Kimi K3.1 Pro vs Grok 4.7: dezelfde nauwkeurigheid, een 72% hogere rekening

Op een besloten data-analyse-examen met 43 vragen, gebouwd op een synthetisch windpark-datawarehouse, Kimi K3.1 Pro en Grok 4.7 scoorden beide 42. Geen van beide modellen had de vragen gezien, en de data was verzonnen zodat geen enkel antwoord gememoriseerd kon zijn. Dezelfde score, dezelfde rang — ex aequo derde van de 34 geteste modellen. De facturen waren niet hetzelfde: de run van Kimi kostte $13.47 en die van Grok kostte $7.85.

Dat paar getallen is het nuttigste dat iemand over deze confrontatie heeft gepubliceerd, want het is de enige directe vergelijking waarbij beide modellen door dezelfde mensen, op dezelfde dag en tegen dezelfde antwoorden zijn gedraaid. Vrijwel al het andere dat circuleert is ofwel een door een leverancier geproduceerde benchmark onder een andere scaffold, ofwel een vergelijking die stilletjes Kimi K3 in de plaats stelt van Kimi K3.1 Pro. Dit stuk begint daarom met wat de neutrale tests laten zien en scheidt vervolgens de verschillen die echt zijn van de verschillen die artefacten zijn van wie de test heeft uitgevoerd.

Twee modellen, twee heel verschillende gokken

Kimi K3.1 Pro verscheen op 23 oktober 2026 als een nagetrainde opvolger van Kimi K3, niet als een nieuwe architectuur. Moonshot AI behield de 2,8 biljoen parameters tellende mixture-of-experts-backbone, het contextvenster van 1.048.576 tokens en native beeld- en video-invoer, en besteedde de release aan reinforcement learning binnen agentische en professionele domeinen. De volledige gewichten worden beloofd tegen 4 november 2026.

Grok 4.7 werd een maand eerder uitgebracht, op 21 september 2026, door xAI. Het is propriëtair, rust op een naar verluidt ~2,1 biljoen parameters tellende basis die xAI niet heeft bevestigd, heeft een invoervenster van 500.000 tokens met een uitvoerplafond van 450.000 tokens, en behoudt de prijs van Grok 4.6. De kennisafsluitdatum is juni 2026, met aanvullende training tot en met augustus.

• Prijs — Kimi K3.1 Pro $2,00 invoer / $10,00 uitvoer per miljoen tokens; Grok 4.7 $2,00 / $6,00, stijgend naar $4,00 / $12,00 zodra een prompt meer dan 200K tokens bevat.

• Gecachte invoer — $0,20 bij Kimi tegenover $0,50 bij Grok, een omkering die voor agents die elke beurt dezelfde repository opnieuw lezen meer uitmaakt dan de prijs in de kop.

• Context — 1.048.576 tokens tegenover 500.000. Kimi staat ook maximaal 943.718 uitvoertokens in één antwoord toe, wat minder een functie is dan een uitspraak over waarvoor het model is gebouwd.

• Modaliteiten — tekst, afbeelding en video als invoer, tekst als uitvoer op Kimi; tekst, afbeelding en bestand als invoer, tekst als uitvoer op Grok.

• Beheer van redeneren — Kimi redeneert standaard met selecteerbare inspanning; Grok biedt laag, gemiddeld, hoog en xhigh, en laat je redeneren niet uitschakelen.

• Openheid — gewichten toegezegd tegen 4 november voor Kimi; Grok is alleen via API beschikbaar en dat blijft zo.

Het neutrale terrein, en hoe dun dat is

Plotly's examen is de helderste vergelijking die beschikbaar is. Het is een besloten test van 43 vragen over een synthetisch magazijn voor een windenergievloot, opgesplitst in analytische vragen, dubbelzinnige verzoeken, onmogelijke verzoeken, statistiektrapsen, datakwaliteitscontroles en vijf geplante patronen die een goede analist zonder aanwijzing zou moeten vinden. Kimi K3.1 Pro slaagde voor 42, tegenover 35 voor Kimi K3. Grok 4.7 slaagde ook voor 42. Beide blijven achter bij GPT-6.1 Sol en GPT-6 Astra met 43.

Het detail achter de gelijkstand is waar de twee modellen uiteenlopen. Kimi vond alle vijf geplante patronen en ving alle drie de datakwaliteitsproblemen — dubbele rijen, een ontbrekende laatste dag, en het verschil tussen een buiten gebruik gestelde turbine en een die echt nul produceert. De enige misser was een grensfout: het telde 2.775 turbine-dagen van vóór een firmware-installatie als "andere firmware", waardoor een gemiddelde met ongeveer 0,0003 verschoof en net buiten de tolerantie van de test viel. Dat is een precisiefout aan de rand van een definitie, geen redeneerfout.

Een tweede neutrale test wijst de andere kant op. Bij DualEntry's accounting-evaluatie eindigde Grok 4.7 gedeeld tweede met 88,1%, terwijl Kimi K3.1 Pro vierde werd met 86,1%. Kimi was in die run het goedkoopste model per taak met $0,079, maar ook een van de langzaamste met 125,6 seconden per taak. Twee neutrale tests, twee bijna-gelijkspelen, en de rangorde wisselt tussen beide. Zo ziet een echte vergelijking tussen gelijken eruit, en dat is wat de meeste berichtgeving op de lanceringsdag niet doet.

Waar de verschillen echt zijn

Schrijven is verre van close. ToneBench, dat concepten beoordeelt aan de hand van tien briefs met vier juryleden per concept, plaatst Kimi K3.1 Pro op 2.205 Elo en op de zevende plaats van 83 configuraties, tegenover Grok 4.7 op 1.904 en de vijfentwintigste plaats. De 95%-intervallen overlappen niet: 2.166–2.246 tegen 1.855–1.962. Kimi won negen van de tien scripts en zeven van de negen submetrieken, met de grootste verschillen bij lengtegetrouwheid (95,4 tegen 78,7) en visuele cues (84,9 tegen 78,8). De overwinningen van Grok waren nipt en beperkt tot toon en YouTube-conventies. Met $0,251 tegen $0,215 per script is dit geen kostenbeslissing.

Coderen en agentisch werk zijn precies waar het bewijs rommelig wordt, en waar de meeste vergelijkingen misleiden. xAI rapporteert Grok 4.7 op 37,6–38,0% op Terminal-Bench 4.0. Moonshot rapporteert Kimi K3.1 Pro op 65,7% op dezelfde benchmark. Die cijfers liggen 28 punten uit elkaar, en ze betekenen niet dat Grok maar half zo goed is, omdat Terminal-Bench-scores met tientallen punten verschuiven afhankelijk van de harness, de tijdslimiet en het toegestane aantal pogingen. Een 65,7% en een 38,0% die in verschillende labs zijn geproduceerd, zijn twee verschillende metingen met dezelfde naam.

Het onafhankelijke codeerbewijs dat er wél is, pleit voor Grok, maar het is bewijs over Kimi K3 en niet over K3.1 Pro. Op SWE-bench Verified, uitgevoerd via een standaard mini-agent-scaffold, scoorde Grok 4.7 95,6% tegenover 93,4% voor Kimi K3. Niemand heeft het equivalente cijfer voor K3.1 Pro gepubliceerd. Moonshots eigen long-horizon-cijfers — 61,2% op Kimi Code Bench 3.0 Long-horizon tegenover 55,95% voor K3, en 51,7% op SWE Marathon tegenover 45,6% voor Claude Opus 5.5 — suggereren dat de post-training heeft geholpen, maar dat is de leverancier die zijn eigen huiswerk nakijkt op een benchmark die hij zelf heeft gebouwd.

Lange context is de enige capaciteitskloof waarvoor je geen benchmark nodig hebt. Een miljoen tokens tegenover vijfhonderdduizend is een factor twee, en de cache-hitprijs van Kimi is minder dan de helft van die van Grok. Als de workload een monorepo, een contractset of een jaar aan supporttickets is, is de vergelijking al beslecht voordat er ook maar naar een score is gekeken.

Waarom de factuur afwijkt

Het kostenverschil van 72% bij het Plotly-examen wordt niet alleen door de tariefkaart verklaard. Kimi's outputprijs ligt 67% hoger, dus bij identieke tokenaantallen zou het meer kosten — maar niet 72% meer in een test waarin de twee modellen dezelfde antwoordkwaliteit opleverden. De rest komt van hoeveel ze schrijven en hoeveel aanroepen ze doen om daar te komen.

Kimi had gemiddeld ongeveer 7,5 modelaanroepen per vraag en een mediaan van 2,5 minuten per vraag, de op één na langzaamste van 34 modellen; ongeveer 90% van die tijd was modelrespons in plaats van SQL-uitvoering. Bij vragen met verborgen patronen deed het ongeveer 73 toolaanroepen. Uit onafhankelijke tests van Grok elders is gebleken dat het ongeveer twee keer zoveel outputtokens per taak verbruikt als Grok 4.6 deed, wat de andere kant op werkt. Het netto-effect op dit examen was dat Grok minder dollars per juist antwoord uitgaf, ondanks dat het meer tokens per stap verbruikte.

De rekensom voor een productieagent ziet er zo uit. Neem een taak die 100K invoertokens leest, 8K uitvoer schrijft en 20 beurten draait.

• Kimi K3.1 Pro, geen cache — 20 rondes tegen $0,20 invoer plus $0,08 uitvoer kost ongeveer $5,60 per taak.

• Grok 4.7, geen cache — dezelfde vorm tegen $0,20 invoer plus $0,048 uitvoer is ongeveer $4,96 per taak.

• Kimi K3.1 Pro, 70% cachetreffer — de invoerkosten dalen naar $0,074 per beurt, waardoor de taak op ongeveer $3,08 uitkomt.

• Grok 4.7, 70% cache-hit — invoer daalt naar $0,095 per beurt, waardoor de taak op ongeveer $2,86 uitkomt.

Dus Grok wint het agent-scenario zelfs bij een hoge cache-hitrate, omdat outputtokens domineren en het daar 40% minder voor rekent. Kimi haalt alleen in wanneer de output klein is ten opzichte van de input. Neem een retrieval-aanroep met 100K input en 1K output bij 70% cache: Kimi kost $0,084 en Grok $0,101, een overwinning van 17% voor Kimi. Het omslagpunt is geen cachepercentage — het is een input-outputratio. Leesintensief werk gaat naar Kimi, schrijfintensief werk gaat naar Grok, en het eerlijke advies is om je eigen ratio te meten in plaats van het voorbeeld van een van beide leveranciers te vertrouwen.

Snelheid verandert de vorm van het systeem, niet alleen de rekening.

Kimi K3.1 Pro heeft volgens onze eigen metingen een mediane tijd tot de eerste token van 6,9 seconden bij 48 tokens per seconde. Grok 4.7 zit in tests van derden op ongeveer 1,3 seconden tot de eerste token en ruwweg 61 tokens per seconde. Voor een chatproduct is dat verschil merkbaar. Voor een agent die 20 opeenvolgende aanroepen doet, is het het verschil tussen een taak die direct aanvoelt en een die kapot lijkt, en het is de echte reden waarom verschillende vergelijkingen van codetools de overwinning aan Grok geven, ondanks Kimi's betere scores op schrijven.

Het kunnen sturen van de redeneerinspanning versterkt dat. Met Grok kunt u de inspanning instellen van laag tot xhigh, en de kosten worden daaraan aangepast; bij de lage instelling mat ToneBench 1.815 Elo tegen $ 0,064 per script, een kwart van de kosten van de mediuminstelling. Kimi redeneert standaard en de inspanningsinstelling ervan is een botter instrument, met sampling vast op temperatuur 1,0 en top_p 0,95 — waarden waarvoor het alternatieven afwijst. Als een pipeline afhankelijk is van determinisme bij lage temperatuur, is dat een compatibiliteitskwestie die u moet beslechten voordat u iets benchmarkt.

Welke hoort in productie?

Kies Kimi K3.1 Pro wanneer het werk een lange context en veel documenten vereist: contractbeoordeling, financieel onderzoek, analyse van repositories met meerdere bestanden en datakwaliteitsaudits waarbij het model moet opmerken wat ontbreekt in plaats van te beantwoorden wat wordt gevraagd. Het 1M-venster, de goedkope cache en Moonshots gerapporteerde daling van hallucinante beweringen van 23,4% naar 8,3% met tools wijzen allemaal dezelfde kant op. Het is ook de enige van de twee die downloadbaar zal zijn, wat belangrijk is als de workload je infrastructuur niet kan verlaten.

Kies Grok 4.7 wanneer latentie deel uitmaakt van het product: interactieve codeassistenten, IDE-agents, klantgerichte tool-aanroepen waarbij een pauze van zes seconden als een defect wordt ervaren. Het is goedkoper op output, sneller tot het eerste token, en het onafhankelijke codebewijs — hoe beperkt ook — valt in zijn voordeel. Het venster van 500K is voor de meeste repository-werkzaamheden geen beperking, hoewel voor sommige wel.

Het ongemakkelijke antwoord voor iedereen die één winnaar wil, is dat de twee modellen gelijk staan op de enige neutrale test die beide hebben afgelegd, en dat de beslissing valt op je verhouding tussen input en output en je latencybudget. Dat zijn eigenschappen die je in een middag kunt meten, en geen enkel bericht over de lancering kan je vertellen wat ze zijn.

Beide draaien zonder een tweede contract

Dit is de enige vergelijking waarbij het goedkoop te regelen is om beide uit te proberen. OrcaRouter biedt kimi/kimi-k3.1-pro en grok/grok-4.7 aan op dezelfde sleutel, tegen de lijstprijs van de provider zonder opslag, dus de $2,00, $10,00 en $6,00 hierboven zijn wat je wordt gefactureerd in plaats van de versie van een wederverkoper daarvan. Dat is hier meer dan gebruikelijk van belang, omdat de beslissing afhangt van gemeten cachegedrag en latentie binnen je eigen applicatie — wat betekent dat je beide modellen achter één endpoint en één factuur nodig hebt om ze eerlijk te vergelijken.

Het verandert ook het fallbackverhaal. Automatische failover tussen providers betekent dat een rate limit of een storing bij één model de functie niet platlegt, en met de routing-DSL kun je binnen één beleid het pad voor lange context naar Kimi en het interactieve pad naar Grok sturen in plaats van twee integraties te onderhouden. Als je nog aan het beslissen bent, is dat een manier om de evaluatie op een deel van het productieverkeer uit te voeren in plaats van te kiezen uit een benchmarktabel.

Wat zou deze uitspraak veranderen?

Twee dingen, beide gedateerd. Het eerste is 4 november, wanneer Moonshot de volledige gewichten heeft beloofd. Een open-weight Kimi K3.1 Pro van deze kwaliteit verandert de afweging voor iedereen met een compliance-reden om zelf te hosten, en het is ook het moment waarop onafhankelijke labs het model kunnen draaien zonder API-budget.

Het tweede is een echte agentische head-to-head. Elke coderingsvergelijking die circuleert, gebruikt ofwel Kimi K3 in plaats van Kimi K3.1 Pro, of vergelijkt twee leveranciersharnassen alsof het één meting betrof. Zodra iemand beide modellen via dezelfde scaffold op dezelfde taken laat draaien — zoals Plotly deed voor data-analyse — is de coderingskwestie niet langer omstreden. Tot die tijd is de verdedigbare positie de saaie: Grok 4.7 voor snelheid en interactief coderen, Kimi K3.1 Pro voor lange context, schrijf- en documentwerk, en beide gemeten op je eigen verkeer voordat een van beide een productiepad krijgt.