Een gegenereerde titelkaart in 16:9 op een diep blauwgrijze achtergrond met een zachte radiale gloed, met als kop 'Qwen4-Max vs Kimi K3.1 Pro' en als ondertitel 'Een verschil van 41 cent dat minder beslist dan je denkt'. Rechts staat een platte balans, getekend met dunne lijnen, met twee schalen met het label $3.27 per taak en $3.68 per taak, waarbij de balk bijna horizontaal staat. Een rij van vier kleine pictogrammen langs de onderkant is voorzien van de labels video in, 1M context, geen gewichten versus open gewichten, en 55 vs 31 tok/s. OrcaRouter-logo rechtsonder.
Guides & Insights

Qwen4-Max vs Kimi K3.1 Pro: een kloof van 41 cent die minder bepaalt dan je denkt

Auteur

jinhao.song

Publicatiedatum

Nieuwste modellen · 20Bekijk alle modellen →
Benchmarks: Artificial Analysis · dagelijks bijgewerkt
Terug naar alle berichten

Volgens de eigen cijfers van Artificial Analysis kost een afgeronde taak $3,27 op Qwen4-Max en $3,68 op Kimi K3.1 Pro. Eenenveertig cent. Als je een model kiest voor een agent die duizenden taken per week uitvoert, lijkt dat verschil de hele beslissing te bepalen, en dat is niet zo — omdat de twee modellen die cijfers vanuit tegenovergestelde richtingen bereiken, en die richting is wat zes weken later in je logs opduikt. Qwen4-Max komt daar door snel en breedsprakig te zijn — meer outputtokens, tegen minder dan de helft van het tarief per token; Kimi K3.1 Pro komt daar door langzaam en beknopt te zijn, met minder tokens die elk meer dan twee keer zoveel kosten. Geen van beide is in het algemeen het goedkopere model. Elk is goedkoper voor een bepaalde vorm van werk.

Dat is het bruikbare kader voor dit tweetal, en het is nu beschikbaar op een manier die er in oktober nog niet was: beide modellen zitten op dezelfde onafhankelijke indexrevisie, beide hebben commerciële voorwaarden gepubliceerd, en een van hen heeft downloadbare gewichten. Wat volgt is de opsplitsing naar workload in plaats van naar benchmark, omdat de benchmark al aangeeft dat ze dicht bij elkaar liggen.

Eerst de naam

Er is geen gewone kimi-k3.1 in de eigen modellenlijst van M​oonshot. De geleverde identifiers zijn kimi-k3.1-pro, kimi-k3.1-pro-highspeed en de oudere kimi-k3; "Kimi K3.1" is hoe de serie wordt geschreven in zoekvakken en in de pers, en het model erachter is Kimi K3.1 Pro. De highspeed-variant is hetzelfde model, aangeboden tegen ongeveer twee tot drie keer de snelheid. Dus elke vergelijking die hier van belang is, is Qwen4-Max tegenover Kimi K3.1 Pro, en dat is het paar dat hieronder wordt gemeten. Wie je een specificatieblad laat zien voor een model dat precies "Kimi K3.1" heet, laat je de cijfers van de Pro zien onder een kortere naam.

Kimi K3.1 Pro werd op 23 oktober 2026 aangekondigd, met de blog van de leverancier gedateerd op de 24e, en de gewichten verschenen op Hugging Face met één commit met tijdstempel 2026-11-02. Qwen4-Max ging op 16 november 2026 in verkoop met tarifering per gebruik. Beide zijn enkele weken oud, geen van beide is een preview, en beide hebben echte tarievenlijsten — en dat is precies de reden waarom deze vergelijking met cijfers in plaats van projecties kan worden gemaakt.

A generated two-column scoreboard titled 'Qwen4-Max vs Kimi K3.1 Pro' with seven rows: index score 43 against 46; cost per task $3.27 against $3.68; output per million $4.50 against $10.00; tokens per run 127M against 113M; wall-clock per task 32.1 min against 38.4 min; max output 262,144 against 943,000; weights none against downloadable. Footer reads 'Artificial Analysis Intelligence Index v5.0.1; vendor list prices'. OrcaRouter logo bottom-right.

De twee rijen die de confrontatie bepalen

Alles hieronder is afkomstig van de Artificial Analysis Intelligence Index v5.0.1, tenzij gemarkeerd als door de leverancier gerapporteerd. De index is één instrument op één dag; deze blog heeft gezien dat herzieningen de score van een model met dubbele cijfers kunnen verschuiven, dus beschouw de spreiding als richtinggevend.

• Indexscore — Qwen4-Max 43 tegenover Kimi K3.1 Pro 46. Het Kimi-model ligt drie punten voor, binnen de ruisband van één enkele indexherziening.

• Kosten per taak — Qwen4-Max $3,27 versus Kimi K3.1 Pro $3,68. Het Kimi-model is 12,5% duurder per voltooide taak ondanks het scorevoordeel

• Invoerprijs — Qwen4-Max $1,50 per miljoen in Singapore, $1,413 elders; Kimi K3.1 Pro $2,00

• Outputprijs — Qwen4-Max $4,50 versus Kimi K3.1 Pro $10,00. Dit is het grootste verschil in de hele vergelijking, en het is degene die een kostenmodel op basis van tokenaantallen te zwaar zal laten wegen

• Prijs bij cachehit — Qwen4-Max $0.075 per miljoen in Singapore, $0.071 elders; Kimi K3.1 Pro $0.20. Beide geven veel korting op gecachte leesbewerkingen; die van Qwen is de steilere korting

• Kloktijd per taak — Qwen4-Max 32,1 minuten versus Kimi K3.1 Pro 38,4 minuten, afgezet tegen een veldmediaan van 11,5. Beide zijn traag; Q​wen is de minder trage van de twee.

• Doorvoer — Qwen4-Max 55 outputtokens per seconde versus Kimi K3.1 Pro 31, gemeten via de eigen API van elke leverancier

• Tokenhonger — Qwen4-Max 127 miljoen outputtokens per indexrun versus Kimi K3.1 Pro 113 miljoen

• Context — Qwen4-Max 1.000.000 tokens zoals gedocumenteerd, gemeten op 984.000 bruikbaar; Kimi K3.1 Pro 1.048.576

• Modaliteit — beide nemen tekst, afbeelding en video en geven tekst terug. De modelgids van M​oonshot zegt expliciet dat Kimi K3.1 Pro video aankan, ook al vermeldt de onafhankelijke samenvatting van het model alleen tekst en afbeelding.

• Gewichten — Qwen4-Max publiceert er geen, en in de documentatie worden fine-tuning en deployment als niet-ondersteund aangemerkt; het checkpoint van Kimi K3.1 Pro met 2,8 biljoen parameters, waarvan er per token 104 miljard actief zijn, is downloadbaar onder een op maat gemaakte licentie in plaats van een standaardlicentie.

• Architectuur, door de leverancier gerapporteerd — Qwen4-Max, een backbone met 2,4 biljoen parameters, met 71 miljard actieve en nog eens 328 miljard N-gram-embeddingparameters; Kimi K3.1 Pro, een post-getraind model van de 3T-klasse gebouwd op K3

Lees de rij met de outputprijs naast de rij met de kosten per taak en je hebt het hele artikel. Kimi K3.1 Pro rekent meer dan twee keer zoveel per outputtoken en rondt een taak toch 41 cent duurder af, omdat het er minder produceert. Qwen4-Max rekent minder dan de helft per outputtoken en schiet er bijna niets mee op, omdat het 12% meer produceert. Prijs per token is een proxy voor de rekening, niet de rekening. De rekening is de derde rij.

Workload één: de langdurig draaiende agent

Dit is het punt waarop die 41 cent geen afronding meer is. Een agent-loop voert niet één taak uit; hij voert een retry-zware reeks taken uit, en het getal dat zich opstapelt is kloktijd, niet prijs. Met respectievelijk 32,1 en 38,4 minuten per indextaak zijn beide modellen twee tot drie keer zo langzaam als de mediaan van 11,5 minuten in het veld. Een batch van twintig taken betekent op beide tien tot dertien uur kloktijd. Als je loop latentiegebonden is, is geen van beide het juiste model, en kiezen tussen hen op basis van prijs is de verkeerde variabele optimaliseren.

Als het niet latentiegebonden is — batchruns die 's nachts draaien, langetermijnonderzoeksopdrachten, documentwerk op de achtergrond — dan is het beslissende getal tokens per voltooide taak, en hier maken de 55 tokens per seconde van Qwen4-Max tegenover de 31 van K​imi minder uit dan het lijkt. Doorvoer bepaalt alleen hoe snel één verzoek leegloopt; wat de rekening bepaalt, is hoeveel tokens het model besteedt aan nadenken voordat het een antwoord produceert. Qwen4-Max verbruikt er 12% meer en rekent er 55% minder per eenheid voor.

Werklast twee: alles wat met een lang document te maken heeft

Hier houdt de vergelijking op over scores te gaan en wordt het een kwestie van de vorm van de output. Beide modellen lezen tekst, afbeeldingen en video en beide schrijven tekst, dus er valt geen modaliteitsargument te maken — de eerlijke versie van deze sectie is dat de video-ondersteuning van Qwen4-Max niet de doorslaggever is die het lijkt, omdat de modelgids van M​oonshot zegt dat Kimi K3.1 Pro ook video aankan. Wat hen bij documentwerk onderscheidt, is hoeveel ze in één keer terugschrijven, en wat ze daarvoor rekenen.

Qwen4-Max beperkt de uitvoer tot 131.072 tokens met thinking uitgeschakeld, of 262.144 gedeeld tussen thinking en antwoord. Kimi K3.1 Pro gaat tot ongeveer 943.000. Voor een contractbeoordeling die een samenvatting oplevert, is dat verschil nooit zichtbaar; voor een pipeline die een volledig van opmaak voorzien document opnieuw moet genereren, of die over een werkset moet redeneren en vervolgens het resultaat uitgebreid moet uitschrijven, is het het verschil tussen één aanroep en een chunking-schema dat je nu moet bouwen en debuggen.

Het prijsverschil wijst de andere kant op. De invoerprijs van Qwen4-Max ligt 25% lager en de uitvoerprijs minder dan de helft, dus extractie- en classificatiewerk over een groot corpus — veel in, weinig uit — is op Qwen4-Max aanzienlijk goedkoper per afgeronde taak én op de meter. Lees je de twee alinea's samen, dan is de tweedeling duidelijk: korte antwoorden over een groot corpus pleiten voor Qwen4-Max, lange antwoorden over hetzelfde corpus pleiten voor het uitvoerplafond van het Kimo-model.

A screenshot of the Artificial Analysis page for Kimi K3.1 Pro, marked open weights and released October 2026, showing the Intelligence Index score of 46 against a median of 23, 113M tokens generated on the run, $2.00 input and $10.00 output per million tokens, $3.68 per task, 38.4 minutes per task against a median of 13.6, text and image input, a 1M-token context and downloadable weights on Hugging Face.

Workload drie: degene waarbij je de gewichten nodig hebt

Niets in de rijen hierboven behandelt het grootste verschil tussen deze twee modellen, omdat het geen getal is. Kimi K3.1 Pro kan worden gedownload. Qwen4-Max niet — de documentatie markeert fine-tuning en modelimplementatie als niet-ondersteund, en het lanceringsbericht van A​libaba belooft alleen dat kleinere Qwen4-tiers "naar open source komen", wat een uitspraak is over de familie en niet over dit model.

Dat is in drie specifieke situaties van belang en in de overige gevallen irrelevant. Het is van belang als je wilt fine-tunen op je eigen data, omdat Qwen4-Max daarvoor helemaal geen mogelijkheid biedt. Het is van belang als je compliance-eisen voorschrijven dat de gewichten binnen je eigen perimeter staan in plaats van achter de API van iemand anders. En het is van belang als je kosten over jaren modelleert in plaats van over maanden: een downloadbaar checkpoint van 3T-klasse is een kapitaaluitgave met een marginale kostencurve die je zelf beheert, terwijl een gehuurd vlaggenschipmodel een tariefkaart is die kan veranderen. Een mixture-of-experts met 3 biljoen parameters is niet iets wat de meeste teams in-house kunnen draaien — het wil een rack, geen werkstation — maar "duur om zelf te draaien" en "onmogelijk om zelf te draaien" zijn verschillende antwoorden op een inkoopvraag, en slechts één daarvan is een antwoord dat de inkoopvraag afsluit.

De licentie verdient één precieze zin, want "open weights" verzet in de meeste berichtgeving veel werk: Kimi K3.1 Pro wordt geleverd onder een op maat gemaakte Kimi K3.1-Pro License, niet de Modified MIT-tekst die K3 had, en de toekenning is permissief in de gewone zin — gebruiken, wijzigen, fine-tunen, herdistribueren, verkopen — met twee voorwaarden eraan vast. Als u een model-as-a-servicebedrijf exploiteert en uw totale omzet over twaalf opeenvolgende maanden meer dan $20 miljoen bedraagt, hebt u een afzonderlijke overeenkomst met M​oonshot nodig voordat u de gewichten commercieel gebruikt. En als een product dat erop is gebouwd meer dan 100 miljoen maandelijkse actieve gebruikers of $20 miljoen aan maandelijkse omzet haalt, moet "Kimi K3.1-Pro" prominent in de interface worden weergegeven. Intern gebruik, en gebruik via de eigen producten van M​oonshot of gecertificeerde inferentiepartners, valt buiten beide clausules. Als u van plan bent een product bovenop de gewichten te bouwen, lees de licentie in plaats van de samenvatting.

Het paar op één toets zetten

Hier houdt de vergelijking op symmetrisch te zijn, en dat is iets om ronduit te benoemen. OrcaRouter routeert kimi/kimi-k3.1-pro vandaag, op hetzelfde OpenAI-compatibele endpoint als de rest van zijn ruim 200 modelidentificaties, tegen 0% opslag — de lijstprijs van de provider wordt doorgegeven, dus de $2,00 en $10,00 hierboven zijn wat u betaalt, niet wat de leverancier rekent voordat iemands marge erbij komt. Het routeert Qwen4-Max niet, en deze pagina zal dat ook niet suggereren: om dat model te bereiken, moet u naar Alibaba's eigen zes regio's of naar een derde partij die het doorverkoopt.

Waar die asymmetrie eigenlijk goed voor is, is de test die dit artikel heeft beschreven. De opsplitsing per workload hierboven is een hypothese over je verkeer, geen feit over je verkeer, en de goedkope manier om die te weerleggen is dezelfde prompts door Kimi K3.1 Pro en een Qwen 3.8-niveau op één endpoint te sturen, waarbij automatische failover de haperingen bij de provider opvangt die anders een benchmarkrun verpesten. Als het Kimi-model op jouw workload wint met meer dan 41 cent per taak, wordt het argument voor de gewichten makkelijker te rechtvaardigen. Als dat niet zo is, heb je jezelf een inkoopgesprek over een rack bespaard.

A screenshot of the OrcaRouter model page for Kimi K3.1 Pro, showing the identifier kimi/kimi-k3.1-pro, the byline MoonshotAI with the date 2026-10-24, a description noting a 1,048,576-token context and up to 943,718 output tokens with text, image and video input, a 1M-token context badge, 943k maximum output, pricing of $2.00 input and $10.00 output per million, and a note that zero data retention is available.

De beslissingsregel

Drie indexpunten en 41 cent aan kosten per taak scheiden deze modellen niet. De dingen die dat wel doen, zijn binair, en het is de moeite waard om ze in deze volgorde te controleren.

• Als je een heel document in één aanroep moet terugschrijven — het uitvoerplafond van ~943.000 tokens van Kimi K3.1 Pro tegenover het gedeelde budget van 262.144 tokens van Qwen4-Max is een categorisch verschil, niet een procentueel verschil

• Als je wilt fine-tunen, zelf wilt hosten of de gewichten in handen wilt hebben — Qwen4-Max valt af, want er zijn geen gewichten om in handen te hebben.

• Als je runs wall-clock-gebonden zijn — geen van beide is een goede keuze; beide zijn twee tot drie keer langzamer dan het mediane model op hetzelfde board, en K​imi is de langzamere van de twee

• Als geen van die gevallen van toepassing is: kies de goedkoopste per afgeronde taak, wat volgens de cijfers van vandaag Qwen4-Max is met $3,27 tegen $3,68, en controleer dat over een maand opnieuw, omdat beide leveranciers hun prijzen dit kwartaal al één keer hebben gewijzigd

De eerlijke samenvatting is dat M​oonshot het beter scorende model heeft uitgebracht en A​libaba het beter geprijsde, dat het verschil in elke richting klein is, en dat de enige keuze hier met een lange staart degene is die niemand in een vergelijkingstabel zet: of je huurt of in eigendom hebt. Al het andere is eenenveertig cent en een afrondingsfout bij een revisie.

Vergeleken in dit artikel2

Herkend uit dit artikel · Benchmarks: Artificial Analysis · dagelijks bijgewerkt