Kimi K3.1 Pro против Grok 4.7: та же точность, но счёт на 72% больше

На частном экзамене по аналитике данных из 43 вопросов, построенном на синтетическом хранилище данных ветропарка, Kimi K3.1 Pro и Grok 4.7 оба набрали 42 балла. Ни одна из моделей не видела эти вопросы, а данные были сфабрикованы, поэтому ни один ответ нельзя было запомнить. Одинаковый балл, одинаковое место — разделили третье место среди 34 протестированных моделей. Счета оказались разными: запуск Kimi стоил $13.47, а Grok — $7.85.

Эта пара чисел — самое полезное из всего, что кто-либо публиковал об этом сравнении, потому что это единственное прямое сопоставление, где обе модели запускали одни и те же люди, в один и тот же день, на одних и тех же ответах. Почти всё остальное, что сейчас в обороте, — это либо вендорный бенчмарк, полученный с использованием другой обвязки, либо сравнение, которое незаметно подставляет Kimi K3 вместо Kimi K3.1 Pro. Поэтому эта статья начинается с того, что показывают нейтральные тесты, а затем отделяет реальные различия от артефактов того, кто проводил тест.

Две модели — две совершенно разные ставки

Kimi K3.1 Pro вышел 23 октября 2026 года как прошедший постобучение преемник Kimi K3, а не как новая архитектура. Moonshot AI сохранила основу mixture-of-experts с 2,8 трлн параметров, контекстное окно в 1 048 576 токенов и нативный ввод изображений и видео, а релиз посвятила обучению с подкреплением в агентных и профессиональных областях. Полные веса обещаны к 4 ноября 2026 года.

Grok 4.7 вышел на месяц раньше, 21 сентября 2026 года, от xAI. Он проприетарный, основан на заявленной базе примерно на 2,1 трлн параметров, которую xAI не подтвердила, имеет входное окно в 500 000 токенов при выходном потолке в 450 000 токенов и сохраняет цену Grok 4.6. Его срез знаний — июнь 2026 года, с дополнительным обучением по август включительно.

• Цена — Kimi K3.1 Pro: $2.00 за ввод / $10.00 за вывод за миллион токенов; Grok 4.7 — $2.00 / $6.00, повышение до $4.00 / $12.00 после превышения промптом 200K токенов.

• Кэшированный ввод — $0.20 у Kimi против $0.50 у Grok: инверсия, которая важнее заявленной цены для агентов, перечитывающих один и тот же репозиторий на каждом ходе.

• Контекст — 1 048 576 токенов против 500 000. Kimi также допускает до 943 718 выходных токенов в одном ответе, и это не столько функция, сколько заявление о том, для чего создана модель.

• Модальности — текст, изображение и видео на входе, текст на выходе в Kimi; текст, изображение и файл на входе, текст на выходе в Grok.

• Управление рассуждениями — Kimi по умолчанию выполняет рассуждения с выбираемым уровнем усилий; Grok предлагает низкий, средний, высокий и xhigh и не позволяет отключить рассуждения.

• Открытость — веса Kimi обещаны к 4 ноября; Grok доступен только через API и таким останется.

Нейтральная территория, и насколько она тонка

Экзамен Plotly — самое чистое доступное сравнение. Это закрытый тест из 43 вопросов на основе синтетического хранилища данных парка ветроэнергетики, разделённый на аналитические вопросы, неоднозначные запросы, невыполнимые запросы, статистические ловушки, проверки качества данных и пять заложенных закономерностей, которые хороший аналитик должен найти без подсказки. Kimi K3.1 Pro прошёл 42, улучшив результат Kimi K3 с 35. Grok 4.7 также прошёл 42. Оба уступают GPT-6.1 Sol и GPT-6 Astra с 43.

Именно в деталях, стоящих за ничьей, две модели расходятся. Kimi обнаружила все пять заложенных паттернов и выявила все три проблемы качества данных — дублирующиеся строки, отсутствующий последний день и разницу между выведенной из эксплуатации турбиной и той, что действительно вырабатывает ноль. Её единственный промах был ошибкой границы: она отнесла 2775 турбино-дней, относящихся ко времени до установки прошивки, к категории «другая прошивка», что сдвинуло среднее примерно на 0,0003 и оказалось чуть за пределами допуска теста. Это ошибка точности на границе определения, а не ошибка рассуждения.

Второй нейтральный тест указывает в противоположную сторону. В бухгалтерской оценке DualEntry Grok 4.7 разделил второе место с результатом 88,1%, а Kimi K3.1 Pro заняла четвёртое место с 86,1%. Kimi оказалась самой дешёвой моделью в расчёте на задачу в том прогоне — $0,079, но также одной из самых медленных — 125,6 секунды на задачу. Два нейтральных теста, два почти равных результата — и порядок меняется местами между ними. Именно так выглядит настоящее сравнение сопоставимых моделей, и именно этого не хватает большинству материалов, публикуемых в день запуска.

Где различия реальны

По качеству письма разрыв отнюдь не мал. ToneBench, который оценивает черновики по десяти брифам с четырьмя судьями на каждый черновик, ставит Kimi K3.1 Pro на 2 205 Elo и на седьмое место среди 83 конфигураций против Grok 4.7 с 1 904 Elo и двадцать пятым местом. 95%-ные интервалы не пересекаются: 2 166–2 246 против 1 855–1 962. Kimi победил в девяти из десяти сценариев и семи из девяти субметрик, причём наибольшие разрывы — в соблюдении длины (95,4 против 78,7) и визуальных подсказках (84,9 против 78,8). Победы Grok были незначительными и ограничивались тоном и конвенциями YouTube. При цене $0.251 против $0.215 за сценарий это не решение, основанное на затратах.

Программирование и агентная работа — это области, где доказательства становятся запутанными и где большинство сравнений вводит в заблуждение. xAI сообщает, что Grok 4.7 набирает 37,6–38,0% на Terminal-Bench 4.0. Moonshot сообщает, что Kimi K3.1 Pro набирает 65,7% на том же бенчмарке. Эти числа различаются на 28 пунктов, и это не означает, что Grok — модель вдвое хуже, потому что результаты Terminal-Bench меняются на десятки пунктов в зависимости от тестового стенда (harness), лимита времени и разрешённого числа попыток. 65,7% и 38,0%, полученные в разных лабораториях, — это два разных измерения под одним и тем же названием.

Имеющиеся независимые данные о программировании говорят в пользу Grok, но это данные о Kimi K3, а не о K3.1 Pro. В SWE-bench Verified, прогнанном через стандартный каркас mini-agent, Grok 4.7 набрал 95,6% против 93,4% у Kimi K3. Никто не опубликовал аналогичный показатель для K3.1 Pro. Собственные показатели Moonshot на длинном горизонте — 61,2% в Kimi Code Bench 3.0 Long-horizon против 55,95% у K3 и 51,7% в SWE Marathon против 45,6% у Claude Opus 5.5 — позволяют предположить, что посттренировка помогла, но это вендор, проверяющий собственную домашнюю работу на созданном им самим бенчмарке.

Длинный контекст — это единственный разрыв в возможностях, которому не нужен бенчмарк. Миллион токенов против пятисот тысяч — это двукратная разница, а цена попадания в кэш у Kimi составляет меньше половины от цены Grok. Если рабочая нагрузка — это монорепозиторий, набор контрактов или год обращений в поддержку, сравнение решается ещё до того, как прочитана хоть какая-то оценка.

Почему счёт расходится

72-процентный разрыв в стоимости на экзамене Plotly не объясняется одной лишь тарифной сеткой. Цена вывода Kimi на 67% выше, поэтому при одинаковом количестве токенов это стоило бы дороже — но не на 72% больше в тесте, где обе модели показали одинаковое качество ответов. Остальное объясняется тем, сколько они пишут и сколько вызовов делают, чтобы достичь результата.

Kimi в среднем выполняла около 7,5 вызовов модели на вопрос, а медианное время составляло 2,5 минуты на вопрос — второй самый медленный результат среди 34 моделей; примерно 90% этого времени приходилось на ответ модели, а не на выполнение SQL. На вопросах со скрытыми паттернами она сделала около 73 вызовов инструментов. Независимое тестирование Grok в других условиях показало, что она потребляет примерно вдвое больше выходных токенов на задачу, чем Grok 4.6, что даёт противоположный эффект. Итоговый эффект на этом экзамене состоял в том, что Grok тратила меньше долларов на каждый правильный ответ, несмотря на сжигание большего числа токенов на каждом шаге.

Арифметика для агента в продакшене выглядит так. Возьмите задачу, которая читает 100K входных токенов, записывает 8K выходных и выполняется за 20 ходов.

• Kimi K3.1 Pro, без кэша — 20 ходов по $0,20 за ввод плюс $0,08 за вывод — это примерно $5,60 за задачу.

• Grok 4.7, без кэша — та же конфигурация при $0.20 за ввод плюс $0.048 за вывод составляет около $4.96 за задачу.

• Kimi K3.1 Pro, 70% попаданий в кэш — стоимость ввода снижается до $0,074 за ход, а стоимость задачи — примерно до $3,08.

• Grok 4.7, 70% попаданий в кэш — стоимость входных данных снижается до $0.095 за ход, что доводит стоимость задачи примерно до $2.86.

Итак, Grok выигрывает в агентном сценарии даже при высокой доле кэширования, потому что выходные токены доминируют, а за них он берёт на 40% меньше. Kimi выходит вперёд только когда объём вывода мал относительно ввода. Возьмём запрос на извлечение с 100K ввода и 1K вывода при 70% кэширования: Kimi стоит $0.084, а Grok — $0.101, что даёт Kimi выигрыш в 17%. Точка перехода — это не процент кэширования, а соотношение ввода и вывода. Работа с преобладанием чтения — для Kimi, с преобладанием записи — для Grok, и честный совет — измерять собственное соотношение, а не доверять примеру любого из поставщиков.

Скорость меняет форму системы, а не только счёт

Медианное время до первого токена у Kimi K3.1 Pro по нашим собственным измерениям составляет 6,9 секунды при 48 токенах в секунду. Grok 4.7 в тестировании третьей стороной показывает около 1,3 секунды до первого токена и примерно 61 токен в секунду. Для чат-продукта эта разница заметна. Для агента, выполняющего 20 последовательных вызовов, это разница между задачей, которая ощущается мгновенной, и той, что ощущается сломанной, и это настоящая причина, по которой несколько сравнений инструментов для программирования отдают победу Grok, несмотря на более высокие оценки Kimi за качество текста.

Управление рассуждениями усугубляет это. Grok позволяет регулировать усилие от low до xhigh и взимает плату соответственно; при низкой настройке ToneBench замерил 1 815 Elo при $0,064 за сценарий — четверть стоимости средней настройки. Kimi по умолчанию рассуждает, а её настройка усилия — более грубый инструмент: сэмплирование зафиксировано на temperature 1.0 и top_p 0.95 — значениях, альтернативы которым она отвергает. Если конвейер зависит от детерминизма при низкой температуре, это вопрос совместимости, который стоит решить до проведения любого бенчмаркинга.

Какой из них должен использоваться в production?

Выбирайте Kimi K3.1 Pro, когда работа связана с длинным контекстом и большим объёмом документов: проверка договоров, финансовые исследования, анализ репозиториев с множеством файлов и аудит качества данных, где модель должна замечать недостающее, а не отвечать на поставленный вопрос. Окно в 1M токенов, дешёвый кэш и заявленное Moonshot снижение доли галлюцинированных утверждений с 23,4% до 8,3% при использовании инструментов — всё указывает в одном направлении. Это также единственная из двух, которую можно будет скачать, что важно, если рабочая нагрузка не может покидать вашу инфраструктуру.

Выбирайте Grok 4.7, когда задержка является частью продукта: интерактивные помощники по программированию, агенты в IDE, клиентское использование инструментов, где шестисекундная пауза воспринимается как дефект. Он дешевле по выходным токенам, быстрее до первого токена, а независимые свидетельства его возможностей в программировании — сколь бы скудными они ни были — на его стороне. Его окно в 500K не является ограничением для большинства работ с репозиториями, хотя для некоторых — является.

Неудобный ответ для всех, кто хочет одного победителя, состоит в том, что две модели идут вровень в единственном нейтральном тесте, который прошли обе, а разрешает ничью соотношение ваших входных и выходных данных и ваш бюджет задержки. Это свойства, которые можно измерить за полдня, и ни один анонс запуска не скажет вам, каковы они.

Запуск обоих без второго контракта

Это единственное сравнение, в котором попробовать оба варианта легко и недорого. OrcaRouter предоставляет kimi/kimi-k3.1-pro и grok/grok-4.7 по одному ключу, по прайсовой цене провайдера без наценки, поэтому указанные выше $2.00, $10.00 и $6.00 — это то, что с вас спишут, а не версия этих цен от реселлера. Здесь это важнее обычного, потому что решение зависит от измеренного поведения кэша и задержки в вашем собственном приложении — а значит, вам нужны обе модели за одним эндпоинтом и с одним счётом, чтобы сравнить их честно.

Это также меняет сценарий резервного переключения. Автоматическое переключение при сбое между провайдерами означает, что ограничение скорости или сбой одной модели не выводит функцию из строя, а DSL маршрутизации позволяет направлять путь с длинным контекстом в Kimi, а интерактивный путь — в Grok в рамках одной политики, вместо того чтобы поддерживать две интеграции. Если вы всё ещё сомневаетесь, это способ провести оценку на части продакшен-трафика, а не выбирать по таблице бенчмарков.

Что могло бы изменить этот вердикт?

Две вещи, обе с датами. Первая — 4 ноября, когда Moonshot обещал полные веса. Kimi K3.1 Pro с открытыми весами такого качества меняет расклад для всех, у кого есть причина для самостоятельного хостинга, связанная с комплаенсом, а также это момент, когда независимые лаборатории смогут запускать модель без бюджета на API.

Второе — это полноценное агентное противостояние «лицом к лицу». Любое сравнение в области программирования, которое сейчас ходит по рукам, либо использует Kimi K3 вместо Kimi K3.1 Pro, либо сравнивает два вендорских харнесса так, будто это одно измерение. Как только кто-то прогонит обе модели через один и тот же каркас на одних и тех же задачах — так, как Plotly сделала для аналитики данных, — вопрос о программировании перестанет быть спорным. А до тех пор защитимая позиция — скучная: Grok 4.7 для скорости и интерактивного программирования, Kimi K3.1 Pro для длинного контекста, письма и работы с документами, и обе должны быть измерены на вашем собственном трафике, прежде чем какая-либо из них получит путь в продакшен.