Kimi K3.1 Pro vs Grok 4.7 : même précision, une facture 72 % plus élevée

Lors d'un examen privé de 43 questions en analyse de données, construit à partir d'un entrepôt de données synthétique de parc éolien, Kimi K3.1 Pro et Grok 4.7 ont tous deux obtenu 42. Aucun des deux modèles n'avait vu les questions, et les données étaient fabriquées afin qu'aucune réponse n'ait pu être mémorisée. Même score, même rang — à égalité pour la troisième place sur 34 modèles testés. Les factures n'étaient pas les mêmes : l'exécution de Kimi a coûté 13,47 $ et celle de Grok 7,85 $.

Cette paire de chiffres est la chose la plus utile que quiconque ait publiée au sujet de cette confrontation, car c’est la seule comparaison directe où les deux modèles ont été exécutés par les mêmes personnes, le même jour, sur les mêmes réponses. Presque tout le reste de ce qui circule est soit un benchmark de fournisseur produit dans un autre cadre d’évaluation, soit une comparaison qui remplace discrètement Kimi K3 par Kimi K3.1 Pro. Cet article commence donc par ce que montrent les tests neutres, puis distingue les différences réelles de celles qui sont des artefacts liés à l’identité de celui qui a mené le test.

Deux modèles, deux paris très différents

Kimi K3.1 Pro est arrivé le 23 octobre 2026 comme successeur post-entraîné de Kimi K3 plutôt que comme une nouvelle architecture. Moonshot AI a conservé le socle mixture-of-experts de 2,8 billions de paramètres, la fenêtre de contexte de 1 048 576 tokens ainsi que l'entrée native d'images et de vidéos, et a consacré cette publication à l'apprentissage par renforcement dans les domaines agentiques et professionnels. Les poids complets sont promis pour le 4 novembre 2026.

Grok 4.7 est sorti un mois plus tôt, le 21 septembre 2026, chez xAI. Il est propriétaire, repose sur une base d’environ 2,1 billions de paramètres rapportée que xAI n’a pas confirmée, dispose d’une fenêtre d’entrée de 500 000 tokens avec un plafond de sortie de 450 000 tokens, et conserve le prix de Grok 4.6. Sa date de coupure des connaissances est juin 2026, avec un entraînement complémentaire jusqu’en août.

• Prix — Kimi K3.1 Pro : 2,00 $ en entrée / 10,00 $ en sortie par million de tokens ; Grok 4.7 : 2,00 $ / 6,00 $, passant à 4,00 $ / 12,00 $ dès qu'un prompt dépasse 200K tokens.

• Entrée mise en cache — 0,20 $ chez Kimi contre 0,50 $ chez Grok, une inversion qui compte davantage que le prix affiché pour les agents qui relisent le même dépôt à chaque tour.

• Contexte — 1 048 576 jetons contre 500 000. Kimi autorise également jusqu’à 943 718 jetons de sortie dans une seule réponse, ce qui est moins une fonctionnalité qu’une affirmation sur la vocation du modèle.

• Modalités — texte, image et vidéo en entrée, texte en sortie sur Kimi ; texte, image et fichier en entrée, texte en sortie sur Grok.

• Contrôle du raisonnement — Kimi raisonne par défaut avec un effort sélectionnable ; Grok propose les niveaux faible, moyen, élevé et xhigh, et ne permet pas de désactiver le raisonnement.

• Ouverture — poids promis d'ici le 4 novembre sur Kimi ; Grok est uniquement disponible via API et le restera.

Le terrain neutre, et à quel point il est mince

L’examen de Plotly est la comparaison la plus propre disponible. Il s’agit d’un test privé de 43 questions sur un entrepôt synthétique de données d’une flotte éolienne, réparti en questions d’analyse, demandes ambiguës, demandes impossibles, pièges statistiques, contrôles de qualité des données et cinq schémas plantés qu’un bon analyste devrait trouver sans y être invité. Kimi K3.1 Pro a réussi 42 questions, contre 35 pour Kimi K3. Grok 4.7 a également réussi 42. Tous deux sont devancés par GPT-6.1 Sol et GPT-6 Astra, à 43.

Le détail derrière l’égalité est là où les deux modèles divergent. Kimi a trouvé les cinq motifs implantés et détecté les trois problèmes de qualité des données — des lignes en double, un dernier jour manquant, et la différence entre une éolienne déclassée et une autre produisant réellement zéro. Son unique raté était une erreur de limite : il a compté 2 775 jours-éolienne antérieurs à une installation de firmware comme « autre firmware », ce qui a déplacé une moyenne d’environ 0,0003 et se situait juste en dehors de la tolérance du test. C’est une défaillance de précision à la frontière d’une définition, pas une défaillance de raisonnement.

Un second test neutre indique la direction opposée. Lors de l’évaluation comptable de DualEntry, Grok 4.7 a terminé à égalité à la deuxième place avec 88,1 %, tandis que Kimi K3.1 Pro était quatrième avec 86,1 %. Kimi était le modèle le moins cher par tâche lors de cette exécution, à 0,079 $, mais aussi l’un des plus lents, à 125,6 secondes par tâche. Deux tests neutres, deux quasi-égalités, et l’ordre s’inverse entre les deux. Voilà à quoi ressemble une véritable comparaison entre pairs, et c’est ce que ne fait pas la plupart de la couverture du jour du lancement.

Là où les différences sont réelles

Pour ce qui est de l’écriture, l’écart n’est pas serré. ToneBench, qui évalue des brouillons par rapport à dix briefs avec quatre juges par brouillon, place Kimi K3.1 Pro à 2 205 Elo et septième sur 83 configurations, contre Grok 4.7 à 1 904 et vingt-cinquième. Les intervalles à 95 % ne se chevauchent pas : 2 166–2 246 contre 1 855–1 962. Kimi a remporté neuf des dix scripts et sept des neuf sous-métriques, les écarts les plus marqués concernant le respect de la longueur (95,4 contre 78,7) et les repères visuels (84,9 contre 78,8). Les victoires de Grok étaient étroites et limitées au ton et aux conventions YouTube. À 0,251 $ contre 0,215 $ par script, il ne s’agit pas d’une décision de coût.

Le codage et le travail agentique sont les domaines où les preuves deviennent confuses, et où la plupart des comparaisons induisent en erreur. xAI rapporte Grok 4.7 à 37,6–38,0 % sur Terminal-Bench 4.0. Moonshot rapporte Kimi K3.1 Pro à 65,7 % sur le même benchmark. Ces chiffres sont séparés de 28 points et ne signifient pas que Grok est un modèle deux fois moins performant, car les scores de Terminal-Bench varient de dizaines de points selon le harnais d’évaluation, la limite de temps et le nombre de tentatives autorisées. Un score de 65,7 % et un score de 38,0 % obtenus dans des laboratoires différents sont deux mesures différentes qui portent le même nom.

Les preuves indépendantes en matière de codage qui existent favorisent Grok, mais elles portent sur Kimi K3 plutôt que sur K3.1 Pro. Sur SWE-bench Verified, exécuté via un scaffold mini-agent standard, Grok 4.7 a obtenu 95,6 % contre 93,4 % pour Kimi K3. Personne n’a publié le chiffre équivalent pour K3.1 Pro. Les propres chiffres de Moonshot sur les tâches à long horizon — 61,2 % sur Kimi Code Bench 3.0 Long-horizon contre 55,95 % pour K3, et 51,7 % sur SWE Marathon contre 45,6 % pour Claude Opus 5.5 — suggèrent que le post-entraînement a aidé, mais c’est l’éditeur qui note ses propres copies sur un benchmark qu’il a créé.

Le contexte long est le seul écart de capacités qui se passe de benchmark. Un million de tokens contre cinq cent mille, c’est un facteur deux, et le prix des hits de cache de Kimi est inférieur à la moitié de celui de Grok. Si la charge de travail est un monorepo, un ensemble de contrats ou une année de tickets de support, la comparaison est décidée avant même qu’un seul score soit lu.

Pourquoi la facture diverge

L’écart de coût de 72 % sur l’examen Plotly ne s’explique pas uniquement par la grille tarifaire. Le prix de sortie de Kimi est 67 % plus élevé, donc à nombre de tokens identique, cela coûterait plus cher — mais pas 72 % de plus lors d’un test où les deux modèles ont produit la même qualité de réponse. Le reste vient de la quantité de texte qu’ils écrivent et du nombre d’appels qu’ils effectuent pour y parvenir.

Kimi effectuait en moyenne environ 7,5 appels au modèle par question et une médiane de 2,5 minutes par question, soit le deuxième plus lent sur 34 modèles ; environ 90 % de ce temps correspondait à la réponse du modèle plutôt qu’à l’exécution SQL. Sur les questions à motifs cachés, il effectuait environ 73 appels d’outils. Les tests indépendants menés ailleurs par Grok ont révélé qu’il consomme environ deux fois plus de tokens de sortie par tâche que Grok 4.6, ce qui joue en sens inverse. L’effet net sur cet examen était que Grok dépensait moins de dollars par bonne réponse malgré une consommation plus élevée de tokens par étape.

Le calcul pour un agent de production se présente comme suit. Prenons une tâche qui lit 100K jetons d’entrée, écrit 8K jetons de sortie et effectue 20 tours.

• Kimi K3.1 Pro, sans cache — 20 tours à 0,20 $ en entrée plus 0,08 $ en sortie, soit environ 5,60 $ par tâche.

• Grok 4.7, sans cache — la même configuration à 0,20 $ en entrée plus 0,048 $ en sortie revient à environ 4,96 $ par tâche.

• Kimi K3.1 Pro, 70 % de taux de succès du cache — l'entrée tombe à 0,074 $ par tour, ce qui ramène la tâche à environ 3,08 $.

• Grok 4.7, 70 % de taux de succès du cache — le coût des entrées tombe à 0,095 $ par tour, ce qui ramène la tâche à environ 2,86 $.

Ainsi, Grok l'emporte pour le cas agentique même avec un taux de cache élevé, car les tokens de sortie dominent et il les facture 40 % de moins. Kimi ne prend l'avantage que lorsque la sortie est petite par rapport à l'entrée. Prenons un appel de récupération avec 100 K en entrée et 1 K en sortie à 70 % de cache : Kimi coûte 0,084 $ et Grok 0,101 $, soit une victoire de 17 % pour Kimi. Le point de bascule n'est pas un pourcentage de cache — c'est un ratio entrée-sortie. Les charges à dominante lecture reviennent à Kimi, celles à dominante écriture à Grok, et le conseil honnête est de mesurer votre propre ratio plutôt que de faire confiance à l'exemple de l'un ou l'autre fournisseur.

La vitesse change la forme du système, pas seulement la facture.

Le temps médian jusqu'au premier token de Kimi K3.1 Pro, selon nos propres mesures, est de 6,9 secondes à 48 tokens par seconde. Grok 4.7, dans des tests tiers, tourne autour de 1,3 seconde jusqu'au premier token et d'environ 61 tokens par seconde. Pour un produit de chat, cette différence est perceptible. Pour un agent effectuant 20 appels séquentiels, c'est la différence entre une tâche qui semble instantanée et une autre qui semble cassée, et c'est la véritable raison pour laquelle plusieurs comparatifs d'outils de codage donnent la victoire à Grok malgré les meilleurs scores d'écriture de Kimi.

Le contrôle du raisonnement aggrave le problème. Grok permet de régler l’effort de faible à xhigh et facture en conséquence ; à son réglage faible, ToneBench a mesuré 1 815 Elo à 0,064 $ par script, soit un quart du coût du réglage moyen. Kimi raisonne par défaut et son réglage d’effort est un instrument plus grossier, avec un échantillonnage fixé à température 1,0 et top_p 0,95 — des valeurs dont il rejette les alternatives. Si un pipeline dépend d’un déterminisme à basse température, c’est une question de compatibilité à régler avant de benchmarker quoi que ce soit.

Lequel doit être en production ?

Choisissez Kimi K3.1 Pro lorsque le travail implique un contexte long et beaucoup de documents : relecture de contrats, recherche financière, analyse de dépôts multi-fichiers et audit de la qualité des données, où le modèle doit remarquer ce qui manque plutôt que répondre à ce qui est demandé. La fenêtre de 1 M, le cache bon marché et la baisse rapportée par Moonshot des affirmations hallucinées, de 23,4 % à 8,3 % avec outils, vont tous dans le même sens. C’est aussi le seul des deux qui sera téléchargeable, ce qui compte si la charge de travail ne peut pas quitter votre infrastructure.

Choisissez Grok 4.7 lorsque la latence fait partie du produit : assistants de codage interactifs, agents IDE, utilisation d’outils destinés aux clients où une pause de six secondes est perçue comme un défaut. Il est moins cher en sortie, plus rapide jusqu’au premier token, et les preuves indépendantes en matière de codage — aussi minces soient-elles — penchent en sa faveur. Sa fenêtre de 500K n’est pas une limitation pour la plupart des travaux sur dépôt, même si elle l’est pour certains.

La réponse inconfortable pour quiconque veut un seul gagnant est que les deux modèles sont à égalité sur le seul test neutre que tous deux ont passé, et que le départage dépend de votre ratio entrées-sorties et de votre budget de latence. Ce sont des propriétés que vous pouvez mesurer en un après-midi, et aucun article de lancement ne peut vous dire ce qu’elles sont.

Exécuter les deux sans un deuxième contrat

C'est le seul duel pour lequel il est peu coûteux d'organiser un test des deux. OrcaRouter propose kimi/kimi-k3.1-pro et grok/grok-4.7 sur la même clé, au prix catalogue du fournisseur et sans marge, si bien que les 2,00 $, 10,00 $ et 6,00 $ ci-dessus correspondent à ce qui vous est facturé, et non à la version qu'en propose un revendeur. Cela compte plus que d'habitude ici, car la décision dépend du comportement du cache et de la latence mesurés dans votre propre application — ce qui signifie qu'il vous faut les deux modèles derrière un seul point de terminaison et une seule facture pour les comparer équitablement.

Cela change aussi la logique de repli. Le basculement automatique entre fournisseurs signifie qu’une limite de débit ou une panne sur un modèle ne fait pas tomber la fonctionnalité, et le DSL de routage vous permet d’envoyer le chemin à contexte long vers Kimi et le chemin interactif vers Grok dans une seule politique, au lieu de maintenir deux intégrations. Si vous hésitez encore, c’est un moyen de réaliser l’évaluation sur un échantillon de trafic de production plutôt que de choisir à partir d’un tableau de benchmarks.

Qu'est-ce qui changerait ce verdict

Deux choses, toutes deux datées. La première est le 4 novembre, date à laquelle Moonshot a promis les poids complets. Un Kimi K3.1 Pro à poids ouverts de cette qualité change la donne pour quiconque a une raison de conformité de l’auto-héberger, et c’est aussi le moment où des laboratoires indépendants peuvent faire tourner le modèle sans budget d’API.

Le second est un véritable duel d’agents. Toute comparaison de programmation en circulation utilise soit Kimi K3 au lieu de Kimi K3.1 Pro, soit compare les harnais de deux fournisseurs comme s’il s’agissait d’une seule mesure. Dès que quelqu’un fait tourner les deux modèles dans le même cadre d’exécution sur les mêmes tâches — comme Plotly l’a fait pour l’analyse de données —, la question du codage ne fait plus débat. D’ici là, la position défendable est la plus ennuyeuse : Grok 4.7 pour la vitesse et le codage interactif, Kimi K3.1 Pro pour le contexte long, l’écriture et le travail sur documents, et les deux mesurés sur votre propre trafic avant que l’un ou l’autre n’ait un chemin vers la production.