Kimi K3.1 Pro مقابل Grok 4.7: الدقة نفسها، وفاتورة أكبر بنسبة 72%

في اختبار خاص لتحليل البيانات مكوّن من 43 سؤالًا أُعدّ على مستودع اصطناعي لمزرعة رياح، Kimi K3.1 Pro وGrok 4.7سجّل كلاهما درجة 42. لم يكن أيّ من النموذجين قد رأى الأسئلة، وكانت البيانات مُلفّقة بحيث لا يمكن حفظ أي إجابة. الدرجة نفسها، والترتيب نفسه — بالتعادل على المركز الثالث من بين 34 نموذجًا جرى اختبارها. لم تكن الفواتير متماثلة: كلّف تشغيل Kimi 13.47 دولارًا وكلّف تشغيل Grok 7.85 دولارًا.

ذلك الزوج من الأرقام هو أكثر ما نُشر فائدةً حول هذه المواجهة، لأنه المواجهة المباشرة الوحيدة التي شغّل فيها الأشخاص أنفسهم كلا النموذجين، في اليوم نفسه، وضد الإجابات نفسها. أما كل ما عدا ذلك تقريبًا مما هو متداول فهو إما معيار قياس من مورّد أُنتج في ظل هيكل مختلف، أو مقارنة تستبدل Kimi K3 بـ Kimi K3.1 Pro بهدوء. لذا يبدأ هذا المقال بما تُظهره الاختبارات المحايدة، ثم يفصل بين الاختلافات الحقيقية وتلك التي هي من صنع مَن أجرى الاختبار.

نموذجان، رهانان مختلفان تمامًا

وصل Kimi K3.1 Pro في 23 أكتوبر 2026 بوصفه خَلَفًا مُدرَّبًا لاحقًا لـ Kimi K3 وليس بنية جديدة. أبقَت Moonshot AI على العمود الفقري لمزيج الخبراء البالغ 2.8 تريليون معامل، ونافذة السياق البالغة 1,048,576 رمزًا، وإدخال الصور والفيديو الأصلي، وكرّست الإصدار للتعلم المعزز عبر المجالات الوكيلية والمهنية. ومن الموعود بإتاحة الأوزان الكاملة بحلول 4 نوفمبر 2026.

أُطلق Grok 4.7 قبل شهر، في 21 سبتمبر 2026، من xAI. وهو احتكاري، ويقوم على قاعدة مُبلَّغ عنها بنحو 2.1 تريليون معامل لم تؤكدها xAI، ويتضمن نافذة إدخال تبلغ 500,000 رمز مع سقف إخراج يبلغ 450,000 رمز، ويحافظ على سعر Grok 4.6. وحد المعرفة الخاص به هو يونيو 2026، مع تدريب تكميلي حتى أغسطس.

• السعر — Kimi K3.1 Pro: $2.00 للإدخال / $10.00 للإخراج لكل مليون رمز؛ Grok 4.7: $2.00 / $6.00، ويرتفع إلى $4.00 / $12.00 بمجرد تجاوز الموجّه 200 ألف رمز.

• الإدخال المخزّن مؤقتًا — $0.20 على Kimi مقابل $0.50 على Grok، وهو انعكاس يهم أكثر من السعر المعلن بالنسبة للوكلاء الذين يعيدون قراءة المستودع نفسه في كل دورة.

• السياق — 1,048,576 رمزًا مقابل 500,000. كما يسمح Kimi بما يصل إلى 943,718 رمزًا للإخراج في استجابة واحدة، وهو لا يعد ميزة بقدر ما هو بيان عن الغرض الذي صُمم النموذج من أجله.

• الوسائط — نص وصورة وفيديو كمدخلات، ونص كمخرجات على Kimi؛ نص وصورة وملف كمدخلات، ونص كمخرجات على Grok.

• التحكم في الاستدلال — يستخدم Kimi الاستدلال افتراضيًا مع إمكانية اختيار مستوى الجهد؛ بينما يتيح Grok المستويات منخفض ومتوسط وعالٍ وxhigh، ولا يسمح لك بإيقاف الاستدلال.

• الانفتاح — الأوزان الموعودة بحلول 4 نوفمبر على Kimi؛ أما Grok فهو عبر API فقط وسيبقى كذلك.

الأرض المحايدة، وكم هي رقيقة.

اختبار Plotly هو أنظف مقارنة متاحة. إنه اختبار خاص من 43 سؤالًا على مستودع بيانات اصطناعي لأسطول طاقة الرياح، مقسّم إلى أسئلة تحليلية، وطلبات غامضة، وطلبات مستحيلة، ومصائد إحصائية، وفحوص جودة البيانات، وخمسة أنماط مزروعة ينبغي لمحلل جيد أن يكتشفها من تلقاء نفسه. اجتاز Kimi K3.1 Pro 42، ارتفاعًا من 35 لدى Kimi K3. كما اجتاز Grok 4.7 42. وكلاهما يتخلف عن GPT-6.1 Sol وGPT-6 Astra عند 43.

التفصيل الكامن وراء التعادل هو حيث يفترق النموذجان. وجد Kimi جميع الأنماط الخمسة المزروعة والتقط جميع مشكلات جودة البيانات الثلاث — الصفوف المكررة، ويوم أخير مفقود، والفرق بين توربين خارج الخدمة وآخر ينتج صفرًا فعليًا. وكان إخفاقه الوحيد خطأً حدوديًا: فقد عدّ 2,775 يوم توربين من قبل تثبيت برنامج ثابت على أنها "برنامج ثابت آخر"، مما حرّك متوسطًا بنحو 0.0003 ووقع خارج هامش تحمّل الاختبار بقليل. هذا إخفاق في الدقة عند حدّ التعريف، وليس إخفاقًا في الاستدلال.

يشير اختبار محايد ثانٍ إلى الاتجاه المعاكس. في تقييم DualEntry للمحاسبة، حلّ Grok 4.7 في المركز الثاني مكررًا بنسبة 88.1%، بينما كان Kimi K3.1 Pro في المركز الرابع بنسبة 86.1%. كان Kimi أرخص نموذج لكل مهمة في تلك الجولة عند 0.079 دولار، لكنه كان أيضًا من أبطأ النماذج عند 125.6 ثانية لكل مهمة. اختباران محايدان، وتقاربان في النتيجة، والترتيب ينقلب بينهما. هكذا تبدو المقارنة الحقيقية بين الأقران، وهو ما لا تفعله معظم تغطيات يوم الإطلاق.

حيث تكون الاختلافات حقيقية

الكتابة ليست متقاربة. يضع ToneBench، الذي يقيّم المسودات مقابل عشرة موجزات باستخدام أربعة محكمين لكل مسودة، Kimi K3.1 Pro عند 2,205 من نقاط Elo وفي المرتبة السابعة من 83 تكوينًا، مقابل Grok 4.7 عند 1,904 وفي المرتبة الخامسة والعشرين. فترات الثقة 95% لا تتداخل: 2,166–2,246 مقابل 1,855–1,962. فاز Kimi بتسعة من عشرة نصوص وسبعة من تسعة مؤشرات فرعية، وكانت أوسع الفجوات في الالتزام بالطول (95.4 مقابل 78.7) والإشارات البصرية (84.9 مقابل 78.8). كانت انتصارات Grok ضيقة ومحصورة في النبرة وأعراف YouTube. وبتكلفة 0.251 دولار مقابل 0.215 دولار لكل نص، فإن هذا ليس قرارًا على أساس التكلفة.

العمل البرمجي والمهام الوكيلية هو المجال الذي تصبح فيه الأدلة غير واضحة، وفيه تُضلِّل معظم المقارنات. تُبلغ xAI عن Grok 4.7 بنسبة 37.6–38.0% على Terminal-Bench 4.0. وتُبلغ Moonshot عن Kimi K3.1 Pro بنسبة 65.7% على الاختبار نفسه. تفصل بين هذه الأرقام 28 نقطة، وهي لا تعني أن Grok يمثل نصف النموذج، لأن درجات Terminal-Bench تتغير بعشرات النقاط حسب إطار الاختبار والحد الزمني وعدد المحاولات المسموح بها. إن نسبة 65.7% ونسبة 38.0% اللتين أُنتجتا في مختبرين مختلفين هما قياسان مختلفان يحملان الاسم نفسه.

الأدلة البرمجية المستقلة المتاحة تميل إلى Grok، لكنها أدلة تخص Kimi K3 لا K3.1 Pro. فعلى SWE-bench Verified عند تشغيله عبر هيكل وكيل مصغّر قياسي، سجّل Grok 4.7 نسبة 95.6% مقابل 93.4% لـ Kimi K3. ولم ينشر أحد الرقم المكافئ لـ K3.1 Pro. أما أرقام Moonshot الخاصة بالمدى الطويل — 61.2% على Kimi Code Bench 3.0 Long-horizon مقابل 55.95% لـ K3، و51.7% على SWE Marathon مقابل 45.6% لـ Claude Opus 5.5 — فتشير إلى أن التدريب اللاحق قد ساعد، لكن هذا بائع يصحّح واجبه بنفسه على معيار بناه بنفسه.

السياق الطويل هو الفجوة الوحيدة في القدرات التي لا تحتاج إلى أي معيار قياس. مليون رمز مقابل خمسمائة ألف هو ضعف، وسعر إصابة الذاكرة المؤقتة لدى Kimi أقل من نصف سعر Grok. إذا كان عبء العمل مستودعًا أحاديًا أو مجموعة عقود أو سنة من تذاكر الدعم، فإن المقارنة تُحسم قبل قراءة أي نتيجة.

لماذا تختلف الفاتورة

لا تُفسَّر فجوة التكلفة البالغة 72% في اختبار Plotly ببطاقة الأسعار وحدها. فسعر مخرجات Kimi أعلى بنسبة 67%، لذا عند تساوي أعداد الرموز المميزة ستكون التكلفة أعلى — لكن ليس أعلى بنسبة 72% في اختبار أنتج فيه النموذجان نفس جودة الإجابات. أما الباقي فيأتي من مقدار ما يكتبانه وعدد الاستدعاءات التي يجريانها للوصول إلى ذلك.

بلغ متوسط Kimi نحو 7.5 استدعاءات للنموذج لكل سؤال، ووسيط 2.5 دقيقة لكل سؤال، وهو ثاني أبطأ بين 34 نموذجًا؛ وكان نحو 90% من ذلك الوقت في استجابة النموذج لا في تنفيذ SQL. وفي أسئلة الأنماط الخفية أجرى نحو 73 استدعاء أداة. وقد وجدت اختبارات Grok المستقلة في مكان آخر أنه يستهلك نحو ضعف رموز الإخراج لكل مهمة مقارنةً بما استهلكه Grok 4.6، وهو ما يعمل في الاتجاه المعاكس. وكان الأثر الصافي في هذا الاختبار أن Grok أنفق دولارات أقل لكل إجابة صحيحة على الرغم من استهلاكه مزيدًا من الرموز في كل خطوة.

تبدو الحسابات الخاصة بوكيل في بيئة الإنتاج على هذا النحو. لنأخذ مهمة تقرأ 100K من رموز الإدخال، وتكتب 8K من المخرجات، وتُشغَّل على مدى 20 جولة.

• Kimi K3.1 Pro، دون ذاكرة تخزين مؤقت — 20 جولة بتكلفة إدخال قدرها 0.20 دولار زائد إخراج 0.08 دولار تكلّف نحو 5.60 دولار لكل مهمة.

• Grok 4.7، بدون تخزين مؤقت — النمط نفسه بتكلفة $0.20 للمدخلات زائد $0.048 للمخرجات يبلغ نحو $4.96 لكل مهمة.

• Kimi K3.1 Pro، إصابة ذاكرة التخزين المؤقت بنسبة 70% — تنخفض تكلفة الإدخال إلى 0.074 دولار لكل دور، مما يرفع تكلفة المهمة إلى نحو 3.08 دولار.

• Grok 4.7، إصابة ذاكرة التخزين المؤقت بنسبة 70% — ينخفض الإدخال إلى 0.095 دولار لكل دور، مما يرفع تكلفة المهمة إلى نحو 2.86 دولار.

لذا تفوز Grok في حالة الوكيل حتى عند معدل تخزين مؤقت مرتفع، لأن رموز الإخراج تهيمن وهي تتقاضى مقابلها أقل بنسبة 40%. ولا تتفوق Kimi إلا عندما يكون الإخراج صغيرًا نسبيًا إلى الإدخال. خذ استدعاء استرجاع بإدخال 100 ألف وإخراج 1 ألف عند تخزين مؤقت بنسبة 70%: تكلّف Kimi 0.084 دولار وتكلّف Grok 0.101 دولار، أي فوز لـ Kimi بنسبة 17%. نقطة التقاطع ليست نسبة تخزين مؤقت، بل نسبة الإدخال إلى الإخراج. الأعمال كثيفة القراءة تذهب إلى Kimi، والأعمال كثيفة الكتابة تذهب إلى Grok، والنصيحة الصادقة هي قياس نسبتك الخاصة بدلًا من الوثوق بمثال أي من البائعين.

السرعة تغيّر شكل النظام، وليس الفاتورة فحسب.

يبلغ الزمن الوسيط حتى أول رمز لدى Kimi K3.1 Pro، وفق قياساتنا الخاصة، 6.9 ثوانٍ عند 48 رمزًا في الثانية. أما Grok 4.7، في اختبارات طرف ثالث، فيستغرق نحو 1.3 ثانية حتى أول رمز وبمعدل يقارب 61 رمزًا في الثانية. بالنسبة لمنتج محادثة، هذا الفرق ملحوظ. وبالنسبة لوكيل يقوم بـ20 استدعاءً متتاليًا، فهو الفرق بين مهمة تبدو فورية وأخرى تبدو معطلة، وهو السبب الحقيقي وراء منح عدة مقارنات لأدوات البرمجة الفوز إلى Grok رغم درجات Kimi الأقوى في الكتابة.

التحكم في الاستدلال يضاعف الأمر. يتيح لك Grok ضبط الجهد من منخفض إلى xhigh ويتقاضى بناءً على ذلك؛ عند إعداده المنخفض، قاس ToneBench ‏1,815 إيلو بتكلفة 0.064 دولار لكل سكربت، أي ربع تكلفة الإعداد المتوسط. يستدل Kimi افتراضيًا، وإعداد الجهد لديه أداة أكثر فظاظة، مع تثبيت أخذ العينات عند temperature 1.0 وtop_p 0.95 — قيم يرفض البدائل عنها. إذا كانت خطوة معالجة تعتمد على حتمية درجة حرارة منخفضة، فهذه مسألة توافق ينبغي تسويتها قبل قياس أداء أي شيء.

أي واحد ينتمي إلى الإنتاج؟

اختر Kimi K3.1 Pro عندما يكون العمل ذا سياق طويل وكثيف المستندات: مراجعة العقود، والبحث المالي، وتحليل المستودعات متعددة الملفات، وتدقيق جودة البيانات حيث يجب على النموذج أن يلاحظ ما هو مفقود بدلًا من الإجابة عمّا يُسأل. إن نافذة 1M، والتخزين المؤقت منخفض التكلفة، والانخفاض المُبلَّغ عنه في الادعاءات المهلوسة لدى Moonshot من 23.4% إلى 8.3% مع الأدوات، كلها تشير في الاتجاه نفسه. وهو أيضًا الوحيد من بين الاثنين الذي سيكون قابلًا للتنزيل، وهو ما يهم إذا كان عبء العمل لا يستطيع مغادرة بنيتك التحتية.

اختر Grok 4.7 عندما تكون زمن الاستجابة جزءًا من المنتج: مساعدات البرمجة التفاعلية، ووكلاء IDE، واستخدام الأدوات الموجهة للعملاء حيث تُقرأ فترة توقف مدتها ست ثوانٍ كخلل. فهو أرخص في الإخراج، وأسرع في الوصول إلى أول رمز، والأدلة البرمجية المستقلة — رغم قلتها — تصب في صالحه. نافذته البالغة 500K ليست قيدًا لمعظم أعمال المستودعات، وإن كانت كذلك لبعضها.

الإجابة غير المريحة لأي شخص يريد فائزًا واحدًا هي أن النموذجين متعادلان في الاختبار المحايد الوحيد الذي خضع له كلاهما، وأن كسر التعادل هو نسبة المدخلات إلى المخرجات لديك وميزانية زمن الاستجابة لديك. فهذه خصائص يمكنك قياسها في غضون فترة بعد الظهر، ولا يمكن لأي منشور إطلاق أن يخبرك بما هي.

تشغيل كليهما دون عقد ثانٍ

هذه هي المواجهة الوحيدة التي يكون فيها تجربة كلا النموذجين رخيصة التنظيم. يحمل OrcaRouterkimi/kimi-k3.1-pro وgrok/grok-4.7 على المفتاح نفسه، بسعر قائمة المزوّد دون أي هامش إضافي، لذا فإن مبالغ 2.00 دولار و10.00 دولارات و6.00 دولارات المذكورة أعلاه هي ما يُحتسب عليك فعليًا وليس نسخة الوسيط منها. وهذا يهم هنا أكثر من المعتاد، لأن القرار يعتمد على سلوك التخزين المؤقت وزمن الاستجابة المُقاسين داخل تطبيقك أنت — ما يعني أنك تحتاج كلا النموذجين خلف نقطة وصول واحدة وفاتورة واحدة لمقارنتهما بإنصاف.

كما يغيّر هذا سيناريو الاحتياط. فالتبديل التلقائي عند الفشل عبر المزوّدين يعني أن حدًا لمعدل الاستخدام أو انقطاعًا في أحد النماذج لا يُعطّل الميزة، كما تتيح لك لغة التوجيه DSL إرسال مسار السياق الطويل إلى Kimi والمسار التفاعلي إلى Grok ضمن سياسة واحدة بدلًا من صيانة تكاملين. وإذا كنت لا تزال تختار، فهذه طريقة لتشغيل التقييم على شريحة من حركة الإنتاج بدلًا من الاختيار من جدول مقاييس أداء.

ما الذي قد يغيّر هذا الحكم؟

أمران، كلاهما بتاريخ محدد. الأول هو 4 نوفمبر، حين وعدت Moonshot بالأوزان الكاملة. إن Kimi K3.1 Pro مفتوح الأوزان بهذه الجودة يغيّر حسابات أي شخص لديه سبب يتعلق بالامتثال للاستضافة الذاتية، وهو أيضًا الوقت الذي تستطيع فيه المختبرات المستقلة تشغيل النموذج دون ميزانية لـ API.

الثاني هو مواجهة مباشرة بين وكيلين حقيقيين. كل مقارنة برمجية متداولة إما تستخدم Kimi K3 بدلاً من Kimi K3.1 Pro، أو تقارن بين أداتي تقييم من مورّدين مختلفين وكأنهما قياس واحد. في اللحظة التي يُشغّل فيها أحدهم النموذجين عبر نفس البنية الأساسية وعلى نفس المهام — بالطريقة التي فعلتها Plotly لتحليلات البيانات — تتوقف مسألة البرمجة عن كونها محل نزاع. وحتى ذلك الحين، فإن الموقف الذي يمكن الدفاع عنه هو الموقف الممل: Grok 4.7 للسرعة والبرمجة التفاعلية، وKimi K3.1 Pro للسياق الطويل والكتابة وأعمال المستندات، ويُقاس كلاهما على حركة المرور الخاصة بك قبل أن يحصل أي منهما على مسار إلى الإنتاج.