
Qwen4-Max vs. Kimi K3.1 Pro: uma diferença de 41 centavos que decide menos do que você imagina
- GoogleNOVOGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 por 1M de tokens · 89 tok/s
- AnthropicNOVOAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 por 1M de tokens · 97 tok/s
- orcaNOVOOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaNOVOOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 por 1M de tokens · 88 tok/s
- OrcaNOVOOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 por 1M de tokens · 134 tok/s
- OrcaNOVOOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 por 1M de tokens · 88 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 por 1M de tokens · 121 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 por 1M de tokens · 69 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 90 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Inteligência
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 por 1M de tokens · 195 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Inteligência
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 por 1M de tokens · 121 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Inteligência
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Inteligência
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 por 1M de tokens · 141 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955Inteligência
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855Inteligência
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 por 1M de tokens · 265 tok/s
Segundo os próprios números da Artificial Analysis, uma tarefa concluída custa US$ 3,27 no Qwen4-Max e US$ 3,68 no Kimi K3.1 Pro. Quarenta e um centavos. Se você está escolhendo um modelo para um agente que executa milhares de tarefas por semana, essa diferença parece ser a decisão inteira, e não é — porque os dois modelos chegam a esses valores por direções opostas, e é a direção que aparece nos seus logs seis semanas depois. O Qwen4-Max chega lá por ser rápido e prolixo — mais tokens de saída, a menos da metade da tarifa por token; o Kimi K3.1 Pro chega lá por ser lento e conciso, emitindo menos tokens que custam mais que o dobro cada. Nenhum dos dois é o modelo mais barato em geral. Cada um é mais barato para um formato específico de trabalho.
Esse é o enquadramento útil para este par, e ele está disponível agora de uma forma que não estava em outubro: ambos os modelos estão na mesma revisão de índice independente, ambos publicaram termos comerciais e um deles tem pesos baixáveis. O que segue é a divisão por carga de trabalho, e não por benchmark, porque o benchmark já diz que eles são próximos.
Primeiro, o nome
Não existe um kimi-k3.1 puro na própria lista de modelos da Moonshot. Os identificadores disponibilizados são kimi-k3.1-pro, kimi-k3.1-pro-highspeed e o mais antigo kimi-k3; "Kimi K3.1" é como a série é escrita nas caixas de busca e na imprensa, e o modelo por trás disso é o Kimi K3.1 Pro. A variante highspeed é o mesmo modelo servido a aproximadamente duas a três vezes a velocidade. Portanto, toda comparação que importa aqui é Qwen4-Max contra Kimi K3.1 Pro, e esse é o par medido abaixo. Qualquer pessoa que lhe mostrar uma ficha técnica de um modelo chamado exatamente "Kimi K3.1" está mostrando os números do Pro sob um nome mais curto.
O Kimi K3.1 Pro foi anunciado em 23 de outubro de 2026, com o blog do fornecedor datado do dia 24, e seus pesos chegaram ao Hugging Face com um único commit com carimbo de data/hora de 2026-11-02. O Qwen4-Max passou a ser vendido por uso medido em 16 de novembro de 2026. Ambos têm semanas de lançados, nenhum é prévia, e ambos têm tabelas de preços reais — que é exatamente a razão pela qual esta comparação pode ser feita com números em vez de projeções.

As duas linhas que definem o confronto
Tudo abaixo vem do Artificial Analysis Intelligence Index v5.0.1, a menos que indicado como informado pelo fornecedor. O índice é um instrumento de um único dia; este blog já viu revisões deslocarem a pontuação de um modelo em dois dígitos, então trate a variação como direcional.
• Pontuação do índice — Qwen4-Max 43 contra Kimi K3.1 Pro 46. O modelo Kimi está à frente por três pontos, dentro da faixa de ruído de uma única revisão do índice
• Custo por tarefa — Qwen4-Max US$ 3,27 versus Kimi K3.1 Pro US$ 3,68. O modelo Kimi é 12,5% mais caro por tarefa concluída, apesar da vantagem na pontuação
• Preço de entrada — Qwen4-Max $1.50 por milhão em Singapura, $1.413 nos demais locais; Kimi K3.1 Pro $2.00
• Preço de saída — Qwen4-Max US$ 4,50 versus Kimi K3.1 Pro US$ 10,00. Esta é a maior diferença de toda a comparação, e é justamente a que um modelo de custos baseado na contagem de tokens tende a sobreponderar
• Preço para acerto de cache — Qwen4-Max US$ 0,075 por milhão em Singapura, US$ 0,071 nos demais locais; Kimi K3.1 Pro US$ 0,20. Ambos aplicam descontos substanciais às leituras em cache; o da Qwen é o desconto mais acentuado
• Tempo real por tarefa — Qwen4-Max 32,1 minutos versus Kimi K3.1 Pro 38,4 minutos, contra uma mediana do setor de 11,5. Ambos são lentos; o Qwen é o menos lento dos dois
• Throughput — Qwen4-Max 55 tokens de saída por segundo versus Kimi K3.1 Pro 31, medidos na própria API de cada fornecedor
• Apetite por tokens — Qwen4-Max 127 milhões de tokens de saída por execução de índice versus Kimi K3.1 Pro 113 milhões
• Contexto — Qwen4-Max: 1.000.000 de tokens conforme documentado, com 984.000 medidos como utilizáveis; Kimi K3.1 Pro: 1.048.576
• Modalidade — ambos recebem texto, imagem e vídeo e retornam texto. O guia de modelos da Moonshot é explícito ao afirmar que o Kimi K3.1 Pro lida com vídeo, embora o resumo independente do modelo liste apenas texto e imagem
Pesos — o Qwen4-Max não publica nenhum, e sua documentação indica que ajuste fino e implantação não são suportados; o checkpoint de 2,8 trilhões de parâmetros do Kimi K3.1 Pro, com 104 bilhões deles ativos por token, pode ser baixado sob uma licença sob medida, em vez de uma licença pronta para uso
• Arquitetura, conforme informado pelo fornecedor — Qwen4-Max, um backbone de 2,4 trilhões de parâmetros com 71 bilhões ativos e mais 328 bilhões de parâmetros de embedding N-gram; Kimi K3.1 Pro, um modelo da classe 3T pós-treinado construído sobre o K3
Leia a linha de preço de saída em comparação com a linha de custo por tarefa e você terá o artigo inteiro. O Kimi K3.1 Pro cobra mais que o dobro por token de saída e ainda assim conclui uma tarefa por 41 centavos a mais, porque emite menos tokens. O Qwen4-Max cobra menos da metade por token de saída e quase não ganha nada com isso, porque emite 12% mais. O preço por token é uma aproximação da fatura, não a fatura. A fatura é a terceira linha.
Carga de trabalho um: o agente de longa duração
É aqui que os 41 centavos deixam de ser arredondamento. Um loop de agente não executa uma tarefa; executa uma sequência delas com muitas repetições, e o número que se acumula é o tempo real, não o preço. A 32,1 e 38,4 minutos por tarefa de indexação, respectivamente, ambos os modelos são entre duas e três vezes mais lentos que a mediana do setor de 11,5 minutos. Um lote de vinte tarefas é de dez a treze horas de tempo real em qualquer um dos dois. Se seu loop é limitado por latência, nenhum desses dois é o modelo certo, e escolher entre eles com base no preço é otimizar a variável errada.
Se não for limitado por latência — execuções em lote durante a noite, trabalhos de pesquisa de longo prazo, trabalho documental em segundo plano —, então o número decisivo é tokens por tarefa concluída, e aqui os 55 tokens por segundo do Qwen4-Max contra os 31 do Kimi importam menos do que parecem. A vazão só determina a rapidez com que uma única requisição é drenada; o que determina a conta é quantos tokens o modelo gasta pensando antes de produzir uma resposta. O Qwen4-Max gasta 12% mais deles e cobra 55% menos por unidade desses tokens.
Carga de trabalho dois: tudo o que envolve um documento longo
É aqui que a comparação deixa de ser sobre pontuações e passa a ser sobre a forma do resultado. Ambos os modelos leem texto, imagens e vídeo, e ambos escrevem texto, então não há argumento de modalidade a apresentar — a versão honesta desta seção é que o suporte a vídeo do Qwen4-Max não é o desempate que parece ser, porque o guia de modelos da Moonshot diz que o Kimi K3.1 Pro também lida com vídeo. O que os separa no trabalho com documentos é quanto eles escrevem de volta em uma única passada e quanto cobram por isso.
O Qwen4-Max limita a saída a 131.072 tokens com o pensamento desativado, ou 262.144 compartilhados entre pensamento e resposta. O Kimi K3.1 Pro chega a aproximadamente 943.000. Para uma revisão de contrato que retorna um resumo, essa diferença nunca aparece; para um pipeline ao qual se pede que reemita um documento inteiro com marcações, ou que raciocine sobre um conjunto de trabalho e depois escreva o resultado extensamente, é a diferença entre uma única chamada e um esquema de fragmentação que agora você precisa construir e depurar.
A diferença de preço aponta para o outro lado. A tarifa de entrada do Qwen4-Max é 25% menor e a de saída é menos da metade, então o trabalho de extração e classificação em um grande corpus — muita entrada, pouca saída — é consideravelmente mais barato no Qwen4-Max por tarefa concluída, bem como no medidor. Leia os dois parágrafos em conjunto e a divisão é clara: respostas curtas em um grande corpus favorecem o Qwen4-Max; respostas longas no mesmo corpus favorecem o teto de saída do modelo Kimi.

Carga de trabalho três: aquela em que você precisa dos pesos
Nada nas linhas acima cobre a maior diferença entre esses dois modelos, porque ela não é um número. O Kimi K3.1 Pro pode ser baixado. O Qwen4-Max não — sua documentação marca o ajuste fino e a implantação do modelo como não suportados, e o post de lançamento da Alibaba promete apenas que níveis menores do Qwen4 estão "chegando ao código aberto", o que é uma declaração sobre a família e não sobre este modelo.
Isso importa em três situações específicas e é irrelevante nas demais. Importa se você precisa fazer ajuste fino com seus próprios dados, porque o Qwen4-Max não oferece nenhum caminho para isso. Importa se sua postura de conformidade exige que os pesos fiquem dentro do seu próprio perímetro, e não por trás da API de outra pessoa. E importa se você está modelando custos ao longo de anos, e não de meses: um checkpoint baixável da classe de 3T é uma despesa de capital com uma curva de custo marginal que você controla, enquanto um modelo de ponta alugado é uma tabela de tarifas que pode mudar. Um modelo de mistura de especialistas de 3 trilhões de parâmetros não é algo que a maioria das equipes consegue servir internamente — ele quer um rack, não uma estação de trabalho —, mas "caro para executar por conta própria" e "impossível de executar por conta própria" são respostas diferentes para uma pergunta de compra, e só uma delas se fecha.
A licença merece uma frase de precisão, porque "pesos abertos" está fazendo muito trabalho na maior parte da cobertura: o Kimi K3.1 Pro é distribuído sob uma licença personalizada Kimi K3.1-Pro License, não sob o texto da Licença MIT Modificada que o K3 trazia, e sua concessão é permissiva no sentido comum — usar, modificar, fazer ajuste fino, redistribuir, vender — com duas condições acopladas. Se você opera uma empresa de modelo como serviço e sua receita agregada ultrapassa US$ 20 milhões em quaisquer doze meses consecutivos, precisa de um acordo separado com a Moonshot antes de usar os pesos comercialmente. E se um produto construído sobre eles ultrapassar 100 milhões de usuários ativos mensais ou US$ 20 milhões em receita mensal, "Kimi K3.1-Pro" precisa ser exibido com destaque na interface. O uso interno, e o uso por meio dos próprios produtos da Moonshot ou de parceiros de inferência certificados, ficam fora de ambas as cláusulas. Se você planeja construir um produto sobre os pesos, leia a licença em vez do resumo.
Colocando o par em uma única tecla
Aqui a comparação deixa de ser simétrica de um jeito que vale a pena ser direto. O OrcaRouter encaminha kimi/kimi-k3.1-pro hoje, no mesmo endpoint compatível com OpenAI que o restante dos seus mais de 200 identificadores de modelos, com 0% de margem — o preço de tabela do provedor repassado, então os $2.00 e $10.00 acima são o que você paga, e não o que o fornecedor cobra antes da margem de alguém. Ele não encaminha o Qwen4-Max, e esta página não vai sugerir o contrário: chegar a esse modelo significa usar as seis regiões próprias da Alibaba ou uma plataforma de terceiros que o revenda.
A verdadeira utilidade dessa assimetria é o teste que este artigo vem descrevendo. A divisão por carga de trabalho acima é uma hipótese sobre o seu tráfego, não um fato sobre o seu tráfego, e a maneira barata de refutá-la é executar os mesmos prompts no Kimi K3.1 Pro e em uma camada Qwen 3.8 em um único endpoint, com failover automático cobrindo as falhas intermitentes do provedor que, de outra forma, corrompem uma execução de benchmark. Se o modelo Kimi vencer na sua carga de trabalho por mais de 41 centavos por tarefa, o argumento dos pesos fica mais fácil de justificar. Se não vencer, você terá se poupado de uma conversa de aquisição sobre um rack.

A regra de decisão
Três pontos de índice e 41 centavos de custo por tarefa não separam estes modelos. As coisas que os separam são binárias, e vale a pena verificá-las nesta ordem.
• Se você precisar escrever de volta um documento inteiro em uma única chamada — o teto de saída de ~943,000 tokens do Kimi K3.1 Pro contra o orçamento compartilhado de 262,144 do Qwen4-Max é uma diferença categórica, não percentual
• Se você precisa fazer ajuste fino, hospedar por conta própria ou manter os pesos — o Qwen4-Max está fora, porque não há pesos para manter
• Se suas execuções são limitadas pelo tempo de relógio — nenhum dos dois é uma boa escolha; ambos são duas a três vezes mais lentos que o modelo mediano na mesma placa, e o Kimi é o mais lento dos dois
• Se nenhum desses critérios se aplicar — escolha o mais barato por tarefa concluída, que, pelos números de hoje, é o Qwen4-Max a $3.27 contra $3.68, e reavalie daqui a um mês, porque ambos os fornecedores já alteraram os preços uma vez neste trimestre
O resumo honesto é que a Moonshot lançou o modelo com melhor pontuação e a Alibaba lançou o de melhor preço, que a diferença em cada direção é pequena, e que a única escolha aqui com cauda longa é a que ninguém coloca numa tabela de comparação: se você está alugando ou possuindo. Todo o resto são quarenta e um centavos e um erro de arredondamento em uma revisão.
Comparados neste artigo2
Detectado a partir deste artigo · Benchmarks: Artificial Analysis · atualizado diariamente
