GPT-6 vs Kimi K3: Två modeller med två miljoner token som specialiserar sig på olika sätt

GPT-6 Sol and Kimi K3 are the two models most likely to be shortlisted for the same job: a million-token context window, image input, and a price that makes long documents affordable. They got there from opposite directions. Kimi K3 is MoonshotAI's long-context specialist, released 15 July 2026, and its card is built around recall — it scores 88.7% on Artificial Analysis's long-context recall test, ahead of every model from the vendor we can compare it against. GPT-6 Sol is the vendor's mid-tier generalist, shipped 22 September 2026 at $2.00 per million input and $10.00 per million output, and its case is breadth: a slightly larger window, a higher general reasoning composite, and a cheaper output token.

Så den ärliga formuleringen är inte bättre kontra sämre. Det handlar om återkallning kontra resonemang, och det avgörs av vad du gör med de miljoner tokens när du väl har laddat dem.

Fönstren har samma storlek på pappret

Båda korten anger ungefär en miljon tokens, och skillnaden är kosmetisk. Kimi K3:s fönster är 1 048 576 tokens – exakt 2^20, den binära miljonen som varje långkontextmodell anger. GPT-6 Sol:s är 1 050 000, ett jämnt decimaltal som är omkring 1 400 tokens större. För varje arbetsbelastning du faktiskt kan rymma är det samma fönster. Välj inte utifrån detta.

Det som däremot skiljer sig är resten av höljet, och det är en kort lista.

• Kontext: Kimi K3 1,048,576 tokens, GPT-6 Sol 1,050,000 — i praktiken samma nivå
• Indatamodalitet: Kimi K3 tar emot text och bilder; GPT-6 Sol tar emot text, bilder och filer
• Tak för utdata: GPT-6 Sol 128,000 tokens i ett svar; Kimi K3:s modellkort publicerar ingen siffra för maximal utdata
• Standardpris: Kimi K3 $3.00 in / $15.00 ut per miljon, GPT-6 Sol $2.00 in / $10.00 ut
• Cachad indata: Kimi K3 $0.30 per miljon, GPT-6 Sol $0.20 per miljon
• Prissättning för lång kontext: Kimi K3 listar en enda taxa utan dokumenterad nivå; GPT-6 Sol prissätter om hela begäran över 272,000 indatatokens till $4.00 in / $15.00 ut
• Reasoning-kontroller: GPT-6 Sol exponerar en konfigurerbar reasoning.effort; Kimi K3 exponerar parametrarna reasoning och reasoning-effort via samma OpenAI-kompatibla gränssnitt

Det saknade taket för utdata på Kimi K3 är värt att flagga snarare än att tona över: MoonshotAI publicerar en kontextsiffra och ingen siffra för maximal utdata, så ett system som är beroende av ett hårt utdatatak för budgetering kan inte läsa av ett från kortet. Long-context-nivån är den andra asymmetrin, och den går i en kontraintuitiv riktning – GPT-6 Sols annonserade taxa är lägre, men omprissättningen av hela förfrågan över 272K innebär att ett anrop på 300 000 token debiteras med $4.00 / $15.00 från första token, medan Kimi K3:s enhetliga taxa på $3.00 / $15.00 inte dokumenteras som stegindelad alls. För ett mycket långt dokument kan Kimi K3 till slut bli den billigare av de två på indata trots den högre annonserade taxan.

Recall är Kimi K3:s faktiska produkt.

Anledningen att välja Kimi K3 är inte att den har ett stort fönster — det har flera modeller. Det är att den behåller det som finns i fönstret. I utvärderingen av långkontextåterkallning från Artificial Analysis, som finns i modellkatalogen, får Kimi K3 88,7 % mot GPT-6 Sols 83,7 %. Det är en skillnad på fem punkter i precis det test som mäter om en modell kan hitta och använda en detalj som är begravd i en lång indata, och det är den typ av skillnad som visar sig som verkliga fel i produktion — sammanfattaren som tappar bort klausulen på sidan 400, avtalsgranskaren som missar skadeståndsavsnittet.

Kimi K3 leder också inom kodning, och med en större marginal än det sammansatta indexet antyder. På kodningsindexet ligger den på 76,2 med en placering inom topp tio bland de utvärderade modellerna, och den uppnår 85,0 % på terminal-bench v2.1 — det agentiska kommandoradsbenchmark som ett kodningsagents användbarhet är beroende av. Dess GPQA Diamond-poäng, 93,5 %, ligger i det högsta skiktet på resultattavlan.

Där GPT-6 Sol svarar tillbaka är på kompositerna och på den vetenskapliga koden. Dess allmänna intelligensindex, 47,6, ligger fyra poäng över Kimi K3:s 43,6 och nära den översta decilen; de två ligger lika på SciCode med 57,6 % respektive 59,5 %, inom bruset från en enda körning; och på Humanity's Last Exam överträffar GPT-6 Sol:s 47,9 % Kimi K3:s 46,9 % marginellt. Ingen av dessa skillnader i enskilda benchmarks är tillräckligt stor för att man ska kunna välja utifrån den ensam.

Kostnad baserad på arbetsbelastning, inte på en prislista.

Prislistor vilseleder eftersom förhållandet mellan input- och output-tokens är olika för varje jobb, och dessa två modeller är oense om vilken sida av avvägningen som är billigare. Kimi K3 är billigare under antagandet att ditt arbete mestadels är input – långa dokument in, korta svar ut. GPT-6 Sol är billigare under antagandet att ditt arbete är balanserat eller output-tungt, eftersom dess outputpris är en tredjedel lägre.

• Formen ”läs en bok och sammanfatta den” (900K indata, 4K utdata): Kimi K3 ≈ 2,76 $, GPT-6 Sol ≈ 3,64 $ innan omprissättningen vid 272K tillämpas; med omprissättning flyttas GPT-6 Sols hela anrop till den högre nivån och gapet vidgas
• Balanserad agentisk form (60K indata, 20K utdata): Kimi K3 ≈ 0,48 $, GPT-6 Sol ≈ 0,32 $
• Kodgenereringsform (30K indata, 60K utdata): Kimi K3 ≈ 0,99 $, GPT-6 Sol ≈ 0,66 $

Det är rå tokenaritmetik utifrån varje leverantörs publicerade priser och utesluter cachad indata, vilket gynnar den modell du cachar mot mest. Det är formen på svaret som spelar roll: för rent återkallningsarbete med långa indata vinner Kimi K3:s platta taxa, och för allt som skriver tillbaka mycket vinner GPT-6 Sols lägre utdatatakt. Ingen av dem är universellt billigare, och en jämförelse som utser en vinnare på pris utan att ange tokenförhållandet mäter ingenting.

Proveniens är en del av beslutet

Kimi K3 byggs av MoonshotAI, ett kinesiskt labb, och GPT-6 Sol av OpenAI. Den skillnaden är inte ett benchmark och den syns inte på någon prislista, men för reglerade arbetsbelastningar avgör den kortlistan innan priset ens diskuteras. MoonshotAI:s kort i katalogen publicerar inget licensfält, så inget här bör läsas som ett påstående om vikternas tillgänglighet, oavsett riktning — om öppna vikter spelar roll för din driftsättning, verifiera det vid källan i stället för att anta utifrån familjenamnet.

För team som behöver båda – en modell från ett kinesiskt labb för en del av en pipeline och en OpenAI-modell för en annan, med routing, fakturering och datalagring hanterat på ett och samma ställe – det är anledningen till att en enda gateway är värd att ha i stället för två uppsättningar autentiseringsuppgifter. På OrcaRouter är både kimi/kimi-k3 och GPT-6 Sol aktiva rutter i samma katalog, till leverantörens listpris med 0 % påslag, så en prisändring från MoonshotAI eller OpenAI slår igenom samma dag. Automatisk redundans innebär att en försämrad rutt hos endera leverantören inte slår ut pipelinen, och routing-DSL:en låter dig skicka recall-tungt arbete till Kimi K3 och genereringstungt arbete till GPT-6 Sol enligt regel i stället för gissning.

Vilken ska man lägga i pipelinen

Välj Kimi K3 när uppgiften är att hämta och behålla information i mycket långa indata — granskning av juridiska och medicinska dokument, kodförståelse för hela kodbasen, analys av transkriptioner över hundratals dokument — och när dina prompter är tillräckligt indatatunga för att den fasta avgiften på 3,00 USD slår GPT-6 Sols omprissättning. Dess recall-försprång och dess topp-tio-placering inom kodning är de två siffrorna som motiverar valet.

Välj GPT-6 Sol när uppgiften är en allmän assistent som backas upp av ett fönster på en miljon tokens: blandat resonemang, serialisering till JSON, agentiska loopar som skriver tillbaka mycket, och alla arbetsflöden där ett tak på 128 000 tokens för utdata är en funktion snarare än en begränsning. Det är billigare för utdata, det exponerar explicit styrning av resonemangsansträngning, och dess sammansatta index är den starkare allmänna signalen. När en pipeline verkligen gör båda är det ärliga svaret att dirigera snarare än att välja — vilket är ett uttalande om formen på din trafik, inte om någon av modellerna.