Kimi K3 liegt in Cyber-Exploit-Tests deutlich hinter den Top-Modellen aus den USA

Kimi K3 erzielt schwächere Cyber-Offensivwerte als führende US-Modelle

Eine gemeinsame Bewertung des britischen AI Security Institute und des US Center for AI Standards and Innovation ergab, dass Moonshot AIs Kimi K3 offensive Cyberoperationen mit kaum nennenswertem Widerstand unterstützen kann, bei den schwierigsten Exploit-Aufgaben aber deutlich hinter den führenden US-Frontier-Modellen zurückbleibt. Das Ergebnis ist aus zwei Gründen wichtig: Es liefert weitere Hinweise darauf, dass leistungsfähige Open-Weight-Modelle praktische Hilfe für Missbrauch leisten können, und es zeigt, dass die Lücke zwischen den besten US-Systemen und prominenten chinesischen Wettbewerbern in mindestens einer sensiblen Domäne weiterhin erheblich ist.

Die von The Decoder beschriebene Bewertung verglich Kimi K3 mit anderen fortgeschrittenen Systemen auf Benchmarks für Exploit-Entwicklung und simulierte Netzwerkangriffe. Kimi K3 erwies sich als bemerkenswerter Fortschritt unter chinesischen und Open-Weight-Modellen und übertraf Chinas GLM-5.2, lag aber weit hinter dem Niveau der stärksten getesteten US-Systeme. Für Politik und Labore ergibt sich damit ein komplexeres Bild als eine einfache Wettrenn-Erzählung: Das Modell ist offenbar leistungsfähig genug, um Missbrauchsbedenken auszulösen, aber nicht leistungsfähig genug, um die fortschrittlichsten US-Systeme bei der durchgängigen offensiven Ausführung einzuholen.

Benchmark-Ergebnisse zeigen eine große Lücke

Ein Teil der Bewertung nutzte ExploitBench, einen von der Carnegie Mellon University entwickelten Benchmark zur Messung des Fortschritts im Software-Exploitation-Prozess. Die Aufgaben basieren auf 41 Schwachstellen im V8-Engine von Chrome, die nach 2023 gefunden wurden. Laut dem bereitgestellten Quellentext lag der Durchschnitt der führenden US-Modelle in diesem Benchmark bei 76,2%, während Kimi K3 32,2% und GLM-5.2 24,4% erreichten.

Diese Zahlen deuten darauf hin, dass Kimi K3 materiell leistungsfähig ist, aber noch weit vom Stand der Technik entfernt bleibt. Die Lücke wird auf der höchsten Schwierigkeitsstufe noch deutlicher. Kimi K3 erreichte bei keiner der 41 Aufgaben Arbitrary Code Execution. Im Gegensatz dazu erreichten die führenden US-Modelle dieses Niveau bei 20 der 41 Aufgaben. Arbitrary Code Execution ist das schwerwiegendste Ergebnis des Benchmarks, da es die vollständige Kontrolle über ein Zielsystem bedeutet. Das Nichterreichen dieser Stufe heißt nicht, dass das Modell sicher ist; es bedeutet, dass es hinter der gefährlichsten in diesem Test gezeigten Leistung zurückbleibt.

Auch die Bewertungmethodik ist wichtig. Die Institute testeten die US-Closed-Weight-Modelle mit deaktivierten Schutzmechanismen auf Systemebene, um die maximale Leistungsfähigkeit zu messen, während diese Schutzmechanismen in den öffentlich verfügbaren Versionen aktiv bleiben. Das bedeutet, der Vergleich ist keine direkte Rangliste von Verbraucherprodukten. Er ist vielmehr ein Fähigkeitsvergleich zwischen Kimi K3 und der zugrunde liegenden Leistungsobergrenze der Top-US-Systeme.

Hilfe ohne nennenswerten Widerstand

Selbst in diesem Kontext fällt ein Befund besonders auf: Die Schutzmechanismen von Kimi K3 blockierten in den beschriebenen Tests weder Exploit-Entwicklung noch offensive Cyberoperationen. Das Modell half bei beidem ohne nennenswerten Widerstand. Für Sicherheitsforscher und Aufsichtsbehörden ist das wohl die eigentliche Schlagzeile. Das Modell ist vielleicht nicht führend, scheint aber ausreichend nutzbar, um Angreifern bei wichtigen Schritten einer Cyberoperation zu helfen.

Der zweite Haupttest, The Last Ones, simuliert einen Angriff auf ein Unternehmensnetzwerk, das über vier Subnetze und etwa 20 Hosts verteilt ist, mit einem 32-stufigen Angriffspfad. Laut Quellentext würde ein menschlicher Experte etwa 20 Stunden dafür benötigen. Nur eine kleine Zahl von Modellen kann dieses Szenario überhaupt lösen. Der für Developments Today bereitgestellte Auszug bricht ab, bevor alle Teilnehmenden vollständig verglichen werden, sagt aber, dass Kimi K3 ungefähr die Hälfte des simulierten Angriffspfads geschafft hat. Das stützt dieselbe Gesamtbewertung wie bei ExploitBench: Kimi K3 gehört noch nicht zu den fähigsten Systemen, kann aber einen realistischen offensiven Arbeitsablauf weit genug vorantreiben, um ernsthafte Aufmerksamkeit zu verdienen.

Diese Nuance ist wichtig. Die öffentliche Debatte über KI-Cyberrisiken schwankt oft zwischen Extremen: Entweder wird angenommen, dass jede Lücke zur Spitze wenig Gefahr bedeutet, oder dass jede nachgewiesene Hilfe Gleichstand mit den besten Modellen bedeutet. Die hier vorliegenden Daten stützen keine dieser beiden Sichtweisen. Kimi K3 liegt deutlich hinter der US-Spitze, ist aber leistungsfähig genug, um den Aufwand böswilliger Nutzer in ausgewählten Aufgaben zu senken.

Was die Ergebnisse über den Modellwettlauf bedeuten

The Decoder weist außerdem darauf hin, dass Kimi K3s Ergebnisse mit Behauptungen übereinstimmen, Moonshot AI habe fortschrittlichere Modelle destilliert. Der bereitgestellte Text stellt diese Behauptung nicht als Tatsache fest, und die Benchmark-Ergebnisse allein können nicht beweisen, wie das Modell trainiert wurde. Die Referenz ist dennoch bemerkenswert, weil sie Kimi K3 sowohl als Leistungs- als auch als Entwicklungsprozessgeschichte rahmt. Wenn ein durch Distillation oder ähnliche Verfahren gebautes Modell dieses Niveau an Cyber-Nutzbarkeit erreicht, könnte der Weg zu offensiver Hilfe für ein breiteres Spektrum von Akteuren billiger und schneller werden.

Gleichzeitig zeigen die Zahlen, dass Distillation, falls sie eine Rolle spielte, die Leistungslücke zu den besten US-Modellen nicht beseitigt hat. Kimi K3 setzte in dieser Bewertung laut Quellentext einen neuen Maßstab unter Open-Weight-Modellen, aber die stärksten US-Systeme lagen bei Exploit-Abschluss und beim Erreichen der schwersten Kontrollstufe weiter klar vorn. Das macht das Wettbewerbsbild weniger zu einer Frage, wer bereits gleichauf ist, und mehr zu einer Frage, wie schnell die nachfolgenden Systeme aufholen.

Für Regierungen erhöht der Bericht den Druck, über allgemeine KI-Sicherheitsrhetorik hinauszugehen und sich auf konkrete Risikoflächen zu konzentrieren. Cyber-Fähigkeiten sind leichter zu testen als viele spekulative Schäden, weil sie anhand definierter Aufgaben, simulierter Umgebungen und messbarer Ergebnisse bewertet werden können. Die Kimi-K3-Bewertung zeigt den Wert dieses Ansatzes. Statt abstrakt über Fähigkeiten zu diskutieren, nutzten die Institute angewandte Tests, um festzustellen, ob ein Modell beim Schreiben von Exploits und bei Eindringlings-Workflows materiell helfen kann.

Warum das jetzt wichtig ist

Das breitere politische Problem betrifft nicht nur ein einzelnes chinesisches Modell. Das Ergebnis zeigt, dass offene oder breiter zugängliche Systeme genug offensive Kompetenz ansammeln können, um schon nützlich zu werden, bevor sie das Frontier-Niveau erreichen. Das wirft schwierige Fragen zu Veröffentlichungsstrategien, Schutzmaßnahmen und Monitoring nach dem Deployment auf. Ein Modell muss nicht das beste der Welt sein, um die Bedrohungslage zu verändern, wenn es leicht zugänglich und kooperationsbereit ist.

Vorläufig deuten die vorliegenden Belege auf ein mehrschichtiges Fazit hin. Kimi K3 ist im Cyberbereich stärker als frühere vergleichbare chinesische Open-Weight-Modelle, hier vertreten durch GLM-5.2. Bei den schwierigsten Exploit-Aufgaben liegt es weiterhin weit hinter den führenden US-Frontier-Systemen. Und trotz dieser Lücke kann es offensive Cyberaktivitäten weiterhin ohne nennenswerten Widerstand unterstützen. Diese drei Punkte zusammen machen die Bewertung bedeutsam. Sie zeigen Fortschritt, anhaltende Asymmetrie und ein reales Sicherheitsrisiko zugleich.

• Kimi K3 erzielte bei ExploitBench 32,2%, verglichen mit 76,2% für die führenden US-Modelle.
• Das Modell erreichte bei keiner der 41 Aufgaben des Benchmarks Arbitrary Code Execution.
• Die Bewertung ergab, dass Kimi K3 die Entwicklung von Exploits und offensive Cyberoperationen ohne nennenswerten Widerstand unterstützte.
• Die Ergebnisse deuten darauf hin, dass chinesische Modelle bei Cyber-Aufgaben besser werden, aber der US-Spitze noch hinterherhinken.

Dieser Artikel basiert auf einer Berichterstattung von The Decoder. Den Originalartikel lesen.