Kimi K3.1 Pro vs Grok 4.7: Mesma precisão, uma fatura 72% maior

Em um exame privado de análise de dados com 43 questões, construído sobre um armazém sintético de parque eólico, Kimi K3.1 Pro e Grok 4.7 ambos pontuaram 42. Nenhum dos modelos tinha visto as perguntas, e os dados foram fabricados para que nenhuma resposta pudesse ter sido memorizada. Mesma pontuação, mesma classificação — empatados em terceiro lugar entre 34 modelos testados. As faturas não foram as mesmas: a execução do Kimi custou US$ 13,47 e a do Grok custou US$ 7,85.

Esse par de números é a coisa mais útil que alguém já publicou sobre esse confronto, porque é o único confronto direto em que os dois modelos foram executados pelas mesmas pessoas, no mesmo dia, contra as mesmas respostas. Quase todo o resto em circulação é ou um benchmark de fornecedor produzido sob uma estrutura de avaliação diferente, ou uma comparação que, sem alarde, substitui Kimi K3 por Kimi K3.1 Pro. Portanto, este texto começa com o que os testes neutros mostram e depois separa as diferenças que são reais das que são artefatos de quem executou o teste.

Dois modelos, duas apostas muito diferentes

O Kimi K3.1 Pro chegou em 23 de outubro de 2026 como um sucessor pós-treinado do Kimi K3, e não como uma nova arquitetura. A Moonshot AI manteve a espinha dorsal de mistura de especialistas com 2,8 trilhões de parâmetros, a janela de contexto de 1.048.576 tokens e a entrada nativa de imagem e vídeo, e dedicou o lançamento ao aprendizado por reforço em domínios agênticos e profissionais. Os pesos completos estão prometidos para 4 de novembro de 2026.

Grok 4.7 foi lançado um mês antes, em 21 de setembro de 2026, pela xAI. É proprietário, baseia-se em uma base relatada de ~2,1 trilhões de parâmetros que a xAI não confirmou, possui uma janela de entrada de 500.000 tokens com teto de saída de 450.000 tokens e mantém o preço do Grok 4.6. Seu corte de conhecimento é junho de 2026, com treinamento complementar até agosto.

• Preço — Kimi K3.1 Pro: US$ 2,00 de entrada / US$ 10,00 de saída por milhão de tokens; Grok 4.7: US$ 2,00 / US$ 6,00, subindo para US$ 4,00 / US$ 12,00 quando um prompt ultrapassa 200 mil tokens.

• Entrada em cache — US$ 0,20 no Kimi contra US$ 0,50 no Grok, uma inversão que importa mais do que o preço de destaque para agentes que releem o mesmo repositório a cada turno.

• Contexto — 1.048.576 tokens contra 500.000. O Kimi também permite até 943.718 tokens de saída em uma única resposta, o que é menos um recurso do que uma declaração sobre para que o modelo foi construído.

• Modalidades — entrada de texto, imagem e vídeo, saída de texto no Kimi; entrada de texto, imagem e arquivo, saída de texto no Grok.

• Controle de raciocínio — Kimi raciocina por padrão com esforço selecionável; Grok expõe baixo, médio, alto e xhigh, e não permite desativar o raciocínio.

• Abertura — pesos prometidos até 4 de novembro no Kimi; o Grok é somente API e continuará assim.

O terreno neutro, e quão tênue ele é

O exame do Plotly é a comparação mais limpa disponível. É um teste privado de 43 perguntas sobre um armazém sintético de dados de uma frota de energia eólica, dividido em perguntas de análise, solicitações ambíguas, solicitações impossíveis, armadilhas estatísticas, verificações de qualidade de dados e cinco padrões plantados que um bom analista deveria encontrar sem que lhe pedissem. Kimi K3.1 Pro acertou 42, acima dos 35 do Kimi K3. Grok 4.7 também acertou 42. Ambos ficam atrás de GPT-6.1 Sol e GPT-6 Astra, com 43.

O detalhe por trás do empate é onde os dois modelos divergem. O Kimi encontrou todos os cinco padrões plantados e detectou todos os três problemas de qualidade de dados — linhas duplicadas, um dia final ausente e a diferença entre uma turbina desativada e uma que genuinamente produz zero. Seu único erro foi um erro de limite: contou 2.775 dias-turbina anteriores a uma instalação de firmware como "outro firmware", o que alterou uma média em cerca de 0,0003 e ficou por pouco fora da tolerância do teste. Isso é uma falha de precisão no limite de uma definição, não uma falha de raciocínio.

Um segundo teste neutro aponta na direção oposta. Na avaliação de contabilidade da DualEntry, o Grok 4.7 ficou empatado em segundo lugar, com 88,1%, enquanto o Kimi K3.1 Pro ficou em quarto, com 86,1%. O Kimi foi o modelo mais barato por tarefa nessa execução, a US$ 0,079, mas também um dos mais lentos, com 125,6 segundos por tarefa. Dois testes neutros, dois quase empates, e a ordem se inverte entre eles. É assim que uma comparação genuína entre pares se parece, e é o que a maioria da cobertura do dia de lançamento não mostra.

Onde as diferenças são reais

A escrita não está nem perto. O ToneBench, que pontua rascunhos em relação a dez briefs com quatro juízes por rascunho, coloca o Kimi K3.1 Pro em 2.205 de Elo e em sétimo entre 83 configurações, contra o Grok 4.7 com 1.904 e vigésimo quinto. Os intervalos de 95% não se sobrepõem: 2.166–2.246 contra 1.855–1.962. O Kimi venceu nove de dez roteiros e sete de nove sub-métricas, com as maiores diferenças em aderência ao comprimento (95,4 contra 78,7) e indicações visuais (84,9 contra 78,8). As vitórias do Grok foram estreitas e restritas a tom e convenções do YouTube. A US$ 0,251 contra US$ 0,215 por roteiro, esta não é uma decisão de custo.

O trabalho de programação e agêntico é onde as evidências ficam confusas e onde a maioria das comparações engana. A xAI relata o Grok 4.7 com 37,6–38,0% no Terminal-Bench 4.0. A Moonshot relata o Kimi K3.1 Pro com 65,7% no mesmo benchmark. Esses números estão a 28 pontos de distância e não significam que o Grok seja metade do modelo, porque as pontuações do Terminal-Bench variam em dezenas de pontos conforme o harness, o limite de tempo e as tentativas permitidas. Um 65,7% e um 38,0% produzidos em laboratórios diferentes são duas medições diferentes usando o mesmo nome.

A evidência independente de codificação que de fato existe favorece o Grok, mas é evidência sobre o Kimi K3, não sobre o K3.1 Pro. No SWE-bench Verified executado por meio de um scaffold padrão de mini-agente, o Grok 4.7 marcou 95,6% contra 93,4% do Kimi K3. Ninguém publicou o número equivalente para o K3.1 Pro. Os próprios números de longo horizonte da Moonshot — 61,2% no Kimi Code Bench 3.0 Long-horizon contra 55,95% do K3, e 51,7% no SWE Marathon contra 45,6% do Claude Opus 5.5 — sugerem que o pós-treinamento ajudou, mas isso é a fornecedora corrigindo a própria prova em um benchmark que ela mesma criou.

Contexto longo é a única lacuna de capacidade que dispensa benchmark. Um milhão de tokens contra quinhentos mil é um fator de dois, e o preço de acerto de cache da Kimi é menos da metade do da Grok. Se a carga de trabalho for um monorepo, um conjunto de contratos ou um ano de tickets de suporte, a comparação já está decidida antes de qualquer pontuação ser lida.

Por que a fatura diverge

A diferença de custo de 72% no exame Plotly não é explicada apenas pela tabela de preços. O preço de saída do Kimi é 67% maior, então, com contagens de tokens idênticas, custaria mais — mas não 72% mais em um teste no qual os dois modelos produziram a mesma qualidade de resposta. O restante vem de quanto eles escrevem e de quantas chamadas fazem para chegar lá.

A Kimi fez em média cerca de 7,5 chamadas de modelo por pergunta e uma mediana de 2,5 minutos por pergunta, o segundo mais lento dos 34 modelos; aproximadamente 90% desse tempo correspondeu à resposta do modelo, e não à execução de SQL. Em perguntas com padrões ocultos, fez cerca de 73 chamadas de ferramentas. Testes independentes do Grok em outros contextos descobriram que ele consome aproximadamente o dobro dos tokens de saída por tarefa que o Grok 4.6 consumia, o que tem efeito contrário. O efeito líquido neste exame foi que o Grok gastou menos dólares por resposta correta, apesar de consumir mais tokens por etapa.

A aritmética para um agente de produção é assim. Considere uma tarefa que lê 100K tokens de entrada, escreve 8K de saída e executa 20 turnos.

• Kimi K3.1 Pro, sem cache — 20 turnos a US$ 0,20 de entrada mais US$ 0,08 de saída custam cerca de US$ 5,60 por tarefa.

• Grok 4.7, sem cache — o mesmo formato com $0,20 de entrada mais $0,048 de saída fica em cerca de $4,96 por tarefa.

• Kimi K3.1 Pro, 70% de acertos no cache — a entrada cai para US$ 0,074 por turno, levando a tarefa a cerca de US$ 3,08.

• Grok 4.7, 70% de acerto de cache — a entrada cai para US$ 0,095 por turno, levando a tarefa a aproximadamente US$ 2,86.

Então Grok vence o caso de agente mesmo com uma taxa de cache alta, porque os tokens de saída dominam e ele cobra 40% menos por eles. Kimi só supera quando a saída é pequena em relação à entrada. Considere uma chamada de recuperação com 100K de entrada e 1K de saída com 70% de cache: Kimi custa $0.084 e Grok $0.101, uma vitória de 17% para Kimi. O ponto de virada não é uma porcentagem de cache — é uma proporção entre entrada e saída. Trabalho com uso intenso de leitura vai para Kimi, trabalho com uso intenso de escrita vai para Grok, e o conselho honesto é medir sua própria proporção em vez de confiar no exemplo de qualquer um dos fornecedores.

A velocidade muda a forma do sistema, não apenas a conta

O tempo mediano até o primeiro token do Kimi K3.1 Pro, em nossas próprias medições, é de 6,9 segundos a 48 tokens por segundo. O Grok 4.7, em testes de terceiros, fica em cerca de 1,3 segundo até o primeiro token e aproximadamente 61 tokens por segundo. Para um produto de chat, essa diferença é perceptível. Para um agente que faz 20 chamadas sequenciais, é a diferença entre uma tarefa que parece instantânea e uma que parece quebrada, e é o verdadeiro motivo pelo qual várias comparações de ferramentas de programação dão a vitória ao Grok, apesar das pontuações mais fortes do Kimi em escrita.

O controle do raciocínio torna isso ainda mais complexo. O Grok permite ajustar o esforço de low a xhigh e cobra de acordo; na configuração low, o ToneBench mediu 1.815 Elo a US$ 0,064 por script, um quarto do custo da configuração medium. O Kimi raciocina por padrão e sua configuração de esforço é um instrumento mais grosseiro, com amostragem fixa em temperature 1.0 e top_p 0.95 — valores para os quais ele rejeita alternativas. Se um pipeline depende do determinismo de baixa temperatura, essa é uma questão de compatibilidade a ser resolvida antes de fazer qualquer benchmark.

Qual deles pertence à produção?

Escolha o Kimi K3.1 Pro quando o trabalho for de contexto longo e com muitos documentos: revisão de contratos, pesquisa financeira, análise de repositórios com vários arquivos e auditoria de qualidade de dados em que o modelo precisa perceber o que está faltando em vez de responder ao que foi perguntado. A janela de 1M, o cache barato e a queda relatada pela Moonshot nas alegações alucinadas de 23,4% para 8,3% com ferramentas apontam todas na mesma direção. É também o único dos dois que poderá ser baixado, o que importa se a carga de trabalho não puder sair da sua infraestrutura.

Escolha o Grok 4.7 quando a latência faz parte do produto: assistentes de programação interativos, agentes de IDE, uso de ferramentas voltado ao cliente em que uma pausa de seis segundos é lida como defeito. Ele é mais barato no output, mais rápido até o primeiro token, e as evidências independentes de programação — escassas como são — estão do lado dele. Sua janela de 500K não é uma limitação para a maioria dos trabalhos em repositórios, embora seja para alguns.

A resposta incômoda para quem quer um único vencedor é que os dois modelos empatam no único teste neutro que ambos fizeram, e o critério de desempate é a sua proporção entrada-saída e seu orçamento de latência. Essas são propriedades que você pode medir em uma tarde, e nenhum post de lançamento pode lhe dizer quais são.

Executando ambos sem um segundo contrato

Este é o único confronto em que testar os dois é barato de organizar. O OrcaRouter disponibiliza kimi/kimi-k3.1-pro e grok/grok-4.7 na mesma chave, pelo preço de tabela do provedor e sem acréscimo, então os US$ 2,00, US$ 10,00 e US$ 6,00 acima são o que é cobrado de você, e não a versão de um revendedor deles. Isso importa mais do que o habitual aqui, porque a decisão depende do comportamento de cache e da latência medidos dentro da sua própria aplicação — o que significa que você precisa dos dois modelos atrás de um único endpoint e de uma única fatura para compará-los de forma justa.

Isso também muda a história do fallback. O failover automático entre provedores significa que um limite de taxa ou uma indisponibilidade em um modelo não derruba o recurso, e a DSL de roteamento permite enviar o caminho de contexto longo para o Kimi e o caminho interativo para o Grok dentro de uma única política, em vez de manter duas integrações. Se você ainda está decidindo, essa é uma forma de executar a avaliação em uma fatia do tráfego de produção em vez de escolher a partir de uma tabela de benchmark.

O que mudaria este veredito?

Duas coisas, ambas com data marcada. A primeira é 4 de novembro, quando a Moonshot prometeu os pesos completos. Um Kimi K3.1 Pro de pesos abertos com esta qualidade muda o cálculo para qualquer pessoa com um motivo de conformidade para auto-hospedar, e é também quando laboratórios independentes podem executar o modelo sem um orçamento de API.

O segundo é um confronto agêntico direto de verdade. Toda comparação de programação em circulação ou usa o Kimi K3 em vez do Kimi K3.1 Pro, ou compara dois harnesses de fornecedores como se fossem uma única medição. No momento em que alguém rodar os dois modelos pelo mesmo scaffold nas mesmas tarefas — como a Plotly fez para análise de dados —, a questão da programação deixa de ser contestada. Até lá, a posição defensável é a chata: Grok 4.7 para velocidade e programação interativa, Kimi K3.1 Pro para contexto longo, escrita e trabalho com documentos, e ambos medidos no seu próprio tráfego antes que qualquer um deles ganhe um caminho para produção.