Kimi K3.1 Pro נגד Grok 4.7: אותו דיוק, חשבון גדול יותר ב-72%

במבחן פרטי לניתוח נתונים בן 43 שאלות שנבנה על מחסן נתונים סינתטי של חוות רוח, Kimi K3.1 Pro וGrok 4.7 קיבלו שניהם 42. אף אחד מהמודלים לא ראה את השאלות, והנתונים היו מומצאים כך שלא ניתן היה לשנן שום תשובה. אותו ציון, אותו דירוג — תיקו במקום השלישי מתוך 34 מודלים שנבדקו. החשבוניות לא היו זהות: הריצה של Kimi עלתה $13.47 וזו של Grok עלתה $7.85.

צמד המספרים הזה הוא הדבר השימושי ביותר שמישהו פרסם על ההתמודדות הזו, משום שזהו המכריע ראש בראש היחיד שבו שני המודלים הורצו בידי אותם אנשים, באותו יום, מול אותן תשובות. כמעט כל דבר אחר שנמצא במחזור הוא או בנצ'מרק של ספק שהופק תחת מערך בדיקה שונה, או השוואה שמחליפה בשקט את Kimi K3.1 Pro ב-Kimi K3. לכן המאמר הזה מתחיל במה שהבדיקות הנייטרליות מראות, ואז מפריד בין ההבדלים שהם אמיתיים לבין אלה שהם תולדות של מי שהריץ את הבדיקה.

שני מודלים, שני הימורים שונים מאוד

Kimi K3.1 Pro הושק ב-23 באוקטובר 2026 כיורש שעבר אימון-המשך ל-Kimi K3 ולא כארכיטקטורה חדשה. Moonshot AI שמרה על עמוד השדרה של תערובת מומחים עם 2.8 טריליון פרמטרים, על חלון ההקשר של 1,048,576 טוקנים ועל קלט תמונות וווידאו מקורי, והקדישה את ההשקה ללמידת חיזוק בתחומים סוכניים ומקצועיים. המשקלים המלאים מובטחים עד 4 בנובמבר 2026.

Grok 4.7 הושק חודש מוקדם יותר, ב-21 בספטמבר 2026, על ידי xAI. הוא קנייני, מבוסס על בסיס מדווח של כ-2.1 טריליון פרמטרים ש-xAI לא אישרה, מציע חלון קלט של 500,000 טוקנים עם תקרת פלט של 450,000 טוקנים, ושומר על המחיר של Grok 4.6. נקודת החיתוך של הידע שלו היא יוני 2026, עם אימון משלים עד אוגוסט.

• מחיר — Kimi K3.1 Pro $2.00 קלט / $10.00 פלט למיליון טוקנים; Grok 4.7 $2.00 / $6.00, עולה ל-$4.00 / $12.00 כאשר פרומפט עובר 200K טוקנים.

• {{1}}קלט במטמון{{/1}} — $0.20 ב-Kimi לעומת $0.50 ב-Grok, היפוך שחשוב יותר ממחיר הכותרת עבור סוכנים שקוראים מחדש את אותו מאגר בכל תור.

• הקשר — 1,048,576 טוקנים לעומת 500,000. Kimi גם מאפשר עד 943,718 טוקני פלט בתגובה אחת, וזה פחות תכונה ויותר הצהרה על מה שהמודל נבנה עבורו.

• מודאליות — טקסט, תמונה ווידאו כקלט, טקסט כפלט ב-Kimi; טקסט, תמונה וקובץ כקלט, טקסט כפלט ב-Grok.

• שליטה בהסקה — Kimi מבצע הסקה כברירת מחדל עם מאמץ שניתן לבחור; Grok מציע נמוך, בינוני, גבוה ו-xhigh, ואינו מאפשר לכבות את ההסקה.

• פתיחות — משקלים הובטחו עד ה-4 בנובמבר ב-Kimi; Grok הוא API בלבד ויישאר כך.

השטח הנייטרלי, וכמה הוא דק

הבחינה של Plotly היא ההשוואה הנקייה ביותר הזמינה. זהו מבחן פרטי בן 43 שאלות על מחסן נתונים סינתטי של צי אנרגיית רוח, המחולק לשאלות אנליטיקה, בקשות מעורפלות, בקשות בלתי אפשריות, מלכודות סטטיסטיות, בדיקות איכות נתונים וחמישה דפוסים מוטמנים שאנליסט טוב אמור למצוא ללא הנחיה. Kimi K3.1 Pro צלח 42, לעומת 35 עבור Kimi K3. Grok 4.7 גם צלח 42. שניהם מפגרים אחרי GPT-6.1 Sol ו-GPT-6 Astra עם 43.

הפרט שמאחורי התיקו הוא המקום שבו שני המודלים נבדלים. Kimi מצא את כל חמש התבניות שהושתלו וזיהה את כל שלוש בעיות איכות הנתונים — שורות כפולות, יום אחרון חסר, וההבדל בין טורבינה שהוצאה משימוש לבין אחת שמייצרת אפס באופן אמיתי. ההחמצה היחידה שלו הייתה שגיאת גבול: הוא ספר 2,775 ימי-טורבינה מלפני התקנת קושחה כ"קושחה אחרת", מה שהזיז ממוצע בכ-0.0003 ונפל ממש מחוץ לסבילות הבדיקה. זהו כשל דיוק בשולי הגדרה, ולא כשל בהיסק.

מבחן ניטרלי שני מצביע דווקא לכיוון ההפוך. בהערכת החשבונאות של DualEntry, Grok 4.7 סיים בתיקו על המקום השני עם 88.1%, בעוד Kimi K3.1 Pro הגיע למקום הרביעי עם 86.1%. Kimi היה המודל הזול ביותר לכל משימה בהרצה ההיא, במחיר של 0.079 דולר, אך גם אחד האיטיים ביותר, עם 125.6 שניות למשימה. שני מבחנים ניטרליים, שני כמעט-תיקו, והסדר מתהפך ביניהם. כך נראית השוואה אמיתית בין עמיתים, וזה מה שרוב הסיקור ביום ההשקה אינו מציג.

היכן שההבדלים אמיתיים

בכתיבה אין תחרות צמודה. ToneBench, שמדרג טיוטות מול עשרה בריפים עם ארבעה שופטים לכל טיוטה, מציב את Kimi K3.1 Pro ב-2,205 Elo ובמקום השביעי מבין 83 קונפיגורציות, לעומת Grok 4.7 עם 1,904 ובמקום העשרים וחמישה. מרווחי ה-95% אינם חופפים: 2,166–2,246 לעומת 1,855–1,962. Kimi ניצח בתשעה מתוך עשרה תסריטים ובשבעה מתוך תשעה תת-מדדים, כשהפערים הגדולים ביותר נרשמו בהקפדה על האורך (95.4 לעומת 78.7) וברמזים חזותיים (84.9 לעומת 78.8). הניצחונות של Grok היו צרים והוגבלו לטון ולמוסכמות של YouTube. בעלות של $0.251 לעומת $0.215 לתסריט, זו אינה החלטה על בסיס עלות.

עבודה בקידוד ובעבודה סוכנית היא המקום שבו הראיות נעשות מבולגנות, ושבו רוב ההשוואות מטעות. xAI מדווחת כי Grok 4.7 מגיע ל-37.6–38.0% ב-Terminal-Bench 4.0. Moonshot מדווחת כי Kimi K3.1 Pro מגיע ל-65.7% באותו מבחן. המספרים האלה רחוקים זה מזה ב-28 נקודות, והם לא אומרים ש-Grok הוא חצי מהמודל, מפני שציוני Terminal-Bench נעים בעשרות נקודות בהתאם להרנס, למגבלת הזמן ולמספר הניסיונות המותרים. 65.7% ו-38.0% שהופקו במעבדות שונות הם שתי מדידות שונות שלובשות את אותו שם.

העדויות הבלתי־תלויות לקידוד שכן קיימות נוטות לטובת Grok, אך מדובר בעדויות על Kimi K3 ולא על K3.1 Pro. בהרצת SWE-bench Verified דרך שלד מיני־סוכן סטנדרטי, Grok 4.7 השיג 95.6% לעומת 93.4% של Kimi K3. איש לא פרסם את הנתון המקביל עבור K3.1 Pro. המספרים של Moonshot עצמה לאופק ארוך — 61.2% ב-Kimi Code Bench 3.0 Long-horizon לעומת 55.95% עבור K3, ו-51.7% ב-SWE Marathon לעומת 45.6% עבור Claude Opus 5.5 — מרמזים ש-post-training עזר, אבל זה הספק שבודק את שיעורי הבית של עצמו על בנצ'מרק שהוא בנה.

הקשר ארוך הוא פער היכולת היחיד שלא צריך בנצ'מרק. מיליון טוקנים מול חצי מיליון הם פי שניים, ומחיר הפגיעה במטמון של Kimi הוא פחות ממחצית מזה של Grok. אם עומס העבודה הוא מונורפו, סט חוזים או שנה של קריאות תמיכה, ההשוואה מוכרעת לפני שקוראים ציון כלשהו.

מדוע החשבונית שונה

פער העלות של 72% במבחן Plotly אינו מוסבר על ידי מחירון התעריפים בלבד. מחיר הפלט של Kimi גבוה ב-67%, כך שעבור מספר טוקנים זהה הוא יעלה יותר — אך לא ב-72% יותר במבחן שבו שני המודלים הפיקו אותה רמת איכות תשובות. השאר נובע מכמה הם כותבים ומכמה קריאות הם מבצעים כדי להגיע לשם.

Kimi הגיע בממוצע לכ-7.5 קריאות מודל לשאלה וחציון של 2.5 דקות לשאלה, השני באיטיותו מבין 34 מודלים; כ-90% מהזמן הזה היה תגובת מודל ולא הרצת SQL. בשאלות עם דפוסים נסתרים הוא ביצע כ-73 קריאות כלים. בבדיקות עצמאיות שנערכו ל-Grok במקום אחר נמצא שהוא צורך בערך פי שניים טוקנים בפלט לכל משימה לעומת Grok 4.6, מה שפועל בכיוון ההפוך. ההשפעה נטו במבחן הזה הייתה ש-Grok הוציא פחות דולרים לכל תשובה נכונה למרות ששרף יותר טוקנים בכל שלב.

החשבון עבור סוכן בסביבת ייצור נראה כך. קחו משימה שקוראת 100K אסימוני קלט, כותבת 8K של פלט, ומתבצעת ב-20 סבבים.

• Kimi K3.1 Pro, ללא מטמון — 20 סבבים בקלט בעלות $0.20 בתוספת פלט בעלות $0.08 מסתכמים לכ-$5.60 למשימה.

• Grok 4.7, ללא מטמון — באותו מבנה במחיר $0.20 לקלט ועוד $0.048 לפלט, מדובר בכ-$4.96 למשימה.

• Kimi K3.1 Pro, 70% פגיעות מטמון — הקלט יורד ל-$0.074 לפנייה, מה שמביא את המשימה לכ-$3.08 בקירוב.

• Grok 4.7, פגיעת מטמון של 70% — הקלט יורד ל-$0.095 לסיבוב, מה שמעמיד את המשימה על כ-$2.86 בקירוב.

אז Grok מנצח במקרה של סוכן גם בשיעור מטמון גבוה, כי טוקני הפלט דומיננטיים והוא גובה עליהם 40% פחות. Kimi עוקף רק cuando הפלט קטן ביחס לקלט. קחו קריאת אחזור עם 100K קלט ו-1K פלט ב-70% מטמון: Kimi עולה $0.084 ו-Grok $0.101, ניצחון של 17% ל-Kimi. נקודת ההצטלבות אינה אחוז מטמון — היא יחס קלט-לפלט. עבודה עתירת קריאה הולכת ל-Kimi, עבודה עתירת כתיבה הולכת ל-Grok, והעצה הכנה היא למדוד את היחס שלכם ולא לסמוך על הדוגמה של אף ספק.

המהירות משנה את צורת המערכת, לא רק את החשבון.

הזמן החציוני עד לאסימון הראשון של Kimi K3.1 Pro במדידות שלנו הוא 6.9 שניות בקצב של 48 אסימונים לשנייה. Grok 4.7, בבדיקות צד שלישי, עומד על כ-1.3 שניות עד לאסימון הראשון וכ-61 אסימונים לשנייה. במוצר צ'אט ההבדל הזה מורגש. עבור סוכן שמבצע 20 קריאות עוקבות, זה ההבדל בין משימה שמרגישה מיידית למשימה שמרגישה תקולה, וזו הסיבה האמיתית לכך שמספר השוואות של כלי קידוד מעניקות את הניצחון ל-Grok למרות הציונים החזקים יותר של Kimi בכתיבה.

שליטת החשיבה מחמירה את העניין. Grok מאפשר לכוונן את המאמץ מ־low ועד xhigh וגובה בהתאם; בהגדרה הנמוכה שלו, ToneBench מדד 1,815 Elo בעלות של $0.064 לסקריפט, רבע מעלות ההגדרה הבינונית. Kimi מפעיל היסק כברירת מחדל, והגדרת המאמץ שלו היא כלי גס יותר, כשהדגימה קבועה על temperature 1.0 ו־top_p 0.95 — ערכים שהוא דוחה חלופות להם. אם צינור עיבוד תלוי בדטרמיניזם בטמפרטורה נמוכה, זו שאלת תאימות שצריך ליישב לפני שמריצים בנצ'מרק על משהו.

איזה מהם שייך לפרודקשן?

בחרו ב-Kimi K3.1 Pro כאשר העבודה דורשת הקשר ארוך ומסמכים רבים: סקירת חוזים, מחקר פיננסי, ניתוח מאגרי קוד מרובי קבצים וביקורת איכות נתונים, שבהן המודל חייב לשים לב למה שחסר ולא לענות למה שנשאל. חלון ה-1M, המטמון הזול והירידה המדווחת של Moonshot בטענות הזייתיות מ-23.4% ל-8.3% בשימוש בכלים — כולם מצביעים לאותו כיוון. זה גם היחיד מבין השניים שניתן להוריד, מה שחשוב אם עומס העבודה לא יכול לצאת מהתשתית שלכם.

בחרו ב-Grok 4.7 כאשר השהיה היא חלק מהמוצר: עוזרי קידוד אינטראקטיביים, סוכני IDE, שימוש בכלים מול לקוחות שבהם השהיה של שש שניות נתפסת כפגם. הוא זול יותר בפלט, מהיר יותר עד לטוקן הראשון, והראיות הבלתי-תלויות מתחום הקידוד — דלות ככל שהינן — עומדות לצדו. חלון ה-500K שלו אינו מגבלה לרוב עבודת מאגרי הקוד, אם כי עבור חלק הוא כן.

התשובה הלא־נוחה למי שרוצה זוכה יחיד היא ששני המודלים משתווים במבחן הנייטרלי היחיד ששניהם עברו, ושובר־השוויון הוא יחס הקלט־לפלט שלכם ותקציב ההשהיה שלכם. אלה תכונות שאפשר למדוד באחר צהריים אחד, ואף פוסט השקה לא יכול לומר לכם מה הן.

הרצת שניהם ללא חוזה שני

זו ההתמודדות היחידה שבה זול לארגן ניסוי בשניהם. OrcaRouter מציע את kimi/kimi-k3.1-pro ואת grok/grok-4.7 על אותו מפתח, במחיר המחירון של הספק וללא תוספת, כך שה-$2.00, ה-$10.00 וה-$6.00 שלמעלה הם מה שמחייבים אותך ולא גרסה של משווק שלהם. זה חשוב כאן יותר מהרגיל, משום שההחלטה תלויה בהתנהגות מטמון ובהשהיה שנמדדו ביישום שלך עצמו — מה שאומר שאתה צריך את שני המודלים מאחורי נקודת קצה אחת וחשבון אחד כדי להשוות ביניהם באופן הוגן.

זה גם משנה את סיפור הגיבוי. מעבר אוטומטי בין ספקים משמעו שמגבלת קצב או השבתה של מודל אחד לא מפילות את התכונה, וה-DSL לניתוב מאפשר לשלוח את מסלול ההקשר הארוך ל-Kimi ואת המסלול האינטראקטיבי ל-Grok בתוך מדיניות אחת במקום לתחזק שתי אינטגרציות. אם אתם עדיין מתלבטים, זו דרך להריץ את ההערכה על פרוסה מתעבורת הייצור במקום לבחור מטבלת בנצ׳מרקים.

מה היה משנה את פסק הדין הזה?

שני דברים, ושניהם מתוארכים. הראשון הוא 4 בנובמבר, כאשר Moonshot הבטיחה את המשקולות המלאות. Kimi K3.1 Pro עם משקולות פתוחות באיכות הזו משנה את החישוב עבור כל מי שיש לו סיבת ציות לאירוח עצמי, וזה גם המועד שבו מעבדות עצמאיות יוכלו להריץ את המודל בלי תקציב API.

השני הוא עימות סוכני ישיר. כל השוואת קידוד שנמצאת במחזור משתמשת ב-Kimi K3 במקום ב-Kimi K3.1 Pro, או משווה שתי תשתיות הרצה של ספקים כאילו היו מדידה אחת. ברגע שמישהו מריץ את שני המודלים דרך אותו שלד על אותן משימות — כפי ש-Plotly עשתה עבור ניתוח נתונים — שאלת הקידוד מפסיקה להיות שנויה במחלוקת. עד אז, העמדה שניתן להגן עליה היא המשעממת: Grok 4.7 למהירות וקידוד אינטראקטיבי, Kimi K3.1 Pro להקשר ארוך, כתיבה ועבודת מסמכים, ושניהם נמדדים על התעבורה שלך לפני שאחד מהם מקבל מסלול לייצור.