Kimi K3.1 Pro vs. Grok 4.7: Gleiche Genauigkeit, eine um 72 % höhere Rechnung

Bei einer privaten 43-Fragen-Prüfung zur Datenanalyse, die auf einem synthetischen Windpark-Data-Warehouse aufgebaut war, Kimi K3.1 Pro und Grok 4.7 erzielten beide 42 Punkte. Keines der Modelle hatte die Fragen gesehen, und die Daten waren erfunden, sodass keine Antwort auswendig gelernt worden sein konnte. Gleiche Punktzahl, gleicher Rang — punktgleich auf dem dritten Platz von 34 getesteten Modellen. Die Rechnungen waren nicht dieselben: Kimis Durchlauf kostete 13,47 $ und Groks Durchlauf 7,85 $.

Dieses Zahlenpaar ist das Nützlichste, was zu diesem Duell veröffentlicht wurde, denn es ist der einzige direkte Vergleich, bei dem beide Modelle von denselben Leuten, am selben Tag und anhand derselben Antworten getestet wurden. Fast alles andere, was im Umlauf ist, ist entweder ein Hersteller-Benchmark, der unter einem anderen Scaffold entstanden ist, oder ein Vergleich, der still und leise Kimi K3 anstelle von Kimi K3.1 Pro verwendet. Dieser Beitrag beginnt daher mit dem, was die neutralen Tests zeigen, und trennt anschließend die echten Unterschiede von denen, die Artefakte dessen sind, wer den Test durchgeführt hat.

Zwei Modelle, zwei sehr unterschiedliche Wetten

Kimi K3.1 Pro erschien am 23. Oktober 2026 als nachtrainierter Nachfolger von Kimi K3 und nicht als neue Architektur. Moonshot AI behielt das Mixture-of-Experts-Backbone mit 2,8 Billionen Parametern, das Kontextfenster von 1.048.576 Token sowie native Bild- und Videoeingabe bei und widmete die Veröffentlichung dem Reinforcement Learning in agentischen und professionellen Domänen. Die vollständigen Gewichte sind für den 4. November 2026 versprochen.

Grok 4.7 wurde einen Monat früher, am 21. September 2026, von xAI veröffentlicht. Es ist proprietär, basiert auf einer gemeldeten Basis von rund 2,1 Billionen Parametern, die xAI nicht bestätigt hat, verfügt über ein Eingabefenster von 500.000 Token bei einer Obergrenze der Ausgabe von 450.000 Token und behält den Preis von Grok 4.6 bei. Der Wissensstand reicht bis Juni 2026, mit ergänzendem Training bis August.

• Preis — Kimi K3.1 Pro 2,00 $ Eingabe / 10,00 $ Ausgabe pro Million Token; Grok 4.7 2,00 $ / 6,00 $, steigend auf 4,00 $ / 12,00 $, sobald ein Prompt 200K Token überschreitet.

• Zwischengespeicherte Eingabe — 0,20 $ bei Kimi gegenüber 0,50 $ bei Grok, eine Umkehrung, die für Agenten, die dasselbe Repository in jeder Runde erneut lesen, mehr zählt als der beworbene Preis.

• Kontext — 1.048.576 Tokens gegenüber 500.000. Kimi erlaubt außerdem bis zu 943.718 Ausgabe-Tokens in einer einzigen Antwort, was weniger ein Feature als vielmehr eine Aussage darüber ist, wofür das Modell ausgelegt ist.

• Modalitäten — Text, Bild und Video als Eingabe, Text als Ausgabe bei Kimi; Text, Bild und Datei als Eingabe, Text als Ausgabe bei Grok.

• Reasoning-Steuerung — Kimi schlussfolgert standardmäßig mit wählbarem Aufwand; Grok bietet niedrig, mittel, hoch und xhigh und erlaubt es nicht, das Reasoning abzuschalten.

• {{1}}Offenheit{{/1}} — Gewichte bis zum 4. November auf Kimi zugesagt; Grok ist nur als API verfügbar und wird es bleiben.

Der neutrale Boden – und wie dünn er ist

Plotlys Prüfung ist der sauberste verfügbare Vergleich. Sie ist ein privater Test mit 43 Fragen auf einem synthetischen Data-Warehouse für eine Windenergieflotte, unterteilt in Analysefragen, mehrdeutige Anfragen, unmögliche Anfragen, Statistikfallen, Datenqualitätsprüfungen und fünf eingebaute Muster, die ein guter Analyst ohne Aufforderung finden sollte. Kimi K3.1 Pro bestand 42, eine Steigerung von 35 bei Kimi K3. Grok 4.7 bestand ebenfalls 42. Beide liegen hinter GPT-6.1 Sol und GPT-6 Astra mit 43.

Das Detail hinter dem Gleichstand ist der Punkt, an dem die beiden Modelle auseinandergehen. Kimi fand alle fünf eingebetteten Muster und erkannte alle drei Datenqualitätsprobleme – doppelte Zeilen, einen fehlenden letzten Tag und den Unterschied zwischen einer stillgelegten Turbine und einer, die tatsächlich null produziert. Der einzige Fehler war ein Grenzfehler: Es zählte 2.775 Turbinen-Tage von vor einer Firmware-Installation als „andere Firmware“, was einen Durchschnitt um etwa 0,0003 verschob und knapp außerhalb der Toleranz des Tests lag. Das ist ein Präzisionsfehler am Rand einer Definition, kein Fehler im Schlussfolgern.

Ein zweiter neutraler Test deutet in die andere Richtung. In DualEntrys Buchhaltungs-Evaluierung belegte Grok 4.7 mit 88,1 % gemeinsam den zweiten Platz, während Kimi K3.1 Pro mit 86,1 % Vierter wurde. Kimi war in diesem Durchlauf mit 0,079 $ pro Aufgabe das günstigste Modell, aber mit 125,6 Sekunden pro Aufgabe auch eines der langsamsten. Zwei neutrale Tests, zwei knappe Ergebnisse, und die Reihenfolge kippt zwischen ihnen. So sieht ein echter Vergleich auf Augenhöhe aus – und genau das fehlt in den meisten Berichten zum Marktstart.

Wo die Unterschiede real sind

Beim Schreiben ist der Abstand alles andere als knapp. ToneBench, das Entwürfe anhand von zehn Briefings mit vier Juroren pro Entwurf bewertet, setzt Kimi K3.1 Pro auf 2.205 Elo und Platz sieben von 83 Konfigurationen, gegenüber Grok 4.7 mit 1.904 und Platz 25. Die 95%-Intervalle überschneiden sich nicht: 2.166–2.246 gegenüber 1.855–1.962. Kimi gewann neun von zehn Skripten und sieben von neun Teilmetriken, mit den größten Abständen bei der Längentreue (95,4 gegenüber 78,7) und bei visuellen Hinweisen (84,9 gegenüber 78,8). Groks Siege waren knapp und beschränkten sich auf Tonalität und YouTube-Konventionen. Bei $0,251 gegenüber $0,215 pro Skript ist dies keine Kostenentscheidung.

Coding und agentische Arbeit sind der Bereich, in dem die Belege unübersichtlich werden und in dem die meisten Vergleiche in die Irre führen. xAI meldet für Grok 4.7 37,6–38,0 % auf Terminal-Bench 4.0. Moonshot meldet für Kimi K3.1 Pro 65,7 % auf demselben Benchmark. Diese Zahlen liegen 28 Punkte auseinander, und sie bedeuten nicht, dass Grok nur halb so leistungsfähig ist, denn Terminal-Bench-Ergebnisse verschieben sich je nach Harness, Zeitlimit und erlaubten Versuchen um Zehnerpunkte. 65,7 % und 38,0 %, die in verschiedenen Laboren erzeugt wurden, sind zwei verschiedene Messungen, die denselben Namen tragen.

Die unabhängigen Coding-Belege, die tatsächlich vorliegen, sprechen für Grok, doch sie betreffen Kimi K3 und nicht K3.1 Pro. Bei SWE-bench Verified, ausgeführt über ein standardmäßiges Mini-Agent-Scaffold, erzielte Grok 4.7 95,6 % gegenüber 93,4 % für Kimi K3. Für K3.1 Pro hat niemand die entsprechende Zahl veröffentlicht. Moonshots eigene Long-Horizon-Zahlen – 61,2 % auf Kimi Code Bench 3.0 Long-horizon gegenüber 55,95 % für K3 und 51,7 % auf SWE Marathon gegenüber 45,6 % für Claude Opus 5.5 – legen nahe, dass das Post-Training geholfen hat, aber das ist der Anbieter, der seine eigenen Hausaufgaben auf einem von ihm selbst erstellten Benchmark bewertet.

Langkontext ist die eine Fähigkeitslücke, die keinen Benchmark braucht. Eine Million Token gegenüber fünfhunderttausend sind ein Faktor zwei, und Kimis Preis für Cache-Treffer liegt bei weniger als der Hälfte von Groks. Wenn die Arbeitslast ein Monorepo, ein Vertragssatz oder ein Jahr an Support-Tickets ist, ist der Vergleich entschieden, bevor irgendeine Punktzahl gelesen wird.

Warum die Rechnung abweicht

Die Kostendifferenz von 72 % bei der Plotly-Prüfung lässt sich nicht allein durch die Preisliste erklären. Kimis Output-Preis ist 67 % höher, sodass es bei identischer Tokenanzahl mehr kosten würde – aber nicht 72 % mehr in einem Test, bei dem die beiden Modelle die gleiche Antwortqualität erzielten. Der Rest ergibt sich daraus, wie viel sie schreiben und wie viele Aufrufe sie dafür benötigen.

Kimi kam im Durchschnitt auf etwa 7,5 Modellaufrufe pro Frage und einen Median von 2,5 Minuten pro Frage – der zweitlangsamste von 34 Modellen; rund 90 % dieser Zeit entfielen auf die Modellantwort statt auf die SQL-Ausführung. Bei Fragen mit verborgenen Mustern führte es etwa 73 Tool-Aufrufe aus. Groks unabhängige Tests an anderer Stelle ergaben, dass es pro Aufgabe etwa doppelt so viele Ausgabe-Tokens verbraucht wie Grok 4.6, was in die entgegengesetzte Richtung wirkt. Netto führte dies in dieser Prüfung dazu, dass Grok pro richtiger Antwort weniger Dollar ausgab, obwohl es pro Schritt mehr Tokens verbrauchte.

Die Rechnung für einen Produktions-Agenten sieht so aus. Nehmen Sie eine Aufgabe, die 100K Eingabe-Tokens liest, 8K Ausgabe schreibt und 20 Runden läuft.

• Kimi K3.1 Pro, ohne Cache – 20 Turns à 0,20 $ Eingabe plus 0,08 $ Ausgabe ergeben etwa 5,60 $ pro Aufgabe.

• Grok 4.7, ohne Cache — dieselbe Konfiguration kostet bei $0.20 für Eingabe plus $0.048 für Ausgabe etwa $4.96 pro Aufgabe.

• Kimi K3.1 Pro, 70 % Cache-Trefferquote – die Eingabekosten sinken auf 0,074 $ pro Turn, womit die Aufgabe auf rund 3,08 $ kommt.

• {{1}}Grok 4.7{{/1}}, 70 % Cache-Trefferquote — der Input sinkt auf 0,095 $ pro Durchlauf, wodurch die Aufgabe auf rund 2,86 $ kommt.

Grok gewinnt den Agenten-Anwendungsfall selbst bei hoher Cache-Rate, weil Output-Tokens dominieren und er 40 % weniger dafür berechnet. Kimi überholt nur, wenn der Output im Verhältnis zum Input klein ist. Nehmen wir einen Retrieval-Aufruf mit 100K Input und 1K Output bei 70 % Cache: Kimi kostet 0,084 $ und Grok 0,101 $, ein 17-%-Vorteil für Kimi. Der Umschlagpunkt ist kein Cache-Prozentsatz – er ist ein Input-zu-Output-Verhältnis. Leselastige Arbeit geht an Kimi, schreiblastige Arbeit an Grok, und der ehrliche Rat ist, Ihr eigenes Verhältnis zu messen, statt dem Beispiel eines der Anbieter zu vertrauen.

Geschwindigkeit verändert die Form des Systems, nicht nur die Rechnung.

Die mediane Zeit bis zum ersten Token von Kimi K3.1 Pro beträgt nach unseren eigenen Messungen 6,9 Sekunden bei 48 Token pro Sekunde. Grok 4.7 liegt in Tests durch Drittanbieter bei etwa 1,3 Sekunden bis zum ersten Token und rund 61 Token pro Sekunde. Für ein Chat-Produkt ist dieser Unterschied spürbar. Für einen Agenten, der 20 aufeinanderfolgende Aufrufe ausführt, ist es der Unterschied zwischen einer Aufgabe, die sich sofort anfühlt, und einer, die sich defekt anfühlt – und es ist der eigentliche Grund, warum mehrere Vergleiche von Coding-Tools den Sieg Grok zusprechen, obwohl Kimi bei den Schreib-Bewertungen besser abschneidet.

Die Reasoning-Steuerung verschärft das noch. Bei Grok lässt sich der Aufwand von niedrig bis xhigh einstellen, und die Abrechnung richtet sich danach; bei der niedrigen Einstellung maß ToneBench 1.815 Elo zu 0,064 US-Dollar pro Skript – ein Viertel der Kosten der mittleren Einstellung. Kimi verwendet standardmäßig Reasoning, und seine Aufwands-Einstellung ist ein gröberes Instrument, wobei das Sampling auf Temperatur 1,0 und top_p 0,95 festgelegt ist – Werte, zu denen es keine Alternativen zulässt. Wenn eine Pipeline auf Determiniertheit bei niedriger Temperatur angewiesen ist, ist das eine Kompatibilitätsfrage, die vor jeglichem Benchmarking zu klären ist.

Welches gehört in die Produktion?

Wählen Sie Kimi K3.1 Pro, wenn die Arbeit langen Kontext und viele Dokumente umfasst: Vertragsprüfung, Finanzrecherche, Analyse von Repositories mit mehreren Dateien und Datenqualitätsprüfung, bei denen das Modell erkennen muss, was fehlt, statt das zu beantworten, wonach gefragt wird. Das 1M-Fenster, der günstige Cache und der von Moonshot gemeldete Rückgang halluzinierter Aussagen von 23,4 % auf 8,3 % mit Tools weisen alle in dieselbe Richtung. Es ist außerdem das einzige der beiden, das herunterladbar sein wird, was wichtig ist, wenn die Workload Ihre Infrastruktur nicht verlassen darf.

Wählen Sie Grok 4.7, wenn Latenz Teil des Produkts ist: interaktive Coding-Assistenten, IDE-Agenten, kundengerichtete Tool-Nutzung, bei der eine Pause von sechs Sekunden als Defekt gilt. Es ist günstiger bei den Ausgabekosten, schneller bis zum ersten Token, und die unabhängigen Coding-Belege – so dünn sie auch sind – stehen auf seiner Seite. Sein 500K-Fenster ist für die meiste Repository-Arbeit keine Einschränkung, für manche jedoch schon.

Die unbequeme Antwort für alle, die einen einzigen Sieger wollen, ist, dass die beiden Modelle bei dem einzigen neutralen Test, den beide absolviert haben, gleichauf liegen und dass der Stichentscheid von Ihrem Eingabe-zu-Ausgabe-Verhältnis und Ihrem Latenzbudget abhängt. Das sind Eigenschaften, die Sie an einem Nachmittag messen können, und kein Launch-Post kann Ihnen sagen, wie sie ausfallen.

Beide ohne einen zweiten Vertrag betreiben

Dies ist der eine Vergleich, bei dem es günstig ist, beide auszuprobieren. OrcaRouter führt kimi/kimi-k3.1-pro und grok/grok-4.7 unter demselben Schlüssel, zum Listenpreis des Anbieters ohne Aufschlag, sodass die oben genannten 2,00 $, 10,00 $ und 6,00 $ das sind, was Ihnen berechnet wird, und nicht die Version eines Wiederverkäufers davon. Das ist hier wichtiger als sonst, denn die Entscheidung hängt vom gemessenen Cache-Verhalten und der Latenz in Ihrer eigenen Anwendung ab – das heißt, Sie benötigen beide Modelle hinter einem Endpunkt und einer Rechnung, um sie fair vergleichen zu können.

Das ändert auch die Fallback-Strategie. Automatisches Failover über Anbieter hinweg bedeutet, dass ein Rate Limit oder ein Ausfall eines Modells das Feature nicht lahmlegt, und die Routing-DSL ermöglicht es Ihnen, den Long-Context-Pfad an Kimi und den interaktiven Pfad an Grok innerhalb einer einzigen Policy zu senden, statt zwei Integrationen zu pflegen. Wenn Sie sich noch entscheiden, ist das eine Möglichkeit, die Evaluierung auf einem Ausschnitt des Produktionsverkehrs durchzuführen, statt aus einer Benchmark-Tabelle auszuwählen.

Was würde dieses Urteil ändern?

Zwei Dinge, beide datiert. Das erste ist der 4. November, an dem Moonshot die vollständigen Gewichte versprochen hat. Ein Kimi K3.1 Pro mit offenen Gewichten in dieser Qualität verändert die Kalkulation für alle, die aus Compliance-Gründen selbst hosten müssen, und es ist auch der Zeitpunkt, an dem unabhängige Labore das Modell ohne API-Budget betreiben können.

{{1}}Der zweite ist ein echtes agentisches Kopf-an-Kopf-Rennen. Jeder Programmiervergleich, der im Umlauf ist, verwendet entweder Kimi K3 statt Kimi K3.1 Pro oder vergleicht zwei Anbieter-Harnesses, als wären sie eine einzige Messung. Sobald jemand beide Modelle mit demselben Scaffold auf denselben Aufgaben laufen lässt — so wie Plotly es für Datenanalyse getan hat —, ist die Programmierfrage nicht mehr umstritten. Bis dahin ist die vertretbare Position die langweilige: Grok 4.7 für Geschwindigkeit und interaktives Programmieren, Kimi K3.1 Pro für langen Kontext, Schreiben und Dokumentarbeit, und beide auf dem eigenen Traffic gemessen, bevor eines von beiden einen Produktionspfad erhält.{{/1}}