Kimi K3.1 Pro vs Claude Opus 5.5: Halva priset enligt prislistan, 0,7 poäng efter på ett benchmark

Kimi K3.1 Pro och Claude Opus 5.5 är samma typ av modell som säljs till exakt halva priset. Moonshots nya flaggskepp kostar $2,00 per miljon indatatoken och $10,00 per miljon utdatatoken; Anthropics kostar $4,00 och $20,00. Båda accepterar en miljon token i kontext. Båda tänker alltid innan de svarar. Och på det enda benchmark som båda företagen redovisar skiljer de 0,7 poäng: 65,7 % för Kimi K3.1 Pro mot 66,4 % för Claude Opus 5.5 på Terminal-Bench 4.0. Det är hela argumentet för utmanaren i tre siffror, och det är ett starkt sådant – med två förbehåll som avgör om det håller för din arbetsbelastning: de två poängen togs fram med olika inställningar, och 2× är ett pris per token snarare än ett pris per slutförd uppgift.

Kimi K3.1 Pro lanserades den 24 oktober 2026, en dag efter teaser-videon som namngav den. Claude Opus 5.5 har varit allmänt tillgänglig sedan den 22 september. Ingen av dem är ett färskt labbexperiment: Opus 5.5 är den nuvarande modellen i Opus-klassen som Anthropic har levererat sedan slutet av september, och Kimi K3.1 Pro är en eftertränad version av Kimi K3 snarare än en ny arkitektur. Det gör jämförelsen ovanligt ren för en modell-mot-modell-sida – båda prislistorna är publicerade, båda leverantörerna publicerar en benchmarktabell, och ingen av modellerna gömmer sig bakom en väntelista.

De två prislistorna, rad för rad

Fem rader spelar roll, och en av dem bryter mönstret.

• Indata — 2,00 USD per miljon tokens på Kimi K3.1 Pro jämfört med 4,00 USD på Claude Opus 5.5. Exakt hälften.

• Utdata — 10,00 $ mot 20,00 $. Exakt hälften, och utdata är den post som dominerar agentiskt och resonerande arbete, där modellen skriver långt mer än den läser.

• Cacheläsning – 0,20 USD hos båda. Detta är anomalin: de två leverantörerna är överens på öret om priset för att läsa ett cachelagrat prefix, vilket är posten som dominerar för en långkörande agent som läser om ett kodförråd varje tur.

• Cache-skrivning — Kimi tar $2.00 för en cachepost på fem minuter och $4.00 för en timme; Anthropic tar $5.00 och $8.00. Kimi är billigare även här, och med mer än hälften.

• Snabba varianter – Kimi K3.1 Pro Highspeed kostar $4.00 och $20.00, vilket ger ungefär två till tre gånger snabbare utdata. Anthropics snabbläge för Opus 5.5 kostar $8.00 och $40.00 vid upp till 2,5×. Samma förhållande, samma fördubbling.

Beräkningen för en blandad begäran är därför trivial. Ett anrop som läser en miljon indatatoken och skriver 200 000 utdatatoken kostar 4,00 USD på Kimi K3.1 Pro och 8,00 USD på Opus 5.5. En agent som läser om en kontext på en miljon token med 70 % cacheträffsgrad betalar 0,74 USD för indata på Kimi jämfört med 1,34 USD på Opus, eller 2,74 USD jämfört med 5,34 USD när utdatan räknas in. Besparingen kommer från ny indata och utdata, inte från cachelagring, eftersom cachelagring kostar lika mycket på båda.

Det prislistan inte berättar är hur många tokens varje modell förbrukar. Kimi K3.1 Pro är som standard inställd på sin högsta resonemangsinställning, max. Claude Opus 5.5 är som standard inställd på medium. En modell som tänker på max som standard kommer i genomsnitt att skriva fler resonemangstokens per svar än en som tänker på medium – så den annonserade 2× är ett pris per token, inte ett pris per slutförd uppgift, och den verkliga skillnaden beror på hur mycket av Kimis extra tänkande ditt arbete faktiskt behöver. Moonshot publicerar inte någon siffra för tokens per uppgift som skulle avgöra saken.

Det enda benchmark som båda labben redovisar, och varför det inte är en mätning

Terminal-Bench 4.0 är det närmaste en gemensam måttstock man kommer i dessa två lanseringar, och inte ens här har de två siffrorna tagits fram på samma sätt.

Anthropics 66,4 % kördes med xhigh effort, en nivå över modellens standardinställning medium, i Anthropics eget utvärderingsramverk, med säkerhetsroutningen aktiv. Företaget publicerar tabellen och uppger det. Kimis 65,7 % förekommer i Moonshots lanseringsmaterial vid modellens standardinställning max, i ett utvärderingsramverk som företaget också kontrollerar; lanseringstabellen anger Opus 5.5 till 66,4 %, samma siffra som Anthropic publicerade, utan att säga om Moonshot körde om det eller citerade det. En skillnad på 0,7 procentenheter mellan två tabeller som körts av leverantörerna, med olika effort-inställningar och olika stödsystem, är inte ett mått på skillnaden mellan modellerna. Det säger att de två ligger tillräckligt nära varandra för att valet av utvärderingsramverk ska avgöra ordningen.

Ytterligare två datapunkter pekar i samma riktning. Den oberoende utvärderingen av Opus 5.5 på samma benchmark, från Artificial Analysis som rapporterades vid lanseringen, är 59,6 % – sju procentenheter under Anthropics egen siffra, i en konfiguration som inkluderar serversidig skyddsrouting. Och Moonshots egen dokumentation innehöll fortfarande bokstavliga "[xx.x%]"-platshållare för dess Terminal-Bench- och science-benchmark-poäng på lanseringsdagen, medan marknadsföringsinlägget innehöll siffrorna. Ingen av uppgifterna bevisar något om relativ kvalitet. Båda visar att benchmarktabeller på lanseringsdagen framför allt är marknadsföringsartefakter.

Där leverantörerna faktiskt är överens är bilden konsekvent: Kimi K3.1 Pro ligger nära Opus 5.5 på uppgifter som båda mäter, och ligger långt före sin egen föregångare. Moonshots kodningssvit för långa tidshorisonter gick från 55.95% till 61.2%, dess CAD-poäng utan verktyg är 72.8 mot Opus 73.0, och dess hallucineringsfrekvens på leverantörens egen svåra uppsättning sjönk från 23.4% till 8.3% med verktyg – en siffra som, om den håller utanför utvärderingen, betyder mer för dokumenttungt arbete än någon benchmarkpoäng.

Ansträngningsratten är den verkliga skillnaden mellan de två produkterna.

Båda modellerna exponerar ett fält för resonemangsansträngning; de är oense om hur många nivåer det har och var det ligger.

Kimi K3.1 Pro har tre: låg, hög och max, där max är standard. Claude Opus 5.5 har fem: låg, medium, hög, xhigh och max, där medium är standard. Ingen av modellerna låter anroparen stänga av tänkandet. Kimi fixerar samplingen helt — temperature 1.0, top-p 0.95, n till 1 — och avvisar andra värden, så effort är den enda beteendedialen den erbjuder. Anthropic låter temperature vara inställbar men håller adaptivt tänkande alltid på, så effort är den enda dialen som ändrar hur mycket modellen tänker.

Standardinställningarna gör verkligt arbete. Kimi levereras med ärliga men dyra standardvärden: varje begäran som inte skickar reasoning_effort betalar för den djupaste inställningen. Opus levereras på den mellersta nivån och reserverar de två översta åt anropare som ber om det. Om du migrerar en arbetsbelastning och inte ändrar något annat har du ändrat både modellen och dess tankebudget, vilket är det enskilt vanligaste sättet som en "billigare modell" visar sig inte vara billigare på. Anthropics egen tabell visar storleken på den effekten inom en och samma modell: CursorBench 4.0 får 57,8 % vid xhigh och 52,5 % vid medium, medan FrontierCode rör sig med 0,2 punkter mellan samma två inställningar. Känsligheten för effort varierar från arbetsbelastning till arbetsbelastning, och inget modellkort förutsäger din.

En operativ fälla gäller för båda. Att ändra ansträngningsnivån mitt i en konversation ogiltigförklarar träffar i prefixcachen, så en agent som höjer ansträngningsnivån halvvägs genom en lång session får betala för att läsa om allt som den hade cachelagrat. Bestäm nivån innan sessionen börjar, inte under den.

Vad varje leverantör gör med modellen när du inte tittar

Båda labben har nu släppt en modell vars beteende på vissa indata inte är det beteende du bad om, och båda beskriver det öppet.

Anthropics dokumentation för lanseringen av Opus 5.5 säger att de flesta cyberrelaterade uppgifter kan omdirigeras till Claude Opus 4.8, och att arbete inom biologi och utveckling av frontier-modeller kan falla tillbaka på Opus 5. Dessa fallbacker sker på serversidan: svaret kommer tillbaka från en annan modell, och anroparens enda signal är innehållet. För en säkerhetsnära arbetsbelastning är detta en verklig förändring av förmågan, inte en fotnot i policyn.

Moonshot valde en annan väg. Företaget tog bort cyberrelaterade data från både mellanträningen och förstärkningsinlärningsfasen medan allmän kodning behölls, och redovisade kostnaden för detta: dess adversariella kodningspoäng sjönk från 90,5 % på den okontrollerade checkpointen till 81,0 % på modellen som levererades. Företaget framställer det som ett medvetet tak för offensiv cyberförmåga och säger att det gradvis kommer att höja taket. Kimi K3.1 Pro dirigerar inte om din begäran; den är helt enkelt svagare i just den kategorin, med en marginal som dess egen leverantör har publicerat.

Vilket som är bättre beror på vad du bygger. Om du behöver deterministisk utdata från modellen du valt är en tyst fallback sämre än en redovisad svaghet. Om du behöver starkast möjliga resultat på en uppgift som leverantören har spärrat kan fallbacken fortfarande vara bättre än en vägran – men nu jämför du två modeller samtidigt som du tror att du använder en.

Datumet som avgör frågan om öppna vikter

Kimi K3.1 Pro säljs som en modell med öppna vikter, och vikterna är inte ute än. Moonshot säger att de fullständiga vikterna kommer att släppas senast den 4 november 2026. Fram till dess är kolumnen för öppna vikter i varje jämförelse ett löfte, och Hugging Face-organisationen som är värd för Kimi K3 har inget nyare än K3 per den 24 oktober.

Claude Opus 5.5 har ingen plan för öppna vikter och kommer aldrig att få det. För alla vars driftsättning inte kan anropa ett hostat API slutar jämförelsen där, oavsett pris: ena sidan är en produkt du kanske kan ladda ner om elva dagar, den andra är en hyra. För alla andra är den 4 november det datum då prisjämförelsen blir ett verkligt arkitekturval snarare än en upphandlingsfråga.

Vad du ska springa idag

Här är delen som prislistorna inte täcker: tillgänglighet. Claude Opus 5.5 kan anropas via OrcaRouter idag för $4.00 och $20.00 per miljon tokens, med cacheläsningar för $0.20 – leverantörens listpris vidarebefordrat utan påslag – på samma nyckel som resten av din stack, med en median på 3,86 sekunder till första token under de senaste sju dagarna på vår rutt. Kimi K3.1 Pro anslöt till samma katalog den 24 oktober för $2.00 och $10.00, cacheläsningar för $0.20, ett fönster på 1 048 576 tokens och ett publicerat utdatatak på 943 718 tokens. Båda svarar nu på en och samma nyckel.

Att ha båda bakom en och samma nyckel är något som ingendera leverantörens dokumentation nämner. Med en prisskillnad på 2× är det beslut som är viktigare än att välja en vinnare en routingpolicy: skicka den svåra femtedelen av din trafik till Opus 5.5, skicka resten till Kimi K3.1 Pro och låt automatisk failover täcka ett avbrott på endera sidan. Pass-through-modellen är det som håller den kalkylen ärlig – varje sida av uppdelningen debiteras enligt leverantörens eget publicerade pris utan något påslag, så besparingen du räknar ut är besparingen du får, och en prisändring hos endera leverantören gäller här samma dag.

Vilket för tillbaka jämförelsen till där den började. Om ditt arbete domineras av de uppgifter där de två modellerna ligger inom en poäng från varandra, är prisskillnaden hela historien och svaret är den billigare modellen. Om det domineras av kodning över långa tidshorisonter, där Opus har tre månaders oberoende utvärdering bakom sig och Kimi har en leverantörstabell som publicerades i går, är 0,7 poäng inte siffran att lita på – siffran att lita på är din egen utvärdering, körd med den ansträngningsinställning du faktiskt kommer att använda. Båda leverantörerna har nu gjort det enkelt att göra detta, eftersom båda låter dig vrida på ratten och båda publicerar vad ratten kostar.