Eine generierte 16:9-Titelkarte auf tiefem Blaugrau mit weichem radialem Leuchten, mit der Überschrift „Qwen4-Max vs Kimi K3.1 Pro“ und dem Untertitel „Eine 41-Cent-Lücke, die weniger entscheidet, als man denkt“. Rechts hält eine flache, mit dünnen Linien gezeichnete Waage zwei Schalen mit der Beschriftung 3,27 $ pro Aufgabe und 3,68 $ pro Aufgabe, wobei der Balken fast waagerecht ist. Eine Reihe von vier kleinen Symbolen am unteren Rand ist beschriftet mit Video-Eingabe, 1M Kontext, keine Gewichte versus offene Gewichte und 55 vs. 31 tok/s. OrcaRouter-Logo unten rechts.
Guides & Insights

Qwen4-Max vs. Kimi K3.1 Pro: Eine 41-Cent-Lücke, die weniger entscheidet, als man denkt

Autor

jinhao.song

Veröffentlicht am

Neueste Modelle · 20Alle Modelle ansehen →
Benchmarks: Artificial Analysis · täglich aktualisiert
Zurück zu allen Beiträgen

Nach den eigenen Zahlen von Artificial Analysis kostet eine abgeschlossene Aufgabe auf Qwen4-Max 3,27 $ und auf Kimi K3.1 Pro 3,68 $. Einundvierzig Cent. Wenn Sie ein Modell für einen Agenten auswählen, der Tausende Aufgaben pro Woche ausführt, wirkt diese Differenz wie die gesamte Entscheidung, und das ist sie nicht – denn die beiden Modelle erreichen diese Werte aus entgegengesetzten Richtungen, und die Richtung ist das, was sechs Wochen später in Ihren Logs auftaucht. Qwen4-Max erreicht sie, indem es schnell und wortreich ist – mehr Ausgabe-Token zu weniger als der Hälfte des Preises pro Token; Kimi K3.1 Pro erreicht sie, indem es langsam und knapp ist und weniger Token ausgibt, die jeweils mehr als doppelt so viel kosten. Keines ist generell das günstigere Modell. Jedes ist für eine bestimmte Art von Arbeit günstiger.

Das ist der nützliche Rahmen für dieses Paar, und er steht jetzt in einer Form zur Verfügung, wie es im Oktober nicht der Fall war: Beide Modelle liegen auf derselben unabhängigen Index-Revision, beide haben kommerzielle Bedingungen veröffentlicht, und eines von ihnen bietet herunterladbare Gewichte. Was folgt, ist die Aufteilung nach Arbeitslast statt nach Benchmark, denn der Benchmark besagt bereits, dass sie dicht beieinanderliegen.

Zuerst der Name

Es gibt kein einfaches kimi-k3.1 in der eigenen Modellliste von M​oonshot. Die ausgelieferten Bezeichner sind kimi-k3.1-pro, kimi-k3.1-pro-highspeed und der ältere kimi-k3; „Kimi K3.1“ ist die Schreibweise der Serie in Suchfeldern und in der Presse, und das dahinterstehende Modell ist Kimi K3.1 Pro. Die Highspeed-Variante ist dasselbe Modell, das mit ungefähr zwei- bis dreifacher Geschwindigkeit bereitgestellt wird. Jeder Vergleich, der hier zählt, ist also Qwen4-Max gegen Kimi K3.1 Pro, und das ist das Paar, das unten gemessen wird. Wer Ihnen ein Datenblatt für ein Modell zeigt, das genau „Kimi K3.1“ heißt, zeigt Ihnen die Zahlen des Pro unter einem kürzeren Namen.

Kimi K3.1 Pro wurde am 23. Oktober 2026 angekündigt, wobei der Blog des Anbieters auf den 24. datiert ist, und seine Gewichte landeten auf Hugging Face mit einem einzigen Commit, der mit 2026-11-02 zeitgestempelt ist. Qwen4-Max ging am 16. November 2026 in den nutzungsabhängigen Verkauf. Beide sind Wochen alt, keines ist eine Vorschau, und beide haben echte Preislisten — was der ganze Grund dafür ist, dass dieser Vergleich mit Zahlen statt mit Prognosen angestellt werden kann.

A generated two-column scoreboard titled 'Qwen4-Max vs Kimi K3.1 Pro' with seven rows: index score 43 against 46; cost per task $3.27 against $3.68; output per million $4.50 against $10.00; tokens per run 127M against 113M; wall-clock per task 32.1 min against 38.4 min; max output 262,144 against 943,000; weights none against downloadable. Footer reads 'Artificial Analysis Intelligence Index v5.0.1; vendor list prices'. OrcaRouter logo bottom-right.

Die beiden Reihen, die das Duell bestimmen

Alles unten stammt aus dem Artificial Analysis Intelligence Index v5.0.1, sofern nicht als vom Anbieter gemeldet gekennzeichnet. Der Index ist ein Instrument an einem Tag; in diesem Blog haben Revisionen die Punktzahl eines Modells um zweistellige Werte verschoben, daher sollte die Spanne als richtungsweisend betrachtet werden.

• Indexwert — Qwen4-Max 43 gegenüber Kimi K3.1 Pro 46. Das Kimi-Modell liegt drei Punkte vorn, innerhalb der Rauschbandbreite einer einzigen Indexrevision.

• Kosten pro Aufgabe — Qwen4-Max 3,27 $ gegenüber Kimi K3.1 Pro 3,68 $. Das K​imi-Modell ist pro erledigter Aufgabe trotz des Punktevorteils 12,5 % teurer.

• Eingabepreis — Qwen4-Max 1,50 $ pro Million in Singapur, 1,413 $ anderswo; Kimi K3.1 Pro 2,00 $

• Ausgabepreis — Qwen4-Max 4,50 $ gegenüber Kimi K3.1 Pro 10,00 $. Dies ist die größte Lücke im gesamten Vergleich, und es ist diejenige, die ein auf Token-Anzahlen basierendes Kostenmodell übergewichten wird.

• Cache-Hit-Preis — Qwen4-Max $0.075 pro Million in Singapur, $0.071 anderswo; Kimi K3.1 Pro $0.20. Beide gewähren auf gecachte Lesevorgänge hohe Rabatte; bei Qwen fällt der Rabatt höher aus.

• Wall-Clock-Zeit pro Aufgabe – Qwen4-Max 32,1 Minuten gegenüber Kimi K3.1 Pro 38,4 Minuten, gemessen an einem Feldmedian von 11,5. Beide sind langsam; Qwen ist von den beiden das weniger langsame.

• Durchsatz — Qwen4-Max 55 Ausgabe-Token pro Sekunde gegenüber Kimi K3.1 Pro 31, gemessen über die jeweils eigene API des Anbieters

• Token-Appetit — Qwen4-Max 127 Millionen Ausgabe-Tokens pro Indexlauf gegenüber Kimi K3.1 Pro 113 Millionen

• Kontext — Qwen4-Max 1,000,000 Token wie dokumentiert, gemessen bei 984,000 nutzbar; Kimi K3.1 Pro 1,048,576

• Modalität — beide nehmen Text, Bild und Video entgegen und geben Text zurück. Der Modellleitfaden von Moonshot gibt ausdrücklich an, dass Kimi K3.1 Pro Video verarbeitet, obwohl die unabhängige Zusammenfassung des Modells nur Text und Bild auflistet

• Gewichte — Qwen4-Max veröffentlicht keine, und in seiner Dokumentation werden Fine-Tuning und Deployment als nicht unterstützt gekennzeichnet; der 2,8-Billionen-Parameter-Checkpoint von Kimi K3.1 Pro, von denen 104 Milliarden pro Token aktiv sind, ist unter einer maßgeschneiderten Lizenz statt einer Standardlizenz herunterladbar

• Architektur, laut Anbieter — Qwen4-Max: ein Backbone mit 2,4 Billionen Parametern, davon 71 Milliarden aktiv, plus weitere 328 Milliarden N-Gramm-Embedding-Parameter; Kimi K3.1 Pro: ein nachtrainiertes Modell der 3T-Klasse, aufgebaut auf K3

Vergleichen Sie die Zeile Ausgabepreis mit der Zeile Kosten pro Aufgabe, und Sie haben den gesamten Artikel. Kimi K3.1 Pro verlangt mehr als das Doppelte pro Ausgabe-Token und erledigt eine Aufgabe trotzdem für 41 Cent mehr, weil es weniger davon erzeugt. Qwen4-Max verlangt weniger als die Hälfte pro Ausgabe-Token und gewinnt daraus fast nichts, weil es 12 % mehr erzeugt. Die Preisgestaltung pro Token ist ein Näherungswert für die Rechnung, nicht die Rechnung. Die Rechnung ist die dritte Zeile.

Workload eins: der dauerhaft laufende Agent

Hier ist der Punkt, an dem die 41 Cent aufhören, Rundung zu sein. Eine Agent-Schleife führt nicht eine einzelne Aufgabe aus, sondern eine Abfolge von Aufgaben mit vielen Wiederholungen, und die Zahl, die sich kumulativ auswirkt, ist die Wanduhrzeit, nicht der Preis. Mit 32,1 bzw. 38,4 Minuten pro Indexierungsaufgabe sind beide Modelle zwei- bis dreimal langsamer als der Branchenmedian von 11,5 Minuten. Ein Batch aus zwanzig Aufgaben bedeutet bei beiden zehn bis dreizehn Stunden Wanduhrzeit. Wenn Ihre Schleife latenzgebunden ist, ist keines der beiden das richtige Modell, und die Wahl zwischen ihnen anhand des Preises optimiert die falsche Variable.

Wenn es nicht latenzgebunden ist – Batch-Läufe über Nacht, langfristige Forschungsjobs, Dokumentenarbeit im Hintergrund –, dann ist die entscheidende Zahl Tokens pro abgeschlossener Aufgabe, und hier fallen die 55 Tokens pro Sekunde von Qwen4-Max gegenüber den 31 von K​imi weniger ins Gewicht, als es aussieht. Der Durchsatz bestimmt nur, wie schnell eine einzelne Anfrage abgearbeitet wird; was die Rechnung bestimmt, ist, wie viele Tokens das Modell mit Denken verbringt, bevor es eine Antwort erzeugt. Qwen4-Max verbraucht 12 % mehr davon und verlangt dafür 55 % weniger pro Einheit.

Workload zwei: alles, was mit einem langen Dokument zu tun hat

Hier geht es beim Vergleich nicht mehr um Scores, sondern um die Form der Ausgabe. Beide Modelle lesen Text, Bilder und Video und beide schreiben Text, es gibt also kein Modalitätsargument — die ehrliche Version dieses Abschnitts ist, dass die Video-Unterstützung von Qwen4-Max nicht das Zünglein an der Waage ist, als das sie erscheint, denn der Modellleitfaden von M​oonshot sagt, dass Kimi K3.1 Pro ebenfalls Video verarbeitet. Was sie bei der Dokumentarbeit unterscheidet, ist, wie viel sie in einem Durchgang zurückschreiben, und was sie dafür berechnen.

Qwen4-Max begrenzt die Ausgabe auf 131.072 Tokens bei deaktiviertem Denkmodus bzw. auf 262.144, die sich Denkmodus und Antwort teilen. Kimi K3.1 Pro kommt auf ungefähr 943.000. Bei einer Vertragsprüfung, die eine Zusammenfassung zurückgibt, zeigt sich dieser Unterschied nie; bei einer Pipeline, die ein vollständig mit Markup versehenes Dokument erneut ausgeben soll oder über einen Arbeitssatz hinweg Schlussfolgerungen ziehen und das Ergebnis anschließend ausführlich ausschreiben soll, ist es der Unterschied zwischen einem einzigen Aufruf und einem Chunking-Schema, das Sie jetzt bauen und debuggen müssen.

Die Preislücke verläuft in die entgegengesetzte Richtung. Der Eingabetarif von Qwen4-Max ist 25 % niedriger und sein Ausgabetarif weniger als halb so hoch, sodass Extraktions- und Klassifizierungsarbeit über einen großen Korpus – viel Input, wenig Output – mit Qwen4-Max pro erledigter Aufgabe ebenso wie gemessen am Zähler spürbar günstiger ist. Liest man die beiden Absätze zusammen, ist die Aufteilung klar: Kurze Antworten über einen großen Korpus begünstigen Qwen4-Max, lange Antworten über denselben Korpus begünstigen die Ausgabegrenze des K​imi-Modells.

A screenshot of the Artificial Analysis page for Kimi K3.1 Pro, marked open weights and released October 2026, showing the Intelligence Index score of 46 against a median of 23, 113M tokens generated on the run, $2.00 input and $10.00 output per million tokens, $3.68 per task, 38.4 minutes per task against a median of 13.6, text and image input, a 1M-token context and downloadable weights on Hugging Face.

Workload drei: die Einheit, bei der du die Gewichte brauchst

Nichts in den Zeilen oben deckt den größten Unterschied zwischen diesen beiden Modellen ab, denn er ist keine Zahl. Kimi K3.1 Pro kann heruntergeladen werden. Qwen4-Max nicht — seine Dokumentation kennzeichnet Fine-Tuning und Modell-Deployment als nicht unterstützt, und A​libabas Ankündigungsbeitrag verspricht lediglich, dass kleinere Qwen4-Stufen „Open Source werden“, was eine Aussage über die Familie und nicht über dieses Modell ist.

Das spielt in drei konkreten Situationen eine Rolle und in allen anderen nicht. Es spielt eine Rolle, wenn Sie mit Ihren eigenen Daten feinabstimmen müssen, denn Qwen4-Max bietet dafür überhaupt keinen Weg. Es spielt eine Rolle, wenn Ihre Compliance-Vorgaben verlangen, dass die Gewichte innerhalb Ihres eigenen Perimeters liegen statt hinter der API eines Dritten. Und es spielt eine Rolle, wenn Sie Kosten über Jahre statt über Monate modellieren: Ein herunterladbarer Checkpoint der 3T-Klasse ist eine Investitionsausgabe mit einer Grenzkostenkurve, die Sie kontrollieren, während ein gemietetes Flaggschiff eine Preisliste ist, die sich ändern kann. Ein Mixture-of-Experts mit 3 Billionen Parametern ist nichts, was die meisten Teams intern betreiben können – es braucht ein Rack, keinen Workstation-Rechner –, aber „teuer im Eigenbetrieb“ und „im Eigenbetrieb unmöglich“ sind unterschiedliche Antworten auf eine Beschaffungsfrage, und nur eine davon schließt die Frage ab.

Die Lizenz verdient einen Satz der Präzision, denn „offene Gewichte“ leisten in den meisten Berichten viel Arbeit: Kimi K3.1 Pro erscheint unter einer maßgeschneiderten Kimi K3.1-Pro License, nicht dem Modified-MIT-Text, den K3 trug, und ihre Gewährung ist im üblichen Sinne freizügig – nutzen, verändern, fine-tunen, weiterverbreiten, verkaufen – mit zwei zusätzlichen Bedingungen. Wenn Sie ein Model-as-a-Service-Geschäft betreiben und Ihr Gesamtumsatz über einen beliebigen Zeitraum von zwölf aufeinanderfolgenden Monaten 20 Millionen US-Dollar übersteigt, benötigen Sie vor der kommerziellen Nutzung der Gewichte eine separate Vereinbarung mit M​oonshot. Und wenn ein darauf aufbauendes Produkt 100 Millionen monatlich aktive Nutzer oder 20 Millionen US-Dollar Monatsumsatz überschreitet, muss „Kimi K3.1-Pro“ in seiner Oberfläche prominent angezeigt werden. Interne Nutzung sowie die Nutzung über M​oonshots eigene Produkte oder zertifizierte Inferenzpartner sind von beiden Klauseln ausgenommen. Wenn Sie ein Produkt auf den Gewichten aufbauen wollen, lesen Sie die Lizenz und nicht die Zusammenfassung.

Das Paar auf eine Taste legen

Hier hört der Vergleich auf, symmetrisch zu sein – und das sollte man ruhig deutlich sagen. OrcaRouter routet kimi/kimi-k3.1-pro bereits heute, über denselben OpenAI-kompatiblen Endpoint wie den Rest seiner mehr als 200 Modell-Identifikatoren, mit 0 % Aufschlag – der Listenpreis des Anbieters wird durchgereicht, die oben genannten 2,00 $ und 10,00 $ sind also das, was Sie zahlen, und nicht das, was der Anbieter berechnet, bevor irgendjemandes Marge dazukommt. Qwen4-Max routet er nicht, und diese Seite wird nichts anderes nahelegen: Um dieses Modell zu erreichen, braucht man A​libabas eigene sechs Regionen oder eine Drittplattform, die es weiterverkauft.

Wofür diese Asymmetrie tatsächlich gut ist, ist der Test, den dieser Artikel beschrieben hat. Die obige Aufteilung nach Workloads ist eine Hypothese über Ihren Traffic, keine Tatsache über Ihren Traffic, und der günstige Weg, sie zu widerlegen, besteht darin, dieselben Prompts durch Kimi K3.1 Pro und eine Q​wen-3.8-Stufe über einen einzigen Endpunkt laufen zu lassen, wobei automatisches Failover die Anbieter-Aussetzer abdeckt, die sonst einen Benchmark-Lauf verfälschen. Wenn das K​imi-Modell bei Ihrem Workload um mehr als 41 Cent pro Aufgabe gewinnt, lässt sich das Argument für die Gewichte leichter rechtfertigen. Wenn nicht, haben Sie sich ein Beschaffungsgespräch über ein Rack erspart.

A screenshot of the OrcaRouter model page for Kimi K3.1 Pro, showing the identifier kimi/kimi-k3.1-pro, the byline MoonshotAI with the date 2026-10-24, a description noting a 1,048,576-token context and up to 943,718 output tokens with text, image and video input, a 1M-token context badge, 943k maximum output, pricing of $2.00 input and $10.00 output per million, and a note that zero data retention is available.

Die Entscheidungsregel

Drei Indexpunkte und 41 Cent Kosten pro Aufgabe trennen diese Modelle nicht. Die Dinge, die sie unterscheiden, sind binär, und es lohnt sich, sie in dieser Reihenfolge zu prüfen.

• Wenn Sie ein ganzes Dokument in einem einzigen Aufruf zurückschreiben müssen — die Ausgabegrenze von ~943.000 Token bei Kimi K3.1 Pro gegenüber dem gemeinsamen Budget von 262.144 bei Qwen4-Max ist ein kategorialer Unterschied, kein prozentualer

• Wenn du Fine-Tuning betreiben, selbst hosten oder die Gewichte selbst in der Hand halten willst — Qwen4-Max scheidet aus, denn es gibt keine Gewichte zum Halten

• Wenn Ihre Läufe wall-clock-gebunden sind, passt keiner von beiden gut; beide sind auf demselben Board zwei- bis dreimal langsamer als das Medianmodell, und {{1}}K​imi{{/1}} ist der langsamere der beiden.

• Wenn nichts davon zutrifft – nimm die günstigere Option pro abgeschlossener Aufgabe, was nach heutigen Zahlen Qwen4-Max mit 3,27 $ gegenüber 3,68 $ ist, und prüfe es in einem Monat erneut, denn beide Anbieter haben ihre Preise in diesem Quartal bereits einmal geändert

Die ehrliche Zusammenfassung lautet, dass M​oonshot das besser bewertete Modell ausgeliefert hat und A​libaba das günstigere, dass die Lücke in beide Richtungen klein ist und dass die einzige Entscheidung hier mit langfristigen Auswirkungen die ist, die niemand in eine Vergleichstabelle aufnimmt: ob man mietet oder selbst besitzt. Alles andere sind einundvierzig Cent und ein Rundungsfehler bei einer Überarbeitung.

In diesem Artikel verglichen2

Aus diesem Artikel erkannt · Benchmarks: Artificial Analysis · täglich aktualisiert