Kimi K3.1 Pro vs Claude Opus 5.5: Setengah Tarif Resmi, Tertinggal 0,7 Poin pada Satu Benchmark

Kimi K3.1 Pro dan Claude Opus 5.5 adalah model dengan bentuk yang sama yang dijual dengan harga tepat setengahnya. Flagship baru Moonshot ini berbiaya $2,00 per juta token input dan $10,00 per juta token output; milik Anthropic berbiaya $4,00 dan $20,00. Keduanya menerima konteks satu juta token. Keduanya selalu berpikir sebelum menjawab. Dan pada satu-satunya benchmark yang dipublikasikan kedua perusahaan, selisihnya 0,7 poin: 65,7% untuk Kimi K3.1 Pro versus 66,4% untuk Claude Opus 5.5 pada Terminal-Bench 4.0. Itulah seluruh argumen sang penantang dalam tiga angka, dan argumen itu kuat — dengan dua catatan yang menentukan apakah hal itu berlaku untuk beban kerja Anda: kedua skor tersebut dihasilkan dengan pengaturan yang berbeda, dan angka 2× itu adalah harga per token, bukan harga per tugas yang sudah selesai.

Kimi K3.1 Pro resmi diluncurkan pada 24 Oktober 2026, sehari setelah video teaser yang menyebut namanya. Claude Opus 5.5 telah tersedia secara umum sejak 22 September. Keduanya bukan eksperimen laboratorium yang baru: Opus 5.5 adalah model tingkat Opus saat ini yang telah dirilis Anthropic sejak akhir September, dan Kimi K3.1 Pro adalah versi pasca-pelatihan dari Kimi K3, bukan arsitektur baru. Itu membuat perbandingan ini luar biasa bersih untuk halaman model-vs-model — kartu tarif keduanya diterbitkan, kedua vendor mencetak tabel benchmark, dan tidak ada model yang bersembunyi di balik daftar tunggu.

Kedua kartu tarif, baris demi baris

Lima baris itu penting, dan salah satunya mematahkan pola.

• Input — $2,00 per juta token di Kimi K3.1 Pro dibandingkan $4,00 di Claude Opus 5.5. Tepat setengahnya.

• Output — $10.00 dibandingkan $20.00. Tepat setengahnya, dan output adalah pos yang mendominasi pekerjaan agentic dan penalaran, di mana model menulis jauh lebih banyak daripada membaca.

• Pembacaan cache — $0,20 di keduanya. Inilah anomalinya: kedua vendor sepakat hingga ke sen soal harga membaca prefiks yang di-cache, yakni pos yang mendominasi agen berjalan lama yang membaca ulang sebuah repositori setiap giliran.

• Penulisan cache — Kimi mengenakan biaya $2.00 untuk entri cache lima menit dan $4.00 untuk satu jam; Anthropic mengenakan biaya $5.00 dan $8.00. Kimi juga lebih murah di sini, dengan penghematan lebih dari setengah.

• Varian cepat — Kimi K3.1 Pro Highspeed adalah $4,00 dan $20,00, sekitar dua hingga tiga kali kecepatan keluaran. Mode cepat Anthropic pada Opus 5.5 adalah $8,00 dan $40,00 hingga 2,5×. Hubungan yang sama, penggandaan yang sama.

Hitungan untuk permintaan campuran jadi sederhana. Panggilan yang membaca satu juta token input dan menulis 200.000 token output berbiaya $4,00 di Kimi K3.1 Pro dan $8,00 di Opus 5.5. Agen yang membaca ulang konteks satu juta token dengan rasio cache-hit 70% membayar $0,74 untuk input di Kimi versus $1,34 di Opus, atau $2,74 versus $5,34 setelah output dihitung. Penghematannya berasal dari input dan output baru, bukan dari caching, karena caching berbiaya sama di keduanya.

Yang tidak diberitahukan kartu tarif kepada Anda adalah berapa banyak token yang dihabiskan setiap model. Kimi K3.1 Pro secara default menggunakan pengaturan penalaran tertingginya, max. Claude Opus 5.5 secara default menggunakan medium. Model yang secara default berpikir pada max akan, rata-rata, menulis lebih banyak token penalaran per jawaban daripada model yang berpikir pada medium — jadi 2× yang diiklankan adalah harga per token, bukan harga per tugas yang selesai, dan selisih sebenarnya bergantung pada seberapa banyak dari pemikiran ekstra Kimi yang benar-benar dibutuhkan pekerjaan Anda. Moonshot tidak memublikasikan angka token per tugas yang dapat memastikannya.

Satu-satunya tolok ukur yang dicetak kedua laboratorium, dan mengapa itu bukan pengukuran

Terminal-Bench 4.0 adalah hal yang paling mendekati tolok ukur bersama dalam dua peluncuran ini, dan bahkan di sini kedua angka tersebut tidak dihasilkan dengan cara yang sama.

66,4% milik Anthropic dijalankan pada upaya xhigh, satu tingkat di atas bawaan model yaitu medium, pada harness milik Anthropic sendiri, dengan perutean keamanannya aktif. Perusahaan menerbitkan tabel itu dan menyatakannya. Angka 65,7% milik Kimi muncul dalam materi peluncuran Moonshot pada setelan maksimum bawaan model, pada harness yang juga dikendalikan perusahaan; tabel peluncuran tersebut mengutip Opus 5.5 pada 66,4%, angka yang sama dengan yang diterbitkan Anthropic, tanpa menyebut apakah Moonshot menjalankannya ulang atau mengutipnya. Selisih 0,7 poin antara dua tabel yang dijalankan vendor, pada setelan upaya yang berbeda, pada scaffolding yang berbeda, bukanlah pengukuran perbedaan antara kedua model. Itu adalah pernyataan bahwa keduanya cukup berdekatan sehingga pilihan harness dapat menentukan urutannya.

Dua titik data lagi mengarah ke kesimpulan yang sama. Evaluasi independen Opus 5.5 pada benchmark yang sama, dari Artificial Analysis sebagaimana dilaporkan saat peluncurannya, adalah 59,6% — tujuh poin di bawah angka Anthropic sendiri, dalam konfigurasi yang mencakup perutean pengaman di sisi server. Dan dokumentasi Moonshot sendiri masih memuat placeholder literal "[xx.x%]" untuk skor Terminal-Bench dan benchmark sainsnya pada hari peluncuran, sementara postingan pemasaran memuat angka-angka itu. Tidak satu pun dari fakta tersebut membuktikan apa pun tentang kualitas relatif. Keduanya menunjukkan bahwa tabel benchmark pada hari peluncuran adalah artefak pemasaran terlebih dahulu.

Di bagian yang para vendor sepakati, ceritanya konsisten: Kimi K3.1 Pro mendekati Opus 5.5 pada tugas yang diukur keduanya, dan jauh di depan pendahulunya sendiri. Rangkaian pengodean horizon panjang milik Moonshot meningkat dari 55,95% menjadi 61,2%, skor CAD tanpa alatnya 72,8 dibandingkan dengan 73,0 milik Opus, dan tingkat halusinasinya pada kumpulan soal sulit milik vendor itu sendiri turun dari 23,4% menjadi 8,3% dengan alat — angka yang, jika tetap bertahan di luar evaluasi, lebih penting bagi pekerjaan yang padat dokumen daripada poin benchmark mana pun.

Effort dial adalah perbedaan sesungguhnya antara kedua produk tersebut.

Kedua model mengekspos bidang upaya penalaran; keduanya berbeda pendapat soal berapa banyak tingkatan yang dimilikinya dan di mana posisi diamnya.

Kimi K3.1 Pro memiliki tiga: low, high, dan max, dengan max sebagai default. Claude Opus 5.5 memiliki lima: low, medium, high, xhigh, dan max, dengan medium sebagai default. Tidak ada model yang memungkinkan pemanggil mematikan thinking. Kimi menetapkan sampling secara langsung — temperature 1.0, top-p 0.95, n sebanyak 1 — dan menolak nilai lain, sehingga effort adalah satu-satunya dial perilaku yang ditawarkannya. Anthropic membiarkan temperature dapat diatur tetapi menjaga adaptive thinking selalu aktif, sehingga effort adalah satu-satunya dial yang mengubah seberapa banyak model berpikir.

Nilai default benar-benar berperan. Kimi hadir dengan setelan jujur tetapi mahal: setiap permintaan yang tidak menyertakan reasoning_effort membayar untuk setelan paling dalam. Opus hadir pada tingkat menengah dan menyisakan dua tingkat teratas untuk pemanggil yang memintanya. Jika Anda memigrasikan beban kerja dan tidak mengubah hal lain, Anda telah mengubah model sekaligus anggaran pemikirannya, yang merupakan cara paling umum sebuah "model yang lebih murah" ternyata tidak lebih murah. Tabel Anthropic sendiri menunjukkan besarnya efek tersebut dalam satu model: CursorBench 4.0 mencetak 57,8% pada xhigh dan 52,5% pada medium, sedangkan FrontierCode bergeser 0,2 poin antara dua setelan yang sama. Sensitivitas upaya bersifat per beban kerja, dan tidak ada kartu model yang memprediksi milik Anda.

Satu jebakan operasional berlaku untuk keduanya. Mengubah tingkat effort di tengah percakapan membuat hit cache prefiks menjadi tidak valid, jadi agen yang menaikkan effort di tengah sesi panjang harus membayar untuk membaca ulang semua yang sudah di-cache-nya. Tentukan levelnya sebelum sesi dimulai, bukan selama sesi berlangsung.

Apa yang dilakukan setiap vendor terhadap model saat Anda tidak memperhatikan

Kedua laboratorium kini telah merilis model yang perilakunya pada sejumlah input tidak sesuai dengan perilaku yang Anda minta, dan keduanya menjelaskannya secara terbuka.

Dokumentasi peluncuran Opus 5.5 dari Anthropic menyatakan bahwa sebagian besar tugas terkait siber dapat dialihkan ke Claude Opus 4.8, dan bahwa pekerjaan biologi serta pengembangan model frontier dapat dialihkan ke Opus 5 sebagai cadangan. Pengalihan cadangan tersebut terjadi di sisi server: respons dikembalikan dari model yang berbeda, dan satu-satunya sinyal bagi pemanggil adalah kontennya. Untuk beban kerja yang berkaitan dengan keamanan, ini adalah perubahan kapabilitas yang nyata, bukan catatan kaki kebijakan.

Moonshot menempuh jalur berbeda. Perusahaan itu menghapus data terkait siber dari tahap mid-training dan reinforcement-learning sekaligus tetap mempertahankan coding umum, lalu melaporkan konsekuensinya: skor coding adversarialnya turun dari 90.5% pada checkpoint tanpa mitigasi menjadi 81.0% pada model yang dirilis. Perusahaan menggambarkannya sebagai pembatasan yang disengaja pada kapabilitas siber ofensif dan menyatakan akan menaikkan batas itu secara bertahap. Kimi K3.1 Pro tidak mengalihkan permintaan Anda; model itu hanya lebih lemah pada satu kategori tersebut, dengan selisih yang diterbitkan vendornya sendiri.

Mana yang lebih baik bergantung pada apa yang sedang Anda bangun. Jika Anda memerlukan output deterministik dari model yang Anda pilih, fallback diam-diam lebih buruk daripada kelemahan yang diungkapkan. Jika Anda memerlukan hasil sekuat mungkin pada tugas yang telah dibatasi oleh vendor, fallback mungkin masih lebih baik daripada penolakan — tetapi sekarang Anda melakukan benchmark terhadap dua model sambil mengira sedang menggunakan satu model.

Tanggal yang menentukan pertanyaan open-weight

Kimi K3.1 Pro dipasarkan sebagai model berbobot terbuka, dan bobotnya belum dirilis. Moonshot mengatakan bobot lengkap akan dirilis paling lambat {{1}}4 November 2026{{/1}}. Sampai saat itu, kolom berbobot terbuka dalam perbandingan apa pun hanyalah janji, dan organisasi Hugging Face yang menghosting Kimi K3 tidak memiliki apa pun yang lebih baru daripada {{2}}K3{{/2}} per 24 Oktober.

Claude Opus 5.5 tidak memiliki rencana open-weight dan tidak akan pernah memilikinya. Bagi siapa pun yang deployment-nya tidak dapat memanggil API yang dihosting, perbandingannya berakhir di situ terlepas dari harga: satu pihak adalah produk yang mungkin dapat Anda unduh dalam sebelas hari, pihak lainnya adalah sewaan. Bagi semua orang lainnya, 4 November adalah tanggal ketika perbandingan harga menjadi pilihan arsitektural yang nyata, bukan sekadar pilihan pengadaan.

Apa yang harus dijalankan hari ini

Inilah bagian yang tidak dicakup kartu tarif: ketersediaan. Claude Opus 5.5 dapat dipanggil melalui OrcaRouter hari ini dengan $4,00 dan $20,00 per juta token, dengan pembacaan cache sebesar $0,20 — harga daftar penyedia diteruskan tanpa tambahan markup — pada kunci yang sama dengan bagian lain dari stack Anda, dengan median waktu ke token pertama 3,86 detik selama tujuh hari terakhir pada rute kami. Kimi K3.1 Pro bergabung dengan katalog yang sama pada 24 Oktober dengan $2,00 dan $10,00, pembacaan cache sebesar $0,20, jendela 1.048.576 token, dan batas keluaran yang dipublikasikan sebesar 943.718 token. Keduanya kini merespons dengan satu kunci.

Memiliki keduanya di balik satu kunci adalah hal yang tidak disebutkan oleh dokumen vendor mana pun. Dengan selisih harga 2×, keputusan yang lebih penting daripada memilih pemenang adalah kebijakan perutean: kirim seperlima trafik tersulit Anda ke Opus 5.5, kirim sisanya ke Kimi K3.1 Pro, dan biarkan failover otomatis menutupi kemacetan di salah satu sisi. Model pass-through-lah yang menjaga perhitungan itu tetap jujur — masing-masing sisi pembagian ditagih dengan harga publikasi penyedia sendiri tanpa tambahan apa pun, jadi penghematan yang Anda hitung adalah penghematan yang Anda dapatkan, dan perubahan harga di vendor mana pun langsung berlaku di sini pada hari yang sama.

Yang membawa perbandingan kembali ke titik awalnya. Jika pekerjaan Anda didominasi oleh tugas-tugas di mana kedua model terukur dalam selisih satu poin satu sama lain, selisih harga adalah keseluruhan ceritanya dan jawabannya adalah model yang lebih murah. Jika didominasi oleh coding jangka panjang, di mana Opus memiliki tiga bulan evaluasi independen di belakangnya dan Kimi memiliki tabel vendor yang diterbitkan kemarin, 0,7 poin bukanlah angka yang harus dipercaya — angka yang harus dipercaya adalah evaluasi Anda sendiri, yang dijalankan pada pengaturan effort yang benar-benar akan Anda deploy. Kedua vendor sekarang telah mempermudahnya, karena keduanya memungkinkan Anda memutar dial dan keduanya menerbitkan berapa biaya dial itu.