Stand der Rangliste: 2026-09-01. Latenz in Sekunden: 585.555. Kosten je Aufgabe in USD: 0.023072. Quellenkennung: vals-ai. Kennung der Evidenzaufnahme: vals-gpqa-2026-09-04-fc438726f0d8. Prüfsumme der Quelldaten: fc438726f0d8523d320f02d75ae372a3fa38b28b36f70fe318d119f55153560d. Parserversion: vals-astro-v2. Importiert am: 2026-09-04

Quelle Vals AI

LiveCodeBench v6: Overall (Messwert, Testbedingungen und Quelle anzeigen)

Originalwert: 63.145
Bewertung: 63.145
Messgröße: accuracy
Einheit: %
Benchmark-Version: 1
Kategorie: coding
Aufgabe: overall
Aufgabenbezeichnung: Overall
Richtung: Mehr ist besser
Vergleichskohorte: vals-lcb:1:overall
Quellentyp: independent-evaluator
Auswertung: Vals AI
Status: active
Abrufdatum: 2026-09-04
Methodik: Kennung des Quellmodells: kimi/kimi-k2-thinking. Name des Quellmodells: Kimi K2 Thinking. Evaluator: Vals AI. Datensatztyp: public. Stand der Rangliste: 2026-09-01. Latenz in Sekunden: 1150.624. Kosten je Aufgabe in USD: 0.033631. Quellenkennung: vals-ai. Kennung der Evidenzaufnahme: vals-lcb-2026-09-04-95ca83387127. Prüfsumme der Quelldaten: 95ca83387127df287e9a6d928c411c98c9b65b4cefeee46eb4008ca1521f5ed4. Parserversion: vals-astro-v2. Importiert am: 2026-09-04

Quelle Vals AI

LegalBench: Overall (Messwert, Testbedingungen und Quelle anzeigen)

Originalwert: 80.201
Bewertung: 80.201
Messgröße: accuracy
Einheit: %
Benchmark-Version: 1
Kategorie: legal
Aufgabe: overall
Aufgabenbezeichnung: Overall
Richtung: Mehr ist besser
Vergleichskohorte: vals-legal-bench:1:overall
Quellentyp: independent-evaluator
Auswertung: Vals AI
Status: active
Abrufdatum: 2026-09-04
Methodik: Kennung des Quellmodells: kimi/kimi-k2-thinking. Name des Quellmodells: Kimi K2 Thinking. Evaluator: Vals AI. Datensatztyp: public. Stand der Rangliste: 2026-09-01. Latenz in Sekunden: 43.991. Kosten je Aufgabe in USD: 0.002182. Quellenkennung: vals-ai. Kennung der Evidenzaufnahme: vals-legal_bench-2026-09-04-ff81649923fb. Prüfsumme der Quelldaten: ff81649923fb684ff37d5f557fd320ba5ab433927831065ed781a94548f480ef. Parserversion: vals-astro-v2. Importiert am: 2026-09-04

Quelle Vals AI

MedQA: Overall (Messwert, Testbedingungen und Quelle anzeigen)

Originalwert: 92.592
Bewertung: 92.592
Messgröße: accuracy
Einheit: %
Benchmark-Version: 1
Kategorie: health
Aufgabe: overall
Aufgabenbezeichnung: Overall
Richtung: Mehr ist besser
Vergleichskohorte: vals-medqa:1:overall
Quellentyp: independent-evaluator
Auswertung: Vals AI
Status: active
Abrufdatum: 2026-09-04
Methodik: Kennung des Quellmodells: kimi/kimi-k2-thinking. Name des Quellmodells: Kimi K2 Thinking. Evaluator: Vals AI. Datensatztyp: public. Stand der Rangliste: 2026-04-16. Latenz in Sekunden: 225.305. Kosten je Aufgabe in USD: 0.006153. Quellenkennung: vals-ai. Kennung der Evidenzaufnahme: vals-medqa-2026-09-04-de083a524dbf. Prüfsumme der Quelldaten: de083a524dbf0fa1c2da5cf0a06bd001693d2426690681ffac4cd93ccf3fbeba. Parserversion: vals-astro-v2. Importiert am: 2026-09-04

Quelle Vals AI

MGSM: Overall (Messwert, Testbedingungen und Quelle anzeigen)

Originalwert: 90.146
Bewertung: 90.146
Messgröße: accuracy
Einheit: %
Benchmark-Version: 1
Kategorie: math
Aufgabe: overall
Aufgabenbezeichnung: Overall
Richtung: Mehr ist besser
Vergleichskohorte: vals-mgsm:1:overall
Quellentyp: independent-evaluator
Auswertung: Vals AI
Status: active
Abrufdatum: 2026-09-04
Methodik: Kennung des Quellmodells: kimi/kimi-k2-thinking. Name des Quellmodells: Kimi K2 Thinking. Evaluator: Vals AI. Datensatztyp: public. Stand der Rangliste: 2026-01-09. Latenz in Sekunden: 48.41. Kosten je Aufgabe in USD: 0.000891. Quellenkennung: vals-ai. Kennung der Evidenzaufnahme: vals-mgsm-2026-09-04-8454c4c2a5d6. Prüfsumme der Quelldaten: 8454c4c2a5d6a567e4c17ce67f5f6eb9f3589353348190378d4b83b2df182750. Parserversion: vals-astro-v2. Importiert am: 2026-09-04

Quelle Vals AI

MMLU-Pro: Overall (Messwert, Testbedingungen und Quelle anzeigen)

Originalwert: 81.068
Bewertung: 81.068
Messgröße: accuracy
Einheit: %
Benchmark-Version: 1
Kategorie: knowledge
Aufgabe: overall
Aufgabenbezeichnung: Overall
Richtung: Mehr ist besser
Vergleichskohorte: vals-mmlu-pro:1:overall
Quellentyp: independent-evaluator
Auswertung: Vals AI
Status: active
Abrufdatum: 2026-09-04
Methodik: Kennung des Quellmodells: kimi/kimi-k2-thinking. Name des Quellmodells: Kimi K2 Thinking. Evaluator: Vals AI. Datensatztyp: public. Stand der Rangliste: 2026-09-01. Latenz in Sekunden: 94.771. Kosten je Aufgabe in USD: 0.002067. Quellenkennung: vals-ai. Kennung der Evidenzaufnahme: vals-mmlu_pro-2026-09-04-94eef672a38c. Prüfsumme der Quelldaten: 94eef672a38c8146fc1334fecbd173c083343c88de0f3047ae7d034776227e0f. Parserversion: vals-astro-v2. Importiert am: 2026-09-04

Quelle Vals AI

Agent Poker Bench: Overall (Messwert, Testbedingungen und Quelle anzeigen)

Originalwert: 1011.6338984569228
Bewertung: 1011.6338984569228
Messgröße: TrueSkill rating
Einheit: rating
Benchmark-Version: 1
Kategorie: agentic
Aufgabe: overall
Aufgabenbezeichnung: Overall
Richtung: Mehr ist besser
Vergleichskohorte: vals-poker-agent:1:overall
Quellentyp: independent-evaluator
Auswertung: Vals AI
Status: active
Abrufdatum: 2026-09-04
Methodik: Kennung des Quellmodells: kimi/kimi-k2-thinking. Name des Quellmodells: Kimi K2 Thinking. Evaluator: Vals AI. Datensatztyp: private. Stand der Rangliste: 2025-12-23. Latenz in Sekunden: 71.72413331456877. Standardfehler: 0. Kosten je Aufgabe in USD: 0.02410503610648917. Quellenkennung: vals-ai. Kennung der Evidenzaufnahme: vals-poker_agent-2026-09-04-2bf0dd7f88e8. Prüfsumme der Quelldaten: 2bf0dd7f88e861267360c45be912a71a2bde6ad507e691c297717570f949ee61. Parserversion: vals-astro-v2. Importiert am: 2026-09-04

Quelle Vals AI

SWE-bench Verified: Overall (Messwert, Testbedingungen und Quelle anzeigen)

Originalwert: 60.2
Bewertung: 60.2
Messgröße: accuracy
Einheit: %
Benchmark-Version: 1
Kategorie: coding
Aufgabe: overall
Aufgabenbezeichnung: Overall
Richtung: Mehr ist besser
Vergleichskohorte: vals-swebench:1:overall
Quellentyp: independent-evaluator
Auswertung: Vals AI
Status: active
Abrufdatum: 2026-09-04
Methodik: Kennung des Quellmodells: kimi/kimi-k2-thinking. Name des Quellmodells: Kimi K2 Thinking. Evaluator: Vals AI. Datensatztyp: public. Stand der Rangliste: 2026-09-01. Latenz in Sekunden: 1632.209. Kosten je Aufgabe in USD: 0.366026. Quellenkennung: vals-ai. Kennung der Evidenzaufnahme: vals-swebench-2026-09-04-23e2d6d631b6. Prüfsumme der Quelldaten: 23e2d6d631b6dd94d25738415e287bece2e24eddbe0f699838f5e50efe93a54a. Parserversion: vals-astro-v2. Importiert am: 2026-09-04

Quelle Vals AI

TaxEval v2: Overall (Messwert, Testbedingungen und Quelle anzeigen)

Originalwert: 71.709
Bewertung: 71.709
Messgröße: accuracy
Einheit: %
Benchmark-Version: 2
Kategorie: finance
Aufgabe: overall
Aufgabenbezeichnung: Overall
Richtung: Mehr ist besser
Vergleichskohorte: vals-tax-eval-v2:2:overall
Quellentyp: independent-evaluator
Auswertung: Vals AI
Status: active
Abrufdatum: 2026-09-04
Methodik: Kennung des Quellmodells: kimi/kimi-k2-thinking. Name des Quellmodells: Kimi K2 Thinking. Evaluator: Vals AI. Datensatztyp: private. Stand der Rangliste: 2026-09-01. Latenz in Sekunden: 61.408. Kosten je Aufgabe in USD: 0.00913. Quellenkennung: vals-ai. Kennung der Evidenzaufnahme: vals-tax_eval_v2-2026-09-04-f0e140ab16fc. Prüfsumme der Quelldaten: f0e140ab16fcb52041f4f87d2872273c03ca8014fdb69b3da9afd01b0f1e77ec. Parserversion: vals-astro-v2. Importiert am: 2026-09-04

Quelle Vals AI

Terminal-Bench 2.0: Overall (Messwert, Testbedingungen und Quelle anzeigen)

Originalwert: 37.079
Bewertung: 37.079
Messgröße: accuracy
Einheit: %
Benchmark-Version: 2.0
Kategorie: agentic
Aufgabe: overall
Aufgabenbezeichnung: Overall
Richtung: Mehr ist besser
Vergleichskohorte: vals-terminal-bench-2:2.0:overall
Quellentyp: independent-evaluator
Auswertung: Vals AI
Status: active
Abrufdatum: 2026-09-04
Methodik: Kennung des Quellmodells: kimi/kimi-k2-thinking. Name des Quellmodells: Kimi K2 Thinking. Evaluator: Vals AI. Datensatztyp: public. Stand der Rangliste: 2026-06-04. Latenz in Sekunden: 986.553. Kosten je Aufgabe in USD: 0.115876. Quellenkennung: vals-ai. Kennung der Evidenzaufnahme: vals-terminal-bench-2-2026-09-04-12d4c34f346d. Prüfsumme der Quelldaten: 12d4c34f346dae49eab98600ff4962559491e99c55a589a5f988b82342903659. Parserversion: vals-astro-v2. Importiert am: 2026-09-04

Quelle Vals AI

Eigene Modelltests

Community-Tests zum Anschauen

Vergleiche, wie die Modelle denselben Prompt umsetzen. Jeder Test zeigt den ersten Versuch, ohne nachträgliche Korrekturen am erzeugten Code. Die Ergebnisse fließen nicht in einen Gesamtscore ein.

Pelikan auf dem Fahrrad

Community-Klassiker für eine freie SVG-Zeichnung.

Kimi K2 Thinking

Noch nicht getestet

Prompt und Testbedingungen

Generate an SVG of a pelican riding a bicycle

Tokenlimit inklusive Reasoning: 8.192 Token

Ursprung der Aufgabe (Simon Willison)

Kimi K2 Thinking

Veröffentlichte Benchmarks

Finanzen

CorpFin v2

TaxEval v2

GPQA Diamond

Programmieren

LiveCodeBench v6

SWE-bench Verified

LegalBench

MedQA

MGSM

MMLU-Pro

Agentenaufgaben

Agent Poker Bench

Terminal-Bench 2.0

Messungen ohne passende Vergleichswerte

Dokumentierte Messdetails

Community-Tests zum Anschauen

Pelikan auf dem Fahrrad

Technische Daten und Zugang

Weitere Quellenangaben

Veröffentlichte Preise

100 API-Anfragen

Dieses Modell im Vergleich

Quellen und Datenstand