Kimi K3.1 Pro против Claude Opus 5.5: вдвое ниже по прайс-листу, отставание на 0,7 балла в одном бенчмарке

Kimi K3.1 Pro и Claude Opus 5.5 — это модели одного и того же класса, которые продаются ровно за половину цены. Новый флагман Moonshot стоит $2,00 за миллион входных токенов и $10,00 за миллион выходных; Anthropic — $4,00 и $20,00. Обе принимают миллион токенов контекста. Обе всегда размышляют перед ответом. И на единственном бенчмарке, который публикуют обе компании, они различаются на 0,7 балла: 65,7% у Kimi K3.1 Pro против 66,4% у Claude Opus 5.5 на Terminal-Bench 4.0. Вот и весь аргумент в пользу претендента, выраженный тремя числами, и аргумент сильный — но с двумя оговорками, от которых зависит, применим ли он к вашей нагрузке: два результата были получены при разных настройках, а «2×» — это цена за токен, а не за выполненную задачу.

Kimi K3.1 Pro стала доступна 24 октября 2026 года — через день после выхода тизер-видео, в котором её назвали. Claude Opus 5.5 находится в общем доступе с 22 сентября. Ни одна из них не является свежим лабораторным экспериментом: Opus 5.5 — актуальная модель уровня Opus, которую Anthropic выпускает с конца сентября, а Kimi K3.1 Pro — версия Kimi K3, прошедшая постобучение, а не новая архитектура. Поэтому сравнение на странице «модель против модели» получается на удивление чистым — тарифные планы обеих моделей опубликованы, оба производителя приводят таблицу бенчмарков, и ни одна из моделей не прячется за листом ожидания.

Две тарифные карты, строка за строкой

Важны пять строк, и одна из них нарушает закономерность.

Ввод — $2.00 за миллион токенов в Kimi K3.1 Pro против $4.00 в Claude Opus 5.5. Ровно половина.

• Вывод — $10.00 против $20.00. Ровно половина, и именно вывод — та строка, которая доминирует в агентной работе и работе с рассуждениями, где модель пишет гораздо больше, чем читает.

• Чтение из кэша — $0.20 у обоих. Вот в чём аномалия: два поставщика совпадают до цента в цене чтения кэшированного префикса — строке, которая доминирует у долго работающего агента, повторно читающего репозиторий на каждом шаге.

• Запись в кэш — Kimi берёт $2.00 за запись в кэш на пять минут и $4.00 за час; Anthropic берёт $5.00 и $8.00. Kimi здесь тоже дешевле, причём более чем наполовину.

• Быстрые варианты — Kimi K3.1 Pro Highspeed стоит $4.00 и $20.00, а скорость вывода примерно в два-три раза выше. Быстрый режим Anthropic на Opus 5.5 — $8.00 и $40.00 при ускорении до 2,5×. Та же зависимость, то же удвоение.

Таким образом, арифметика при смешанном запросе тривиальна. Вызов, который считывает миллион входных токенов и записывает 200 000 выходных токенов, стоит $4,00 на Kimi K3.1 Pro и $8,00 на Opus 5.5. Агент, повторно считывающий контекст объёмом в миллион токенов при 70%-м коэффициенте попаданий в кэш, платит $0,74 за входные данные на Kimi против $1,34 на Opus, или $2,74 против $5,34 с учётом выходных данных. Экономия обеспечивается за счёт новых входных и выходных токенов, а не кэширования, поскольку кэширование стоит одинаково в обоих случаях.

Тарифная сетка не сообщает, сколько токенов расходует каждая модель. Kimi K3.1 Pro по умолчанию использует максимальный уровень рассуждений — max. Claude Opus 5.5 по умолчанию использует medium. Модель, которая по умолчанию рассуждает на максимуме, в среднем будет генерировать больше токенов рассуждений на ответ, чем модель, которая рассуждает на среднем уровне, — поэтому заявленные 2× — это цена за токен, а не цена за выполненную задачу, и реальный разрыв зависит от того, насколько вашему рабочему процессу действительно нужен дополнительный объём рассуждений Kimi. Moonshot не публикует показатель количества токенов на задачу, который позволил бы окончательно решить этот вопрос.

Единственный бенчмарк, который публикуют обе лаборатории, и почему это не измерение

Terminal-Bench 4.0 — это самое близкое к общей мерке в этих двух запусках, и даже здесь эти два числа получены не одним и тем же способом.

Показатель Anthropic в 66,4% был получен при уровне усилий xhigh — на один уровень выше стандартного для модели medium — на собственном тестовом стенде Anthropic при активной маршрутизации безопасности. Компания публикует эту таблицу и прямо об этом говорит. Результат Kimi в 65,7% фигурирует в материалах запуска Moonshot при стандартной для модели настройке max на тестовом стенде, который компания также контролирует; в таблице запуска Opus 5.5 указан с 66,4% — тем же числом, которое опубликовала Anthropic, — без пояснения, перезапускала ли Moonshot тест или просто сослалась на результат. Разрыв в 0,7 пункта между двумя таблицами, составленными вендорами, при разных настройках усилий и разной обвязке — это не измерение разницы между моделями. Это утверждение, что две модели достаточно близки, чтобы порядок определялся выбором тестового стенда.

Ещё две точки данных указывают в ту же сторону. Независимая оценка Opus 5.5 на том же бенчмарке от Artificial Analysis, опубликованная на момент его запуска, составляет 59,6% — на семь пунктов ниже собственной цифры Anthropic, при конфигурации, включающей серверную маршрутизацию защитных механизмов. А в собственной документации Moonshot в день запуска всё ещё стояли буквальные заглушки «[xx.x%]» для результатов Terminal-Bench и научных бенчмарков, тогда как в маркетинговом посте цифры уже были. Ни один из этих фактов ничего не доказывает об относительном качестве. Оба показывают, что таблицы бенчмарков в день запуска — прежде всего маркетинговые артефакты.

Там, где вендоры сходятся, картина остаётся неизменной: Kimi K3.1 Pro близка к Opus 5.5 на задачах, которые измеряют обе модели, и с большим отрывом опережает собственную предшественницу. Набор Moonshot для долгосрочного программирования вырос с 55,95% до 61,2%, её оценка в CAD без инструментов составляет 72,8 против 73,0 у Opus, а уровень галлюцинаций на собственном сложном наборе вендора снизился с 23,4% до 8,3% при использовании инструментов — показатель, который, если он сохранится за пределами оценки, важнее для работы с большими объёмами документов, чем любой балл бенчмарка.

Настоящее различие между этими двумя продуктами — это регулятор усилия.

Обе модели предоставляют поле усилия рассуждения; они расходятся в том, сколько у него ступеней и на какой он останавливается.

У Kimi K3.1 Pro есть {{1}}три{{/1}}: low, high и max, причём по умолчанию используется max. У Claude Opus 5.5 есть {{2}}пять{{/2}}: low, medium, high, xhigh и max, причём по умолчанию используется medium. Ни одна из моделей не позволяет вызывающей стороне отключить мышление. Kimi жёстко фиксирует параметры сэмплирования — temperature 1.0, top-p 0.95, n = 1 — и отклоняет другие значения, поэтому effort — единственный регулятор поведения, который она предлагает. Anthropic оставляет temperature настраиваемой, но всегда держит адаптивное мышление включённым, поэтому effort — единственный регулятор, который определяет, сколько модель размышляет.

Значения по умолчанию реально работают. Kimi поставляется с честной, но дорогой настройкой: каждый запрос, который не передаёт reasoning_effort, оплачивает самую глубокую настройку. Opus поставляется на средней ступени и оставляет две верхние для тех, кто их запрашивает. Если вы переносите рабочую нагрузку и больше ничего не меняете, вы меняете и модель, и её бюджет на размышления — и это самый распространённый способ, которым «более дешёвая модель» оказывается не такой уж дешёвой. Собственная таблица Anthropic показывает масштаб этого эффекта в пределах одной модели: CursorBench 4.0 набирает 57,8% при xhigh и 52,5% при medium, тогда как FrontierCode смещается на 0,2 балла между теми же двумя настройками. Чувствительность к усилию зависит от рабочей нагрузки, и ни одна карточка модели не предскажет вашу.

Одна операционная ловушка касается обоих. Переключение уровня усилий посреди разговора аннулирует попадания в кэш префиксов, поэтому агент, который повышает усилия на середине длинной сессии, платит за повторное чтение всего, что было закэшировано. Решайте уровень до начала сессии, а не во время неё.

Что каждый поставщик делает с моделью, когда вы не смотрите

Обе лаборатории уже выпустили модель, поведение которой на некоторых входных данных отличается от того, которое вы запрашивали, и обе открыто об этом говорят.

Документация Anthropic по запуску Opus 5.5 говорит, что большинство задач, связанных с кибербезопасностью, могут перенаправляться на Claude Opus 4.8, а работа в области биологии и разработки фронтирных моделей может выполняться с откатом на Opus 5. Такие откаты происходят на стороне сервера: ответ возвращается от другой модели, и единственный сигнал для вызывающей стороны — это содержимое. Для рабочей нагрузки, смежной с безопасностью, это реальное изменение возможностей, а не примечание в политике.

Moonshot пошёл другим путём. Компания удалила данные, связанные с кибербезопасностью, как на этапе промежуточного обучения, так и на этапе обучения с подкреплением, сохранив при этом общее программирование, и сообщила о цене этого: её оценка в состязательном программировании упала с 90,5% на контрольной версии без смягчений до 81,0% на выпущенной модели. Компания представляет это как намеренное ограничение наступательных кибервозможностей и говорит, что будет постепенно повышать этот потолок. Kimi K3.1 Pro не перенаправляет ваш запрос; она просто слабее в этой одной категории — на величину, которую опубликовал сам её поставщик.

Что лучше — зависит от того, что вы создаёте. Если вам нужен детерминированный вывод от выбранной вами модели, молчаливый фолбэк хуже, чем раскрытый недостаток. Если вам нужен максимально сильный результат в задаче, которую поставщик ограничил, фолбэк всё равно может быть лучше отказа — но теперь вы сравниваете две модели, думая, что используете одну.

Дата, которая решит вопрос об открытых весах

Kimi K3.1 Pro продаётся как модель с открытыми весами, но сами веса ещё не опубликованы. Moonshot заявляет, что полные веса будут выпущены до 4 ноября 2026 года. До тех пор колонка «открытые веса» в любом сравнении остаётся обещанием, а организация Hugging Face, где размещён Kimi K3, по состоянию на 24 октября не располагает ничем новее K3.

У Claude Opus 5.5 нет планов по открытым весам, и не будет. Для всех, чьё развёртывание не может обращаться к хостинговому API, сравнение на этом заканчивается независимо от цены: с одной стороны — продукт, который, возможно, удастся скачать через одиннадцать дней, с другой — аренда. Для всех остальных 4 ноября — это дата, когда сравнение цен превращается в реальный архитектурный выбор, а не в закупочный.

Что сегодня пробежать

Вот то, чего не покрывают тарифные карты: доступность. Claude Opus 5.5 уже сегодня доступен через OrcaRouter по цене $4.00 и $20.00 за миллион токенов, при чтении из кеша — $0.20; это списочная цена провайдера без наценки, по тому же ключу, что и остальной ваш стек, при медианном времени до первого токена 3,86 секунды за последние семь дней на нашем маршруте. Kimi K3.1 Pro присоединился к тому же каталогу 24 октября по цене $2.00 и $10.00, чтение из кеша — $0.20, окно в 1,048,576 токенов и опубликованный потолок вывода в 943,718 токенов. Теперь оба отвечают по одному ключу.

То, что обе модели доступны за одним ключом, — это то, о чём не говорится ни в одном документе ни одного из вендоров. При двукратной разнице в цене решение, которое важнее выбора победителя, — это политика маршрутизации: отправляйте сложную пятую часть трафика в Opus 5.5, остальное — в Kimi K3.1 Pro, а автоматическое переключение при сбое пусть покрывает простой с любой из сторон. Модель сквозной тарификации — это то, что сохраняет эту арифметику честной: каждая часть разделения тарифицируется по собственной опубликованной цене провайдера без каких-либо надбавок, поэтому экономия, которую вы рассчитываете, — это экономия, которую вы получаете, а изменение цены у любого вендора действует здесь в тот же день.

Что возвращает сравнение к тому, с чего оно началось. Если в вашей работе преобладают задачи, где две модели различаются в пределах одного балла, вся суть — в разнице цен, и ответ — более дешёвая модель. Если же преобладает долгосрочное программирование, где за Opus стоят три месяца независимой оценки, а у Kimi — опубликованная вчера таблица от поставщика, то 0,7 балла — не тот показатель, которому стоит доверять. Доверять стоит собственной оценке, проведённой при том уровне усилий, который вы реально будете использовать. Оба поставщика теперь упростили это, потому что оба позволяют настроить уровень усилий и оба публикуют, сколько это стоит.