
Qwen4-Max vs Kimi K3.1 Pro: En skillnad på 41 cent som avgör mindre än du tror
- GoogleNYGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 per 1M tokens · 89 tok/s
- AnthropicNYAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 per 1M tokens · 97 tok/s
- orcaNYOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaNYOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 per 1M tokens · 88 tok/s
- OrcaNYOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 per 1M tokens · 134 tok/s
- OrcaNYOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 per 1M tokens · 88 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 per 1M tokens · 121 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 per 1M tokens · 69 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M tokens · 90 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M tokens · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Intelligens
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 per 1M tokens · 195 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligens
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 per 1M tokens · 121 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Intelligens
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Intelligens
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 per 1M tokens · 141 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955Intelligens
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855Intelligens
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 per 1M tokens · 265 tok/s
Enligt Artificial Analysis egna siffror kostar en slutförd uppgift 3,27 dollar på Qwen4-Max och 3,68 dollar på Kimi K3.1 Pro. Fyrtioen cent. Om du väljer en modell för en agent som kör tusentals uppgifter i veckan ser den skillnaden ut som hela beslutet, och det är den inte – eftersom de två modellerna når de siffrorna från motsatta håll, och det är riktningen som syns i dina loggar sex veckor senare. Qwen4-Max når dit genom att vara snabb och ordrik – fler utdatatoken, till mindre än halva priset per token; Kimi K3.1 Pro når dit genom att vara långsam och kortfattad och avger färre token som var och en kostar mer än dubbelt så mycket. Ingen av dem är den billigare modellen i allmänhet. Var och en är billigare för en viss typ av arbete.
Det är den användbara inramningen för det här paret, och den är tillgänglig nu på ett sätt som den inte var i oktober: båda modellerna ligger på samma oberoende indexrevision, båda har publicerat kommersiella villkor, och en av dem har nedladdningsbara vikter. Det som följer är uppdelningen efter arbetsbelastning snarare än efter benchmark, eftersom benchmarken redan säger att de är nära varandra.
Först, namnet
Det finns ingen vanlig kimi-k3.1 i Moonshots egen modellista. De utgivna identifierarna är kimi-k3.1-pro, kimi-k3.1-pro-highspeed och den äldre kimi-k3; "Kimi K3.1" är hur serien skrivs i sökfält och i pressen, och modellen bakom den är Kimi K3.1 Pro. Highspeed-varianten är samma modell som serveras med ungefär två till tre gånger högre hastighet. Så varje jämförelse som spelar roll här är Qwen4-Max mot Kimi K3.1 Pro, och det är paret som mäts nedan. Den som visar dig ett specifikationsblad för en modell som heter exakt "Kimi K3.1" visar dig Pro:ns siffror under ett kortare namn.
Kimi K3.1 Pro tillkännagavs den 23 oktober 2026, med leverantörens blogg daterad den 24:e, och dess vikter landade på Hugging Face med en enda commit tidsstämplad 2026-11-02. Qwen4-Max gick på mätarbaserad försäljning den 16 november 2026. Båda är några veckor gamla, ingen av dem är en förhandsversion, och båda har riktiga prislistor – vilket är hela anledningen till att den här jämförelsen kan göras med siffror i stället för prognoser.

De två raderna som definierar matchen
Allt nedan kommer från Artificial Analysis Intelligence Index v5.0.1 om det inte är markerat som leverantörsrapporterat. Indexet är ett instrument vid ett enskilt tillfälle; den här bloggen har sett revisioner flytta en modells poäng med tvåsiffriga tal, så behandla spridningen som riktningsvisande.
• Indexpoäng — Qwen4-Max 43 mot Kimi K3.1 Pro 46. Kimi-modellen ligger tre poäng före, inom brusbandet för en enda indexrevidering
• Kostnad per uppgift — Qwen4-Max 3,27 USD jämfört med Kimi K3.1 Pro 3,68 USD. Kimi-modellen är 12,5 % dyrare per slutförd uppgift trots poängfördelen
• Indatapris — Qwen4-Max $1,50 per miljon i Singapore, $1,413 på andra håll; Kimi K3.1 Pro $2,00
Utdatapris — Qwen4-Max $4.50 mot Kimi K3.1 Pro $10.00. Det är den största skillnaden i hela jämförelsen, och det är den som en kostnadsmodell byggd på tokenantal kommer att övervikta.
• Pris vid cacheträff — Qwen4-Max $0,075 per miljon i Singapore, $0,071 på andra håll; Kimi K3.1 Pro $0,20. Båda ger kraftig rabatt på cachade läsningar; Qwens rabatt är större
• Väggklockstid per uppgift — Qwen4-Max 32,1 minuter jämfört med Kimi K3.1 Pro 38,4 minuter, mot en median för fältet på 11,5. Båda är långsamma; Qwen är den mindre långsamma av de två
• Genomströmning — Qwen4-Max 55 utdatatoken per sekund jämfört med Kimi K3.1 Pro 31, mätt på respektive leverantörs eget API
• Tokenförbrukning — Qwen4-Max 127 miljoner output-tokens per indexkörning jämfört med Kimi K3.1 Pro 113 miljoner
• Kontext — Qwen4-Max 1 000 000 tokens enligt dokumentationen, uppmätt till 984 000 användbara; Kimi K3.1 Pro 1 048 576
• Modalitet – båda tar emot text, bild och video och returnerar text. Moonshots modellguide är tydlig med att Kimi K3.1 Pro hanterar video, trots att den oberoende sammanfattningen av modellen endast listar text och bild.
• Vikter — Qwen4-Max publicerar inga, och i dess dokumentation anges finjustering och driftsättning som icke stödda; Kimi K3.1 Pro:s checkpoint med 2,8 biljoner parametrar, varav 104 miljarder aktiva per token, kan laddas ned under en skräddarsydd licens i stället för en standardlicens
• Arkitektur, enligt leverantören — Qwen4-Max en stomme med 2,4 biljoner parametrar, varav 71 miljarder aktiva och ytterligare 328 miljarder N-gram-inbäddningsparametrar; Kimi K3.1 Pro en eftertränad modell i 3T-klassen byggd på K3
Läs raden för utdatapris mot raden för kostnad per uppgift, så har du hela artikeln. Kimi K3.1 Pro tar mer än dubbelt så mycket betalt per utdatatoken och slutför ändå en uppgift för 41 cent mer, eftersom den producerar färre av dem. Qwen4-Max tar mindre än hälften så mycket betalt per utdatatoken och vinner nästan inget på det, eftersom den producerar 12 % mer. Prissättning per token är en proxy för räkningen, inte räkningen. Räkningen är den tredje raden.
Arbetsbelastning ett: den långvariga agenten
Det är här 41 cent slutar vara avrundning. En agentloop kör inte en uppgift; den kör en sekvens av uppgifter med många omförsök, och det tal som ackumuleras är väggklockstid, inte pris. Med 32,1 respektive 38,4 minuter per indexuppgift är båda modellerna mellan två och tre gånger långsammare än medianen i fältet på 11,5 minuter. En batch på tjugo uppgifter tar tio till tretton timmars väggklockstid med endera. Om din loop är latensbunden är ingen av dessa rätt modell, och att välja mellan dem utifrån pris innebär att optimera fel variabel.
Om det inte är latensbegränsat – batchkörningar över natten, långsiktiga forskningsjobb, dokumentarbete i bakgrunden – är det avgörande talet tokens per slutförd uppgift, och här spelar Qwen4-Max 55 tokens per sekund mot Kimis 31 mindre roll än det verkar. Genomströmningen bestämmer bara hur snabbt en enskild begäran töms; det som avgör notan är hur många tokens modellen förbrukar på att tänka innan den producerar ett svar. Qwen4-Max förbrukar 12 % fler av dem och debiterar 55 % mindre per enhet för dem.
Arbetsbelastning två: allt som rör ett långt dokument
Det är här jämförelsen slutar handla om poäng och börjar handla om utdatans form. Båda modellerna läser text, bilder och video och båda skriver text, så det finns inget modalitetsargument att lägga fram — den ärliga versionen av det här avsnittet är att Qwen4-Max:s videostöd inte är den avgörande faktorn som det verkar vara, eftersom Moonshots modellguide säger att Kimi K3.1 Pro också hanterar video. Det som skiljer dem åt i dokumentarbete är hur mycket de skriver tillbaka i en enda omgång, och vad de tar betalt för det.
Qwen4-Max begränsar utdata till 131 072 token med tänkandet avstängt, eller 262 144 som delas mellan tänkande och svar. Kimi K3.1 Pro når ungefär 943 000. För en avtalsgranskning som returnerar en sammanfattning märks den skillnaden aldrig; för en pipeline som ombeds att återge ett helt dokument med markup, eller att resonera över en arbetsmängd och sedan skriva ut resultatet utförligt, är det skillnaden mellan ett anrop och ett chunkningsschema som du nu måste bygga och felsöka.
Prisskillnaden pekar åt andra hållet. Qwen4-Max har 25 % lägre indatapris och mindre än hälften så högt utdatapris, så extraktions- och klassificeringsarbete över en stor korpus – mycket in, lite ut – är betydligt billigare med Qwen4-Max per slutförd uppgift såväl som på mätaren. Läser man de två styckena tillsammans är uppdelningen tydlig: korta svar över en stor korpus gynnar Qwen4-Max, långa svar över samma korpus gynnar Kimi-modellens utdatatak.

Pass tre: det där du behöver vikterna
Inget i raderna ovan täcker den största skillnaden mellan de här två modellerna, eftersom den inte är en siffra. Kimi K3.1 Pro går att ladda ner. Qwen4-Max går inte – dess dokumentation anger att finjustering och driftsättning av modeller inte stöds, och Alibabas lanseringsinlägg lovar bara att mindre Qwen4-nivåer ”kommer att bli öppen källkod”, vilket är ett uttalande om familjen snarare än om den här modellen.
Det spelar roll i tre specifika situationer och är irrelevant i övriga. Det spelar roll om du behöver finjustera på dina egna data, eftersom Qwen4-Max inte erbjuder någon väg till det alls. Det spelar roll om din regelefterlevnad kräver att vikterna finns inom din egen perimeter i stället för bakom någon annans API. Och det spelar roll om du beräknar kostnad över år snarare än månader: en nedladdningsbar checkpoint i 3T-klass är en kapitalutgift med en marginalkostnadskurva som du kontrollerar, medan ett hyrt flaggskepp är en prislista som kan ändras. En mixture-of-experts-modell med 3 biljoner parametrar är inte något som de flesta team kan köra internt – den kräver ett rack, inte en arbetsstation – men "dyr att köra själv" och "omöjlig att köra själv" är olika svar på en upphandlingsfråga, och bara ett av dem stänger frågan.
Licensen förtjänar en mening av precision, eftersom "öppna vikter" gör en stor del av jobbet i de flesta genomgångar: Kimi K3.1 Pro levereras under en specialanpassad Kimi K3.1-Pro License, inte den Modified MIT-text som K3 hade, och den medger i vanlig bemärkelse – användning, modifiering, finjustering, vidaredistribution, försäljning – med två villkor påklistrade. Om du driver en model-as-a-service-verksamhet och dina sammanlagda intäkter överstiger 20 miljoner dollar under någon period på tolv sammanhängande månader, behöver du ett separat avtal med Moonshot innan du använder vikterna kommersiellt. Och om en produkt som bygger på dem överstiger 100 miljoner månatliga aktiva användare eller 20 miljoner dollar i månatliga intäkter, måste "Kimi K3.1-Pro" visas framträdande i dess gränssnitt. Intern användning, och användning via Moonshots egna produkter eller certifierade inferenspartner, ligger utanför båda klausulerna. Om du planerar att bygga en produkt ovanpå vikterna bör du läsa licensen i stället för sammanfattningen.
Lägga paret på en tangent
Här upphör jämförelsen att vara symmetrisk på ett sätt som förtjänar att sägas rakt ut. OrcaRouter dirigerar kimi/kimi-k3.1-pro redan idag, på samma OpenAI-kompatibla endpoint som resten av dess över 200 modellidentifierare, till 0 % påslag — leverantörens listpris förs vidare oförändrat, så de 2,00 och 10,00 dollar som nämns ovan är vad du betalar, inte vad leverantören tar innan någons marginal läggs på. Den dirigerar inte Qwen4-Max, och den här sidan kommer inte att påstå något annat: för att nå den modellen krävs Alibabas egna sex regioner eller en tredjepartsplattform som återförsäljer den.
Det som den asymmetrin faktiskt är bra till är det test som den här artikeln har beskrivit. Uppdelningen per arbetsbelastning ovan är en hypotes om din trafik, inte ett faktum om din trafik, och det billiga sättet att falsifiera den är att köra samma prompter genom Kimi K3.1 Pro och en Qwen 3.8-nivå på en enda endpoint, med automatisk failover som täcker leverantörens tillfälliga störningar som annars förstör en benchmarkkörning. Om Kimi-modellen vinner på din arbetsbelastning med mer än 41 cent per uppgift blir argumentet om vikterna lättare att motivera. Om den inte gör det har du sparat dig en upphandlingsdiskussion om ett rack.

Beslutsregeln
Tre indexpoäng och 41 cent i kostnad per uppgift skiljer inte dessa modeller åt. Det som gör det är binärt, och det är värt att kontrollera i den här ordningen.
• Om du behöver skriva ut ett helt dokument i ett enda anrop — Kimi K3.1 Pros utdatatak på ~943 000 token mot Qwen4-Maxs delade budget på 262 144 är en kategorisk skillnad, inte en procentuell sådan
• Om du behöver finjustera, självhosta eller förvara vikterna — Qwen4-Max går bort, eftersom det inte finns några vikter att förvara
• Om dina körningar är begränsade av väggklockstid — passar ingen av dem bra; båda är två till tre gånger långsammare än medianmodellen på samma kort, och Kimi är den långsammare av de två
• Om inget av det gäller — välj det billigare alternativet per slutförd uppgift, vilket enligt dagens siffror är Qwen4-Max på $3,27 mot $3,68, och kontrollera igen om en månad, eftersom båda leverantörerna redan har ändrat sina priser en gång det här kvartalet
Den ärliga sammanfattningen är att Moonshot släppte den modell som fick bättre poäng och Alibaba släppte den med bättre pris, att gapet åt vartdera hållet är litet, och att det enda valet här med en lång svans är det som ingen tar upp i en jämförelsetabell: om du hyr eller äger. Allt annat är fyrtioen cent och ett avrundningsfel på en revision.
Jämförda i den här artikeln2
Identifierat från den här artikeln · Benchmarks: Artificial Analysis · uppdateras dagligen
