Kimi K3.1 Pro vs MiniMax M3.1 Flash: 15-кратный ценовой разрыв, который сокращается с ростом масштаба задачи

Поставьте Kimi K3.1 Pro и MiniMax M3.1 Flash в прайс-лист — и решение кажется предрешённым ещё до начала: один стоит в пятнадцать раз дороже другого за смешанный миллион токенов [цены поставщиков; соотношение — наш расчёт]. Но поставьте их в расчёт затрат на задачу — и разрыв схлопывается до множителя девять с половиной, а затем примерно до трёх. Ни одна из цен поставщиков между этими измерениями не изменилась. Изменился знаменатель. Эти две модели борются не за одну и ту же строку вашего бюджета, и самый быстрый способ выбрать — понять, какую строку затрагивает ваша нагрузка.

Два профиля, которые никогда не были нацелены на одного и того же покупателя

Kimi K3.1 Pro — разреженная модель с 2 800 млрд общих параметров и 104 млрд активных параметров на токен [VENDOR], контекстом на 1 млн токенов [VENDOR] и всегда включённым режимом размышления: уровень усилий — низкий, высокий или максимальный, по умолчанию максимальный, а temperature и top_p фиксированы [VENDOR]. Сегодня это не открытые веса; поставщик обещает релиз к 4 ноября [VENDOR], а Artificial Analysis по-прежнему помечает её как проприетарную [INDEPENDENT]. В этом индексе она показывает 57,5 выходных токенов в секунду [INDEPENDENT] и оценку 55,09 [INDEPENDENT].

«MiniMax M3.1 Flash» вышел 2026-10-19 [VENDOR] как объект противоположного рода: контекст на 1 048 576 токенов при максимальном объёме вывода 524 288 токенов [VENDOR], 116,2 токена в секунду [INDEPENDENT] и оценка 42,71 [INDEPENDENT]. Одно замечание об округлении: Artificial Analysis округляет это до 43, а наша карточка каталога — до 42 [INDEPENDENT] — это одно и то же измерение.

Формулировка, которая выдерживает первый абзац, следовательно, такова: не «фронтирная модель против бюджетной модели». Это глубоко мыслящий универсал с профилем, ориентированным на исполнение, против быстрой модели с длинным контекстом и дешёвой пропускной способностью, которой всего неделя. 12,38 балла индекса между ними [INDEPENDENT] реальны, но распределены неравномерно, и именно эта неравномерность и есть решение.

Откуда на самом деле берётся разрыв в индексе

Разбейте индекс по строкам — и проявится закономерность: преимущество Kimi K3.1 Pro сосредоточено в строках, которые вознаграждают длительное выполнение, а не сохранённые знания. Все приведённые ниже цифры — [INDEPENDENT], из Artificial Analysis.

• Terminal-Bench 4.0: 67,17% против 25,76%, разрыв в 41,4 пункта и самое большое расхождение в наборе.

• Terminal-Bench-Science: 34,29% против 3,33%, разрыв в 31,0 процентного пункта. Низкие однозначные значения — не артефакт округления; это модель, которая в значительной мере не справляется с этим семейством задач.

• GDPval-AA: 1,845.72 против 1,457.57, разница — 388 Elo. Elo нелинейна по способностям, поэтому воспринимайте это как результат другого класса, а не как процент.

• SciCode: 60,76% против 53,36% — действительно конкурентоспособно.

• AA-LCR 86,33% против 79,67%; MMMU-Pro 83,87% против 79,13%; CritPt 24,57% против 22,29%; HLE 52,46% против 47,96%. Это строки, где эти две величины наиболее близки друг к другу, и все они относятся к длинному контексту или к задачам, насыщенным знаниями.

• AutomationBench: 73,30% против 72,52% — фактически равный результат.

• AnalystAgent показывает 38,75 для Kimi K3.1 Pro, а FrontierCode — 47,07%, причём для обоих нет опубликованных аналогов от MiniMax. Отсутствующий результат — это не ноль и не доказательство чего-либо, кроме того, что в сравнении есть пробелы.

Строка, которая усложняет любую простую историю, — это AA-Omniscience. MiniMax M3.1 Flash даёт большеправильных ответов на вопросы на знание — 56,20% точности против 51,02%, — но набирает 15,55 против 29,52, поскольку уровень галлюцинаций у неё составляет 92,81% против 43,89% [INDEPENDENT]. Индекс штрафует уверенные неверные ответы. Модель, которая чуть чаще права, а ошибается с гораздо большей уверенностью, — это опасность для работы с опорой на результаты поиска, где неподкреплённое предложение хуже, чем признание в незнании.

Ценообразование, рассматриваемое через три знаменателя

На уровне токенов эти две модели не относятся к одному рынку. Kimi K3.1 Pro стоит $2.00 за входные и $10.00 за выходные данные за миллион токенов, чтение из кэша — $0.20, при смешивании 3:1 — $4.00 [VENDOR]. MiniMax M3.1 Flash стоит $0.15 за входные и $0.60 за выходные данные за миллион токенов, чтение из кэша — $0.015, при смешивании 3:1 — $0.2625 [VENDOR]. Соотношение смешанных цен — 15.2×.

В расчёте на выполненную индексную задачу соотношение падает до 9,6×: $2,1145 для Kimi K3.1 Pro против $0,2201 для MiniMax M3.1 Flash [INDEPENDENT]. Причина механическая. Одна индексная задача потребляет 55 195 выходных токенов у Kimi K3.1 Pro и 78 612 у MiniMax M3.1 Flash — на 42% больше выходных данных у более дешёвой модели, что подрывает её собственное преимущество на дорогом конце таблицы. Стоимость одной задачи — это показатель, на который должна смотреть финансовая команда, и она уже на треть меньше, чем предполагает заявленное соотношение.

В обратном пересчёте баллы индекса на смешанный доллар составляют 13,8 для Kimi K3.1 Pro и 162,7 для MiniMax M3.1 Flash [INDEPENDENT]. Это не рекомендация: если единственное ограничение — максимальный результат бенчмарка на доллар, ответ однозначен, а если речь о том, чтобы вообще выполнять задачи этого класса, то арифметика здесь ни при чём.

Почему разрыв продолжает сокращаться по мере увеличения объёма работы

Наиболее однозначное свидетельство — DataAnalyticsBench от Plotly: 43 вопроса на синтетических данных ветропарка, по одному запуску на модель, так что это скорее направление, чем распределение [INDEPENDENT]. Kimi K3.1 Pro ответила на 42 из 43 вопросов по $0,31 за вопрос, всего $13,47, используя 7,5 вызова модели и примерно 440 000 входных токенов на вопрос. MiniMax M3.1 Flash ответила на 41 из 43 примерно по $0,10 за вопрос, всего $4,09, используя примерно 45 вызовов и 4,2 млн входных токенов на вопрос.

Три вещи происходят одновременно. Точность почти идентична — разница в один вопрос, вполне в пределах того, что разрешает один запуск. Разрыв в цене сузился до 3,1×. И механизм виден: более дешёвая модель добивается этого, делая 45 вызовов там, где другая делает 7,5, и подавая в 9,5× больше входных данных на вопрос. Она покупает точность контекстом и итерациями, а не глубиной параметров, и то и другое дёшево в пересчёте на токен, но не бесплатно в пересчёте на задачу.

При масштабировании до ста тысяч вопросов в месяц сравнение даёт $31,000 против $10,000 — разница около $252,000 в год [НЕЗАВИСИМАЯ ОЦЕНКА, экстраполяция на основе показателей Plotly в расчёте на один вопрос]. Это реальная статья бюджета — и тот объём, при котором разницу в точности 41 против 42 стоит оценивать в пересчёте на каждый неправильный ответ: преимущество в два процентных пункта в задаче, от которой зависит ваш бизнес, может стоить более четверти миллиона долларов.

Где дешёвый тариф действительно выигрывает

MiniMax M3.1 Flash — более выгодный выбор для нагрузок с общей структурой: большой объём, короткие или слабо ограниченные выходные данные, тяжёлый контекст извлечения и допустимость повторного запуска. Классификация, извлечение с ограничениями по схеме и последующей проверкой валидатором, суммаризация в масштабе, ответы с дополнением из поиска, где каждое предложение должно прослеживаться до предоставленного фрагмента, и массовая генерация с проверкой. Пропускная способность помогает: 116,2 токена в секунду против 57,5 [INDEPENDENT] — это примерно вдвое большая параллельность на реплику до постановки в очередь, а максимальный объём вывода в 524 288 токенов [VENDOR] означает, что длинным задачам не требуется сшивка.

Показатель галлюцинаций ограничивает этот список, а не украшает его. Уровень 92,81% [INDEPENDENT] можно пережить, когда эталонные данные находятся в промпте, а валидатор отклоняет неподтверждённые утверждения. Его нельзя пережить в открытом фактологическом ассистенте без поиска, без проверки цитирования и без человека в контуре — и его чуть более высокая точность сделает такие сбои труднее заметными, а не легче.

Где дорогой тариф окупает себя

Kimi K3.1 Pro оправдывает свою цену на строках, которые выглядят как работа, а не как воспроизведение по памяти. Terminal-Bench 4.0 с результатом 67,17% и Terminal-Bench-Science с результатом 34,29% — самые ясные сигналы: долгосрочные задачи командной оболочки и программирования, где частичный ответ означает неудачный прогон, а каждая повторная попытка стоит инженерного внимания, а не токенов [INDEPENDENT]. Разрыв GDPval-AA в 388 пунктов Elo [INDEPENDENT] указывает в том же направлении для профессиональной работы. Если ваша нагрузка — это агент, который должен завершить многошаговую процедуру без надзора, то результат 25,76% в Terminal-Bench 4.0 [INDEPENDENT] — это не скидка, а другой продукт.

Две операционные детали уместны здесь, а не в сноске. Режим Thinking всегда включён, а параметр effort по умолчанию равен max [VENDOR], поэтому задержку нельзя снизить, не согласившись на изменение возможностей; рассчитывайте на p50 около 6,9 секунды, а не на быстрый путь, которого не существует. В продакшене на нашем маршруте за семь дней, завершившихся 26 октября, Kimi K3.1 Pro работала со скоростью 52,4 токена вывода в секунду при доле ошибок 0,064% и обработала 1,305 млрд токенов за три дня [OURS]. MiniMax M3.1 Flash за этот период провела через наш маршрут лишь около 10 000 токенов [OURS] — слишком мало, чтобы что-либо измерить, поэтому все приведённые здесь показатели задержки и стоимости для неё, включая пропускную способность, получены от оценщика.

Выбирая между ними

Начинайте со строки оценки, которая больше всего похожа на ваш трафик, а не с заголовка индекса или прайс-листа. Если ответ опирается на Terminal-Bench, GDPval или любое семейство задач длительного выполнения, разрывы в 41 балл и 388 Elo решают вопрос ещё до обсуждения стоимости. Если же он опирается на AA-LCR, MMMU-Pro, CritPt или AutomationBench, эти две модели различаются всего на несколько баллов, и выбирать следует по цене, пропускной способности и контексту — то есть MiniMax M3.1 Flash, со слоем извлечения и валидатором, управляющим профилем галлюцинаций.

Средний случай — это ограниченная аналитическая работа с проверяемым ответом. Сопоставление Plotly 42 из 43 против 41 из 43 [INDEPENDENT] имеет такую же форму, а разрыв в 3.1× в задаче, где более дешёвой модели требуется в 9.5× больше входных данных, чтобы оставаться на том же уровне, — это настоящий компромисс. Сначала соберите выборку по собственному трафику; один прогон из 43 вопросов — это направление, а не вердикт.

Одно структурное замечание о ценообразовании, которое важнее любого из приведённых выше соотношений. OrcaRouter передаёт цены вендоров на токены без изменений, поэтому когда меняется прайс-листовая цена, наша цена на эту модель меняется вместе с ней в тот же день, без промежуточного пересогласованного тарифа. Каждое соотношение здесь — это снимок текущих прайс-листов двух вендоров, а не график наценок — если любой из вендоров снизит цены на выходные токены в следующем месяце, и 15,2×, и 9,6× изменятся, тогда как биллинг останется зеркальным отражением их цен. Именно поэтому преимущество дешёвого тарифа стоит перепроверять, а не запоминать: MiniMax M3.1 Flash вышел 19 октября [VENDOR], за неделю до написания этого текста, а стартовые цены редко бывают окончательными.

Источники: Artificial Analysis Intelligence Index v4.3.2, данные по индексу, строке, пропускной способности и стоимости на задачу по состоянию на 26 октября 2026 года; материалы Plotly о DataAnalyticsBench от 20 и 23 октября для сравнения по 43 вопросам; карточки моделей поставщиков для цен, ограничений контекста, параметров и дат выпуска. MiniMax M3.1 Flash обработала примерно 10 000 токенов на маршруте OrcaRouter за семидневный период — слишком мало для измерения, поэтому показатели задержки и стоимости здесь взяты у оценщика.