Kimi K3.1 Pro vs Grok 4.7: stessa precisione, un conto più alto del 72%

In un esame privato di 43 domande di analisi dei dati, costruito su un data warehouse sintetico di un parco eolico, Kimi K3.1 Pro e Grok 4.7hanno totalizzato entrambi 42. Nessuno dei due modelli aveva visto le domande, e i dati erano stati fabbricati, così che nessuna risposta potesse essere stata memorizzata. Stesso punteggio, stessa posizione — a pari merito al terzo posto su 34 modelli testati. Le fatture però non erano uguali: l'esecuzione di Kimi è costata $13.47 e quella di Grok $7.85.

Quella coppia di numeri è la cosa più utile che sia stata pubblicata su questo confronto, perché è l’unico confronto diretto in cui entrambi i modelli sono stati eseguiti dalle stesse persone, nello stesso giorno, sulle stesse risposte. Quasi tutto il resto in circolazione è o un benchmark del fornitore prodotto con un diverso assetto di test o un confronto che sostituisce silenziosamente Kimi K3.1 Pro con Kimi K3. Quindi questo articolo parte da ciò che mostrano i test neutrali, poi separa le differenze reali da quelle che sono artefatti di chi ha eseguito il test.

Due modelli, due scommesse molto diverse

Kimi K3.1 Pro è arrivato il 23 ottobre 2026 come successore post-addestrato di Kimi K3 anziché come nuova architettura. Moonshot AI ha mantenuto la backbone mixture-of-experts da 2,8 trilioni di parametri, la finestra di contesto di 1.048.576 token e l'input nativo di immagini e video, e ha dedicato il rilascio al reinforcement learning in domini agentici e professionali. I pesi completi sono promessi entro il 4 novembre 2026.

Grok 4.7 è stato rilasciato un mese prima, il 21 settembre 2026, da xAI. È proprietario, si basa su una base dichiarata di circa 2,1 trilioni di parametri che xAI non ha confermato, dispone di una finestra di input di 500.000 token con un tetto massimo di output di 450.000 token, e mantiene il prezzo di Grok 4.6. Il suo knowledge cutoff è giugno 2026, con addestramento supplementare fino ad agosto.

• Prezzo — Kimi K3.1 Pro: 2,00 $ input / 10,00 $ output per milione di token; Grok 4.7: 2,00 $ / 6,00 $, che salgono a 4,00 $ / 12,00 $ una volta che un prompt supera i 200K token.

Input in cache — $0,20 su Kimi contro $0,50 su Grok, un'inversione che conta più del prezzo di facciata per gli agenti che rileggono lo stesso repository a ogni turno.

• Contesto — 1,048,576 token contro 500,000. Kimi consente inoltre fino a 943,718 token di output in un'unica risposta, il che è meno una funzionalità che una dichiarazione su ciò per cui il modello è costruito.

• Modalità — input di testo, immagini e video, output di testo su Kimi; input di testo, immagini e file, output di testo su Grok.

• Controllo del ragionamento — Kimi ragiona per impostazione predefinita con sforzo selezionabile; Grok espone basso, medio, alto e xhigh, e non consente di disattivare il ragionamento.

• Apertura — pesi promessi entro il 4 novembre per Kimi; Grok è disponibile solo tramite API e rimarrà così.

Il terreno neutro, e quanto è sottile

L'esame di Plotly è il confronto più pulito disponibile. È un test privato di 43 domande su un data warehouse sintetico di un parco eolico, suddiviso in domande analitiche, richieste ambigue, richieste impossibili, trappole statistiche, controlli sulla qualità dei dati e cinque schemi inseriti ad arte che un buon analista dovrebbe individuare senza che gli venga chiesto. Kimi K3.1 Pro ha superato 42 domande, in aumento rispetto a 35 di Kimi K3. Anche Grok 4.7 ha superato 42 domande. Entrambi sono dietro a GPT-6.1 Sol e GPT-6 Astra, a 43.

Il dettaglio dietro il pareggio è il punto in cui i due modelli divergono. Kimi ha trovato tutti e cinque i pattern inseriti e ha individuato tutti e tre i problemi di qualità dei dati — righe duplicate, un giorno finale mancante e la differenza tra una turbina dismessa e una che produce realmente zero. Il suo unico errore è stato un errore di confine: ha conteggiato 2.775 turbine-giorno precedenti a un'installazione firmware come "altro firmware", il che ha spostato una media di circa 0,0003 ed è caduto appena fuori dalla tolleranza del test. Si tratta di un errore di precisione al limite di una definizione, non di un errore di ragionamento.

Un secondo test neutro indica la direzione opposta. Nella valutazione contabile di DualEntry, Grok 4.7 ha chiuso al secondo posto a pari merito con l'88,1%, mentre Kimi K3.1 Pro si è classificato quarto con l'86,1%. Kimi è stato il modello meno costoso per attività in quella prova, a 0,079 dollari, ma anche uno dei più lenti, con 125,6 secondi per attività. Due test neutri, due quasi pareggi, e l'ordine si inverte tra i due. Questo è l'aspetto di un vero confronto tra pari, e non è quello che offre gran parte della copertura del giorno del lancio.

Dove le differenze sono reali

La scrittura non è una sfida equilibrata. ToneBench, che valuta le bozze rispetto a dieci brief con quattro giudici per bozza, colloca Kimi K3.1 Pro a 2.205 Elo e al settimo posto su 83 configurazioni, contro Grok 4.7 a 1.904 e al venticinquesimo. Gli intervalli al 95% non si sovrappongono: 2.166–2.246 contro 1.855–1.962. Kimi ha vinto nove script su dieci e sette sottometriche su nove, con gli scarti più ampi nell’aderenza alla lunghezza (95,4 contro 78,7) e nei segnali visivi (84,9 contro 78,8). Le vittorie di Grok sono state di misura e limitate al tono e alle convenzioni di YouTube. A $0,251 contro $0,215 per script, non è una decisione basata sui costi.

È nella programmazione e nel lavoro agentico che le evidenze si fanno più confuse, ed è lì che la maggior parte dei confronti trae in inganno. xAI riporta Grok 4.7 al 37,6–38,0% su Terminal-Bench 4.0. Moonshot riporta Kimi K3.1 Pro al 65,7% sullo stesso benchmark. Quei numeri distano 28 punti e non significano che Grok sia metà del modello, perché i punteggi di Terminal-Bench variano di decine di punti in base all'harness, al limite di tempo e ai tentativi consentiti. Un 65,7% e un 38,0% prodotti in laboratori diversi sono due misurazioni diverse che portano lo stesso nome.

Le prove indipendenti sul coding che esistono davvero favoriscono Grok, ma sono prove relative a Kimi K3 anziché a K3.1 Pro. Su SWE-bench Verified eseguito tramite uno scaffold mini-agent standard, Grok 4.7 ha ottenuto il 95,6% contro il 93,4% di Kimi K3. Nessuno ha pubblicato il dato equivalente per K3.1 Pro. I numeri long-horizon di Moonshot stesso — 61,2% su Kimi Code Bench 3.0 Long-horizon contro il 55,95% di K3, e 51,7% su SWE Marathon contro il 45,6% di Claude Opus 5.5 — suggeriscono che il post-training abbia aiutato, ma si tratta del fornitore che si corregge i compiti da solo su un benchmark creato da lui.

Il contesto lungo è l'unico divario di capacità che non richiede alcun benchmark. Un milione di token contro cinquecentomila è un fattore due, e il prezzo per cache hit di Kimi è meno della metà di quello di Grok. Se il carico di lavoro è un monorepo, un insieme di contratti o un anno di ticket di supporto, il confronto è deciso prima ancora di leggere qualsiasi punteggio.

Perché la fattura diverge

Il divario di costo del 72% nell'esame Plotly non è spiegato dal solo tariffario. Il prezzo di output di Kimi è superiore del 67%, quindi a parità di token costerebbe di più — ma non il 72% in più in un test in cui i due modelli hanno prodotto la stessa qualità di risposta. Il resto deriva da quanto scrivono e da quante chiamate effettuano per arrivare a quel risultato.

Kimi ha effettuato in media circa 7,5 chiamate al modello per domanda e una mediana di 2,5 minuti per domanda, il secondo più lento di 34 modelli; circa il 90% di quel tempo era costituito dalla risposta del modello anziché dall'esecuzione SQL. Nelle domande con pattern nascosti ha effettuato circa 73 chiamate agli strumenti. Test indipendenti di Grok condotti altrove hanno rilevato che consuma circa il doppio dei token di output per attività rispetto a Grok 4.6, il che va nella direzione opposta. L'effetto netto su questo esame è stato che Grok ha speso meno dollari per risposta corretta nonostante consumasse più token per passaggio.

I calcoli per un agente in produzione sono questi. Prendiamo un'attività che legge 100K token di input, scrive 8K di output ed esegue 20 turni.

• Kimi K3.1 Pro, senza cache — 20 turni a $0,20 di input più $0,08 di output corrispondono a circa $5,60 per attività.

• Grok 4.7, senza cache — la stessa configurazione a $0,20 di input più $0,048 di output è di circa $4,96 per attività.

• Kimi K3.1 Pro, 70% di cache hit — l'input scende a $0,074 per turno, portando l'attività a circa $3,08.

• Grok 4.7, 70% di cache hit — l'input scende a $0,095 per turno, portando il task a circa $2,86.

Quindi Grok vince il caso d’uso degli agenti anche con un alto tasso di cache, perché i token di output dominano e li addebita il 40% in meno. Kimi supera solo quando l’output è piccolo rispetto all’input. Prendiamo una chiamata di retrieval con 100K di input e 1K di output al 70% di cache: Kimi costa $0.084 e Grok $0.101, un vantaggio del 17% per Kimi. Il punto di svolta non è una percentuale di cache — è un rapporto input-output. Il lavoro con molte letture va a Kimi, quello con molte scritture va a Grok, e il consiglio onesto è misurare il proprio rapporto invece di fidarsi dell’esempio di uno dei due fornitori.

La velocità cambia la forma del sistema, non solo il conto

Il tempo mediano al primo token di Kimi K3.1 Pro, secondo le nostre misurazioni, è di 6,9 secondi a 48 token al secondo. Grok 4.7, nei test di terze parti, impiega circa 1,3 secondi per il primo token e all'incirca 61 token al secondo. Per un prodotto di chat questa differenza è percepibile. Per un agente che effettua 20 chiamate sequenziali è la differenza tra un'attività che sembra istantanea e una che sembra rotta, ed è il vero motivo per cui diversi confronti tra strumenti di programmazione danno la vittoria a Grok nonostante i punteggi di scrittura più forti di Kimi.

Il controllo del ragionamento amplifica il problema. Grok consente di regolare lo sforzo da low a xhigh e addebita di conseguenza; con l'impostazione low, ToneBench ha misurato 1.815 Elo a 0,064 $ per script, un quarto del costo dell'impostazione medium. Kimi ragiona per impostazione predefinita e la sua impostazione dello sforzo è uno strumento più grossolano, con campionamento fissato a temperatura 1.0 e top_p 0.95 — valori di cui non accetta alternative. Se una pipeline dipende dal determinismo a bassa temperatura, è una questione di compatibilità da risolvere prima di eseguire benchmark su qualsiasi cosa.

Quale va in produzione?

Scegli Kimi K3.1 Pro quando il lavoro è a contesto lungo e ricco di documenti: revisione contrattuale, ricerca finanziaria, analisi di repository multi-file e audit della qualità dei dati in cui il modello deve notare ciò che manca anziché rispondere a ciò che viene chiesto. La finestra da 1M, la cache economica e il calo segnalato da Moonshot delle affermazioni allucinate dal 23,4% all'8,3% con gli strumenti puntano tutti nella stessa direzione. È anche l'unico dei due che sarà scaricabile, il che conta se il carico di lavoro non può lasciare la tua infrastruttura.

Scegli Grok 4.7 quando la latenza fa parte del prodotto: assistenti di programmazione interattivi, agenti IDE, uso di strumenti rivolti ai clienti in cui una pausa di sei secondi viene percepita come un difetto. È più economico sull'output, più rapido al primo token e le prove indipendenti sulla programmazione — per quanto scarse — sono dalla sua parte. La sua finestra da 500K non è un limite per la maggior parte del lavoro sui repository, anche se per alcuni lo è.

La risposta scomoda per chiunque voglia un unico vincitore è che i due modelli sono in parità nell'unico test neutrale che entrambi hanno sostenuto, e lo spareggio è il tuo rapporto input-output e il tuo budget di latenza. Sono proprietà che puoi misurare in un pomeriggio, e nessun post di lancio può dirti quali sono.

Eseguire entrambi senza un secondo contratto

Questo è l'unico confronto in cui provare entrambi è economico da organizzare. OrcaRouter offre kimi/kimi-k3.1-pro e grok/grok-4.7 con la stessa chiave, al prezzo di listino del provider e senza ricarichi, quindi i $2,00, $10,00 e $6,00 indicati sopra sono quanto ti viene effettivamente addebitato, non la versione di un rivenditore. Qui questo conta più del solito, perché la decisione dipende dal comportamento della cache e dalla latenza misurati all'interno della tua applicazione — il che significa che ti servono entrambi i modelli dietro un unico endpoint e un'unica fattura per confrontarli in modo equo.

Cambia anche la strategia di fallback. Il failover automatico tra provider significa che un rate limit o un'interruzione su un modello non mette fuori uso la funzionalità, e il DSL di routing ti consente di inviare il percorso long-context a Kimi e il percorso interattivo a Grok all'interno di un'unica policy invece di mantenere due integrazioni. Se stai ancora decidendo, questo è un modo per eseguire la valutazione su una porzione di traffico di produzione invece di scegliere da una tabella di benchmark.

Che cosa cambierebbe questo verdetto?

Due cose, entrambe con una data. La prima è il 4 novembre, quando Moonshot ha promesso i pesi completi. Un Kimi K3.1 Pro a pesi aperti con questa qualità cambia i calcoli per chiunque abbia un motivo di conformità per ospitarlo autonomamente, ed è anche il momento in cui i laboratori indipendenti possono eseguire il modello senza un budget per le API.

Il secondo è un vero confronto testa a testa di tipo agentico. Ogni confronto sul coding in circolazione o usa Kimi K3 invece di Kimi K3.1 Pro, oppure confronta due harness di fornitori diversi come se fossero un'unica misurazione. Nel momento in cui qualcuno fa girare entrambi i modelli attraverso lo stesso scaffold sugli stessi task — come ha fatto Plotly per l'analisi dati — la questione del coding smette di essere oggetto di disputa. Fino ad allora, la posizione difendibile è quella noiosa: Grok 4.7 per velocità e coding interattivo, Kimi K3.1 Pro per contesto lungo, scrittura e lavoro sui documenti, ed entrambi misurati sul tuo traffico prima che uno dei due ottenga un percorso verso la produzione.