GPT-6.1 Terra vs Kimi K3.1 Pro: zeven indexpunten voor twee keer de prijs

GPT-6.1 Terra en Kimi K3.1 Pro staan twee treden van elkaar op dezelfde ranglijst en schelen een factor twee in prijs. Artificial Analysis zet Kimi K3.1 Pro op 55 op zijn Intelligence Index — vierde overall — en GPT-6.1 Terra op 48, vijfentwintigste. Kimi kost $2 per miljoen inputtokens en $10 per miljoen outputtokens in de OrcaRouter-catalogus; Terra kost $1 en $5. Het gesloten, goedkopere, snellere model is zeven punten minder capabel; de open-weight-concurrent is twee keer zo duur en bij desktopautomatisering 5,4 punten beter. Geen van beide feiten beslecht de aankoop.

De vergelijking is het zorgvuldig doen waard, omdat de twee modellen geen vervangers voor elkaar zijn op de manier die de prijs suggereert. Ze verschillen in uitvoerlengte met een factor zeven, in licentiëring doordat de een open en de ander gesloten is, en in waar ze zich binnen de productlijnen van hun leveranciers bevinden. Dit artikel berekent de prijs van dezelfde workloads voor beide modellen, markeert welke cijfers onafhankelijk zijn en welke claims van leveranciers zijn, en eindigt met de verdeling die wij daadwerkelijk zouden gebruiken.

De kaarten

• GPT-6.1 Terra — $1 invoer / $5 uitvoer per miljoen, $0,05 voor gecachte invoer, context van 1.050.000 tokens, maximale invoer 922.000, maximale uitvoer 128.000, kennisafsluitdatum 1 juni 2026, zes instellingen voor redeneerinspanning, tekst en afbeelding als invoer, tekst als uitvoer.

• Kimi K3.1 Pro — $2 invoer / $10 uitvoer per miljoen op OrcaRouter, context van 1.048.576 tokens, maximale uitvoer van 943.718, open gewichten beloofd tegen 4 november 2026, uitgebracht op 23 oktober 2026.

De contextvensters zijn vrijwel identiek op ongeveer een miljoen tokens. De uitvoerplafonds zijn dat niet: Terra stopt bij 128.000 tokens, Kimi staat 943.718 toe. Voor chat is dat verschil onzichtbaar; voor het genereren van lange teksten, code-output van hele bestanden of samenvattingen op transcriptieschaal is het het verschil tussen één aanroep en een chunking-pipeline.

Waarom zeven indexpunten hier veel is

Op een leaderboard dat ruwweg van 38 tot 60 loopt, is zeven punten meer dan een afrondingsverschil — het is de kloof tussen de 25e en de 4e plaats. GPT-6.1 Sol, het model dat OpenAI als de high-performance tier verkoopt, staat op {{1}}52{{/1}}. Kimi K3.1 Pro staat met {{2}}55{{/2}} boven dat model. GPT-6 Astra, het vlaggenschip, staat op {{3}}53{{/3}}. Het open-weightmodel van Moonshot concurreert dus niet met Terra; op de samengestelde score concurreert het met de twee beste modellen van OpenAI en wint het met twee tot drie punten.

Op de dimensies die voor agents van belang zijn, geldt dat patroon. Op OSWorld 2.1 scoort Kimi K3.1 Pro 79,6% tegenover 74,2% voor {{1}}Terra — een verschil van 5,4 punten, en hoger dan GPT-6 Astra's 75,8%{{/1}}. Op het gebied van code beschrijven coverage-rapporten Kimi als nauw achter Claude Opus 5.5 aan, dat met 58 de hoogste score in deze vergelijking is. Terra's Coding Agent Index van 48 ligt zes punten onder Sol en 29 onder Astra; Kimi zit niet in die buurt.

Het tegenwicht is dat Terra niet probeert die vergelijkingen te winnen. OpenAI's positionering is afgebakend werk — formulieren, screenshots, facturen, opstellen — waarbij 48 genoeg is en $0,40 per taak het punt is. Een intelligentiekloof van zeven punten weegt het zwaarst bij de taken waarvoor Terra niet is verkocht.

Prijsrekenen: wanneer wint het dubbele tarief?

Een standaardaanvraag met 100.000 invoer en 5.000 uitvoer kost $0,125 op Terra en $0,25 op Kimi. Een aanvraag met 400.000 invoer en 4.000 uitvoer, boven de drempel voor lange context, kost $0,83 op Terra en $1,66 op Kimi. Als beide modellen een taak in één poging oplossen met hetzelfde aantal tokens, is Terra precies half zo duur en valt er niets anders te bespreken.

Het interessante geval doet zich voor wanneer ze niet hetzelfde aantal tokens of pogingen gebruiken. Neem een documentextractieworkload waarin Terra bij de eerste poging in 80% van de gevallen slaagt en Kimi in 92%. Met een vaste aanroep van 3.000 inputtokens en 400 outputtokens per poging zijn Terra's verwachte kosten per succes ongeveer $0,0055; die van Kimi ongeveer $0,0092. Terra wint nog steeds qua kosten — want de nauwkeurigheidskloof zou enorm moeten zijn wil een 2× tokenprijs worden goedgemaakt door minder herhalingen.

Neem nu een agentische programmeertaak waarbij de modellen per poging 30.000 invoer- en 2.000 uitvoertokens nodig hebben, en de faalmodus een verkeerde patch is in plaats van een nieuwe poging. Terra op niveau 48 voor coderen bij een taak die niveau 77 voor coderen vereist, faalt niet 20% vaker; het faalt kwalitatief, met wijzigingen die wel draaien maar het probleem niet oplossen. Dat zijn geen kosten voor een nieuwe poging, het zijn kosten in engineeringuren, en dit is het geval waarin twee keer de prijs de goedkope optie is.

Open gewichten veranderen het tweede jaar, niet het eerste.

Moonshot heeft Kimi K3.1 Pro-gewichten belooft tegen 4 november 2026. Dat is om drie redenen belangrijk, en geen daarvan is de factuur van vandaag. Ten eerste haalt zelf hosten de prijs per token volledig uit de berekening van de marginale kosten en vervangt die door GPU-uren — goedkoper bij aanhoudend hoog volume en veel duurder bij laag volume. Ten tweede halen open gewichten de leverancier als enkel storingspunt weg, wat een inkoopargument is in plaats van een technisch argument. Ten derde kan een downloadbaar model worden fine-tuned, intern worden geëvalueerd en aan een versie worden vastgezet, en none daarvan is mogelijk met een gesloten API.

Er horen twee kanttekeningen bij de belofte. De gewichten zijn nog niet uitgebracht, dus elke uitspraak erover is een bewering. En het uitgebrachte model is niet identiek aan het API-model: rapporten zeggen dat Moonshot cybergerelateerde trainingsdata heeft verwijderd vóór de release, wat het gedrag bij beveiligingsgerelateerde prompts verandert — een bewuste keuze, en een die betekent dat de open gewichten en het API-endpoint niet voor elke workload uitwisselbaar zijn.

GPT-6.1 Terra heeft geen equivalente route. Het is gesloten, alleen via API, niet beschikbaar voor fine-tuning en niet aangeboden onder enige vorm van self-hosting. Als portabiliteit een vereiste is, is de vergelijking al voorbij voordat de benchmarks beginnen.

Latentie is niet te vergelijken, en dat is precies het punt.

Kimi K3.1 Pro laat op de modelpagina van OrcaRouter een p50 van ongeveer 6,95 seconden zien — een latentiecijfer op platformniveau over echt verkeer. Het gepubliceerde latentiecijfer van GPT-6.1 Terra is 133,64 seconden tot het eerste token op de max-effort-redeneerbenchmark van Artificial Analysis, die meet hoe lang het model nadenkt voordat het een moeilijke vraag beantwoordt, niet hoe lang een typisch verzoek duurt. Die twee getallen naast elkaar zetten zou nietszeggend zijn.

Wat kan worden vergeleken, is de doorvoer op dezelfde benchmark: Artificial Analysis meet Terra op 90,9 outputtokens per seconde en GPT-6.1 Sol op 73,5. Het equivalente cijfer van Kimi staat niet op dezelfde pagina. De eerlijke positie is dat Terra aantoonbaar snel is onder OpenAI-modellen en dat de snelheid van Kimi op jouw workload iets is dat je meet in plaats van leest.

Waar iedereen wint

• Terra — taken met een groot volume en afgebakende scope waarbij een slagingspercentage van 74% voor computergebruik acceptabel is achter een beoordelingsstap; document- en factuurpijplijnen; opstellen en redigeren; alles waarbij de nieuwere afsluitdatum van juni 2026 helpt en $0.40 per taak zich opstapelt.

• Kimi K3.1 Pro — agentisch programmeren en werk met een lange horizon waarbij een intelligentiekloof van zeven punten het resultaat bepaalt; desktopautomatisering waarbij 79,6 wint van 74,2; generatie van lange outputs waarbij een limiet van 943.718 tokens een chunkinglaag overbodig maakt; en elke deployment die open gewichten, zelfhosting of een vast te pinnen versie vereist.

• Geen van beide — onbeheerd, onomkeerbaar computergebruik. Claude Opus 5.5 op 81,8 op OSWorld is de koploper, en de kloof met beide modellen is groter dan de kloof tussen hen.

Ze naast elkaar laten draaien

Kimi K3.1 Pro staat in de OrcaRouter-catalogus voor $2/$10 met een context van 1.048.576 tokens, en kan via de OpenAI SDK worden aangeroepen door de base-URL naar ons endpoint te laten wijzen. GPT-6.1 Terra staat op het moment van schrijven niet in de catalogus, dus de Terra-tak moet rechtstreeks tegen OpenAI worden getest.

Die asymmetrie is tijdelijk maar nuttig: ze betekent dat de Kimi-tak vandaag op liveverkeer kan worden gemeten, tegen lijstprijs zonder opslag, naast de rest van de catalogus — GPT-6.1 Sol, GPT-6 Astra, Claude Opus 5.5, Claude Sonnet 5.5 — en dat de Terra-tak parallel kan worden gemeten tegen OpenAI's API. Wanneer Terra arriveert, is de vergelijking al opgebouwd, en kan de routeringslaag elke taak naar de tak sturen die daarop wint in plaats van naar het model dat een blogpost hoger rangschikte.

De splitsing die we zouden gebruiken

Als de taak afgebakend, repetitief en beoordeeld is, verslaat Terra's halve prijs Kimi's zeven punten. Als de taak open-ended is, codevormig is of moet kunnen draaien zonder leverancier, verslaan Kimi's zeven punten Terra's halve prijs — en de open gewichten maken het tweede jaar goedkoper dan de tokenberekening suggereert.

De fout is één model kiezen voor de hele workload. Het bewijs ondersteunt een splitsing: Terra voor de volumelaag, Kimi voor de zware laag, en een afgewogen fallback daartussen. Dat is een routeringsbeslissing, geen modelbeslissing, en dat is precies wat deze vergelijking oplevert.