Kimi K3.1 Pro vs Grok 4.7: Samma noggrannhet, en 72 % större nota

På ett privat dataanalysprov med 43 frågor byggt på ett syntetiskt vindkraftsdatalager, Kimi K3.1 Pro och Grok 4.7 fick båda 42 poäng. Ingen av modellerna hade sett frågorna, och datan var fabricerad så att inget svar kunde ha memorerats. Samma poäng, samma placering – delad tredjeplats av 34 testade modeller. Fakturorna var inte desamma: Kimis körning kostade 13,47 dollar och Groks kostade 7,85 dollar.

Det sifferparet är det mest användbara någon har publicerat om den här duellen, eftersom det är den enda direkta jämförelsen där båda modellerna kördes av samma personer, samma dag, mot samma svar. Nästan allt annat som cirkulerar är antingen ett leverantörsbenchmark som tagits fram under ett annat ramverk eller en jämförelse som i tysthet ersätter Kimi K3.1 Pro med Kimi K3. Så den här artikeln börjar med vad de neutrala testerna visar och skiljer sedan de skillnader som är verkliga från dem som är artefakter av vem som körde testet.

Två modeller, två väldigt olika satsningar

Kimi K3.1 Pro lanserades den 23 oktober 2026 som en eftertränad efterföljare till Kimi K3 snarare än en ny arkitektur. Moonshot AI behöll stommen på 2,8 biljoner parametrar med mixture-of-experts, kontextfönstret på 1 048 576 tokens samt inbyggd bild- och videoinmatning, och ägnade lanseringen åt förstärkningsinlärning inom agentiska och professionella domäner. De fullständiga vikterna utlovas till den 4 november 2026.

Grok 4.7 släpptes en månad tidigare, den 21 september 2026, från xAI. Den är proprietär, bygger på en rapporterad bas på cirka 2,1 biljoner parametrar som xAI inte har bekräftat, har ett inmatningsfönster på 500 000 token med ett utmatningstak på 450 000 token och behåller priset för Grok 4.6. Dess kunskapsgräns är juni 2026, med kompletterande träning fram till augusti.

• Pris — Kimi K3.1 Pro: $2.00 för indata / $10.00 för utdata per miljon tokens; Grok 4.7: $2.00 / $6.00, som stiger till $4.00 / $12.00 när en prompt överstiger 200K tokens.

• Cachad indata – $0,20 på Kimi mot $0,50 på Grok, en inversion som spelar större roll än rubrikpriset för agenter som läser om samma kodförråd varje tur.

• Kontext — 1 048 576 tokens mot 500 000. Kimi tillåter också upp till 943 718 utdatatokens i ett enda svar, vilket snarare är ett uttalande om vad modellen är byggd för än en funktion.

• Modaliteter – text, bild och video in, text ut på Kimi; text, bild och fil in, text ut på Grok.

• Styrning av resonemang – Kimi resonerar som standard med valbar ansträngningsnivå; Grok erbjuder låg, medel, hög och xhigh, och låter dig inte stänga av resonemanget.

• Öppenhet — vikter utlovade till den 4 november för Kimi; Grok är endast API och kommer att förbli så.

Den neutrala marken, och hur tunn den är

Plotlys prov är den tydligaste jämförelsen som finns. Det är ett privat prov med 43 frågor över ett syntetiskt datalager för en vindkraftsflotta, uppdelat i analysfrågor, tvetydiga förfrågningar, omöjliga förfrågningar, statistikfällor, datakvalitetskontroller och fem inplanterade mönster som en bra analytiker bör hitta utan att bli ombedd. Kimi K3.1 Pro klarade 42, upp från 35 för Kimi K3. Grok 4.7 klarade också 42. Båda ligger efter GPT-6.1 Sol och GPT-6 Astra på 43.

Detaljen bakom det oavgjorda resultatet är där de två modellerna skiljer sig åt. Kimi hittade alla fem inplanterade mönster och fångade alla tre datakvalitetsproblem – dubblettrader, en saknad sista dag och skillnaden mellan en avvecklad turbin och en som verkligen producerar noll. Dess enda miss var ett gränsfel: det räknade 2 775 turbindagar från före en firmware-installation som "annat firmware", vilket flyttade ett medelvärde med cirka 0,0003 och låg precis utanför testets tolerans. Det är ett precisionsfel vid gränsen för en definition, inte ett resonemangsfel.

Ett andra neutralt test pekar i motsatt riktning. I DualEntrys redovisningsutvärdering slutade Grok 4.7 på delad andraplats med 88,1 %, medan Kimi K3.1 Pro blev fyra med 86,1 %. Kimi var den billigaste modellen per uppgift i den körningen med $0,079, men också en av de långsammaste med 125,6 sekunder per uppgift. Två neutrala tester, två nästan oavgjorda resultat, och ordningen växlar mellan dem. Det är så en genuin jämförelse mellan jämbördiga ser ut, och det är precis vad de flesta lanseringsdagsrapporteringar inte gör.

Där skillnaderna är verkliga

Det är inte jämnt när det gäller skrivandet. ToneBench, som poängsätter utkast mot tio briefar med fyra domare per utkast, placerar Kimi K3.1 Pro på 2 205 Elo och på sjunde plats av 83 konfigurationer, mot Grok 4.7 på 1 904 och tjugofemte plats. 95-procentsintervallen överlappar inte: 2 166–2 246 mot 1 855–1 962. Kimi vann nio av tio manus och sju av nio delmått, med de största skillnaderna i längdhållning (95,4 mot 78,7) och visuella signaler (84,9 mot 78,8). Groks segrar var knappa och begränsade till ton och YouTube-konventioner. Till $0,251 mot $0,215 per manus är detta inte ett kostnadsbeslut.

Kodning och agentiskt arbete är där bevisen blir röriga och där de flesta jämförelser vilseleder. xAI rapporterar Grok 4.7 på 37,6–38,0 % på Terminal-Bench 4.0. Moonshot rapporterar Kimi K3.1 Pro på 65,7 % på samma benchmark. De siffrorna ligger 28 punkter isär och betyder inte att Grok är halva modellen, eftersom Terminal-Bench-poäng förskjuts med tiotals punkter beroende på harness, tidsgräns och antal tillåtna försök. Ett 65,7 % och ett 38,0 % som tagits fram i olika labb är två olika mätningar som bär samma namn.

De oberoende kodningsbevis som faktiskt finns talar till Groks fördel, men det är bevis om Kimi K3 snarare än K3.1 Pro. I SWE-bench Verified, kört genom ett standardiserat mini-agent-scaffold, fick Grok 4.7 95,6 % mot Kimi K3:s 93,4 %. Ingen har publicerat motsvarande siffra för K3.1 Pro. Moonshots egna långsiktiga siffror – 61,2 % på Kimi Code Bench 3.0 Long-horizon mot 55,95 % för K3, och 51,7 % på SWE Marathon mot 45,6 % för Claude Opus 5.5 – tyder på att efterträningen hjälpte, men det är leverantören som rättar sin egen läxa på ett benchmark som den själv har byggt.

Lång kontext är det enda kapacitetsglappet som inte kräver något benchmark. En miljon tokens mot femhundratusen är en faktor två, och Kimis pris för cacheträffar är mindre än hälften av Groks. Om arbetsbelastningen är ett monorepo, en avtalsuppsättning eller ett års supportärenden är jämförelsen avgjord innan någon poäng läses.

Varför fakturan avviker

Kostnadsgapet på 72 % i Plotly-provet förklaras inte enbart av prislistan. Kimis utpris är 67 % högre, så vid identiska tokenantal skulle det kosta mer – men inte 72 % mer i ett test där de två modellerna gav samma svarskvalitet. Resten kommer från hur mycket de skriver och hur många anrop de gör för att komma dit.

Kimi gjorde i genomsnitt cirka 7,5 modellanrop per fråga och en median på 2,5 minuter per fråga, näst långsammast av 34 modeller; ungefär 90 % av den tiden var modellsvar snarare än SQL-körning. På frågor med dolda mönster gjorde den cirka 73 verktygsanrop. Groks oberoende tester på annat håll har visat att den förbrukar ungefär dubbelt så många output-tokens per uppgift som Grok 4.6 gjorde, vilket drar åt andra hållet. Nettoeffekten på detta prov var att Grok spenderade färre dollar per korrekt svar trots att den förbrukade fler tokens per steg.

Räkneexemplet för en produktionsagent ser ut så här. Ta en uppgift som läser 100K indatatoken, skriver 8K utdata och körs i 20 turer.

Kimi K3.1 Pro, ingen cache — 20 vändor med $0,20 för indata plus $0,08 för utdata är cirka $5,60 per uppgift.

• Grok 4.7, utan cache – samma upplägg med $0,20 för indata plus $0,048 för utdata blir cirka $4,96 per uppgift.

• Kimi K3.1 Pro, 70 % cacheträff — indata sjunker till $0,074 per tur, vilket gör att uppgiften landar på ungefär $3,08.

• Grok 4.7, 70 % cacheträff — indatakostnaden sjunker till $0.095 per tur, vilket gör att uppgiften landar på ungefär $2.86.

Så Grok vinner agentfallet även vid en hög cacheträffsgrad, eftersom utdatatokens dominerar och den tar 40 % mindre för dem. Kimi går bara om när utdata är liten i förhållande till indata. Ta ett retrieval-anrop med 100K indata och 1K utdata vid 70 % cache: Kimi kostar $0,084 och Grok $0,101, en vinst på 17 % för Kimi. Skärningspunkten är inte en cacheprocent — det är ett förhållande mellan indata och utdata. Läsintensivt arbete går till Kimi, skrivintensivt arbete går till Grok, och det ärliga rådet är att mäta sitt eget förhållande i stället för att lita på någon av leverantörernas exempel.

Hastigheten ändrar systemets form, inte bara notan.

Kimi K3.1 Pros mediantid till första token är enligt våra egna mätningar 6,9 sekunder vid 48 token per sekund. Grok 4.7 ligger i tredjepartstester på omkring 1,3 sekunder till första token och ungefär 61 token per sekund. För en chattprodukt är den skillnaden märkbar. För en agent som gör 20 sekventiella anrop är det skillnaden mellan en uppgift som känns omedelbar och en som känns trasig, och det är den verkliga anledningen till att flera jämförelser av kodverktyg ger segern till Grok trots Kimis starkare skrivbetyg.

Styrning av resonemang förstärker det. Grok låter dig ställa in ansträngningen från low till xhigh och debiterar därefter; vid den låga inställningen uppmätte ToneBench 1 815 Elo till $0,064 per skript, en fjärdedel av kostnaden för mediuminställningen. Kimi resonerar som standard och dess ansträngningsinställning är ett trubbigare instrument, med sampling fixerad till temperature 1.0 och top_p 0.95 — värden som den inte accepterar alternativ till. Om en pipeline är beroende av lågtemperaturdeterminism är det en kompatibilitetsfråga att reda ut innan man benchmarkar något.

Vilken hör hemma i produktion?

Välj Kimi K3.1 Pro när arbetet präglas av långt kontext och tunga dokument: avtalsgranskning, finansiell analys, analys av repositorier med flera filer och datakvalitetsgranskning där modellen måste upptäcka det som saknas i stället för att svara på det som efterfrågas. Fönstret på 1M, den billiga cachen och Moonshots rapporterade minskning av hallucinerade påståenden från 23,4 % till 8,3 % med verktyg pekar alla åt samma håll. Det är också den enda av de två som kommer att gå att ladda ner, vilket spelar roll om arbetsbelastningen inte får lämna din infrastruktur.

Välj Grok 4.7 när latens är en del av produkten: interaktiva kodassistenter, IDE-agenter, kundvänd verktygsanvändning där en sex sekunders paus uppfattas som en defekt. Den är billigare på output, snabbare till första token, och det oberoende kodningsbeviset – tunt som det är – talar till dess fördel. Dess 500K-fönster är inte en begränsning för det mesta repo-arbete, även om det är det för vissa.

Det obekväma svaret för den som vill ha en enda vinnare är att de två modellerna står lika på det enda neutrala test som båda har genomfört, och avgörandet är din kvot mellan indata och utdata samt din latensbudget. Det är egenskaper som du kan mäta på en eftermiddag, och inget lanseringsinlägg kan berätta för dig vad de är.

Kör båda utan ett andra avtal

Det här är den enda matchningen där det är billigt att ordna så att båda provas. OrcaRouter tillhandahåller kimi/kimi-k3.1-pro och grok/grok-4.7 på samma nyckel, till leverantörens listpris utan påslag, så att de 2,00, 10,00 och 6,00 dollar som nämns ovan är det du faktureras i stället för en återförsäljares version av dem. Det spelar större roll än vanligt här, eftersom beslutet beror på uppmätt cachebeteende och latens i din egen applikation – vilket innebär att du behöver båda modellerna bakom en och samma endpoint och en och samma faktura för att kunna jämföra dem rättvist.

Det förändrar också reservstrategin. Automatisk failover mellan leverantörer innebär att en hastighetsbegränsning eller ett avbrott för en modell inte slår ut funktionen, och routnings-DSL:en låter dig skicka långkontextvägen till Kimi och den interaktiva vägen till Grok inom en och samma policy i stället för att underhålla två integrationer. Om du fortfarande inte har bestämt dig är det ett sätt att köra utvärderingen på en delmängd av produktionstrafiken i stället för att välja från en benchmarktabell.

Vad skulle ändra denna dom?

Två saker, båda med datum. Den första är den 4 november, då Moonshot har lovat de fullständiga vikterna. En Kimi K3.1 Pro med öppna vikter av den här kvaliteten förändrar kalkylen för alla som av regelefterlevnadsskäl behöver självhosta, och det är också då oberoende labb kan köra modellen utan API-budget.

Det andra är en riktig agentisk duell. Varje kodjämförelse som cirkulerar använder antingen Kimi K3 i stället för Kimi K3.1 Pro, eller jämför två leverantörsramverk som om de vore en enda mätning. I samma stund som någon kör båda modellerna genom samma scaffold på samma uppgifter – så som Plotly gjorde för dataanalys – upphör kodfrågan att vara omstridd. Fram till dess är den försvarbara hållningen den tråkiga: Grok 4.7 för snabbhet och interaktiv kodning, Kimi K3.1 Pro för lång kontext, skrivande och dokumentarbete, och båda mäts på din egen trafik innan någon av dem får en väg till produktion.