Kimi K3.1 Pro vs Grok 4.7：精度は同じ、請求額は72%増

合成風力発電所のウェアハウスを基に構築された非公開の43問のデータ分析試験で、Kimi K3.1 ProとGrok 4.7はいずれも42点を獲得した。どちらのモデルも問題を見たことがなく、データは捏造されていたため、答えを暗記することはできなかった。同じスコア、同じ順位——テストされた34モデル中で3位タイ。請求額は同じではなかった。Kimiの実行コストは$13.47、Grokのコストは$7.85だった。

その一対の数字は、この対決についてこれまでに公表された中で最も有用なものだ。なぜなら、両モデルが同じ人々によって、同じ日に、同じ回答に対して実行された唯一の直接対決だからだ。出回っている他のほとんどは、異なるスキャフォールドの下で作られたベンダーのベンチマークか、Kimi K3.1 Pro の代わりに Kimi K3 をこっそり用いた比較のどちらかだ。だから本稿は、中立なテストが示すものから始め、その後、実際の差異と、誰がテストを実施したかによる人為的産物の差異を分ける。

2つのモデル、大きく異なる2つの賭け

Kimi K3.1 Proは、新しいアーキテクチャではなく、Kimi K3の後継としてポストトレーニングされたモデルとして2026年10月23日に登場しました。Moonshot AIは2.8兆パラメータのmixture-of-expertsバックボーン、1,048,576トークンのコンテキストウィンドウ、ネイティブな画像・動画入力を受け継ぎ、リリースではエージェント領域および専門領域にわたる強化学習に注力しました。完全な重みは2026年11月4日までに公開される予定です。

Grok 4.7は1か月早い2026年9月21日にxAIからリリースされた。プロプライエタリで、xAIが確認していないと報じられている約2.1兆パラメータの基盤モデル上にあり、50万トークンの入力ウィンドウと45万トークンの出力上限を備え、Grok 4.6の価格を維持している。知識カットオフは2026年6月で、8月まで追加トレーニングが行われている。

• 価格 — Kimi K3.1 Proは100万トークンあたり入力$2.00／出力$10.00、Grok 4.7は$2.00／$6.00で、プロンプトが200Kトークンを超えると$4.00／$12.00に上がります。

• キャッシュ済み入力 — Kimiでは$0.20、Grokでは$0.50。同じリポジトリを毎ターン再読するエージェントにとって、この逆転は見出しの価格以上に重要だ。

• コンテキスト — 1,048,576トークン対500,000。Kimiはさらに、単一の応答で最大943,718出力トークンを許容する。これは機能というよりも、このモデルが何のために作られているかについての宣言だ。

• モダリティ — Kimiではテキスト・画像・動画を入力し、テキストを出力。Grokではテキスト・画像・ファイルを入力し、テキストを出力。

• 推論の制御 — Kimi はデフォルトで推論を行い、エフォートを選択できます。Grok は low、medium、high、xhigh を用意しており、推論をオフに切り替えることはできません。

• オープン性 — Kimiでは11月4日までにモデルの重みが公開される予定；GrokはAPI専用で、今後もその状態が続く。

中立の地、そしてそれがいかに薄いか

Plotlyの試験は、利用可能な中で最もクリーンな比較だ。合成風力エネルギー発電所群のウェアハウスを対象とした43問の非公開テストで、分析に関する質問、曖昧な依頼、不可能な依頼、統計の罠、データ品質チェック、そして優れた分析者なら自発的に見つけるべき5つの仕込まれたパターンに分かれている。Kimi K3.1 Proは42問に合格し、Kimi K3の35問から向上した。Grok 4.7も42問に合格した。両者とも、43問のGPT-6.1 SolとGPT-6 Astraには及ばない。

引き分けの背後にある詳細こそ、2つのモデルが分かれる点だ。Kimiは仕込まれた5つのパターンをすべて見つけ、3つのデータ品質問題——重複行、最終日の欠落、廃止されたタービンと実際にゼロを生産しているタービンの違い——をすべて捉えた。唯一の見逃しは境界エラーだった。ファームウェア導入前の2,775タービン日を「その他のファームウェア」として数え、平均を約0.0003動かし、テストの許容範囲をわずかに外れた。これは定義の境界における精度の失敗であり、推論の失敗ではない。

2つ目の中立テストは逆の結果を示している。DualEntryの会計評価では、Grok 4.7が88.1%で2位タイとなり、Kimi K3.1 Proは86.1%で4位だった。その実行では、Kimiはタスクあたり$0.079で最も安価なモデルだったが、タスクあたり125.6秒で最も遅いモデルの一つでもあった。2つの中立テスト、2つのほぼ互角の結果、そしてその間で順位が入れ替わる。これこそが真の同業比較の姿であり、ほとんどの発売日報道には欠けているものだ。

違いが実際に存在する場合

文章作成では大差がついている。10のブリーフに対して各草稿を4名の審査員で採点するToneBenchでは、Kimi K3.1 ProがElo 2,205で83構成中7位、Grok 4.7が1,904で25位となっている。95%区間は重なっていない。2,166～2,246対1,855～1,962だ。Kimiは10本中9本のスクリプトと9項目中7項目のサブ指標で勝利し、最も差が大きかったのは長さ遵守（95.4対78.7）と視覚的キュー（84.9対78.8）だった。Grokの勝利は僅差で、トーンとYouTubeの慣習に限られていた。スクリプト1本あたり$0.251対$0.215で、これはコスト面の判断ではない。

コーディングやエージェント型の作業は、証拠が混沌としやすく、ほとんどの比較が誤解を招く領域だ。xAIはGrok 4.7がTerminal-Bench 4.0で37.6～38.0%だと報告している。MoonshotはKimi K3.1 Proが同じベンチマークで65.7%だと報告している。これらの数値は28ポイント離れているが、それはGrokがモデルとして半分の能力だという意味ではない。なぜならTerminal-Benchのスコアは、ハーネス、制限時間、許される試行回数によって数十ポイント変動するからだ。異なるラボで出された65.7%と38.0%は、同じ名前をまとった別々の測定値なのだ。

存在する独立系のコーディング証拠はGrokに有利だが、それはK3.1 ProではなくKimi K3に関する証拠だ。標準的なmini-agent scaffoldで実行したSWE-bench Verifiedでは、Grok 4.7が95.6%を記録し、Kimi K3は93.4%だった。K3.1 Proについて同等の数値を公表した者は誰もいない。Moonshot自身のロングホライズン数値 — Kimi Code Bench 3.0 Long-horizonで61.2%（K3は55.95%）、SWE Marathonで51.7%（Claude Opus 5.5は45.6%） — はポストトレーニングが役立ったことを示唆するが、それはベンダーが自ら構築したベンチマークで自分の宿題を採点しているにすぎない。

長いコンテキストは、ベンチマークを必要としない唯一の能力差だ。100万トークン対50万トークンは2倍であり、Kimiのキャッシュヒット価格はGrokの半分未満だ。ワークロードがモノレポ、契約セット、あるいは1年分のサポートチケットであれば、比較はスコアを読む前に決まる。

請求書が一致しない理由

Plotly試験における72%のコスト差は、料金表だけでは説明できない。Kimiの出力価格は67%高いため、同一のトークン数ならコストは高くなる — しかし、両モデルが同じ回答品質を出したテストで72%高くなるわけではない。残りは、そこに至るまでにどれだけ書くか、何回呼び出すかに由来する。

Kimiは1問あたり約7.5回のモデル呼び出し、1問あたり中央値2.5分で、34モデル中2番目に遅かった。その時間の約90%はSQL実行ではなくモデル応答だった。隠れたパターンの問題では、約73回のツール呼び出しを行った。他でのGrokに関する独立テストでは、Grokが1タスクあたりGrok 4.6の約2倍の出力トークンを消費することが分かっており、これは逆方向に作用する。この試験での正味の影響は、Grokがステップあたりより多くのトークンを消費したにもかかわらず、正解あたりの支出額は少なかったということだった。

本番環境のエージェントにおける計算は次のようになります。100Kの入力トークンを読み取り、8Kの出力を書き込み、20ターン実行するタスクを例に考えてみましょう。

• Kimi K3.1 Pro、キャッシュなし — 20ターンで入力$0.20＋出力$0.08の場合、1タスクあたり約$5.60です。

• Grok 4.7、キャッシュなし — 同じ構成で入力 $0.20 ＋出力 $0.048 の場合、タスクあたり約 $4.96 です。

• Kimi K3.1 Pro、キャッシュヒット率70% — 入力は1ターンあたり$0.074まで下がり、タスク全体では約$3.08になります。

• Grok 4.7、{{1}}キャッシュヒット率70%{{/1}} — 入力は1ターンあたり$0.095に下がり、タスク全体で約$2.86になります。

つまり、キャッシュ率が高くてもエージェント用途ではGrokが勝ちます。出力トークンが支配的で、Grokはそれらに対して40%安く請求するからです。Kimiが逆転するのは、出力が入力に対して小さい場合だけです。70%キャッシュで入力100K・出力1Kの検索呼び出しを例に取ると、Kimiは$0.084、Grokは$0.101で、Kimiの17%勝ちです。分岐点はキャッシュ率ではなく、入力対出力の比率です。読み取り中心の作業はKimiへ、書き込み中心の作業はGrokへ。正直な助言は、どちらかのベンダーの例を信じるのではなく、自分の比率を測定することです。

スピードは請求額だけでなく、システムの形そのものを変える

Kimi K3.1 Proの最初のトークンが出力されるまでの時間の中央値は、当社独自の測定では毎秒48トークンで6.9秒です。第三者によるテストでは、Grok 4.7は最初のトークンまで約1.3秒、毎秒約61トークンで動作します。チャット製品では、この差は顕著です。20回の連続呼び出しを行うエージェントでは、タスクが瞬時に感じられるか、壊れているように感じられるかの違いになります。そして、Kimiのライティングスコアがより高いにもかかわらず、複数のコーディングツール比較でGrokに軍配が上がる本当の理由はこれです。

推論の制御は事態をさらに複雑にする。Grokでは努力度をlowからxhighまで調整でき、それに応じて課金される。そのlow設定では、ToneBenchはスクリプトあたり$0.064で1,815 Eloを計測した。これはmedium設定のコストの4分の1である。Kimiはデフォルトで推論し、その努力度設定はより大雑把な道具であり、サンプリングはtemperature 1.0とtop_p 0.95に固定されている——代替値は拒否される。パイプラインが低温度の決定性に依存しているなら、それは何かをベンチマークする前に解決すべき互換性の問題である。

どちらが本番環境に属するものですか？

Kimi K3.1 Pro は、長いコンテキストを扱う文書重視の作業に適しています。契約レビュー、財務調査、複数ファイルのリポジトリ分析、そして求められたことに答えるのではなく欠けているものに気づくことが求められるデータ品質監査などです。1M ウィンドウ、安価なキャッシュ、そしてツール利用時に幻覚的な主張が 23.4% から 8.3% に減少したという Moonshot の報告は、すべて同じ方向を示しています。また、この2つのうちダウンロード可能になるのはこれだけであり、ワークロードを自社インフラの外に出せない場合には重要です。

Grok 4.7は、レイテンシが製品の一部である場合に選ぶべきです。インタラクティブなコーディングアシスタント、IDEエージェント、顧客向けのツール利用など、6秒の停止が欠陥と受け取られる場面です。出力あたりのコストが安く、最初のトークンまでの時間も短く、独立系のコーディングに関する証拠は——乏しいながらも——こちら側に立っています。500Kのウィンドウは、ほとんどのリポジトリ作業では制約になりませんが、一部の作業では制約になります。

単一の勝者を求める人にとって気持ちの悪い答えは、両モデルが双方とも受けた唯一の中立なテストで引き分けであり、タイブレークはあなたの入力対出力の比率とレイテンシ予算だということです。これらは午後一つで測定できる特性であり、どのローンチ投稿もそれが何かを教えてはくれません。

2つ目の契約なしで両方を実行する

両方を試すのが安価に手配できる唯一の組み合わせです。OrcaRouterはkimi/kimi-k3.1-proとgrok/grok-4.7を同じキーで、プロバイダーの定価どおり、マークアップなしで提供しているため、上記の$2.00、$10.00、$6.00はリセラー版の価格ではなく、実際に請求される金額です。ここではこれが通常以上に重要です。というのも、判断はあなた自身のアプリケーション内で測定されたキャッシュ動作とレイテンシーに左右されるからです。つまり、公平に比較するには、両方のモデルを単一のエンドポイントと単一の請求の下に置く必要があります。

また、フォールバックの考え方も変わります。プロバイダー間の自動フェイルオーバーにより、あるモデルでレート制限や障害が発生しても機能全体が停止することはなく、ルーティングDSLを使えば、長いコンテキストの経路をKimiに、対話的な経路をGrokに、2つの統合を維持することなく単一のポリシー内で振り分けられます。まだ判断中であれば、ベンチマーク表から選ぶのではなく、本番トラフィックの一部で評価を実行する方法もあります。

何がこの評決を変えるでしょうか

2つのこと、どちらも日付がついている。1つ目は11月4日で、Moonshotが全ウェイトを公開すると約束した日だ。この品質のオープンウェイトKimi K3.1 Proは、コンプライアンス上の理由でセルフホストする人にとって判断材料を変える。また、独立系ラボがAPI予算なしでこのモデルを実行できるようになる日でもある。

2つ目は、本格的なエージェント同士の真っ向勝負だ。出回っているコーディング比較はすべて、Kimi K3.1 Pro ではなく Kimi K3 を使っているか、2つのベンダーのハーネスをまるで1つの測定結果であるかのように比較しているかのどちらかだ。誰かが両モデルを同じタスクで同じスキャフォールドに通した瞬間——Plotly がデータ分析でやったように——コーディングに関する問いは争点ではなくなる。それまでは、擁護できる立場は退屈なものだ。スピードとインタラクティブなコーディングには Grok 4.7、長いコンテキスト、文章作成、ドキュメント作業には Kimi K3.1 Pro、そしてどちらかが本番経路に進む前に、両方を自分のトラフィックで測定することだ。