Kimi K3.1 Pro kontra Claude Opus 5.5: połowa cennika, 0,7 punktu straty na jednym benchmarku

Kimi K3.1 Pro i Claude Opus 5.5 to modele tego samego typu, sprzedawane dokładnie za połowę ceny. Nowy flagowiec Moonshot kosztuje 2,00 USD za milion tokenów wejściowych i 10,00 USD za milion tokenów wyjściowych; model Anthropic kosztuje 4,00 USD i 20,00 USD. Oba obsługują kontekst o długości miliona tokenów. Oba zawsze myślą przed udzieleniem odpowiedzi. A w jednym benchmarku, który podają obie firmy, dzieli je 0,7 punktu: 65,7% dla Kimi K3.1 Pro wobec 66,4% dla Claude Opus 5.5 w Terminal-Bench 4.0. To cała argumentacja na rzecz pretendenta wyrażona w trzech liczbach i jest ona mocna — z dwoma zastrzeżeniami, które rozstrzygają, czy utrzyma się w przypadku Twojego obciążenia: oba wyniki uzyskano przy różnych ustawieniach, a dwukrotność dotyczy ceny za token, a nie ceny za ukończone zadanie.

Kimi K3.1 Pro zadebiutował 24 października 2026 r., dzień po zwiastunie, w którym ujawniono jego nazwę. Claude Opus 5.5 jest ogólnie dostępny od 22 września. Żaden z nich nie jest świeżym eksperymentem laboratoryjnym: Opus 5.5 to obecny model klasy Opus, który Anthropic dostarcza od końca września, a Kimi K3.1 Pro to doszkolona wersja Kimi K3, a nie nowa architektura. Dzięki temu to porównanie jest wyjątkowo przejrzyste jak na stronę typu model kontra model — oba cenniki są opublikowane, obaj dostawcy publikują tabelę benchmarków, a żaden z modeli nie kryje się za listą oczekujących.

Obie karty stawek, linia po linii

Pięć linii ma znaczenie, a jedna z nich łamie schemat.

• Wejście — 2,00 USD za milion tokenów w Kimi K3.1 Pro wobec 4,00 USD w Claude Opus 5.5. Dokładnie połowa.

• Wyjście — $10.00 wobec $20.00. Dokładnie połowa, a wyjście to pozycja dominująca w zadaniach agentowych i rozumowaniu, gdzie model pisze znacznie więcej, niż czyta.

• Odczyt z pamięci podręcznej — $0.20 u obu. To jest anomalia: obaj dostawcy zgadzają się co do centa w cenie odczytu zbuforowanego prefiksu, czyli pozycji, która dominuje w przypadku długo działającego agenta ponownie odczytującego repozytorium w każdej turze.

• Zapis do pamięci podręcznej — Kimi pobiera 2,00 USD za wpis do pamięci podręcznej na pięć minut i 4,00 USD za godzinę; Anthropic pobiera 5,00 USD i 8,00 USD. Kimi jest tu również tańszy, i to o ponad połowę.

• Szybkie warianty — Kimi K3.1 Pro Highspeed kosztuje $4.00 i $20.00, przy około dwóch do trzech razy większej szybkości generowania. Tryb szybki Anthropic w Opus 5.5 to $8.00 i $40.00 przy nawet 2,5×. Ta sama zależność, to samo podwojenie.

Arytmetyka w przypadku mieszanego żądania jest więc banalna. Wywołanie, które odczytuje milion tokenów wejściowych i zapisuje 200 000 tokenów wyjściowych, kosztuje 4,00 USD w Kimi K3.1 Pro i 8,00 USD w Opus 5.5. Agent, który ponownie odczytuje kontekst miliona tokenów przy 70% współczynniku trafień pamięci podręcznej, płaci 0,74 USD za wejście w Kimi wobec 1,34 USD w Opus, czyli 2,74 USD wobec 5,34 USD, gdy uwzględni się wyjście. Oszczędność wynika ze świeżego wejścia i wyjścia, a nie z buforowania, ponieważ buforowanie kosztuje tyle samo w obu przypadkach.

Czego cennik nie mówi, to ile tokenów zużywa każdy model. Kimi K3.1 Pro domyślnie korzysta z najwyższego ustawienia rozumowania, max. Claude Opus 5.5 domyślnie ustawiony jest na medium. Model, który domyślnie rozumuje na poziomie max, będzie średnio generować więcej tokenów rozumowania na odpowiedź niż ten, który rozumuje na poziomie medium — więc reklamowane 2× to cena za token, a nie cena za ukończone zadanie, a rzeczywista różnica zależy od tego, ile z dodatkowego rozumowania Kimi Twoja praca faktycznie potrzebuje. Moonshot nie publikuje danych o liczbie tokenów na zadanie, które rozstrzygnęłyby tę kwestię.

Jedyny benchmark, który oba laboratoria publikują, i dlaczego nie jest to pomiar

Terminal-Bench 4.0 to w tych dwóch premierach coś najbliższego wspólnemu miernikowi, a nawet tutaj obie liczby nie powstają w ten sam sposób.

Wynik Anthropic 66,4% uzyskano przy poziomie wysiłku xhigh, o jeden poziom powyżej domyślnego poziomu medium modelu, we własnym środowisku testowym Anthropic, z aktywnym routingiem bezpieczeństwa. Firma publikuje tę tabelę i mówi o tym wprost. Wynik Kimi 65,7% pojawia się w materiałach premierowych Moonshot przy domyślnym ustawieniu max modelu, w środowisku testowym, które również kontroluje firma; tabela premierowa podaje Opus 5.5 z wynikiem 66,4%, tę samą liczbę, którą opublikowało Anthropic, nie mówiąc, czy Moonshot powtórzyło test, czy tylko zacytowało wynik. Różnica 0,7 punktu między dwiema tabelami dostawców, przy różnych ustawieniach poziomu wysiłku i różnych szkieletach testowych, nie jest pomiarem różnicy między modelami. To stwierdzenie, że oba modele są na tyle bliskie, iż o kolejności może zdecydować wybór środowiska testowego.

Dwa kolejne punkty danych wskazują w tym samym kierunku. Niezależna ocena Opus 5.5 w tym samym benchmarku, przeprowadzona przez Artificial Analysis i podana w momencie jego premiery, wynosi 59,6% — siedem punktów poniżej własnej liczby Anthropic, w konfiguracji uwzględniającej routing zabezpieczeń po stronie serwera. A dokumentacja Moonshot w dniu premiery wciąż zawierała dosłowne symbole zastępcze „[xx.x%]” dla wyników Terminal-Bench i benchmarków naukowych, podczas gdy wpis marketingowy zawierał te liczby. Żaden z tych faktów niczego nie dowodzi w kwestii względnej jakości. Oba pokazują, że tabele benchmarków z dnia premiery są przede wszystkim artefaktami marketingowymi.

Tam, gdzie dostawcy są zgodni, obraz jest spójny: Kimi K3.1 Pro jest blisko Opus 5.5 w zadaniach, które mierzą obaj, i znacznie wyprzedza swojego poprzednika. Zestaw testów Moonshot do kodowania w długim horyzoncie wzrósł z 55,95% do 61,2%, jego wynik w CAD bez narzędzi to 72,8 wobec 73,0 Opusa, a wskaźnik halucynacji na własnym trudnym zestawie dostawcy spadł z 23,4% do 8,3% przy użyciu narzędzi — liczba, która, jeśli przetrwa poza środowiskiem ewaluacyjnym, ma większe znaczenie dla pracy z dużą ilością dokumentów niż jakikolwiek punkt benchmarku.

Pokrętło wysiłku to prawdziwa różnica między tymi dwoma produktami

Oba modele udostępniają pole wysiłku rozumowania; nie zgadzają się co do tego, ile ma ono poziomów i na którym się zatrzymuje.

Kimi K3.1 Pro ma trzy poziomy: low, high i max, przy czym domyślny jest max. Claude Opus 5.5 ma pięć: low, medium, high, xhigh i max, przy czym domyślny jest medium. Żaden z modeli nie pozwala wywołującemu wyłączyć myślenia. Kimi całkowicie ustala próbkowanie — temperature 1.0, top-p 0.95, n na 1 — i odrzuca inne wartości, więc effort jest jedynym pokrętłem behawioralnym, jakie oferuje. Anthropic pozwala ustawiać temperaturę, ale utrzymuje myślenie adaptacyjne zawsze włączone, więc effort jest jedynym pokrętłem, które zmienia, jak dużo model myśli.

Wartości domyślne naprawdę robią robotę. Kimi dostarcza uczciwie, ale drogo: każde żądanie, które nie przekazuje reasoning_effort, płaci za najgłębsze ustawienie. Opus jest dostarczany na środkowym szczeblu i rezerwuje dwa najwyższe dla wywołujących, którzy o nie poproszą. Jeśli migrujesz obciążenie i nie zmienisz niczego innego, zmieniłeś zarówno model, jak i jego budżet myślenia — a to najczęstszy sposób, w jaki „tańszy model” okazuje się wcale nie tańszy. Własna tabela Anthropic pokazuje skalę tego efektu w obrębie jednego modelu: CursorBench 4.0 osiąga 57,8% przy xhigh i 52,5% przy medium, podczas gdy FrontierCode zmienia się o 0,2 punktu między tymi dwoma ustawieniami. Wrażliwość na wysiłek zależy od obciążenia i żadna karta modelu nie przewidzi Twojej.

Jedna pułapka operacyjna dotyczy obu. Zmiana poziomu wysiłku w trakcie rozmowy unieważnia trafienia w cache prefiksów, więc agent, który podnosi wysiłek w połowie długiej sesji, płaci za ponowne odczytanie wszystkiego, co miał w cache. Poziom należy ustalić przed rozpoczęciem sesji, a nie w jej trakcie.

Co każdy dostawca robi z modelem, gdy nie patrzysz

Oba laboratoria wypuściły teraz model, którego zachowanie wobec niektórych danych wejściowych nie jest zachowaniem, o które prosiłeś, i oba opisują to otwarcie.

Dokumentacja premiery Opus 5.5 firmy Anthropic mówi, że większość zadań związanych z cyberbezpieczeństwem może zostać przekierowana do Claude Opus 4.8, a prace z zakresu biologii i rozwoju modeli granicznych mogą zostać przełączone z powrotem na Opus 5. Te przełączenia odbywają się po stronie serwera: odpowiedź wraca z innego modelu, a jedynym sygnałem dla wywołującego jest treść. W przypadku zadań powiązanych z bezpieczeństwem to rzeczywista zmiana możliwości, a nie przypis w polityce.

Moonshot poszła inną drogą. Usunęła dane związane z cyberbezpieczeństwem zarówno z etapu treningu pośredniego, jak i z etapu uczenia ze wzmocnieniem, zachowując ogólne kodowanie, i podała koszt tego działania: jej wynik w kodowaniu adwersarialnym spadł z 90,5% na niezłagodzonym checkpoincie do 81,0% w modelu, który udostępniła. Firma przedstawia to jako celowy limit zdolności ofensywnych w cyberprzestrzeni i zapowiada, że będzie go stopniowo podnosić. Kimi K3.1 Pro nie przekierowuje Twojego żądania; jest po prostu słabszy w tej jednej kategorii o różnicę, którą opublikował jego własny dostawca.

To, co jest lepsze, zależy od tego, co budujesz. Jeśli potrzebujesz deterministycznych wyników od wybranego modelu, cichy fallback jest gorszy niż ujawniona słabość. Jeśli potrzebujesz najsilniejszego możliwego wyniku w zadaniu, które dostawca objął ograniczeniami, fallback może nadal być lepszy niż odmowa — ale teraz porównujesz dwa modele, myśląc, że używasz jednego.

Data, która rozstrzygnie kwestię otwartych wag

Kimi K3.1 Pro jest sprzedawany jako model z otwartymi wagami, a wagi nie zostały jeszcze udostępnione. Moonshot twierdzi, że pełne wagi zostaną udostępnione do 4 listopada 2026 r. Do tego czasu kolumna „open-weight” w każdym porównaniu jest obietnicą, a organizacja Hugging Face, która hostuje Kimi K3, na dzień 24 października nie ma nic nowszego niż K3.

Claude Opus 5.5 nie ma planu otwartych wag i nigdy go nie będzie. Dla każdego, którego wdrożenie nie może korzystać z hostowanego API, porównanie kończy się w tym miejscu niezależnie od ceny: jedna strona to produkt, który być może uda się pobrać za jedenaście dni, druga to wynajem. Dla wszystkich pozostałych 4 listopada to data, w której porównanie cen staje się prawdziwym wyborem architektonicznym, a nie zakupowym.

Co uruchomić dzisiaj

Oto część, której cenniki nie obejmują: dostępność. Claude Opus 5.5 można dziś wywołać przez OrcaRouter za 4,00 USD i 20,00 USD za milion tokenów, przy odczytach z pamięci podręcznej po 0,20 USD — cena katalogowa dostawcy przekazywana bez doliczania marży — na tym samym kluczu co reszta Twojego stosu, z medianą czasu do pierwszego tokenu wynoszącą 3,86 sekundy w ciągu ostatnich siedmiu dni na naszej trasie. Kimi K3.1 Pro dołączył do tego samego katalogu 24 października za 2,00 USD i 10,00 USD, odczyty z pamięci podręcznej po 0,20 USD, okno 1 048 576 tokenów i opublikowany limit wyjściowy 943 718 tokenów. Oba odpowiadają teraz na jednym kluczu.

{{1}}To, że oba są za jednym kluczem, jest rzeczą, o której nie wspomina dokumentacja żadnego z dostawców.{{/1}} Przy dwukrotnej różnicy cen decyzja, która ma większe znaczenie niż wybór zwycięzcy, to polityka routingu: kieruj najtrudniejszą jedną piątą swojego ruchu do Opus 5.5, resztę wysyłaj do Kimi K3.1 Pro, a automatyczne przełączanie awaryjne niech obejmuje zawieszenie po każdej ze stron. {{2}}Model pass-through jest tym, co sprawia, że ta arytmetyka się zgadza — każda strona podziału jest rozliczana według ceny publikowanej przez samego dostawcę, bez żadnych doliczeń, więc wyliczona oszczędność to oszczędność, którą faktycznie uzyskujesz, a zmiana ceny u któregokolwiek dostawcy obowiązuje tutaj tego samego dnia.{{/2}}

Co sprowadza porównanie z powrotem do punktu wyjścia. Jeśli w Twojej pracy dominują zadania, w których oba modele różnią się o nie więcej niż jeden punkt, różnica cen jest całym sednem sprawy, a odpowiedzią jest tańszy model. Jeśli dominuje kodowanie wymagające długiego horyzontu, gdzie za Opusem stoją trzy miesiące niezależnej oceny, a Kimi ma tabelę dostawcy opublikowaną wczoraj, to 0,7 punktu nie jest liczbą, której należy ufać — liczbą, której należy ufać, jest Twoja własna ocena przeprowadzona przy ustawieniu wysiłku, które faktycznie wdrożysz. Obaj dostawcy ułatwili teraz to zadanie, ponieważ obaj pozwalają regulować pokrętło i obaj publikują, ile kosztuje dane ustawienie.