Muse Spark vs Kimi K3.1: Punkten i modellnamnet är hela historien

Två modellnamn, två olika typer av saknad information. Muse Spark 1.3 är en lanserad, uppmätt, anropbar modell: Meta Superintelligence Labs nuvarande checkpoint, allmänt tillgänglig sedan den 2 september 2026 för $1,25 per miljon input-tokens och $4,25 per miljon output-tokens, med 48 poäng på Artificial Analysis Intelligence Index vid sin högsta resonemangsinställning. Kimi K3.1 är inte en modell alls. Det finns inget modellkort, inget viktrepositorium, ingen rad i prislistan och ingen API-identifierare som bär den siffran någonstans på leverantörens egna ytor, och det har inte funnits sedan en community-tolkning av en raderad teaser pekade på den i september. Vad punkten egentligen avser är den rad den förkortar – Kimi K3, flaggskeppet med öppna vikter och 2,8 biljoner parametrar som labbet släppte den 16 juli 2026 – som är anropbar idag för $3,00 per miljon input-tokens och $15,00 per miljon output-tokens. Så den användbara versionen av den här jämförelsen är Muse Spark 1.3 mot Kimi K3, där gapet mellan dem är tillräckligt smalt för att namnmisstaget ska sluta vara pedantiskt och börja bli dyrt.

Varifrån pricken kom, och vad den är värd

Den starkaste signalen om att en Kimi K3.1 finns är också den svagaste typen av bevis: ett inlägg som tillskrivs Kimis officiella konto på eller omkring fredagen den 18 september 2026, som publicerade en lång siffersträng och raderade den strax därefter. Siffrorna är decimalutvecklingen av pi med inledningen 3,1 borttagen – pi är 3,1415926535, och den publicerade strängen började med 41592653 – och trådar i communityn tolkade det nästan enhälligt som ett versionsnummer. Det är en artefakt från leverantörens sida och den går inte att verifiera, eftersom inlägget är borta. Att läsa ut "K3.1" ur det är en slutledning, inte ett uttalande som Moonshot har gjort.

Fyra veckor senare har ingenting lagts till det. Augustifönstret som läckarna hade pekat på kom och gick utan lansering. Den anonyma arena-posten som vissa tolkade som Kimi K3.1 tidigare i somras var, utifrån tillgängliga bevis, troligen inte Kimi. Den nyaste signalen i historien är en gissning från tredje part att Kimi K3.1 och två modellnummer från Z.ai landar samma vecka, vilket är en persons tolkning av en annan persons vibbar snarare än en läcka, och veckan den nämner är nästan över utan att någon av de tre har dykt upp. Moonshots dokumentation, dess prissättningssida, dess Hugging Face-organisation och dess blogg använder alla ett namn för en modell – Kimi K3 – och ingen av dem använder ett suffix med punkt. Punkten är en vana från sökrutan, inte en version.

Det spelar roll här av en anledning som inte har något med prydlighet att göra. Läsare skriver punkten eftersom de redan har läst något om den här raden och kommer tillbaka för den. När de anländer till en jämförelse byggd på en modell som inte finns, skulle de jämföra Muse Spark 1.3 mot en inferens.

Matchningen som finns: 1.3 mot K3

Båda är system i flaggskeppsklass med ett fönster på en miljon token och en angiven rad för multimodala indata, och båda marknadsfördes med agentiskt arbete över långa tidshorisonter – Metas formulering för 1.3 är "tränad för agentiska arbetsflöden och optimerad för prestanda inom tävlingsprogrammering", medan Moonshot positionerar K3 för "kodning över långa tidshorisonter och kunskapsarbete från början till slut". Den uppmätta skillnaden mellan dem är fyra indexpoäng, vilket är precis den marginal där de andra kolumnerna avgör svaret.

• Intelligence Index — Muse Spark 1.3 vid maximal ansträngning 48, rang 24 av 217, mot Kimi K3 vid maximal ansträngning 44, rankad trea i panelen. Fyra poäng, Artificial Analysis egen hostade mätning på båda sidor.

• Utdatahastighet – Muse Spark 1.3 uppmättes till 121,9 tokens per sekund, en av de snabbare flaggskeppsmodellerna på den resultattavlan; Kimi K3 uppmäts till 44 tokens per sekund och flaggas som anmärkningsvärt långsam, ungefär en skillnad på 2,8 gånger i genomströmning mätt i verklig tid.

• Kostnad per slutförd indexuppgift — 1,60 USD för Muse Spark 1.3 jämfört med 2,00 USD för Kimi K3. Notera att detta är motsatsen till jämförelsen per token, och anledningen är mångordighet: Kimi K3 genererade omkring 160 miljoner utdatatokens under indexkörningen, jämfört med en median på 130 miljoner, medan Muse Spark 1.3 genererade ungefär 170 miljoner, jämfört med en median på 87 miljoner. Båda mäts som pratsamma; Kimi K3:s pris per token är helt enkelt högre från början.

• Prislista — Muse Spark 1.3 till $1.25 och $4.25 per miljon tokens, Kimi K3 till $3.00 och $15.00. Kimi K3 har 90 % rabatt för cache-läsning, så vid cache-tunga arbetsbelastningar med flera turer krymper det effektiva spannet kraftigt; Moonshot fakturerar cache-skrivningar separat, och vid nivån med en timmes bevarande är de dyrare än en ny indatatoken.

Kontext och utdata – båda 1 048 576 tokens kontext. Moonshot publicerar samma siffra i sin prislista, så de två matchas på den dimension som båda leverantörerna lyfter fram.

• Samplingsstyrning — Kimi K3 låser temperaturen till 1,0, top_p till 0,95, n till 1 och båda straffen till 0, och returnerar ett fel om du skickar något annat. Djupet är den enda ratten, via ett toppnivåfält reasoning_effort som kan vara low, high eller max och har max som standard, och att ändra det mitt i en konversation ogiltigförklarar träffar i prefixcachen. Muse Spark 1.3 exponerar också en inställning för resonemangsinsats, och Metas verktyg noterar att det inte går att stänga av resonemang. I praktiken tar K3 bort en hel klass av tuning från uppgiften och ger dig en enda spak; 1.3 lämnar de vanliga samplingsparametrarna i spel.

Avvägningens form är tydlig utan tolkning. Muse Spark 1.3 är snabbare, billigare per slutförd uppgift och fyra punkter högre på indexet. Kimi K3:s argument bygger inte på något av detta – det bygger på vikterna.

Vikter, och på vilken sida av licensgränsen varje modell ligger

Detta är kolumnen som avgör matchningen för många lag, och den går i motsatt riktning mot resultattavlan. Kimi K3 släpper öppna vikter i moonshotai/Kimi-K3-repositoriet under Kimi K3-licensen, och Moonshot beskriver den som den första öppna modellen i klassen för tre biljoner parametrar: 2,8 biljoner totala parametrar med 104 miljarder aktiverade per token över 896 dirigerade experter, 16 som aktiveras per token plus 2 delade experter, 93 lager varav ett är tätt. Den publiceras med kvantiseringsmedveten träning från övervakad finjustering och framåt, MXFP4-vikter och MXFP8-aktiveringar, vilket är Moonshots argument för bred hårdvarukompatibilitet. Allt i det stycket är leverantörsuppgivet och inte oberoende reproducerat, och distinktionen är värd att behålla, eftersom Moonshot är den part som både tränade modellen och rapporterar vad den presterar.

Muse Spark 1.3 har inget av det. Det är en checkpunkt som tillhandahålls som tjänst, och Muse Spark Open-vikterna som Meta publicerade den 15 oktober 2026 är en annan modell med en annan poäng — 39 i samma index vid dess xhigh-inställning, nionde av 118 poster med öppna vikter över 150 miljarder parametrar. Så den ärliga beskrivningen av viktläget är inte "Meta öppnade Muse Spark", utan att Meta nu publicerar en öppen artefakt bredvid en sluten linje, och om öppna vikter är anledningen till att du kom, tillhandahåller K3-sidan av den här sidan dem för modellen i jämförelsen, medan Meta-sidan inte gör det.

Var OrcaRouter passar in i det

Kimi K3 finns i OrcaRouters katalog till Moonshots publicerade priser – 3,00 USD per miljon indatatoken och 15,00 USD per miljon utdatatoken, med modellens kontext på 1 miljon token angiven på sidan – och den routas med samma nyckel som Muse Spark 1.2 och Muse Spark 1.1, de två Muse Spark-checkpunkter vi tillhandahåller till Metas listpris på 1,25 USD och 4,25 USD med 0 % påslag, eftersom leverantörens listpris förs vidare i stället för att läggas på. Den kombinationen är det billiga sättet att avgöra en indexfråga med fyra punkter som ingen resultattavla kan svara på för din trafik: routing-DSL:en delar upp förfrågningar efter regel, så du kan skicka den latenskänsliga vägen till den snabbare modellen och batchvägen till den vars vikter du vill standardisera på, och automatisk failover bakom en enda slutpunkt hindrar någon av dem från att bli en satsning på en enda leverantör. Muse Spark 1.3 finns själv inte i katalogen – de tillhandahållna checkpunkterna är 1.2 och 1.1 – och benchmarkresultaten som citeras ovan är 1.3:s, så routingjämförelsen och den uppmätta jämförelsen är inte samma modellpar. Det gapet är värt att känna till innan du planerar utifrån det.

Vad gör man med ett namn som inte har någon produkt bakom sig?

Om du kom hit via en länk om Kimi K3.1 är nästa steg inte att jämföra något — det är att avgöra vilken levererad modell du faktiskt väljer mellan. Jämfört med Kimi K3 vinner Muse Spark 1.3 på index, hastighet och kostnad per slutförd uppgift, och förlorar på vikter och på den licensfrihet som följer med dem. Jämfört med den bredare Kimi-serien ligger de mindre K2.6- och K2.7 Code-modellerna i en helt annan prisklass och är den rätta jämförelsen för allt som inte behöver tre biljoner parametrar. Inget på den här sidan är ett skäl att vänta på ett suffix med punkt: enligt nuvarande underlag finns det inget kort, inget datum och ingen endpoint bakom det, och det enda säkra någon vet om det är att inlägget som pekade på det raderades.

Det som skulle förändra bilden är begränsat. Moonshot publicerar ett modellkort för K3.1 eller en rad i en prislista, och detta blir en riktig sida med två modeller med en andra kolumn av uppmätta siffror. Artificial Analysis lägger till en K3.1-post, och gapet på fyra punkter blir testbart i stället för härlett. Eller så riktar Meta om Muse Spark-linjen mot en 1.4-checkpoint, vilket flyttar Metas sida av skäl som inte har med Moonshot att göra. Tills åtminstone en av dessa är på plats är den faktiska versionen av den här matchningen Muse Spark 1.3 mot Kimi K3, åtskilda av fyra punkter i uppmätt intelligens, ungefär 2,8x i genomströmning och en licensgräns – och punkten är en sökterm, inte en produkt.

Inget av detta är ett skäl att undvika modellen, bara ett skäl att känna till historien: de dokumenterade AI-incidenterna och agentfelen bakom modeller i den här klassen finns samlade i OrcaRouter AI Incident Archive, där varje post har sina egna källor, allvarlighetsgrad, konfidensgrad och flagga för omstridd status.