
Qwen4-Max vs Kimi K3.1 Pro: una diferencia de 41 centavos que decide menos de lo que crees
- GoogleNUEVOGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 por 1M de tokens · 89 tok/s
- AnthropicNUEVOAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 por 1M de tokens · 97 tok/s
- orcaNUEVOOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaNUEVOOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 por 1M de tokens · 88 tok/s
- OrcaNUEVOOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 por 1M de tokens · 134 tok/s
- OrcaNUEVOOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 por 1M de tokens · 88 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 por 1M de tokens · 121 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 por 1M de tokens · 69 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 90 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Inteligencia
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 por 1M de tokens · 195 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Inteligencia
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 por 1M de tokens · 121 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Inteligencia
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Inteligencia
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 por 1M de tokens · 141 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955Inteligencia
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855Inteligencia
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 por 1M de tokens · 265 tok/s
Según los propios datos de Artificial Analysis, una tarea terminada cuesta $3.27 en Qwen4-Max y $3.68 en Kimi K3.1 Pro. Cuarenta y un centavos. Si estás eligiendo un modelo para un agente que ejecuta miles de tareas por semana, esa diferencia parece ser toda la decisión, y no lo es —porque los dos modelos llegan a esas cifras desde direcciones opuestas, y la dirección es lo que aparece en tus registros seis semanas después. Qwen4-Max llega ahí por ser rápido y verboso —más tokens de salida, a menos de la mitad de la tarifa por token—; Kimi K3.1 Pro llega ahí por ser lento y conciso, emitiendo menos tokens que cuestan cada uno más del doble. Ninguno es el modelo más barato en general. Cada uno es más barato para una forma particular de trabajo.
Ese es el encuadre útil para este par, y ahora está disponible de una manera en que no lo estaba en octubre: ambos modelos están en la misma revisión de índice independiente, ambos han publicado condiciones comerciales y uno de ellos tiene pesos descargables. Lo que sigue es la división por carga de trabajo en lugar de por benchmark, porque el benchmark ya indica que son muy parecidos.
Primero, el nombre
No existe un kimi-k3.1a secas en la propia lista de modelos de Moonshot. Los identificadores que se distribuyen son kimi-k3.1-pro, kimi-k3.1-pro-highspeed y el más antiguo kimi-k3; «Kimi K3.1» es como se escribe la serie en los buscadores y en la prensa, y el modelo que hay detrás es Kimi K3.1 Pro. La variante highspeed es el mismo modelo servido a aproximadamente dos o tres veces la velocidad. Así que toda comparación que importe aquí es Qwen4-Max frente a Kimi K3.1 Pro, y ese es el par que se mide a continuación. Cualquiera que te muestre una ficha técnica de un modelo llamado exactamente «Kimi K3.1» te está mostrando los números del Pro con un nombre más corto.
Kimi K3.1 Pro se anunció el 23 de octubre de 2026, con el blog del proveedor fechado el día 24, y sus pesos llegaron a Hugging Face con un único commit con marca temporal 2026-11-02. Qwen4-Max salió a la venta por consumo el 16 de noviembre de 2026. Ambos tienen semanas de antigüedad, ninguno es una vista previa y ambos cuentan con tarifas reales, que es precisamente la razón por la que esta comparación puede hacerse con números en lugar de proyecciones.

Las dos filas que definen el enfrentamiento
Todo lo que sigue procede de {{1}}Artificial Analysis Intelligence Index v5.0.1{{/1}} a menos que se indique que es información reportada por el proveedor. El índice es un instrumento de un solo día; este blog ha visto revisiones mover la puntuación de un modelo en dos dígitos, así que considera que la dispersión solo es orientativa.
• Puntuación del índice — Qwen4-Max 43 frente a Kimi K3.1 Pro 46. El modelo Kimi está tres puntos por delante, dentro de la banda de ruido de una única revisión del índice
• Costo por tarea — Qwen4-Max $3.27 frente a Kimi K3.1 Pro $3.68. El modelo Kimi es un 12,5 % más caro por tarea finalizada a pesar de la ventaja en la puntuación
• Precio de entrada — Qwen4-Max $1.50 por millón en Singapur, $1.413 en otros lugares; Kimi K3.1 Pro $2.00
• Precio de salida — Qwen4-Max $4.50 frente a Kimi K3.1 Pro {{1}}$10.00{{/1}}. Esta es la mayor diferencia de toda la comparación, y es la que un modelo de costes basado en el recuento de tokens sobreponderará
• Precio por acierto de caché — Qwen4-Max $0.075 por millón en Singapur, $0.071 en el resto; Kimi K3.1 Pro $0.20. Ambos aplican un descuento considerable a las lecturas en caché; el de Qwen es el descuento más pronunciado
• Tiempo real por tarea — Qwen4-Max 32,1 minutos frente a Kimi K3.1 Pro 38,4 minutos, ante una mediana del conjunto de 11,5. Ambos son lentos; Qwen es el menos lento de los dos
• Rendimiento — Qwen4-Max 55 tokens de salida por segundo frente a Kimi K3.1 Pro 31, medido en la propia API de cada proveedor
• Apetito de tokens — Qwen4-Max 127 millones de tokens de salida por ejecución de índice frente a Kimi K3.1 Pro 113 millones
• Contexto — Qwen4-Max 1.000.000 de tokens según lo documentado, medidos en 984.000 utilizables; Kimi K3.1 Pro 1.048.576
• Modalidad — ambos aceptan texto, imagen y video y devuelven texto. La guía de modelos de Moonshot indica explícitamente que Kimi K3.1 Pro maneja video, aunque el resumen independiente del modelo solo enumera texto e imagen.
• Pesos — Qwen4-Max no publica ninguno, y su documentación indica que el ajuste fino y el despliegue no están soportados; el checkpoint de Kimi K3.1 Pro de 2,8 billones de parámetros, de los cuales 104 mil millones están activos por token, se puede descargar bajo una licencia a medida en lugar de una licencia estándar.
Arquitectura, según el proveedor: Qwen4-Max, una arquitectura troncal de 2,4 billones de parámetros con 71 mil millones activos y otros 328 mil millones de parámetros de embedding de N-gramas; Kimi K3.1 Pro, un modelo de clase 3T postentrenado construido sobre K3
Lea la fila de precio de salida frente a la fila de coste por tarea y tendrá el artículo completo. Kimi K3.1 Pro cobra más del doble por token de salida y aun así termina una tarea por 41 centavos más, porque emite menos de ellos. Qwen4-Max cobra menos de la mitad por token de salida y no gana casi nada con ello, porque emite un 12 % más. El precio por token es una aproximación a la factura, no la factura. La factura es la tercera fila.
Carga de trabajo uno: el agente de ejecución prolongada
Aquí es donde los 41 centavos dejan de ser un redondeo. Un bucle de agente no ejecuta una sola tarea; ejecuta una secuencia de tareas con muchas repeticiones, y la cifra que se acumula es el tiempo real, no el precio. Con 32,1 y 38,4 minutos por tarea de indexación, respectivamente, ambos modelos son entre dos y tres veces más lentos que la mediana del conjunto, de 11,5 minutos. Un lote de veinte tareas supone entre diez y trece horas de tiempo real con cualquiera de los dos. Si tu bucle está limitado por la latencia, ninguno de estos dos es el modelo adecuado, y elegir entre ellos por precio es optimizar la variable equivocada.
Si no está limitado por la latencia —ejecuciones por lotes durante la noche, trabajos de investigación de largo plazo, trabajo de documentos en segundo plano—, entonces la cifra decisiva son los tokens por tarea completada, y aquí los 55 tokens por segundo de Qwen4-Max frente a los 31 de Kimi importan menos de lo que parece. El rendimiento solo determina la rapidez con la que se vacía una sola solicitud; lo que determina la factura es cuántos tokens gasta el modelo pensando antes de producir una respuesta. Qwen4-Max gasta un 12 % más de ellos y cobra un 55 % menos por unidad por ellos.
Carga de trabajo dos: todo lo relacionado con un documento extenso
Aquí es donde la comparación deja de girar en torno a las puntuaciones y pasa a girar en torno a la forma de la salida. Ambos modelos leen texto, imágenes y vídeo, y ambos escriben texto, así que no hay ningún argumento de modalidad que esgrimir; la versión honesta de esta sección es que el soporte de vídeo de Qwen4-Max no es el desempate que parece, porque la guía de modelos de Moonshot indica que Kimi K3.1 Pro también maneja vídeo. Lo que los separa en el trabajo con documentos es cuánto escribirán de vuelta en una sola pasada y cuánto cobran por ello.
Qwen4-Max limita la salida a 131.072 tokens con el razonamiento desactivado, o a 262.144 compartidos entre razonamiento y respuesta. Kimi K3.1 Pro llega a aproximadamente 943.000. En una revisión de contrato que devuelve un resumen, esa diferencia nunca aparece; para un pipeline al que se le pide volver a emitir un documento completo con marcas, o razonar sobre un conjunto de trabajo y luego escribir el resultado con detalle, es la diferencia entre una sola llamada y un esquema de fragmentación que ahora tienes que construir y depurar.
La diferencia de precio apunta en la dirección contraria. La tarifa de entrada de Qwen4-Max es un 25 % menor y su tarifa de salida es menos de la mitad, así que el trabajo de extracción y clasificación sobre un corpus grande —muchas entradas, pocas salidas— resulta notablemente más económico en Qwen4-Max por tarea finalizada y también en el medidor. Si se leen los dos párrafos juntos, la división es clara: las respuestas cortas sobre un corpus grande favorecen a Qwen4-Max; las respuestas largas sobre el mismo corpus favorecen el techo de salida del modelo Kimi.

Carga de trabajo tres: aquella en la que necesitas los pesos
Nada de lo que aparece en las filas anteriores cubre la mayor diferencia entre estos dos modelos, porque no es un número. Kimi K3.1 Pro se puede descargar. Qwen4-Max no: su documentación señala el ajuste fino y el despliegue de modelos como no admitidos, y la publicación de lanzamiento de Alibaba solo promete que los niveles más pequeños de Qwen4 "llegarán al código abierto", lo cual es una afirmación sobre la familia y no sobre este modelo.
Eso importa en tres situaciones concretas y es irrelevante en el resto. Importa si necesitas ajustar el modelo con tus propios datos, porque Qwen4-Max no ofrece ninguna vía para hacerlo. Importa si tu postura de cumplimiento exige que los pesos residan dentro de tu propio perímetro en lugar de detrás de la API de un tercero. Y importa si estás modelando el coste a lo largo de años en vez de meses: un checkpoint descargable de clase 3T es un gasto de capital con una curva de coste marginal que tú controlas, mientras que un modelo insignia alquilado es una tarifa que puede cambiar. Un mixture-of-experts de 3 billones de parámetros no es algo que la mayoría de los equipos pueda servir internamente —necesita un rack, no una estación de trabajo—, pero «caro de ejecutar uno mismo» e «imposible de ejecutar uno mismo» son respuestas distintas a una pregunta de adquisición, y solo una de ellas cierra.
La licencia merece una frase de precisión, porque "open weights" hace mucho trabajo en la mayoría de la cobertura: Kimi K3.1 Pro se distribuye bajo unaKimi K3.1-Pro License personalizada, no el texto de la MIT Modificada que traía K3, y su concesión es permisiva en el sentido habitual —usar, modificar, ajustar, redistribuir, vender— con dos condiciones añadidas. Si operas un negocio de modelo como servicio y tus ingresos agregados superan los 20 millones de dólares a lo largo de doce meses consecutivos cualesquiera, necesitas un acuerdo por separado con Moonshot antes de usar los pesos comercialmente. Y si un producto construido sobre ellos supera los 100 millones de usuarios activos mensuales o los 20 millones de dólares de ingresos mensuales, "Kimi K3.1-Pro" debe mostrarse de forma destacada en su interfaz. El uso interno, y el uso a través de los propios productos de Moonshot o de socios de inferencia certificados, quedan fuera de ambas cláusulas. Si planeas construir un producto sobre los pesos, lee la licencia en lugar del resumen.
Poniendo el par en una sola tecla
Aquí la comparación deja de ser simétrica de una forma que conviene decir sin rodeos. OrcaRouter enruta kimi/kimi-k3.1-pro hoy mismo, en el mismo endpoint compatible con OpenAI que el resto de sus más de 200 identificadores de modelos, con 0 % de margen — el precio de lista del proveedor se traslada tal cual, de modo que los $2.00 y $10.00 anteriores son lo que usted paga y no lo que cobra el proveedor antes del margen de alguien. No enruta Qwen4-Max, y esta página no insinuará lo contrario: llegar a ese modelo implica las seis regiones propias de Alibaba o una plataforma de terceros que lo revenda.
Para lo que esa asimetría sirve de verdad es para la prueba que este artículo ha estado describiendo. La división por carga de trabajo anterior es una hipótesis sobre tu tráfico, no un hecho sobre tu tráfico, y la forma barata de refutarla es ejecutar los mismos prompts a través de Kimi K3.1 Pro y un nivel de Qwen 3.8 en un único endpoint, con conmutación por error automática que cubra los fallos puntuales del proveedor que de otro modo corrompen una ejecución de benchmark. Si el modelo Kimi gana en tu carga de trabajo por más de 41 centavos por tarea, el argumento de los pesos se vuelve más fácil de justificar. Si no lo hace, te has ahorrado una conversación de adquisiciones sobre un rack.

La regla de decisión
Tres puntos de índice y 41 centavos de costo por tarea no separan a estos modelos. Lo que sí lo hace son factores binarios, y vale la pena revisarlos en este orden.
• Si necesitas devolver un documento completo en una sola llamada —el techo de salida de ~943.000 tokens de Kimi K3.1 Pro frente al presupuesto compartido de 262.144 de Qwen4-Max es una diferencia categórica, no porcentual
• Si necesitas ajustar el modelo, alojarlo en tus propios servidores o conservar los pesos, Qwen4-Max queda descartado, porque no hay pesos que conservar.
• Si tus ejecuciones están limitadas por el tiempo real — ninguno de los dos es una buena opción; ambos son de dos a tres veces más lentos que el modelo mediano en la misma placa, y Kimi es el más lento de los dos
• Si no se aplica ninguno de esos casos, elige el más barato por tarea finalizada, que con las cifras de hoy es Qwen4-Max a $3.27 frente a $3.68, y vuelve a comprobarlo dentro de un mes, porque ambos proveedores ya han cambiado sus precios una vez este trimestre
El resumen honesto es que Moonshot lanzó el modelo con mejor puntuación y Alibaba lanzó el de mejor precio, que la diferencia en cada dirección es pequeña y que la única decisión aquí con efectos a largo plazo es la que nadie pone en una tabla comparativa: si alquilas o eres propietario. Todo lo demás son cuarenta y un centavos y un error de redondeo en una revisión.
Comparados en este artículo2
Detectado en este artículo · Benchmarks: Artificial Analysis · actualizado a diario
