Kimi K3 против Opus 4.8: Flappy Bird и GTA IV — сравнение лицом к лицу

Kimi K3 против Opus 4.8 — это противостояние, стоящее за самым громким единичным заявлением недели запуска K3: что новый флагман Moonshot — "уровня Opus-5". Эта фраза прозвучала от одного тестировщика, а не от Anthropic и не из таблицы бенчмарков — так что честная версия этого сравнения тоньше, чем кажется. На самом деле у нас есть две демонстрации на Arena от одного тестировщика, одна независимая оценка аналитика и один нейтральный индексный балл. Этого достаточно, чтобы сказать что-то полезное, но недостаточно, чтобы объявить победителя. Ниже приведено именно то, что было показано, кто это показал и откуда пришла критика.

Заметка для разработчиков: это ранние, неконтролируемые тесты сообщества, поэтому относитесь к ним как к ориентировочным, а не итоговым оценкам. OrcaRouter предоставляет доступ к моделям с API через одну точку входа, совместимую с OpenAI, поэтому как толькоKimi K3 запустит свой API, вы сможете протестировать его в сравнении с Opus 4.8 без подключения нескольких SDK.

TL;DR вердикт.Согласно одному нейтральному стороннему индексу, Kimi K3 (57) находится выше Opus 4.8 — и он с открытыми весами и дешевле. Но факты прямого сравнения здесь скудны: два демо-примера игр Arena от одного тестировщика (который ввел термин "Opus-5 level") плюс оценка одного аналитика "~Opus 4.8", и в ответе утверждалось, что Opus выглядел лучше в одном из них. Относитесь к "Opus-5 level" как к утверждению, а не к выводу. Если вам нужна проверенная надежность закрытой модели сегодня, Opus 4.8 все еще является более безопасным выбором.

Основные выводы

• Ярлык "Opus-5 level" — это утверждение одного тестировщика (@jun_song), основанное на демо-версии Arena Flappy Bird — не на результате бенчмарка.

•  На Индекс интеллекта Artificial Analysis, K3 набирает 57 баллов и занимает место выше Opus 4.8 (Источник: Artificial Analysis).

•  Независимый аналитик @teortaxesTex оценил K3 в "~55 AA, примерно как Opus 4.8 или GPT 5.5" — и отметил, что сам не тестировал K3.

•  Доказательная база — это две демонстрации от одного тестировщика + одна оценка, и отклонённый ответ ("opus is better?"). Мы не объявляем победителя.

• K3 — это открытым весом и ценой $3 / $15 за 1M токенов; Opus 4.8 — это закрытая и премиальная, с нераскрытым количеством параметров.

Беглое сравнение

• Лицензия — Kimi K3 (Moonshot): открытые веса (обещано до 2026-07-27); Opus 4.8 (Anthropic): проприетарное, закрытое

•  Развертывание — Kimi K3 (Moonshot): API/веб сейчас, веса будут позже; Opus 4.8 (Anthropic): только API

• Параметры — Kimi K3 (Moonshot): 2.8T MoE (896 экспертов, 16 активных); Opus 4.8 (Anthropic): — (не раскрыто)

•  Контекстное окно — Kimi K3 (Moonshot): 1M токенов; Opus 4.8 (Anthropic): —

• Цена (за 1M входящих/исходящих) — Kimi K3 (Moonshot): $3 / $15; Opus 4.8 (Anthropic): — (премиум, закрытый)

•  AA Intelligence Index — Kimi K3 (Moonshot): 57 (#4 из 189); Opus 4.8 (Anthropic): ниже K3 в индексе AA

• Нативное зрение — Kimi K3 (Moonshot): Да; Opus 4.8 (Anthropic): —

*Источник характеристик K3: Moonshot (сообщено поставщиком). AA Index: Artificial Analysis. Ячейки Opus 4.8, отмеченные знаком "—", не раскрыты и здесь не оцениваются.*

Структурный заголовок: K3 — открытый, более дешёвый вариант, который располагается *выше* Opus 4.8 по единственному нейтральному индексу, которым мы располагаем. Opus 4.8 — закрытый, премиальный продукт с более длинной историей, большая часть которой не имеет прямого сравнения с K3.

Победитель по категории

Поскольку существует только один сторонний индекс и две неформальные демонстрации, большинство строк являются "несравнимыми". Мы отмечаем победителя только там, где доказательства очевидны.

•  Нейтральный индекс (AA) — Победитель: Kimi K3; Примечания: K3 57 находится выше Opus 4.8 (Artificial Analysis)

• Оценка аналитика — Победитель: — ничья / примерное равенство; Примечания: teortaxes: "~55 AA, around Opus 4.8"

• Однораундовые игры (Arena) — Победитель: Kimi K3 (по одному тестеру); Примечания: демо-версии Flappy Bird и GTA IV от jun_song; один ответ не согласился

•  Стабильность / надежность — Победитель: — не определен; Примечания: Один ответ сказал "K3 is more stable"; другой сказал "Opus looked better"

• Агентная зрелость — Победитель: Opus 4.8 (непроверенный); Примечания: Рекорд закрытой модели; нет бенчмарка агентов K3 против Opus в наших данных

• Цена — Победитель: Kimi K3; Примечания: $3 / $15 по сравнению с закрытым премиум-уровнем

• Открытость — Победитель: Kimi K3; Примечания: открытые веса против закрытого API

Два демо, стоящие за утверждением

Оба результата получены от одного и того же тестировщика, @jun_song, проводящего прямые сравнения на Arena. Один тестировщик — это небольшая база — воспринимайте это как первые впечатления, а не окончательный вердикт.

Кейс 1 — Flappy Bird ("уровень Opus-5").jun_song написал: *"Тест Flappybird: Kimi-K3 против Opus-4.8. Kimi значительно лучше Opus. Именно поэтому я назвал это уровнем Opus-5. Тест проведен в @arena"* (источник). Ответ от @u128Oq1uG8m7NMj поддержал: *"Я думаю, что K3 более стабилен."* Эта единственная демонстрация является источником всей концепции "уровень Opus-5" — так что эта фраза является сокращением тестера, означающим "превзошел Opus 4.8 в моем тесте Flappy Bird", а не ступенью какой-либо официальной лестницы.

Кейс 2 — GTA IV.Во втором прямом сравнении jun_song сообщил: *"Тест Kimi-K3 против Opus-4.8 GTA IV… Kimi-K3 показал впечатляющее улучшение по сравнению с предыдущей моделью. + Muse Spark 1.1 сгенерировал нечто, во что вообще невозможно играть. + Gemini 3.5 Flash назвался от Anthropic, и в игру тоже играть нельзя"* (источник). Обратите внимание на ракурс: победа здесь измеряется в основном по сравнению с *собственной* предыдущей моделью K3, при этом два других конкурента выдали неиграбельный результат. И критика пришлась на это — @MCharles10581 ответил: *"Судя по видео, похоже, opus лучше?"* Два зрителя — два прочтения одного и того же клипа. Именно поэтому мы не будем ставить оценку.

Где оказывается твердая цифра

Единственный неанекдотический показатель — это нейтральный индекс. На Индексе Интеллекта Artificial Analysis, Kimi K3 набирает 57 баллов и занимает 4-е место среди 189 моделей — выше Opus 4.8 (Источник: Artificial Analysis). Независимо от этого, аналитик @teortaxesTex оценил K3 в *"~55ish AA… около Opus 4.8 или GPT 5.5"* до того, как был опубликован официальный индекс — и ясно дал понять, что он *еще не тестировал K3 сам.* Итак, два сигнала указывают в одном направлении: K3 как минимум наравне с Opus 4.8 по общему индексу интеллекта, а по данным AA — немного опережает.

Это подлинный результат, но обратите внимание на его масштаб. Индексная оценка — это не то же самое, что агентная надёжность, устойчивость использования инструментов или долгосрочная стабильность — ни для чего из этого у нас нет бенчмарка K3-vs-Opus-4.8.

Где Opus 4.8 все еще побеждает

Эти пункты являются неаудированными в наших данных — нет контролируемого агентного бенчмарка K3-vs-Opus-4.8, который можно было бы процитировать — но они являются честным противовесом тонкому демонстрационному набору.

•  Надежность закрытой модели. Opus 4.8 — это управляемая конечная точка, поддерживаемая вендором, с более длительной историей эксплуатации. Один ответ назвал K3 "более стабильной" в одной игре; это не является доказательством надежности в масштабе.

•  Агентская зрелость. Линейка Opus от Anthropic предназначена для многошаговой агентской работы с использованием инструментов. Ничто в представленных здесь доказательствах сравнения K3 и Opus не проверяет этого, и скептик в другом месте в ходе запуска отметил: "10 промптов не покажут, что Kimi K3 терпит неудачу в многошаговом использовании инструментов."

•  Стабильность между запусками. Случай K3 основан на двух демонстрациях от одного тестировщика. Поведение Opus 4.8 охарактеризовано гораздо шире — скучное преимущество, которое имеет значение в production.

Что вам следует выбрать?

• Вы хотите наилучшее соотношение баллов и цены по нейтральному индексу: Kimi K3 — он превосходит Opus 4.8 по AA и стоит $3 / $15.

•  Вам нужны открытые веса или самостоятельный хостинг: Kimi K3 — веса были обещаны до 27 июля 2026 года; Opus 4.8 закрыт.

• Вам нужна проверенная надежность закрытых моделей для работы с агентами сегодня: Opus 4.8 — демонстрации здесь этого не проверяют.

• Вы создаете игры или интерактивные односцены: попробуйте сначала Kimi K3 (по совету jun_song), но проверяйте на своих собственных запросах — один клип разделил двух зрителей.

Часто задаваемые вопросы

Действительно ли Kimi K3 — это "Opus-5 level"?

Это фраза одного тестировщика (@jun_song), основанная на единственной демонстрации Arena Flappy Bird, где K3 победил Opus 4.8. Это утверждение, а не результат бенчмарка — Anthropic не определил "Opus-5", и никакой контролируемый тест не подтверждает эту метку.

Превосходит ли Kimi K3 Opus 4.8 в тестах?

В индексе интеллекта Artificial Analysis K3 (57) находится выше Opus 4.8 (источник: Artificial Analysis), а аналитик teortaxes оценил K3 «примерно как Opus 4.8». Это общее индексирование интеллекта, а не тестирование агентных способностей или надежности.

Насколько убедительны доказательства в этом сравнении?

Скудно. Это два демо игры Arena от одного тестировщика плюс одна оценка аналитика, и в ответе утверждалось, что Opus выглядел лучше в клипе GTA IV. Воспринимайте это как ориентировочные первые впечатления.

Kimi K3 дешевле, чем Opus 4.8?

Да, по открытому номеру: K3 стоит $3 / $15 за 1M токенов и с открытым весом. Opus 4.8 — закрытая премиум-модель; ее цена отсутствует в наших данных, поэтому мы ее не оцениваем.

Где Opus 4.8 всё ещё имеет преимущество?

Надёжность закрытых моделей и агентная зрелость — хотя здесь они не проверены, поскольку в наших данных нет эталонного теста агентных способностей K3-vs-Opus-4.8.

Могу ли я протестировать их друг против друга?

Да. Как только API K3 станет доступен, вы сможете направлять оба через одну совместимую с OpenAI конечную точку через OrcaRouter и запускать свои собственные запросы, что стоит больше, чем любая отдельная демонстрация.

Суть

Kimi K3 против Opus 4.8 сводится к одному твёрдому факту и одному громкому заявлению: K3 находится выше Opus 4.8 в индексе Artificial Analysis, имеет открытый вес и дешевле, но обрамление «уровень Opus-5» основано на двух игровых демо от одного тестировщика — одно из которых зритель истолковал по-другому. Если ваш приоритет — соотношение баллов и стоимости и открытость, K3 привлекателен; если вам нужна проверенная надёжность закрытой модели для агентивной работы сегодня, Opus 4.8 остаётся более безопасным выбором до появления проверенных прямых сравнений.