Kimi K3.1 Pro vs. Claude Opus 5.5: la mitad de la tarifa, 0,7 puntos por detrás en un benchmark

Kimi K3.1 Pro y Claude Opus 5.5 son el mismo tipo de modelo, pero uno se vende exactamente a la mitad de precio. El nuevo buque insignia de Moonshot cuesta $2.00 por millón de tokens de entrada y $10.00 por millón de salida; el de Anthropic cuesta $4.00 y $20.00. Ambos aceptan un millón de tokens de contexto. Ambos siempre piensan antes de responder. Y en el único benchmark que ambas empresas publican, están a 0.7 puntos de diferencia: 65.7% para Kimi K3.1 Pro frente a 66.4% para Claude Opus 5.5 en Terminal-Bench 4.0. Ese es todo el argumento del retador en tres números, y es contundente —con dos salvedades que deciden si se cumple para tu carga de trabajo: las dos puntuaciones se produjeron con configuraciones distintas, y el 2× es un precio por token, no un precio por tarea terminada.

Kimi K3.1 Pro se lanzó el 24 de octubre de 2026, un día después del video teaser que le dio nombre. Claude Opus 5.5 está disponible de forma general desde el 22 de septiembre. Ninguno es un experimento de laboratorio reciente: Opus 5.5 es el modelo actual de la gama Opus que Anthropic ha estado distribuyendo desde finales de septiembre, y Kimi K3.1 Pro es una versión posentrenada de Kimi K3 en lugar de una arquitectura nueva. Eso hace que esta comparación sea inusualmente limpia para una página de modelo contra modelo: ambas tarifas están publicadas, ambos proveedores publican una tabla de benchmarks y ninguno de los modelos se esconde detrás de una lista de espera.

Las dos tarifas, línea por línea

Cinco líneas importan, y una de ellas rompe el patrón.

• Entrada — $2.00 por millón de tokens en Kimi K3.1 Pro frente a $4.00 en Claude Opus 5.5. Exactamente la mitad.

• Salida — $10.00 frente a $20.00. Exactamente la mitad, y la salida es la línea que domina el trabajo agéntico y de razonamiento, donde el modelo escribe mucho más de lo que lee.

• Lectura de caché: $0,20 en ambos. Esta es la anomalía: los dos proveedores coinciden al centavo en el precio de leer un prefijo en caché, que es la partida que domina en un agente de larga ejecución que relee un repositorio en cada turno.

• Escritura en caché — Kimi cobra $2.00 por una entrada de caché de cinco minutos y $4.00 por una hora; Anthropic cobra $5.00 y $8.00. Kimi también es más económico aquí, y por más de la mitad.

Variantes rápidas: Kimi K3.1 Pro Highspeed cuesta $4.00 y $20.00, aproximadamente dos o tres veces la velocidad de salida. El modo rápido de Anthropic en Opus 5.5 cuesta $8.00 y $40.00 a hasta 2,5×. La misma relación, la misma duplicación.

El cálculo aritmético de una solicitud mixta es, por tanto, trivial. Una llamada que lee un millón de tokens de entrada y escribe 200.000 tokens de salida cuesta $4.00 en Kimi K3.1 Pro y $8.00 en Opus 5.5. Un agente que vuelve a leer un contexto de un millón de tokens con una tasa de aciertos de caché del 70 % paga $0.74 por la entrada en Kimi frente a $1.34 en Opus, o $2.74 frente a $5.34 una vez incluida la salida. El ahorro proviene de la entrada y la salida nuevas, no del almacenamiento en caché, porque el almacenamiento en caché cuesta lo mismo en ambos.

Lo que la lista de tarifas no te dice es cuántos tokens consume cada modelo. Kimi K3.1 Pro usa por defecto su ajuste de razonamiento más alto, max. Claude Opus 5.5 usa por defecto medium. Un modelo que piensa en max por defecto escribirá, en promedio, más tokens de razonamiento por respuesta que uno que piensa en medium — así que el 2× anunciado es un precio por token, no un precio por tarea terminada, y la diferencia real depende de cuánto del pensamiento adicional de Kimi necesite realmente tu trabajo. Moonshot no publica una cifra de tokens por tarea que lo resolviera.

El único benchmark que ambos laboratorios publican, y por qué no es una medición

Terminal-Bench 4.0 es lo más parecido a una vara de medir compartida en estos dos lanzamientos, y aun así los dos números no se producen de la misma manera.

El 66,4 % de Anthropic se ejecutó con esfuerzo xhigh, un nivel por encima del valor predeterminado del modelo, medium, en el propio arnés de Anthropic y con su enrutamiento de seguridad activo. La empresa publica la tabla y así lo indica. El 65,7 % de Kimi aparece en el material de lanzamiento de Moonshot con la configuración máxima predeterminada del modelo, en un arnés que la empresa también controla; la tabla de lanzamiento cita Opus 5.5 con un 66,4 %, la misma cifra que publicó Anthropic, sin especificar si Moonshot lo volvió a ejecutar o la citó. Una diferencia de 0,7 puntos entre dos tablas ejecutadas por proveedores, con configuraciones de esfuerzo distintas y sobre andamiajes diferentes, no es una medición de la diferencia entre los modelos. Es una declaración de que ambos están lo bastante cerca como para que las decisiones sobre el arnés decidan el orden.

Dos datos más apuntan en la misma dirección. La evaluación independiente de Opus 5.5 en el mismo benchmark, de Artificial Analysis según lo reportado en su lanzamiento, es del 59,6 % —siete puntos por debajo de la cifra de Anthropic, en una configuración que incluye enrutamiento de salvaguardas del lado del servidor. Y la propia documentación de Moonshot seguía conteniendo marcadores de posición literales "[xx.x%]" para sus puntuaciones de Terminal-Bench y science-benchmark el día del lanzamiento, mientras que la publicación de marketing incluía las cifras. Ninguno de los dos hechos demuestra nada sobre la calidad relativa. Ambos muestran que las tablas de benchmarks del día del lanzamiento son artefactos de marketing ante todo.

Donde los proveedores coinciden, el relato es consistente: Kimi K3.1 Pro está cerca de Opus 5.5 en las tareas que ambos miden, y por delante de su propio predecesor por un amplio margen. La suite de programación de horizonte largo de Moonshot pasó de 55,95% a 61,2%, su puntuación CAD sin herramientas es de 72,8 frente a 73,0 de Opus, y su tasa de alucinación en el conjunto difícil del propio proveedor cayó de 23,4% a 8,3% con herramientas —una cifra que, si se sostiene fuera de la evaluación, importa más para el trabajo con mucho contenido documental que cualquier punto de un benchmark.

El dial de esfuerzo es la verdadera diferencia entre los dos productos.

Ambos modelos exponen un campo de esfuerzo de razonamiento; no coinciden en cuántos niveles tiene ni en dónde se ubica.

Kimi K3.1 Pro tiene tres: bajo, alto y máximo, con máximo como valor predeterminado. Claude Opus 5.5 tiene cinco: bajo, medio, alto, xhigh y máximo, con medio como predeterminado. Ninguno de los dos modelos permite a quien realiza la llamada desactivar el razonamiento. Kimi fija el muestreo de forma terminante —temperatura 1.0, top-p 0.95, n en 1— y rechaza otros valores, por lo que el esfuerzo es el único control de comportamiento que ofrece. Anthropic deja la temperatura configurable, pero mantiene el razonamiento adaptativo siempre activo, así que el esfuerzo es el único control que modifica cuánto razona el modelo.

Los valores predeterminados están haciendo un trabajo real. Kimi llega con una configuración honesta pero costosa: toda solicitud que no pase reasoning_effortpaga por el ajuste más profundo. Opus llega en el nivel intermedio y reserva los dos superiores para quienes lo solicitan. Si migras una carga de trabajo y no cambias nada más, has cambiado tanto el modelo como su presupuesto de razonamiento, que es la forma más común de que un "modelo más barato" resulte no serlo. La propia tabla de Anthropic muestra el tamaño de ese efecto dentro de un mismo modelo: CursorBench 4.0 obtiene un 57,8 % en xhigh y un 52,5 % en medium, mientras que FrontierCode varía en 0,2 puntos entre los mismos dos ajustes. La sensibilidad al esfuerzo depende de cada carga de trabajo, y ninguna ficha de modelo predice la tuya.

Una trampa operativa se aplica a ambos. Cambiar el esfuerzo a mitad de conversación invalida los aciertos de la caché de prefijos, así que un agente que aumenta el esfuerzo a mitad de una sesión larga paga por volver a leer todo lo que tenía en caché. Decide el nivel antes de que empiece la sesión, no durante ella.

Lo que cada proveedor le hace al modelo cuando no estás mirando

Ambos laboratorios han lanzado ya un modelo cuyo comportamiento con algunas entradas no es el que se pidió, y ambos lo describen abiertamente.

La documentación de lanzamiento de Opus 5.5 de Anthropic indica que la mayoría de las tareas relacionadas con ciberseguridad pueden redirigirse a Claude Opus 4.8, y que el trabajo de biología y desarrollo de modelos frontera puede recurrir a Opus 5 como respaldo. Esos respaldos ocurren en el lado del servidor: la respuesta proviene de un modelo diferente, y la única señal para quien llama es el contenido. Para una carga de trabajo afín a la seguridad, esto es un cambio real de capacidades, no una nota al pie de política.

Moonshot tomó una ruta diferente. Eliminó los datos relacionados con ciberseguridad tanto de la etapa de entrenamiento intermedio como de la de aprendizaje por refuerzo, manteniendo la programación general, y reportó el costo de hacerlo: su puntuación en programación adversarial cayó del 90,5 % en el checkpoint sin mitigaciones al 81,0 % en el modelo que distribuyó. La empresa lo presenta como un límite deliberado a la capacidad de ciberseguridad ofensiva y afirma que elevará ese límite de forma gradual. Kimi K3.1 Pro no redirige tu solicitud; simplemente es más débil en esa categoría, por un margen que su propio proveedor publicó.

Cuál es mejor depende de lo que estés construyendo. Si necesitas una salida determinista del modelo que seleccionaste, un fallback silencioso es peor que una debilidad declarada. Si necesitas el mejor resultado posible en una tarea que el proveedor ha restringido, el fallback aún podría ser mejor que un rechazo, pero ahora estás evaluando dos modelos mientras crees que usas uno.

La fecha que decide la cuestión de los pesos abiertos

Kimi K3.1 Pro se comercializa como un modelo de pesos abiertos, y los pesos aún no están disponibles. Moonshot afirma que los pesos completos se publicarán antes del 4 de noviembre de 2026. Hasta entonces, la columna de pesos abiertos de cualquier comparativa es una promesa, y la organización de Hugging Face que aloja Kimi K3 no tiene nada más reciente que K3 a fecha de 24 de octubre.

Claude Opus 5.5 no tiene un plan de pesos abiertos y nunca lo tendrá. Para cualquiera cuyo despliegue no pueda llamar a una API alojada, la comparación termina ahí independientemente del precio: uno es un producto que tal vez puedas descargar en once días; el otro es un alquiler. Para todos los demás, el 4 de noviembre es la fecha en que la comparación de precios se convierte en una verdadera elección arquitectónica en lugar de una decisión de compras.

Qué correr hoy

Esta es la parte que las tarifas no cubren: la disponibilidad. Claude Opus 5.5 se puede invocar a través de OrcaRouter hoy a $4.00 y $20.00 por millón de tokens, con lecturas de caché a $0.20 —el precio de lista del proveedor transferido sin margen añadido— con la misma clave que el resto de tu stack, con una mediana de tiempo hasta el primer token de 3.86 segundos durante los últimos siete días en nuestra ruta. Kimi K3.1 Pro se unió al mismo catálogo el 24 de octubre a $2.00 y $10.00, lecturas de caché a $0.20, una ventana de 1,048,576 tokens y un límite de salida publicado de 943,718 tokens. Ambos responden ahora con una única clave.

Tener ambos detrás de una sola clave es algo que no menciona la documentación de ninguno de los dos proveedores. Con una diferencia de precio de 2×, la decisión que importa más que elegir un ganador es una política de enrutamiento: envía el quinto más difícil de tu tráfico a Opus 5.5, envía el resto a Kimi K3.1 Pro y deja que la conmutación por error automática cubra una interrupción en cualquiera de los dos lados. El modelo de traspaso es lo que mantiene honesta esa aritmética: cada lado de la división factura al precio publicado por el propio proveedor sin nada añadido, así que el ahorro que calculas es el ahorro que obtienes, y un cambio de precio en cualquiera de los proveedores se aplica aquí el mismo día.

Lo que lleva la comparación de vuelta a donde empezó. Si tu trabajo está dominado por las tareas en las que los dos modelos se sitúan a menos de un punto de diferencia, la brecha de precio lo es todo y la respuesta es el modelo más barato. Si está dominado por la programación de largo horizonte, donde Opus cuenta con tres meses de evaluación independiente a sus espaldas y Kimi con una tabla del proveedor publicada ayer, los 0,7 puntos no son la cifra en la que confiar — la cifra en la que confiar es tu propia evaluación, ejecutada con el ajuste de esfuerzo que realmente vas a desplegar. Ahora ambos proveedores han facilitado hacerlo, porque ambos te permiten girar el dial y ambos publican cuánto cuesta el dial.