Kimi K3.1 Pro so với MiniMax M3.1 Flash: Mức chênh lệch giá gấp 15 lần thu hẹp dần mỗi khi quy mô công việc tăng lên

Đặt Kimi K3.1 Pro và MiniMax M3.1 Flash lên một bảng giá và quyết định trông như đã ngã ngũ trước khi bắt đầu: một cái tốn gấp mười lăm lần cái kia trên mỗi triệu token hỗn hợp [giá của NHÀ CUNG CẤP; tỷ lệ là do chúng tôi tính]. Thay vào đó, đặt chúng lên một sổ cái theo từng tác vụ và khoảng cách đã thu hẹp còn hệ số chín phẩy rưỡi, rồi còn khoảng ba. Không có giá nào của nhà cung cấp thay đổi giữa những lần đọc đó. Mẫu số thì có. Hai mô hình này không cạnh tranh cho cùng một dòng trong ngân sách của bạn, và cách nhanh nhất để chọn là xác định xem khối lượng công việc của bạn chạm tới dòng nào.

Hai hồ sơ chưa từng nhắm đến cùng một người mua

Kimi K3.1 Pro là một mô hình thưa với tổng cộng 2.800B tham số và 104B tham số hoạt động trên mỗi token [VENDOR], ngữ cảnh 1M token [VENDOR], và chế độ suy nghĩ luôn bật: mức nỗ lực chạy ở low, high hoặc max, mặc định là max, trong khi temperature và top_p được cố định [VENDOR]. Hiện nay nó không phải trọng số mở; nhà cung cấp hứa phát hành trước ngày 4 tháng 11 [VENDOR], và Artificial Analysis vẫn đánh dấu nó là độc quyền [INDEPENDENT]. Trên bảng chỉ số đó, nó ghi nhận 57,5 token đầu ra mỗi giây [INDEPENDENT] và điểm 55,09 [INDEPENDENT].

MiniMax M3.1 Flash đã ra mắt vào 2026-10-19 [VENDOR] như một kiểu đối tượng ngược lại: một {{1}}ngữ cảnh 1.048.576 token với đầu ra tối đa{{/1}} 524.288 token [VENDOR], 116,2 token mỗi giây [INDEPENDENT], và điểm số 42,71 [INDEPENDENT]. Một lưu ý về việc làm tròn: Artificial Analysis làm tròn thành 43, còn {{2}}thẻ danh mục của chúng tôi thành 42{{/2}} [INDEPENDENT] — cùng một phép đo.

Cách đóng khung còn trụ lại sau đoạn đầu tiên do đó không phải là “mô hình tiên phong so với mô hình tiết kiệm chi phí”. Đó là một mô hình tổng quát tư duy sâu với hồ sơ nặng về thực thi, đối đầu với một mô hình nhanh, ngữ cảnh dài, thông lượng rẻ mới chỉ một tuần tuổi. 12,38 điểm chỉ số giữa chúng [INDEPENDENT] là có thật, nhưng phân bố không đều, và chính sự không đều đó là quyết định.

Khoảng cách chỉ mục thực sự đến từ đâu

Tách chỉ số thành các hàng của nó và một quy luật sẽ hiện ra: lợi thế của Kimi K3.1 Pro tập trung ở những hàng thưởng cho việc thực thi bền bỉ thay vì kiến thức được lưu trữ. Tất cả số liệu dưới đây là [INDEPENDENT], từ Artificial Analysis.

• Terminal-Bench 4.0: 67,17% so với 25,76%, khoảng cách 41,4 điểm và là mức chênh lệch lớn nhất trong nhóm.

• Terminal-Bench-Science: 34,29% so với 3,33%, chênh lệch 31,0 điểm. Mức một chữ số thấp không phải là hiện tượng làm tròn; đó là việc mô hình phần lớn thất bại ở họ tác vụ.

• GDPval-AA: 1.845,72 so với 1.457,57, chênh lệch 388 Elo. Elo không tuyến tính theo năng lực, nên hãy hiểu đây là một đẳng cấp kết quả khác, không phải một tỷ lệ phần trăm.

• SciCode: 60,76% so với 53,36% — thực sự có tính cạnh tranh.

• AA-LCR 86,33% so với 79,67%; MMMU-Pro 83,87% so với 79,13%; CritPt 24,57% so với 22,29%; HLE 52,46% so với 47,96%. Đây là những hàng mà hai bên gần nhau nhất, và tất cả đều là ngữ cảnh dài hoặc đậm đặc kiến thức.

• AutomationBench: 73.30% so với 72.52% — thực chất là ngang nhau.

• AnalystAgent đạt 38,75 đối với Kimi K3.1 Pro và FrontierCode đạt 47,07%, cả hai đều không có bản tương ứng MiniMax nào được công bố. Một kết quả vắng mặt không phải là số 0 và cũng không phải bằng chứng cho bất cứ điều gì, ngoại trừ việc phép so sánh có những lỗ hổng.

Dòng dữ liệu khiến mọi câu chuyện đơn giản trở nên phức tạp là AA-Omniscience. MiniMax M3.1 Flash trả lời nhiều câu hỏi kiến thức một cách chính xác hơn — độ chính xác 56,20% so với 51,02% — nhưng chỉ đạt 15,55 so với 29,52, vì tỷ lệ ảo giác của nó là 92,81% so với 43,89% [INDEPENDENT]. Chỉ số này phạt những câu trả lời sai một cách tự tin. Một mô hình đúng thường xuyên hơn một chút nhưng sai với độ tự tin cao hơn nhiều là mối nguy cho công việc dựa trên truy xuất, nơi một câu không có căn cứ còn tệ hơn việc thừa nhận không biết.

Định giá, đọc theo ba mẫu số

Ở cấp độ token, hai mô hình không cùng một thị trường. Kimi K3.1 Pro niêm yết ở mức $2.00 cho đầu vào và $10.00 cho đầu ra mỗi triệu token, đọc bộ nhớ đệm ở mức $0.20, giá hỗn hợp theo tỷ lệ 3:1 là $4.00 [VENDOR]. MiniMax M3.1 Flash niêm yết ở mức $0.15 cho đầu vào và $0.60 cho đầu ra, đọc bộ nhớ đệm ở mức $0.015, giá hỗn hợp theo tỷ lệ 3:1 là $0.2625 [VENDOR]. Tỷ lệ giá hỗn hợp là 15,2×.

Tính trên mỗi tác vụ chỉ mục đã hoàn thành, tỷ lệ giảm xuống còn 9,6×: 2,1145 USD cho Kimi K3.1 Pro so với 0,2201 USD cho MiniMax M3.1 Flash [INDEPENDENT]. Lý do mang tính cơ học. Một tác vụ chỉ mục tiêu thụ 55.195 token đầu ra từ Kimi K3.1 Pro và 78.612 từ MiniMax M3.1 Flash — nhiều hơn 42% đầu ra từ mô hình rẻ hơn, điều này bào mòn chính lợi thế của nó ở đầu đắt đỏ của bảng. Chi phí mỗi tác vụ là con số mà đội tài chính nên xem xét, và nó đã nhỏ hơn một phần ba so với mức tỷ lệ được nêu ở tiêu đề gợi ý.

Đảo ngược lại, số điểm chỉ số trên mỗi đô-la tổng hợp là 13,8 đối với Kimi K3.1 Pro và 162,7 đối với MiniMax M3.1 Flash [INDEPENDENT]. Đó không phải là một khuyến nghị: nếu ràng buộc duy nhất là điểm chuẩn tối đa trên mỗi đô-la, thì câu trả lời là rõ ràng; còn nếu là việc hoàn thành bất kỳ nhiệm vụ nào thuộc loại này, thì phép tính chẳng còn quan trọng.

Tại sao khoảng cách cứ thu hẹp khi công việc ngày càng lớn hơn

Bằng chứng rõ ràng nhất là DataAnalyticsBench của Plotly — 43 câu hỏi trên dữ liệu trang trại gió tổng hợp, mỗi mô hình chạy một lần, nên cho ta một xu hướng chứ không phải một phân bố [INDEPENDENT]. Kimi K3.1 Pro trả lời 42 trong 43 câu với 0,31 USD mỗi câu, tổng cộng 13,47 USD, dùng 7,5 lần gọi mô hình và khoảng 440.000 token đầu vào mỗi câu. MiniMax M3.1 Flash trả lời 41 trong 43 câu với khoảng 0,10 USD mỗi câu, tổng cộng 4,09 USD, dùng khoảng 45 lần gọi và 4,2 triệu token đầu vào mỗi câu.

Ba điều xảy ra cùng lúc. Độ chính xác gần như y hệt — cách nhau một câu hỏi, nằm gọn trong mức mà một lần chạy có thể phân định. Khoảng cách giá đã thu hẹp còn 3,1 lần. Và cơ chế đã lộ rõ: mô hình rẻ hơn đạt được điều đó bằng cách thực hiện 45 lượt gọi trong khi mô hình kia thực hiện 7,5 lượt, và đẩy lượng đầu vào gấp 9,5 lần cho mỗi câu hỏi. Nó mua độ chính xác bằng ngữ cảnh và số vòng lặp thay vì độ sâu tham số, và cả hai đều rẻ trên mỗi token nhưng không miễn phí trên mỗi tác vụ.

Nếu mở rộng quy mô lên một trăm nghìn câu hỏi mỗi tháng, phép so sánh sẽ là 31.000 đô la so với 10.000 đô la, chênh lệch khoảng 252.000 đô la một năm [INDEPENDENT, ngoại suy từ các con số tính trên mỗi câu hỏi của Plotly]. Đó là một khoản mục ngân sách thực sự, và cũng là mức khối lượng để định giá chênh lệch độ chính xác 41 so với 42 cho mỗi câu trả lời sai: một lợi thế hai điểm trong một tác vụ mà doanh nghiệp của bạn phụ thuộc vào có thể đáng giá hơn một phần tư triệu đô la.

Nơi gói giá rẻ thực sự chiếm ưu thế

MiniMax M3.1 Flash là lựa chọn đáng mua hơn cho những khối lượng công việc có cùng dạng đặc điểm: lưu lượng lớn, đầu ra ngắn hoặc ít bị ràng buộc chặt chẽ, ngữ cảnh truy xuất nặng, và chấp nhận chạy lại. Phân loại, trích xuất bị ràng buộc theo lược đồ với trình xác thực ở hạ nguồn, tóm tắt ở quy mô lớn, trả lời tăng cường truy xuất trong đó mỗi câu phải truy vết được đến một đoạn văn bản được cung cấp, và tạo hàng loạt kèm bước duyệt. Thông lượng là một lợi thế: 116,2 token mỗi giây so với 57,5 [INDEPENDENT] gần như gấp đôi khả năng đồng thời trên mỗi bản sao trước khi bạn phải xếp hàng, và đầu ra tối đa 524.288 token [VENDOR] nghĩa là các tác vụ dạng dài không cần ghép nối.

Con số ảo giác ràng buộc danh sách đó chứ không phải chỉ để tô điểm cho nó. Tỷ lệ 92,81% [INDEPENDENT] là có thể chấp nhận được khi ground truth nằm trong prompt và một bộ kiểm tra từ chối các khẳng định không có căn cứ. Nó không thể chấp nhận được trong một trợ lý thông tin mở, không có truy xuất, không kiểm tra trích dẫn và không có con người trong vòng lặp — và độ chính xác cao hơn một chút của nó sẽ khiến những thất bại đó khó bị nhận ra hơn, chứ không phải dễ hơn.

Khi gói cao cấp đắt tiền tự hoàn vốn

Kimi K3.1 Pro xứng đáng với mức giá của nó ở những dòng trông giống công việc thực thi hơn là ghi nhớ. Terminal-Bench 4.0 đạt 67.17% và Terminal-Bench-Science đạt 34.29% là những tín hiệu rõ ràng nhất: các tác vụ shell và lập trình dài hạn, nơi một câu trả lời chưa trọn vẹn là một lần chạy thất bại và mỗi lần thử lại tiêu tốn sự chú ý của kỹ sư chứ không phải token [INDEPENDENT]. Khoảng cách 388 Elo của GDPval-AA [INDEPENDENT] cũng cho thấy điều tương tự đối với công việc chuyên môn. Nếu khối lượng công việc của bạn là một agent phải hoàn thành quy trình nhiều bước mà không có giám sát, thì điểm Terminal-Bench 4.0 25.76% [INDEPENDENT] không phải là một khoản giảm giá — đó là một sản phẩm khác.

Hai chi tiết vận hành nên nằm ở đây thay vì trong chú thích cuối trang. Thinking luôn được bật, với effort mặc định ở mức tối đa [VENDOR], vì vậy độ trễ không phải là thứ có thể hạ xuống mà không chấp nhận thay đổi về năng lực; hãy tính đến p50 khoảng 6,9 giây thay vì một đường xử lý nhanh không hề tồn tại. Trong môi trường production trên tuyến của chúng tôi trong bảy ngày tính đến ngày 26 tháng 10, Kimi K3.1 Pro chạy ở 52,4 token đầu ra mỗi giây với tỷ lệ lỗi 0,064% và xử lý 1,305 tỷ token trong ba ngày [OURS]. MiniMax M3.1 Flash chỉ xử lý khoảng 10.000 token trên tuyến của chúng tôi trong khoảng thời gian đó [OURS], quá ít để đo lường bất cứ điều gì, vì vậy mọi số liệu về độ trễ và chi phí cho nó ở đây, bao gồm cả thông lượng, đều là của bên đánh giá.

Lựa chọn giữa chúng

Hãy bắt đầu từ dòng đánh giá giống với lưu lượng của bạn nhất, chứ không phải từ tiêu đề chỉ số hay bảng giá. Nếu câu trả lời phụ thuộc vào Terminal-Bench, GDPval hoặc bất kỳ nhóm thực thi tầm xa nào, thì khoảng cách 41 điểm và 388 Elo sẽ định đoạt trước khi bàn đến chi phí. Nếu câu trả lời phụ thuộc vào AA-LCR, MMMU-Pro, CritPt hoặc AutomationBench, thì hai bên chỉ cách nhau vài điểm và bạn nên chọn dựa trên giá, thông lượng và ngữ cảnh — tức là MiniMax M3.1 Flash, với một lớp truy xuất và một bộ kiểm định quản lý đặc điểm ảo giác.

Trường hợp ở giữa là công việc phân tích có phạm vi giới hạn với một đáp án có thể kiểm chứng. Kết quả 42/43 so với 41/43 của Plotly [ĐỘC LẬP] mang đúng hình thái đó, và mức chênh lệch 3,1× trong một tác vụ mà mô hình rẻ hơn cần lượng đầu vào gấp 9,5× để duy trì ngang bằng là một đánh đổi thực sự. Hãy lấy mẫu lưu lượng của chính bạn trước; một lần chạy 43 câu hỏi chỉ là một hướng đi, không phải phán quyết.

Một lưu ý mang tính cấu trúc về giá, điều này quan trọng hơn bất kỳ tỷ lệ nào ở trên. OrcaRouter chuyển nguyên giá token của nhà cung cấp mà không thay đổi, vì vậy khi giá niêm yết thay đổi, giá của chúng tôi cho mô hình đó cũng thay đổi theo trong cùng ngày, không có bậc giá nào được đàm phán lại ở giữa. Mỗi tỷ lệ ở đây là ảnh chụp nhanh bảng giá hiện tại của hai nhà cung cấp, không phải biểu phí đánh dấu lên — nếu một trong hai nhà cung cấp cắt giảm giá đầu ra vào tháng tới, cả 15,2× và 9,6× đều sẽ thay đổi trong khi việc tính phí vẫn phản chiếu đúng bảng giá của họ. Đây cũng là lý do lợi thế của bậc giá rẻ đáng được kiểm tra lại thay vì ghi nhớ: MiniMax M3.1 Flash đã ra mắt vào ngày 19 tháng 10 [VENDOR], một tuần trước khi bài viết này được viết, và giá ra mắt hiếm khi là giá cuối cùng.

Nguồn: Artificial Analysis Intelligence Index v4.3.2, dữ liệu tính đến ngày 26 tháng 10 năm 2026, cho các số liệu về chỉ số, dòng, thông lượng và chi phí trên mỗi tác vụ; các bài viết DataAnalyticsBench của Plotly ngày 20 và 23 tháng 10 cho phần so sánh 43 câu hỏi; thẻ mô hình của nhà cung cấp cho giá, giới hạn ngữ cảnh, tham số và ngày phát hành. MiniMax M3.1 Flash chỉ có khoảng 10.000 token đi qua tuyến của OrcaRouter trong cửa sổ bảy ngày, quá ít để đo, vì vậy các số liệu về độ trễ và chi phí của nó ở đây là của người đánh giá.