AWS stellt Kimi K3.1 Pro Highspeed auf Amazon Bedrock bereit

Amazon Web Services hat Moonshot AIs Kimi K3.1 Pro Highspeed am 10. November 2026 auf Amazon Bedrock bereitgestellt. Das Modell bietet über globale, US-amerikanische und indische Inferenzprofile ein Kontextfenster von 1 Million Tokens. Moonshot AI zufolge erzeugt die Highspeed-Variante Ausgaben zwei- bis dreimal schneller als K3.1 Pro.

Das zugrunde liegende Modell wurde bereits am 4. November 2026 eingeführt, noch vor seiner Bereitstellung auf Bedrock. K3.1 Pro ist eine nachtrainierte Version von Kimi K3. Sie behält die Open-Weight-Architektur der 3T-Klasse und das Kontextfenster bei, verwendet für das Nachtraining jedoch erheblich mehr Rechenleistung. Moonshot AI zufolge zielt das zusätzliche Training auf lang andauernde agentische Aufgaben und eine Verringerung faktischer Fehler ab. Verbesserungen gibt es bei der Finanzmodellierung, bei Office-Dokumenten sowie beim Programmieren für Game Engines, 3D-Szenen und CAD-Skripte.

Beim agentischen Programmieren kann eine einzelne Aufgabe zahlreiche aufeinanderfolgende Modellaufrufe erfordern: Dateien lesen, Änderungen planen, Code bearbeiten, Tests ausführen und Fehler beheben. Eine höhere Ausgaberate bei Tokens kann die Generierungszeit jedes einzelnen Schritts verkürzen. Bestehende Implementierungen von Kimi K3 auf Bedrock lassen sich durch Ändern der Modell-ID umstellen. Das neue Modell unterstützt außerdem Tool-Aufrufe, strukturierte Ausgaben, konfigurierbares Schlussfolgern, Bildeingaben und Streaming über denselben Endpunkt und dieselben APIs. AWS zeigt zudem OpenCode, einen quelloffenen Programmieragenten für das Terminal, der über Chat Completions und einen Bedrock-API-Schlüssel angebunden ist.

Zugriff und Datenresidenz

Entwickler können das Modell über die OpenAI-kompatiblen APIs Chat Completions und Responses oder über Bedrocks APIs Converse und Invoke aufrufen. AWS empfiehlt Chat Completions. Das globale regionsübergreifende Inferenzprofil leitet Anfragen an jede unterstützte kommerzielle AWS-Region weiter. Die Profile für die USA und Indien beschränken die Weiterleitung dagegen auf die jeweiligen geografischen Gebiete, um Anforderungen an die Datenresidenz zu erfüllen. Anfragen aus Indien werden zwischen Mumbai und Hyderabad weitergeleitet.

AWS zufolge verbleiben Inferenzdaten innerhalb der AWS-Datengrenze, werden nicht mit Moonshot AI geteilt und nicht zum Trainieren des Modells verwendet. Bei Inferenzanfragen ist die Speicherung von Daten stets deaktiviert. AWS-Mitarbeiter können Prompts oder generierte Antworten während der Inferenz nicht einsehen.

Preise und Kostenkontrolle

Die Preise der Standardstufe richten sich nach dem Weiterleitungsprofil. Alle folgenden Preise gelten pro 1 Million Tokens:

Auf der Bedrock-Preisseite ist für das zuvor verfügbare Kimi K3 bei globaler Standardinferenz ein Preis von 3,00 $ pro Million Eingabe-Tokens und 15,00 $ pro Million Ausgabe-Tokens angegeben. Das neue Modell hat somit höhere Preise für Ein- und Ausgaben, obwohl sein globaler Preis für Cache-Lesezugriffe mit 0,30 $ pro Million Tokens unter dem von K3 liegt.

Flex bietet Inferenz zum halben Standardpreis, kann dafür aber längere Antwortzeiten mit sich bringen. Bei Priority fällt ein Aufpreis von 75 % an. Die Stufe lässt sich für jede Anfrage einzeln auswählen. So kann eine Anwendung Standard für den regulären Datenverkehr, Priority für latenzkritische Aufrufe und Flex für Evaluierungen, Zusammenfassungen oder Hintergrundaufgaben von Agenten nutzen.

Explizites Prompt-Caching eignet sich für wiederkehrende Kontextinhalte wie Systemanweisungen, Tool-Definitionen und Konventionen eines Repositorys. Jeder Breakpoint muss auf mindestens 256 Tokens stabilen Inhalts folgen. Die Funktion wird von Responses, Chat Completions und Invoke unterstützt, nicht aber von Converse. Cache-Lesezugriffe sind günstiger und werden nicht auf das Kontingent für Eingabe-Tokens pro Minute angerechnet. Schreibzugriffe sind dagegen teurer als die standardmäßige Eingabe.

Grenzen bei Schlussfolgerungen und Kompatibilität

Die Modellkarte nennt die Einstellungen none, low, medium, high, xhigh und max für das Schlussfolgern; standardmäßig wird max verwendet. Mit der Einstellung none wird das Schlussfolgern für eine Anfrage deaktiviert. Eine geringere Rechenintensität kann Latenz und Tokenverbrauch auf Kosten der Aufgabenleistung senken. Daher ist die Standardeinstellung für kostenempfindliche Arbeitslasten besonders wichtig.

Converse unterliegt neben der fehlenden Unterstützung für explizites Caching weiteren Einschränkungen. Bei mehrteiligen Anfragen kann ein interner Serverfehler auftreten, wenn Schlussfolgerungsinhalte aus früheren Gesprächsrunden enthalten sind. Dies betrifft Frameworks wie LangChain und Strands Agents in ihrer Standardkonfiguration. AWS empfiehlt, bei mehrteiligen Converse-Anfragen vorherige Schlussfolgerungsblöcke zu entfernen. Converse weist außerdem angehängte PDF- und HTML-Dokumente zurück. Bedrock unterstützt für dieses Modell keine Videoeingaben.

Jedes Ausgabetoken wird außerdem mit 10 Tokens auf das geltende Kontingent des Endpunkts bedrock-runtime angerechnet. Das ist ein zusätzlicher Kapazitätsfaktor, der unabhängig von der Abrechnung pro Token zu berücksichtigen ist.

Für bestehende K3-Nutzer erfordert der Wechsel nur wenige Codeänderungen. Die betrieblichen Abwägungen gehen jedoch über die Kompatibilität hinaus. Der mögliche Vorteil ist, dass aufeinanderfolgende Agentenaufgaben schneller abgeschlossen werden. Dem stehen höhere Preise für Ein- und Ausgaben sowie ein durch Schlussfolgerungen bedingter Tokenverbrauch und die Belastung des Kontingents gegenüber. Mit Flex, Caching und den Einstellungen für die Rechenintensität stellt AWS Optionen bereit, um diese Anforderungen auszubalancieren.