Kimi K3.1 Pro so với Claude Opus 5.5: Một nửa giá niêm yết, kém 0,7 điểm trên một bài benchmark

Kimi K3.1 Pro và Claude Opus 5.5 là cùng một kiểu mô hình được bán với giá đúng bằng một nửa. Mô hình chủ lực mới của Moonshot có giá $2.00 mỗi triệu token đầu vào và $10.00 mỗi triệu token đầu ra; của Anthropic là $4.00 và $20.00. Cả hai đều nhận một triệu token ngữ cảnh. Cả hai luôn suy nghĩ trước khi trả lời. Và trên một benchmark duy nhất mà cả hai công ty đều công bố, chúng cách nhau 0.7 điểm: 65.7% cho Kimi K3.1 Pro so với 66.4% cho Claude Opus 5.5 trên Terminal-Bench 4.0. Đó là toàn bộ luận cứ dành cho ứng viên thách thức trong ba con số, và đó là một luận cứ mạnh — với hai lưu ý quyết định liệu nó có đúng với khối lượng công việc của bạn hay không: hai điểm số được tạo ra ở các cài đặt khác nhau, và mức 2× là giá trên mỗi token chứ không phải giá trên mỗi tác vụ hoàn thành.

Kimi K3.1 Pro đã ra mắt vào ngày 24 tháng 10 năm 2026, một ngày sau video teaser đã nêu tên nó. Claude Opus 5.5 đã được cung cấp rộng rãi kể từ ngày 22 tháng 9. Cả hai đều không phải là một thử nghiệm mới trong phòng lab: Opus 5.5 là mô hình hạng Opus hiện tại mà Anthropic đã phát hành từ cuối tháng 9, còn Kimi K3.1 Pro là phiên bản hậu huấn luyện của Kimi K3 chứ không phải một kiến trúc mới. Điều đó khiến so sánh này trở nên đặc biệt rõ ràng đối với một trang so sánh mô hình với mô hình — cả hai bảng giá đều được công bố, cả hai nhà cung cấp đều in bảng điểm chuẩn, và không mô hình nào ẩn sau danh sách chờ.

Hai bảng giá, từng dòng một

Năm dòng quan trọng, và một trong số đó phá vỡ quy luật.

• Đầu vào — $2.00 mỗi triệu token trên Kimi K3.1 Pro so với $4.00 trên Claude Opus 5.5. Đúng bằng một nửa.

• Đầu ra — $10.00 so với $20.00. Đúng một nửa, và đầu ra là hạng mục chiếm ưu thế trong công việc tác tử và suy luận, nơi mô hình viết nhiều hơn hẳn so với những gì nó đọc.

• Đọc bộ nhớ đệm — $0,20 ở cả hai. Đây là điểm dị thường: hai nhà cung cấp khớp nhau đến từng xu về giá đọc một tiền tố đã được lưu trong bộ nhớ đệm, tức hạng mục chiếm phần lớn chi phí của một agent chạy lâu dài khi đọc lại kho mã ở mỗi lượt.

• Ghi bộ nhớ đệm — Kimi tính $2.00 cho một mục bộ nhớ đệm năm phút và $4.00 cho một giờ; Anthropic tính $5.00 và $8.00. Kimi cũng rẻ hơn ở điểm này, và mức rẻ hơn vượt quá một nửa.

• Các biến thể nhanh — Kimi K3.1 Pro Highspeed có giá $4.00 và $20.00, với tốc độ đầu ra nhanh gấp khoảng hai đến ba lần. Chế độ nhanh của Anthropic trên Opus 5.5 có giá $8.00 và $40.00, đạt tốc độ lên tới 2,5×. Cùng mối quan hệ, cùng mức gấp đôi.

Do đó, việc tính toán cho một yêu cầu hỗn hợp là đơn giản. Một lệnh gọi đọc một triệu token đầu vào và ghi 200.000 token đầu ra tốn $4.00 trên Kimi K3.1 Pro và $8.00 trên Opus 5.5. Một agent đọc lại ngữ cảnh một triệu token với tỷ lệ trúng bộ nhớ đệm 70% trả $0.74 cho đầu vào trên Kimi so với $1.34 trên Opus, hoặc $2.74 so với $5.34 khi đã tính cả đầu ra. Khoản tiết kiệm đến từ đầu vào mới và đầu ra, không phải từ việc lưu đệm, vì chi phí lưu đệm là như nhau trên cả hai.

Điều mà bảng giá không cho bạn biết là mỗi mô hình tiêu tốn bao nhiêu token. Kimi K3.1 Pro mặc định ở mức suy luận cao nhất, max. Claude Opus 5.5 mặc định ở mức trung bình. Một mô hình mặc định suy nghĩ ở mức max sẽ trung bình viết nhiều token suy luận hơn cho mỗi câu trả lời so với một mô hình suy nghĩ ở mức trung bình — vì vậy mức 2× được quảng cáo là giá trên mỗi token, không phải giá trên mỗi tác vụ hoàn thành, và khoảng cách thực tế phụ thuộc vào việc công việc của bạn thực sự cần bao nhiêu phần suy nghĩ thêm của Kimi. Moonshot không công bố con số token trên mỗi tác vụ để giải đáp điều đó.

Chỉ số đánh giá duy nhất mà cả hai phòng thí nghiệm đều công bố, và vì sao nó không phải là một phép đo

Terminal-Bench 4.0 là thứ gần nhất với một thước đo chung trong hai lần ra mắt này, và ngay cả ở đây, hai con số cũng không được đưa ra theo cùng một cách.

Con số 66,4% của Anthropic được chạy ở mức nỗ lực xhigh, cao hơn một bậc so với mức mặc định medium của mô hình, trên harness của chính Anthropic, với cơ chế định tuyến an toàn được bật. Công ty công bố bảng này và nói rõ như vậy. Con số 65,7% của Kimi xuất hiện trong tài liệu ra mắt của Moonshot ở thiết lập max mặc định của mô hình, trên một harness cũng do công ty kiểm soát; bảng ra mắt dẫn Opus 5.5 ở 66,4%, đúng con số Anthropic đã công bố, mà không nói rõ Moonshot đã chạy lại hay chỉ trích dẫn. Khoảng cách 0,7 điểm giữa hai bảng do nhà cung cấp chạy, ở các thiết lập nỗ lực khác nhau, trên các scaffolding khác nhau, không phải là phép đo mức khác biệt giữa hai mô hình. Đó là lời khẳng định rằng hai mô hình đủ sát nhau để lựa chọn harness quyết định thứ hạng.

Thêm hai điểm dữ liệu nữa cũng chỉ về cùng một hướng. Đánh giá độc lập Opus 5.5 trên cùng benchmark, từ Artificial Analysis như được báo cáo khi ra mắt, là 59,6% — thấp hơn bảy điểm so với con số của chính Anthropic, trong một cấu hình có bao gồm định tuyến bảo vệ phía máy chủ. Và tài liệu của chính Moonshot vẫn còn chứa các phần giữ chỗ nguyên văn “[xx.x%]” cho điểm Terminal-Bench và điểm benchmark khoa học của mình vào ngày ra mắt, trong khi bài đăng tiếp thị lại có các con số. Không sự thật nào trong hai sự thật đó chứng minh được điều gì về chất lượng tương đối. Cả hai đều cho thấy các bảng benchmark ngày ra mắt trước hết là sản phẩm tiếp thị.

Ở những điểm mà các nhà cung cấp đồng thuận, câu chuyện vẫn nhất quán: Kimi K3.1 Pro gần với Opus 5.5 trên các tác vụ mà cả hai cùng đo, và vượt xa phiên bản tiền nhiệm của chính nó. Bộ đánh giá lập trình tầm xa của Moonshot đã tăng từ 55,95% lên 61,2%, điểm CAD không dùng công cụ của nó là 72,8 so với 73,0 của Opus, và tỷ lệ ảo giác trên bộ bài tập khó do chính nhà cung cấp xây dựng đã giảm từ 23,4% xuống 8,3% khi có công cụ — một con số mà, nếu vẫn giữ được khi đánh giá bên ngoài, còn quan trọng hơn bất kỳ điểm chuẩn nào đối với công việc nhiều tài liệu.

Núm điều chỉnh mức nỗ lực chính là điểm khác biệt thực sự giữa hai sản phẩm.

Cả hai mô hình đều có trường mức độ nỗ lực suy luận; chúng không thống nhất về số nấc mà trường này có và nó nằm ở đâu.

Kimi K3.1 Pro có ba mức: low, high và max, với max là mặc định. Claude Opus 5.5 có năm mức: low, medium, high, xhigh và max, với medium là mặc định. Cả hai mô hình đều không cho phép người gọi tắt suy luận. Kimi cố định hoàn toàn việc lấy mẫu — temperature 1.0, top-p 0.95, n bằng 1 — và từ chối các giá trị khác, nên mức nỗ lực là núm điều chỉnh hành vi duy nhất mà nó cung cấp. Anthropic để temperature có thể đặt được nhưng luôn bật suy luận thích ứng, nên mức nỗ lực là núm duy nhất thay đổi mức độ mô hình suy nghĩ.

Các giá trị mặc định đang thực sự gánh việc. Kimi xuất xưởng trung thực nhưng đắt: mọi yêu cầu không truyền reasoning_effortđều phải trả giá cho thiết lập sâu nhất. Opus xuất xưởng ở nấc giữa và để dành hai nấc cao nhất cho những ai chủ động yêu cầu. Nếu bạn chuyển một khối lượng công việc sang mà không thay đổi gì khác, thì bạn đã thay đổi cả mô hình lẫn ngân sách suy nghĩ của nó — đây chính là cách phổ biến nhất khiến một "mô hình rẻ hơn" hóa ra lại chẳng rẻ. Bảng của chính Anthropic cho thấy mức độ của hiệu ứng đó trong cùng một mô hình: CursorBench 4.0 đạt 57,8% ở xhigh và 52,5% ở medium, trong khi FrontierCode chỉ dịch chuyển 0,2 điểm giữa hai thiết lập ấy. Độ nhạy với mức nỗ lực tùy thuộc vào từng khối lượng công việc, và không có model card nào dự đoán được trường hợp của bạn.

Một cái bẫy vận hành áp dụng cho cả hai. Việc chuyển mức effort giữa cuộc hội thoại sẽ làm mất hiệu lực các lượt trúng prefix-cache, nên một agent tăng effort giữa chừng trong một phiên dài sẽ phải trả giá để đọc lại mọi thứ nó đã cache. Hãy quyết định mức này trước khi phiên bắt đầu, không phải trong lúc đang chạy.

Mỗi nhà cung cấp làm gì với mô hình khi bạn không để ý

Cả hai phòng thí nghiệm hiện đã phát hành một mô hình mà hành vi của nó trên một số đầu vào không phải là hành vi bạn yêu cầu, và cả hai đều mô tả điều đó một cách công khai.

Tài liệu ra mắt Opus 5.5 của Anthropic cho biết hầu hết các tác vụ liên quan đến an ninh mạng có thể được chuyển tuyến sang Claude Opus 4.8, và rằng công việc về sinh học và phát triển mô hình tiên phong có thể được chuyển dự phòng về Opus 5. Những cơ chế dự phòng đó diễn ra ở phía máy chủ: phản hồi quay về từ một mô hình khác, và tín hiệu duy nhất mà bên gọi có được là nội dung. Đối với một khối lượng công việc cận an ninh, đây là một thay đổi năng lực thực sự, không phải một chú thích chính sách.

Moonshot đã đi theo một hướng khác. Họ loại bỏ dữ liệu liên quan đến an ninh mạng khỏi cả giai đoạn giữa huấn luyện và giai đoạn học tăng cường, trong khi vẫn giữ phần lập trình tổng quát, và báo cáo cái giá phải trả: điểm lập trình đối kháng của họ giảm từ 90,5% trên checkpoint chưa giảm thiểu xuống 81,0% trên mô hình được phát hành. Công ty mô tả đó là một giới hạn có chủ đích đối với năng lực tấn công mạng và cho biết sẽ nâng giới hạn này dần dần. Kimi K3.1 Pro không định tuyến lại yêu cầu của bạn; nó chỉ đơn giản là yếu hơn ở đúng hạng mục đó, với mức chênh lệch do chính nhà cung cấp của nó công bố.

Cái nào tốt hơn còn tùy vào thứ bạn đang xây dựng. Nếu bạn cần đầu ra mang tính tất định từ mô hình bạn đã chọn, thì một phương án dự phòng âm thầm còn tệ hơn một điểm yếu được công bố. Nếu bạn cần kết quả mạnh nhất có thể cho một tác vụ mà nhà cung cấp đã giới hạn, thì phương án dự phòng vẫn có thể tốt hơn việc bị từ chối — nhưng lúc này bạn đang đánh giá so sánh hai mô hình trong khi tưởng rằng mình chỉ đang dùng một.

Ngày quyết định câu hỏi về trọng số mở

Kimi K3.1 Pro đang được bán như một mô hình trọng số mở, và trọng số vẫn chưa được phát hành. Moonshot nói rằng toàn bộ trọng số sẽ được phát hành trước ngày 4 tháng 11 năm 2026. Cho đến lúc đó, cột trọng số mở trong bất kỳ so sánh nào chỉ là một lời hứa, và tổ chức Hugging Face lưu trữ Kimi K3 không có gì mới hơn K3 tính đến ngày 24 tháng 10.

Claude Opus 5.5 không có kế hoạch phát hành mô hình trọng số mở và sẽ không bao giờ có. Với bất kỳ ai mà việc triển khai của họ không thể gọi API được lưu trữ, so sánh dừng lại ở đó bất kể giá: một bên là sản phẩm mà bạn có thể tải xuống trong mười một ngày, bên kia là một dịch vụ cho thuê. Với tất cả những người còn lại, ngày 4 tháng 11 là thời điểm việc so sánh giá trở thành một lựa chọn kiến trúc thực sự thay vì một lựa chọn mua sắm.

Hôm nay chạy gì

Đây là phần mà bảng giá không đề cập: tính khả dụng. Claude Opus 5.5 hiện có thể gọi qua OrcaRouter với giá $4.00 và $20.00 mỗi triệu token, đọc bộ nhớ đệm ở mức $0.20 — giá niêm yết của nhà cung cấp được chuyển nguyên, không cộng thêm phụ phí — trên cùng một khóa như phần còn lại trong stack của bạn, với thời gian trung vị đến token đầu tiên là 3,86 giây trong bảy ngày qua trên tuyến của chúng tôi. Kimi K3.1 Pro đã gia nhập cùng danh mục vào ngày 24 tháng 10 với giá $2.00 và $10.00, đọc bộ nhớ đệm ở mức $0.20, cửa sổ 1.048.576 token và giới hạn đầu ra được công bố là 943.718 token. Cả hai hiện trả lời trên một khóa.

Việc có cả hai cùng nằm sau một khóa là điều mà không tài liệu của nhà cung cấp nào đề cập. Với khoảng cách giá gấp 2×, quyết định quan trọng hơn việc chọn một bên thắng là chính sách định tuyến: gửi một phần năm lưu lượng khó nhất của bạn đến Opus 5.5, gửi phần còn lại đến Kimi K3.1 Pro, và để tính năng chuyển đổi dự phòng tự động xử lý tình trạng tạm ngưng ở một trong hai bên. Mô hình chuyển tiếp nguyên giá là thứ giữ cho phép tính đó trung thực — mỗi bên của phần tách sẽ tính giá theo mức giá công bố của chính nhà cung cấp mà không cộng thêm gì, vì vậy khoản tiết kiệm bạn tính được chính là khoản tiết kiệm bạn thực nhận, và thay đổi giá tại bất kỳ nhà cung cấp nào cũng được áp dụng ở đây ngay trong cùng ngày.

Điều đó đưa phép so sánh trở lại đúng nơi nó bắt đầu. Nếu công việc của bạn chủ yếu gồm những tác vụ mà hai mô hình chỉ chênh nhau trong vòng một điểm, thì khoảng cách giá chính là toàn bộ câu chuyện và câu trả lời là mô hình rẻ hơn. Nếu công việc của bạn chủ yếu là lập trình dài hạn, nơi Opus đã có ba tháng đánh giá độc lập phía sau còn Kimi chỉ có bảng của nhà cung cấp công bố ngày hôm qua, thì 0,7 điểm không phải con số đáng tin — con số đáng tin là đánh giá của chính bạn, được chạy ở thiết lập effort mà bạn sẽ thực sự triển khai. Cả hai nhà cung cấp giờ đều đã giúp việc đó trở nên dễ dàng, vì cả hai đều cho phép bạn xoay núm điều chỉnh và đều công bố cái giá của việc xoay núm đó.