Kimi K3.1 Pro vs Grok 4.7: ta sama dokładność, o 72% wyższy rachunek

W prywatnym 43-pytaniowym egzaminie z analityki danych zbudowanym na syntetycznej hurtowni danych farmy wiatrowej, Kimi K3.1 Pro i Grok 4.7oba uzyskały wynik 42. Żaden z modeli nie widział pytań, a dane zostały sfabrykowane, więc żadnej odpowiedzi nie można było zapamiętać. Ten sam wynik, ta sama pozycja — ex aequo na trzecim miejscu wśród 34 testowanych modeli. Rachunki nie były takie same: uruchomienie Kimi kosztowało $13.47, a uruchomienie Groka $7.85.

Ta para liczb jest najużyteczniejszą rzeczą, jaką ktokolwiek opublikował na temat tego porównania, ponieważ to jedyne bezpośrednie starcie, w którym oba modele uruchomiły te same osoby, tego samego dnia, w odniesieniu do tych samych odpowiedzi. Prawie wszystko inne w obiegu to albo benchmark dostawcy wygenerowany przy użyciu innego szkieletu testowego, albo porównanie, które po cichu podstawia Kimi K3 w miejsce Kimi K3.1 Pro. Dlatego ten tekst zaczyna się od tego, co pokazują neutralne testy, a następnie oddziela różnice rzeczywiste od tych, które są artefaktami tego, kto przeprowadził test.

Dwa modele, dwa zupełnie różne zakłady

Kimi K3.1 Pro pojawił się 23 października 2026 r. jako następca Kimi K3 po dodatkowym treningu, a nie nowa architektura. Moonshot AI zachował szkielet mixture-of-experts z 2,8 biliona parametrów, okno kontekstu wynoszące 1 048 576 tokenów oraz natywne wejście obrazu i wideo, a całe wydanie poświęcił uczeniu ze wzmocnieniem w domenach agentowych i profesjonalnych. Pełne wagi mają zostać udostępnione do 4 listopada 2026 r.

Grok 4.7 trafił na rynek miesiąc wcześniej, 21 września 2026 r., od xAI. Jest zastrzeżony, opiera się na zgłaszanej bazie ok. 2,1 biliona parametrów, której xAI nie potwierdziło, oferuje okno wejściowe 500 000 tokenów z limitem wyjściowym 450 000 tokenów i zachowuje cenę Grok 4.6. Jego granica wiedzy to czerwiec 2026, z dodatkowym treningiem do sierpnia.

• Cena — Kimi K3.1 Pro: 2,00 USD za wejście / 10,00 USD za wyjście za milion tokenów; Grok 4.7: 2,00 USD / 6,00 USD, wzrasta do 4,00 USD / 12,00 USD, gdy prompt przekroczy 200 tys. tokenów.

• Buforowane wejście — $0.20 w Kimi wobec $0.50 w Grok, odwrócenie, które dla agentów odczytujących w każdej turze to samo repozytorium ma większe znaczenie niż cena nagłówkowa.

• Kontekst — 1,048,576 tokenów wobec 500,000. Kimi pozwala również na maksymalnie 943,718 tokenów wyjściowych w jednej odpowiedzi, co jest nie tyle cechą, ile stwierdzeniem o tym, do czego model został zbudowany.

• Modalności — tekst, obraz i wideo na wejściu, tekst na wyjściu w Kimi; tekst, obraz i plik na wejściu, tekst na wyjściu w Grok.

• Kontrola rozumowania — Kimi domyślnie rozumuje z możliwością wyboru poziomu wysiłku; Grok udostępnia poziomy niski, średni, wysoki i xhigh i nie pozwala wyłączyć rozumowania.

• Otwartość — wagi obiecane do 4 listopada w przypadku Kimi; Grok jest dostępny tylko przez API i tak pozostanie.

Neutralny grunt i jak jest cienki

Egzamin Plotly'ego to najczystsze dostępne porównanie. To prywatny test z 43 pytaniami dotyczącymi hurtowni danych syntetycznej floty energii wiatrowej, podzielony na pytania analityczne, niejednoznaczne prośby, niemożliwe prośby, pułapki statystyczne, kontrole jakości danych oraz pięć ukrytych wzorców, które dobry analityk powinien znaleźć bez podpowiedzi. Kimi K3.1 Pro zdał 42, w porównaniu z 35 w przypadku Kimi K3. Grok 4.7 również zdał 42. Oba modele ustępują GPT-6.1 Sol i GPT-6 Astra z wynikiem 43.

Szczegół kryjący się za remisem to miejsce, w którym oba modele się rozchodzą. Kimi znalazł wszystkie pięć zaszytych wzorców i wychwycił wszystkie trzy problemy z jakością danych — zduplikowane wiersze, brakujący ostatni dzień oraz różnicę między wycofaną z eksploatacji turbiną a taką, która naprawdę wytwarza zero. Jego jedynym przeoczeniem był błąd graniczny: policzył 2775 dni turbinowych sprzed instalacji firmware'u jako „inny firmware”, co przesunęło średnią o około 0,0003 i wypadło tuż poza tolerancją testu. To błąd precyzji na granicy definicji, a nie błąd rozumowania.

Drugi neutralny test wskazuje przeciwny kierunek. W {{1}}ewaluacji księgowości DualEntry{{/1}} {{2}}Grok 4.7{{/2}} zajął ex aequo drugie miejsce z wynikiem 88,1%, podczas gdy {{3}}Kimi K3.1 Pro{{/3}} był czwarty z 86,1%. {{4}}Kimi{{/4}} był najtańszym modelem na zadanie w tym przebiegu przy koszcie 0,079 USD, ale także jednym z najwolniejszych przy 125,6 sekundy na zadanie. Dwa neutralne testy, dwa niemal remisy, a kolejność między nimi się odwraca. Tak wygląda prawdziwe porównanie równorzędnych modeli i tego nie pokazuje większość relacji z dnia premiery.

Tam, gdzie różnice są rzeczywiste

W pisaniu nie ma wyrównanej rywalizacji. ToneBench, który ocenia szkice względem dziesięciu briefów, z czterema sędziami na szkic, umieszcza Kimi K3.1 Pro na 2 205 punktach Elo i siódmym miejscu spośród 83 konfiguracji, wobec Grok 4.7 na 1 904 i dwudziestym piątym miejscu. 95-procentowe przedziały nie pokrywają się: 2 166–2 246 wobec 1 855–1 962. Kimi wygrał dziewięć z dziesięciu scenariuszy i siedem z dziewięciu podmetryk, z największymi różnicami w przestrzeganiu długości (95,4 wobec 78,7) i wskazówkach wizualnych (84,9 wobec 78,8). Zwycięstwa Groka były nieznaczne i ograniczały się do tonu i konwencji YouTube. Przy 0,251 USD wobec 0,215 USD za scenariusz nie jest to decyzja kosztowa.

Praca z kodowaniem i zadania agentowe to obszary, w których dowody stają się nieuporządkowane i w których większość porównań wprowadza w błąd. xAI podaje, że Grok 4.7 osiąga 37,6–38,0% na Terminal-Bench 4.0. Moonshot podaje, że Kimi K3.1 Pro osiąga 65,7% na tym samym benchmarku. Te liczby różnią się o 28 punktów i nie oznaczają, że Grok jest modelem o połowę gorszym, ponieważ wyniki Terminal-Bench zmieniają się o dziesiątki punktów w zależności od harnessu, limitu czasu i dozwolonej liczby prób. 65,7% i 38,0% uzyskane w różnych laboratoriach to dwa różne pomiary noszące tę samą nazwę.

Niezależne dowody dotyczące kodowania, które rzeczywiście istnieją, przemawiają na korzyść Groka, ale dotyczą one Kimi K3, a nie K3.1 Pro. W SWE-bench Verified uruchomionym za pomocą standardowego szkieletu mini-agenta Grok 4.7 uzyskał 95,6% wobec 93,4% Kimi K3. Nikt nie opublikował równoważnego wyniku dla K3.1 Pro. Własne wyniki Moonshot dla długiego horyzontu — 61,2% w Kimi Code Bench 3.0 Long-horizon wobec 55,95% dla K3 oraz 51,7% w SWE Marathon wobec 45,6% dla Claude Opus 5.5 — sugerują, że dalszy trening pomógł, ale to dostawca ocenia własną pracę domową na benchmarku, który sam stworzył.

Długi kontekst to jedyna luka w możliwościach, która nie wymaga żadnego benchmarku. Milion tokenów wobec pięciuset tysięcy to czynnik dwa, a cena trafienia w cache u Kimi to mniej niż połowa ceny Groka. Jeśli obciążenie to monorepo, zestaw umów albo rok zgłoszeń do wsparcia, porównanie rozstrzyga się, zanim padnie jakikolwiek wynik.

Dlaczego faktura się różni

72-procentowej różnicy w kosztach w egzaminie Plotly nie da się wyjaśnić samą kartą stawek. Cena tokenów wyjściowych Kimi jest o 67% wyższa, więc przy identycznej liczbie tokenów kosztowałoby to więcej — ale nie o 72% więcej w teście, w którym oba modele uzyskały taką samą jakość odpowiedzi. Reszta wynika z tego, ile piszą i ile wywołań wykonują, aby do tego dojść.

Kimi wykonywał średnio około 7,5 wywołania modelu na pytanie i medianę 2,5 minuty na pytanie, co było drugim najwolniejszym wynikiem spośród 34 modeli; około 90% tego czasu stanowiła odpowiedź modelu, a nie wykonanie SQL. W pytaniach z ukrytymi wzorcami wykonywał około 73 wywołań narzędzi. Niezależne testy Groka w innych miejscach wykazały, że zużywa on około dwa razy więcej tokenów wyjściowych na zadanie niż Grok 4.6, co działa w przeciwnym kierunku. W efekcie netto w tym egzaminie Grok wydał mniej dolarów na poprawną odpowiedź, mimo że spalał więcej tokenów na krok.

Arytmetyka dla agenta produkcyjnego wygląda tak. Weźmy zadanie, które odczytuje 100 tys. tokenów wejściowych, zapisuje 8 tys. tokenów wyjściowych i wykonuje 20 tur.

• Kimi K3.1 Pro, bez pamięci podręcznej — 20 tur przy $0.20 za wejście plus $0.08 za wyjście to około $5.60 na zadanie.

• Grok 4.7, bez cache — ten sam kształt przy $0.20 za wejście plus $0.048 za wyjście to około $4.96 na zadanie.

• Kimi K3.1 Pro, 70% trafień w pamięć podręczną — koszt danych wejściowych spada do 0,074 USD na turę, co daje około 3,08 USD na wykonanie zadania.

• Grok 4.7, 70% trafień cache — wejście spada do $0.095 na turę, co daje koszt zadania około $2.86.

Więc Grok wygrywa w przypadku agentowym nawet przy wysokim wskaźniku trafień pamięci podręcznej, ponieważ dominują tokeny wyjściowe, a Grok pobiera za nie o 40% mniej. Kimi przejmuje prowadzenie tylko wtedy, gdy wynik jest mały w stosunku do danych wejściowych. Weźmy wywołanie wyszukiwania z 100K danych wejściowych i 1K wyniku przy 70% trafień pamięci podręcznej: Kimi kosztuje $0.084, a Grok $0.101, co daje Kimi przewagę 17%. Punkt przecięcia nie jest procentem trafień pamięci podręcznej — to stosunek danych wejściowych do wyjściowych. Prace z przewagą odczytu trafiają do Kimi, prace z przewagą zapisu trafiają do Groka, a uczciwa rada to mierzyć własny stosunek, zamiast ufać przykładom któregokolwiek dostawcy.

Szybkość zmienia kształt systemu, a nie tylko rachunek.

Mediana czasu do pierwszego tokenu w Kimi K3.1 Pro według naszych własnych pomiarów wynosi 6,9 sekundy przy 48 tokenach na sekundę. Grok 4.7 w testach niezależnych osiąga około 1,3 sekundy do pierwszego tokenu i roughly 61 tokenów na sekundę. W produkcie czatowym ta różnica jest zauważalna. Dla agenta wykonującego 20 kolejnych wywołań to różnica między zadaniem, które wydaje się natychmiastowe, a takim, które wydaje się zepsute, i to jest prawdziwy powód, dla którego kilka porównań narzędzi do kodowania przyznaje zwycięstwo Grokowi mimo lepszych wyników Kimi w pisaniu.

Kontrola rozumowania dodatkowo to potęguje. Grok pozwala ustawić wysiłek od low do xhigh i odpowiednio pobiera za to opłaty; przy ustawieniu low ToneBench zmierzył 1 815 Elo przy 0,064 USD za skrypt, czyli jedną czwartą kosztu ustawienia medium. Kimi domyślnie prowadzi rozumowanie, a jego ustawienie wysiłku jest mniej precyzyjnym narzędziem, z próbkowaniem zafiksowanym na temperature 1.0 i top_p 0.95 — i nie akceptuje innych wartości. Jeśli pipeline polega na determinizmie niskiej temperatury, to kwestia zgodności do rozstrzygnięcia przed benchmarkowaniem czegokolwiek.

Który z nich powinien znaleźć się na produkcji?

Wybierz Kimi K3.1 Pro, gdy praca opiera się na długim kontekście i dużej liczbie dokumentów: przegląd umów, badania finansowe, analiza repozytoriów wieloplikowych oraz audyt jakości danych, w którym model musi zauważyć, czego brakuje, zamiast odpowiadać na zadane pytanie. Okno 1 mln tokenów, tani cache oraz raportowany przez Moonshot spadek liczby halucynowanych twierdzeń z 23,4% do 8,3% przy użyciu narzędzi — wszystko wskazuje w tym samym kierunku. To także jedyny z tych dwóch modeli, który będzie dostępny do pobrania, co ma znaczenie, jeśli obciążenie nie może opuścić Twojej infrastruktury.

Wybierz Grok 4.7, gdy opóźnienie jest częścią produktu: interaktywni asystenci kodowania, agenci IDE, korzystanie z narzędzi w interfejsach dla klientów, gdzie sześciosekundowa pauza jest odbierana jako błąd. Jest tańszy na wyjściu, szybciej generuje pierwszy token, a niezależne dowody dotyczące kodowania — choć skąpe — przemawiają na jego korzyść. Jego okno 500K nie jest ograniczeniem w większości prac nad repozytorium, choć w niektórych przypadkach jest.

Niewygodna odpowiedź dla każdego, kto chce jednego zwycięzcy, jest taka, że oba modele remisują w jedynym neutralnym teście, któremu oba zostały poddane, a rozstrzygnięciem jest Twój stosunek danych wejściowych do wyjściowych i Twój budżet opóźnień. To właściwości, które możesz zmierzyć w jedno popołudnie, a żaden wpis o premierze nie powie Ci, jakie są.

Uruchamianie obu bez drugiej umowy

To jedyne zestawienie, w którym wypróbowanie obu jest tanie w przygotowaniu. OrcaRouter udostępnia kimi/kimi-k3.1-pro oraz grok/grok-4.7 na tym samym kluczu, w cenie cennikowej dostawcy bez narzutu, więc podane powyżej 2,00 USD, 10,00 USD i 6,00 USD to kwoty, które zostaną Ci naliczone, a nie wersja odsprzedawcy. Ma to tutaj większe znaczenie niż zwykle, ponieważ decyzja zależy od zmierzonego zachowania pamięci podręcznej i opóźnień w Twojej własnej aplikacji — co oznacza, że potrzebujesz obu modeli za jednym punktem końcowym i na jednym rachunku, aby porównać je uczciwie.

Zmienia to również działanie mechanizmu awaryjnego. Automatyczne przełączanie awaryjne między dostawcami oznacza, że limit żądań lub awaria jednego modelu nie powodują niedostępności funkcji, a DSL routingu pozwala w ramach jednej polityki kierować ścieżkę długiego kontekstu do Kimi, a ścieżkę interaktywną do Grok, zamiast utrzymywać dwie integracje. Jeśli nadal podejmujesz decyzję, to sposób na przeprowadzenie oceny na wycinku ruchu produkcyjnego, a nie na wybieraniu z tabeli benchmarków.

Co zmieniłoby ten werdykt?

Dwie rzeczy, obie z datami. Pierwsza to 4 listopada, kiedy Moonshot obiecał pełne wagi. Kimi K3.1 Pro z otwartymi wagami w tej jakości zmienia kalkulację dla każdego, kto z powodów zgodnościowych chce hostować model samodzielnie, a jednocześnie to moment, w którym niezależne laboratoria mogą uruchomić model bez budżetu na API.

Drugi to właściwe starcie agentowe jeden na jeden. Każde krążące porównanie dotyczące kodowania albo używa Kimi K3 zamiast Kimi K3.1 Pro, albo porównuje stanowiska testowe dwóch dostawców tak, jakby były jednym pomiarem. Gdy tylko ktoś uruchomi oba modele w ramach tego samego szkieletu na tych samych zadaniach — tak jak Plotly zrobił w analityce danych — pytanie o kodowanie przestaje być sporne. Do tego czasu możliwa do obrony pozycja jest ta nudna: Grok 4.7 do szybkości i interaktywnego kodowania, Kimi K3.1 Pro do długiego kontekstu, pisania i pracy z dokumentami, a oba mierzone na własnym ruchu, zanim którykolwiek trafi na ścieżkę produkcyjną.