Kimi K3.1 Pro so với Grok 4.7: Cùng độ chính xác, nhưng hóa đơn cao hơn 72%

Trong một bài kiểm tra phân tích dữ liệu riêng gồm 43 câu hỏi được xây dựng trên một kho dữ liệu trang trại gió tổng hợp, Kimi K3.1 Pro và Grok 4.7 cả hai đều đạt 42 điểm. Không mô hình nào đã từng thấy các câu hỏi, và dữ liệu được tạo giả nên không đáp án nào có thể đã được ghi nhớ từ trước. Cùng điểm số, cùng thứ hạng — đồng hạng ba trong số 34 mô hình được kiểm tra. Hóa đơn thì không giống nhau: lượt chạy của Kimi tốn 13,47 USD và của Grok tốn 7,85 USD.

Cặp con số đó là điều hữu ích nhất mà bất kỳ ai đã công bố về màn so tài này, vì đây là phép đối đầu trực tiếp duy nhất mà cả hai mô hình đều được cùng một nhóm người chạy, trong cùng một ngày, với cùng các câu trả lời. Gần như mọi thứ khác đang lưu hành hoặc là benchmark của nhà cung cấp được tạo ra dưới một khung đánh giá khác, hoặc là một so sánh âm thầm thay Kimi K3.1 Pro bằng Kimi K3. Vì vậy, bài viết này bắt đầu bằng những gì các bài kiểm tra trung lập cho thấy, rồi tách những khác biệt thực sự khỏi những khác biệt chỉ là hệ quả phụ của việc ai đã chạy bài kiểm tra.

Hai mô hình, hai canh bạc rất khác biệt

Kimi K3.1 Pro ra mắt vào ngày 23 tháng 10 năm 2026 với tư cách là phiên bản kế nhiệm được huấn luyện hậu kỳ của Kimi K3 chứ không phải một kiến trúc mới. Moonshot AI vẫn giữ nguyên xương sống mixture-of-experts 2,8 nghìn tỷ tham số, cửa sổ ngữ cảnh 1.048.576 token cùng khả năng nhận đầu vào hình ảnh và video gốc, đồng thời dành bản phát hành này cho học tăng cường trên các lĩnh vực tác tử và chuyên môn. Toàn bộ trọng số được hứa hẹn sẽ có vào ngày 4 tháng 11 năm 2026.

Grok 4.7 đã ra mắt sớm hơn một tháng, vào ngày 21 tháng 9 năm 2026, từ xAI. Nó là độc quyền, dựa trên nền tảng được báo cáo khoảng 2,1 nghìn tỷ tham số mà xAI chưa xác nhận, có cửa sổ đầu vào 500.000 token với giới hạn đầu ra 450.000 token, và giữ nguyên mức giá của Grok 4.6. Thời điểm cắt kiến thức của nó là tháng 6 năm 2026, với huấn luyện bổ sung đến tháng 8.

• Giá — Kimi K3.1 Pro $2.00 đầu vào / $10.00 đầu ra mỗi triệu token; Grok 4.7 $2.00 / $6.00, tăng lên $4.00 / $12.00 khi một prompt vượt quá 200K token.

• Đầu vào được lưu trong bộ nhớ đệm — 0,20 USD trên Kimi so với 0,50 USD trên Grok, một sự đảo ngược còn quan trọng hơn cả mức giá được quảng cáo đối với các tác nhân đọc lại cùng một kho mã ở mỗi lượt.

• Ngữ cảnh — 1,048,576 token so với 500,000. Kimi cũng cho phép tối đa 943,718 token đầu ra trong một phản hồi duy nhất, điều này không hẳn là một tính năng mà là một lời khẳng định về mục đích mà mô hình được xây dựng để đáp ứng.

• Phương thức — văn bản, hình ảnh và video đầu vào, văn bản đầu ra trên Kimi; văn bản, hình ảnh và tệp đầu vào, văn bản đầu ra trên Grok.

• Kiểm soát suy luận — Kimi mặc định suy luận với mức nỗ lực có thể chọn; Grok cung cấp low, medium, high và xhigh, và không cho phép bạn tắt suy luận.

• Tính mở — trọng số được cam kết vào ngày 4 tháng 11 trên Kimi; Grok chỉ có API và sẽ tiếp tục như vậy.

Vùng trung lập, và nó mỏng manh đến nhường nào

Bài kiểm tra của Plotly là phép so sánh rõ ràng nhất hiện có. Đây là một bài kiểm tra riêng gồm 43 câu hỏi trên một kho dữ liệu tổng hợp về đội năng lượng gió, được chia thành các câu hỏi phân tích, yêu cầu mơ hồ, yêu cầu bất khả thi, bẫy thống kê, kiểm tra chất lượng dữ liệu và năm mẫu được cài sẵn mà một nhà phân tích giỏi nên tự phát hiện mà không cần gợi ý. Kimi K3.1 Pro đạt 42 câu, tăng từ 35 câu của Kimi K3. Grok 4.7 cũng đạt 42 câu. Cả hai đều xếp sau GPT-6.1 Sol và GPT-6 Astra với 43 câu.

Chi tiết đằng sau thế hòa là chỗ hai mô hình khác biệt. Kimi đã tìm ra cả năm mẫu được cài sẵn và phát hiện cả ba vấn đề chất lượng dữ liệu — hàng trùng lặp, thiếu ngày cuối cùng, và sự khác biệt giữa một tuabin đã ngừng hoạt động với một tuabin thực sự sản xuất bằng không. Sai sót duy nhất của nó là một lỗi ranh giới: nó tính 2.775 ngày-tuabin từ trước một lần cài firmware là "firmware khác", điều này làm thay đổi một giá trị trung bình khoảng 0,0003 và nằm ngay ngoài dung sai của bài kiểm tra. Đó là một lỗi về độ chính xác ở ranh giới của một định nghĩa, không phải lỗi lập luận.

Một bài kiểm tra trung lập thứ hai lại cho kết quả ngược lại. Trong đánh giá kế toán của DualEntry, Grok 4.7 về đích đồng hạng hai với 88,1%, còn Kimi K3.1 Pro đứng thứ tư với 86,1%. Kimi là mô hình rẻ nhất tính theo mỗi tác vụ trong lần chạy đó, với $0,079, nhưng cũng là một trong những mô hình chậm nhất với 125,6 giây mỗi tác vụ. Hai bài kiểm tra trung lập, hai kết quả gần như ngang bằng, và thứ hạng đảo chiều giữa hai bài. Đó là dáng vẻ của một so sánh ngang hàng thực sự, và đó cũng là điều mà phần lớn các bài đưa tin trong ngày ra mắt không có.

Nơi sự khác biệt là có thật

Về khả năng viết, đây không phải là cuộc so kè sát nút. ToneBench, công cụ chấm điểm bản nháp dựa trên mười đề bài với bốn giám khảo cho mỗi bản nháp, xếp Kimi K3.1 Pro ở 2.205 Elo và vị trí thứ bảy trong 83 cấu hình, so với Grok 4.7 ở 1.904 Elo và vị trí thứ hai mươi lăm. Các khoảng tin cậy 95% không trùng nhau: 2.166–2.246 so với 1.855–1.962. Kimi thắng chín trong mười kịch bản và bảy trong chín chỉ số phụ, với khoảng cách lớn nhất ở mức tuân thủ độ dài (95,4 so với 78,7) và tín hiệu thị giác (84,9 so với 78,8). Các chiến thắng của Grok thì sát nút và chỉ giới hạn ở giọng điệu và các quy ước YouTube. Với mức $0,251 so với $0,215 mỗi kịch bản, đây không phải là quyết định về chi phí.

Công việc lập trình và tác tử là nơi bằng chứng trở nên lộn xộn, và cũng là nơi hầu hết các so sánh gây hiểu nhầm. xAI báo cáo Grok 4.7 đạt 37,6–38,0% trên Terminal-Bench 4.0. Moonshot báo cáo Kimi K3.1 Pro đạt 65,7% trên cùng benchmark. Những con số đó cách nhau 28 điểm và chúng không có nghĩa Grok chỉ bằng một nửa mô hình, bởi vì điểm Terminal-Bench có thể thay đổi hàng chục điểm tùy theo harness, giới hạn thời gian và số lần thử được phép. Một 65,7% và một 38,0% được tạo ra ở các phòng thí nghiệm khác nhau là hai phép đo khác nhau mang cùng một cái tên.

Bằng chứng lập trình độc lập thực sự tồn tại {{1}}nghiêng về Grok{{/1}}, {{2}}nhưng đó là bằng chứng về Kimi K3 chứ không phải K3.1 Pro{{/2}}. Trên SWE-bench Verified được chạy qua một khung mini-agent tiêu chuẩn, Grok 4.7 đạt 95,6% so với 93,4% của Kimi K3. Chưa ai công bố con số tương đương cho K3.1 Pro. Các con số long-horizon của chính Moonshot — 61,2% trên Kimi Code Bench 3.0 Long-horizon so với 55,95% của K3, và 51,7% trên SWE Marathon so với 45,6% của Claude Opus 5.5 — cho thấy quá trình post-training có ích, nhưng đó là việc nhà cung cấp tự chấm bài của chính mình trên một benchmark do họ tự xây dựng.

Ngữ cảnh dài là khoảng cách năng lực duy nhất không cần đến benchmark. Một triệu token so với năm trăm nghìn là gấp đôi, và giá cache hit của Kimi chưa bằng một nửa của Grok. Nếu khối lượng công việc là một monorepo, một bộ hợp đồng hay một năm phiếu hỗ trợ, thì so sánh đã ngã ngũ trước khi bất kỳ điểm số nào được đọc.

Tại sao hóa đơn lại khác biệt

Khoảng cách chi phí 72% trong bài kiểm tra Plotly không chỉ được giải thích bởi bảng giá. Giá đầu ra của Kimi cao hơn 67%, nên với cùng số token, nó sẽ tốn nhiều hơn — nhưng không nhiều hơn 72% trong một bài kiểm tra mà hai mô hình tạo ra chất lượng câu trả lời như nhau. Phần còn lại đến từ việc chúng viết bao nhiêu và thực hiện bao nhiêu lần gọi để đạt được kết quả đó.

Kimi đạt trung bình khoảng 7,5 lượt gọi mô hình cho mỗi câu hỏi và trung vị 2,5 phút cho mỗi câu hỏi, chậm thứ hai trong số 34 mô hình; khoảng 90% thời gian đó là phản hồi của mô hình chứ không phải thực thi SQL. Với các câu hỏi mẫu ẩn, nó thực hiện khoảng 73 lượt gọi công cụ. Các thử nghiệm độc lập của Grok ở nơi khác đã phát hiện nó tiêu thụ lượng token đầu ra cho mỗi tác vụ gần gấp đôi so với Grok 4.6, điều này lại có tác động ngược lại. Tác động ròng trong bài kiểm tra này là Grok chi ít đô-la hơn cho mỗi câu trả lời đúng mặc dù tiêu tốn nhiều token hơn cho mỗi bước.

Phép tính cho một agent trong môi trường production trông như thế này. Hãy lấy một tác vụ đọc 100K token đầu vào, ghi 8K đầu ra và chạy 20 lượt.

• Kimi K3.1 Pro, không dùng bộ nhớ đệm — 20 lượt với chi phí đầu vào $0.20 cộng đầu ra $0.08 là khoảng $5.60 mỗi tác vụ.

• Grok 4.7, không dùng bộ nhớ đệm — cùng cấu hình với $0.20 đầu vào cộng $0.048 đầu ra là khoảng $4.96 mỗi tác vụ.

• Kimi K3.1 Pro, tỷ lệ trúng bộ nhớ đệm 70% — chi phí đầu vào giảm còn $0,074 mỗi lượt, đưa tác vụ xuống khoảng $3,08.

• Grok 4.7, tỷ lệ trúng bộ nhớ đệm 70% — chi phí đầu vào giảm còn $0.095 mỗi lượt, đưa chi phí tác vụ xuống khoảng $2.86.

Vậy Grok thắng trong trường hợp agent ngay cả ở tỷ lệ cache cao, vì token đầu ra chiếm ưu thế và nó tính giá ít hơn 40% cho chúng. Kimi chỉ vượt lên khi đầu ra nhỏ so với đầu vào. Lấy một lệnh gọi truy xuất với 100K đầu vào và 1K đầu ra ở mức cache 70%: Kimi tốn $0.084 và Grok $0.101, Kimi thắng 17%. Điểm giao nhau không phải là tỷ lệ cache — mà là tỷ lệ đầu vào trên đầu ra. Công việc thiên về đọc thì dùng Kimi, công việc thiên về ghi thì dùng Grok, và lời khuyên trung thực là hãy đo tỷ lệ của chính bạn thay vì tin vào ví dụ của bất kỳ nhà cung cấp nào.

Tốc độ thay đổi hình dạng của hệ thống, chứ không chỉ hóa đơn.

Thời gian trung vị đến token đầu tiên của Kimi K3.1 Pro theo đo đạc của chúng tôi là 6,9 giây ở tốc độ 48 token/giây. Grok 4.7, trong thử nghiệm của bên thứ ba, đạt khoảng 1,3 giây đến token đầu tiên và khoảng 61 token/giây. Với một sản phẩm chat, sự khác biệt đó là đáng kể. Đối với một agent thực hiện 20 lệnh gọi tuần tự, đó là sự khác biệt giữa một tác vụ có cảm giác tức thì và một tác vụ có cảm giác bị hỏng, và đó là lý do thực sự khiến một số so sánh công cụ lập trình dành chiến thắng cho Grok bất chấp điểm viết của Kimi mạnh hơn.

Việc kiểm soát reasoning càng làm vấn đề phức tạp hơn. Grok cho phép bạn điều chỉnh mức effort từ low đến xhigh và tính phí tương ứng; ở mức low, ToneBench đo được 1.815 Elo với $0,064 mỗi kịch bản, bằng một phần tư chi phí của mức medium. Kimi mặc định reasoning và thiết lập effort của nó là một công cụ thô hơn, với sampling cố định ở temperature 1.0 và top_p 0.95 — những giá trị mà nó từ chối các phương án thay thế. Nếu một pipeline phụ thuộc vào tính xác định ở temperature thấp, đó là một câu hỏi về khả năng tương thích cần giải quyết trước khi benchmark bất cứ thứ gì.

Cái nào thuộc về môi trường sản xuất?

Chọn Kimi K3.1 Pro khi công việc có ngữ cảnh dài và nặng về tài liệu: rà soát hợp đồng, nghiên cứu tài chính, phân tích kho lưu trữ nhiều tệp và kiểm toán chất lượng dữ liệu, nơi mô hình phải nhận ra điều gì còn thiếu thay vì trả lời điều được hỏi. Cửa sổ 1M, bộ nhớ đệm giá rẻ và việc Moonshot báo cáo tỷ lệ tuyên bố ảo giác giảm từ 23,4% xuống 8,3% khi dùng công cụ đều chỉ về cùng một hướng. Đây cũng là mô hình duy nhất trong hai mô hình sẽ có thể tải xuống, điều này quan trọng nếu khối lượng công việc không thể rời khỏi hạ tầng của bạn.

Chọn Grok 4.7 khi độ trễ là một phần của sản phẩm: trợ lý lập trình tương tác, tác nhân IDE, sử dụng công cụ phục vụ khách hàng, nơi một khoảng dừng sáu giây bị coi là lỗi. Nó rẻ hơn ở đầu ra, nhanh hơn ở thời gian tới token đầu tiên, và bằng chứng lập trình độc lập — dù còn ít ỏi — đứng về phía nó. Cửa sổ 500K của nó không phải là hạn chế với hầu hết công việc kho mã, mặc dù với một số thì có.

Câu trả lời khó chịu cho bất kỳ ai muốn có một người thắng duy nhất là: hai mô hình hòa nhau ở phép thử trung lập duy nhất mà cả hai đã thực hiện, và tiêu chí phá hòa là tỷ lệ đầu vào trên đầu ra của bạn cùng ngân sách độ trễ của bạn. Đó là những thuộc tính bạn có thể đo trong một buổi chiều, và không bài đăng ra mắt nào có thể cho bạn biết chúng là gì.

Chạy cả hai mà không cần hợp đồng thứ hai

Đây là trường hợp so sánh duy nhất mà việc thử cả hai đều rẻ để bố trí. OrcaRouter cung cấp kimi/kimi-k3.1-pro và grok/grok-4.7 trên cùng một khóa, theo giá niêm yết của nhà cung cấp mà không có phụ phí, vì vậy mức $2.00, $10.00 và $6.00 ở trên chính là số tiền bạn được tính, chứ không phải phiên bản của một nhà bán lại. Điều này ở đây quan trọng hơn bình thường, bởi vì quyết định phụ thuộc vào hành vi bộ nhớ đệm và độ trễ đo được bên trong ứng dụng của chính bạn — nghĩa là bạn cần cả hai mô hình nằm sau một điểm cuối và một hóa đơn để so sánh chúng một cách công bằng.

Nó cũng thay đổi cách xử lý dự phòng. Chuyển đổi dự phòng tự động giữa các nhà cung cấp nghĩa là giới hạn tốc độ hoặc sự cố ngừng dịch vụ ở một mô hình không làm sập tính năng, và DSL định tuyến cho phép bạn gửi đường dẫn ngữ cảnh dài đến Kimi và đường dẫn tương tác đến Grok trong một chính sách duy nhất thay vì duy trì hai tích hợp. Nếu bạn vẫn đang cân nhắc, đó là một cách để chạy đánh giá trên một phần lưu lượng sản xuất thay vì chọn từ bảng điểm chuẩn.

Điều gì sẽ thay đổi phán quyết này

Hai điều, cả hai đều gắn với một mốc thời gian cụ thể. Điều đầu tiên là ngày 4 tháng 11, khi Moonshot đã cam kết công bố toàn bộ trọng số. Một Kimi K3.1 Pro mở trọng số với chất lượng như vậy sẽ thay đổi bài toán cân nhắc đối với bất kỳ ai có lý do về tuân thủ để tự vận hành mô hình, và đó cũng là thời điểm các phòng thí nghiệm độc lập có thể chạy mô hình mà không cần ngân sách API.

Điều thứ hai là một cuộc đối đầu trực diện đúng nghĩa giữa các tác nhân. Mọi so sánh lập trình đang lưu hành hoặc dùng Kimi K3 thay vì Kimi K3.1 Pro, hoặc so sánh hai harness của nhà cung cấp như thể chúng là một phép đo duy nhất. Khoảnh khắc ai đó chạy cả hai mô hình qua cùng một scaffold trên cùng các tác vụ — theo cách Plotly đã làm cho phân tích dữ liệu — câu hỏi về lập trình sẽ không còn gây tranh cãi. Cho đến lúc đó, quan điểm có thể bảo vệ được là quan điểm nhàm chán: Grok 4.7 cho tốc độ và lập trình tương tác, Kimi K3.1 Pro cho ngữ cảnh dài, viết lách và xử lý tài liệu, và cả hai đều phải được đo trên lưu lượng của chính bạn trước khi một trong hai có đường đi vào production.