Kimi K3 đấu với Opus 4.8: So sánh trực tiếp Flappy Bird và GTA IV

Kimi K3 so với Opus 4.8 là cuộc đối đầu đằng sau tuyên bố ồn ào nhất trong tuần ra mắt của K3: rằng flagship mới của Moonshot là "Opus-5 level." Cụm từ đó đến từ một người thử nghiệm, không phải từ Anthropic và không phải từ bảng benchmark — vì vậy phiên bản trung thực của sự so sánh này mỏng manh hơn vẻ ngoài. Những gì chúng ta thực sự có là hai bản demo Arena từ cùng một người thử nghiệm, một ước tính của nhà phân tích độc lập, và một điểm số chỉ số trung lập. Điều đó đủ để nói điều gì đó hữu ích, nhưng chưa đủ để trao vương miện cho người chiến thắng. Dưới đây chính xác là những gì đã được trình bày, ai đã trình bày nó, và sự phản đối đến từ đâu.

Một lưu ý cho các nhà phát triển: đây là các thử nghiệm cộng đồng sớm, chưa được kiểm soát, vì vậy hãy coi chúng như chỉ dẫn, không phải điểm số. OrcaRouter đặt các mô hình có sẵn qua API đằng sau một endpoint tương thích với OpenAI, vì vậy một khi Kimi K3 có API đã hoạt động, bạn có thể dùng thử nó với Opus 4.8 mà không cần kết nối nhiều SDK.

Phán quyết tóm tắt. Trên một chỉ số trung lập của bên thứ ba, Kimi K3 (57) đứng trên Opus 4.8 — và nó có trọng số mở và rẻ hơn. Nhưng bằng chứng đối đầu *trực tiếp* ở đây rất mỏng manh: hai bản demo trò chơi Arena từ một người thử nghiệm duy nhất (người đã đặt ra thuật ngữ "Opus-5 level") cộng với ước tính "~Opus 4.8" của một nhà phân tích, và một phản hồi cho rằng Opus trông đẹp hơn trong một trong số chúng. Hãy coi "Opus-5 level" là một tuyên bố, không phải một phát hiện. Nếu bạn cần độ tin cậy đã được kiểm toán, mô hình đóng vào lúc này, Opus 4.8 vẫn là lựa chọn an toàn hơn.

Những điểm chính rút ra

•  Nhãn "Opus-5 level" là tuyên bố của một người thử nghiệm (@jun_song), dựa trên bản demo Arena Flappy Bird — không phải kết quả benchmark.

• Theo Artificial Analysis's Intelligence Index, K3 đạt 57 điểm và xếp hạng trên Opus 4.8 (Nguồn: Artificial Analysis).

•  Nhà phân tích độc lập @teortaxesTex ước tính K3 ở mức "~55 AA, khoảng Opus 4.8 hoặc GPT 5.5" — và lưu ý rằng anh ấy chưa tự kiểm tra K3.

•  Cơ sở bằng chứng là hai bản demo từ một người thử nghiệm + một ước tính, và một phản hồi phản đối ("opus is better?"). Chúng tôi không công bố người chiến thắng.

• K3 là mở trọng lượng và có giá $3 / $15 cho mỗi 1 triệu token; Opus 4.8 là đóng và cao cấp, với số lượng tham số không được tiết lộ.

So sánh nhanh

•  Giấy phép — Kimi K3 (Moonshot): Trọng số mở (đã hứa trước 2026-07-27); Opus 4.8 (Anthropic): Độc quyền, đóng

• Triển khai — Kimi K3 (Moonshot): API/web hiện tại, trọng số sẽ được công bố sau; Opus 4.8 (Anthropic): chỉ API

•  Tham số — Kimi K3 (Moonshot): 2.8T MoE (896 experts, 16 active); Opus 4.8 (Anthropic): — (undisclosed)

•  Cửa sổ ngữ cảnh — Kimi K3 (Moonshot): 1M tokens; Opus 4.8 (Anthropic): —

• Giá (trên 1M vào / ra) — Kimi K3 (Moonshot): $3 / $15; Opus 4.8 (Anthropic): — (cao cấp, đóng)

•  AA Intelligence Index — Kimi K3 (Moonshot): 57 (#4 trong 189); Opus 4.8 (Anthropic): thấp hơn K3 trong chỉ mục AA

•  Tầm nhìn bản địa — Kimi K3 (Moonshot): Có; Opus 4.8 (Anthropic): —

*Nguồn cho thông số K3: Moonshot (do nhà cung cấp báo cáo). Chỉ số AA: Artificial Analysis. Các ô Opus 4.8 được đánh dấu "—" không được tiết lộ và không được ước tính ở đây.*

Tiêu đề cấu trúc: K3 là lựa chọn mở, rẻ hơn, nằm *trên* Opus 4.8 trên chỉ số trung lập duy nhất mà chúng ta có. Opus 4.8 là sản phẩm đóng, cao cấp đương nhiệm với lịch sử lâu dài — phần lớn trong số đó không được so sánh trực tiếp với K3.

Người chiến thắng theo danh mục

Bởi vì chỉ có một chỉ số bên thứ ba và hai bản demo không chính thức, hầu hết các hàng là "không thể so sánh." Chúng tôi chỉ đánh dấu người chiến thắng khi bằng chứng rõ ràng.

• Chỉ số trung tính (AA) — Người chiến thắng: Kimi K3; Ghi chú: K3 57 xếp hạng trên Opus 4.8 (Artificial Analysis)

•  Ước tính của nhà phân tích — Người thắng: — hòa / ngang nhau; Ghi chú: teortaxes: "~55 AA, around Opus 4.8"

• Game one-shots (Arena) — Người thắng: Kimi K3 (theo một người thử nghiệm); Ghi chú: các bản demo Flappy Bird và GTA IV của jun_song; một phản hồi không đồng ý

•  Ổn định / độ tin cậy — Người thắng: — chưa xác định; Ghi chú: Một phản hồi nói "K3 ổn định hơn"; một người khác nói Opus trông đẹp hơn

•  Mức độ trưởng thành tác nhân — Người chiến thắng: Opus 4.8 (chưa kiểm toán); Ghi chú: Thành tích mô hình đóng; không có điểm chuẩn tác nhân K3-vs-Opus trong dữ liệu của chúng tôi

• Giá — Người chiến thắng: Kimi K3; Ghi chú: $3 / $15 so với một bậc cao cấp đóng

•  Tính mở — Người chiến thắng: Kimi K3; Ghi chú: Trọng số mở so với API đóng

Hai bản demo đằng sau tuyên bố

Cả hai đều đến từ cùng một người thử nghiệm, @jun_song, chạy đối đầu trên Arena. Một người thử nghiệm là một cơ sở nhỏ — hãy đọc những điều này như những ấn tượng đầu tiên, không phải là phán quyết cuối cùng.

Nghiên cứu điển hình 1 — Flappy Bird ("Cấp độ Opus-5").jun_song đã viết: *"Kimi-K3 vs Opus-4.8 Flappybird test. Kimi tốt hơn Opus đáng kể. Đó là lý do tại sao tôi gọi nó là cấp độ Opus-5. Test được thực hiện trên @arena"* (nguồn). Một phản hồi từ @u128Oq1uG8m7NMj đã ủng hộ: *"Tôi nghĩ K3 ổn định hơn."* Bản demo đơn lẻ này là nguồn gốc của toàn bộ cách gọi "cấp độ Opus-5" — vì vậy cụm từ này là cách nói tắt của người kiểm tra để chỉ "đánh bại Opus 4.8 trong bài kiểm tra Flappy Bird của tôi," chứ không phải một bậc trên bất kỳ thang đo chính thức nào.

Nghiên cứu điển hình 2 — GTA IV. Trong một cuộc đối đầu thứ hai, jun_song đã báo cáo: *"Kimi-K3 VS Opus-4.8 GTA IV test… Kimi-K3 đã cải thiện ấn tượng so với mô hình trước đó của nó. + Muse Spark 1.1 tạo ra thứ gì đó không thể phát được. + Gemini 3.5 Flash tự gọi mình từ Anthropic và trò chơi cũng không thể phát được"* (nguồn). Lưu ý cách đóng khung: chiến thắng ở đây chủ yếu được đo lường so với mô hình trước đó của *chính* K3, với hai đối thủ khác cho ra kết quả không thể chơi được. Và phản ứng đã nhắm vào cái này — @MCharles10581 đã trả lời: *"Đánh giá từ video, có vẻ như opus tốt hơn?"* Hai người xem, hai cách đọc cùng một clip. Đó chính xác là lý do tại sao chúng tôi sẽ không chấm điểm nó.

Con số cứng rơi vào đâu

Điểm dữ liệu phi giai thoại duy nhất là chỉ số trung lập. Trên Artificial Analysis's Intelligence Index, Kimi K3 đạt 57 điểm và xếp hạng #4 trong số 189 mô hình — trên Opus 4.8 (Nguồn: Artificial Analysis). Một cách độc lập, nhà phân tích @teortaxesTex đã ước tính K3 ở mức *"~55ish AA… khoảng Opus 4.8 hoặc GPT 5.5"* trước khi chỉ số chính thức được đăng tải — và đã nói rõ rằng anh ấy *chưa tự kiểm tra K3.* Vì vậy, hai tín hiệu đều chỉ về cùng một hướng: K3 ít nhất là ngang bằng với Opus 4.8 trên chỉ số thông minh tổng quát, và theo số liệu của AA, nhỉnh hơn một chút.

Kết quả đó là thật, nhưng hãy lưu ý phạm vi của nó. Một điểm chỉ số không giống với độ tin cậy của tác nhân, độ mạnh mẽ khi sử dụng công cụ, hoặc độ ổn định trong dài hạn — không có tiêu chuẩn nào trong số đó mà chúng tôi có benchmark K3-vs-Opus-4.8.

Nơi Opus 4.8 vẫn thắng

Những điểm này là chưa được kiểm toán trong dữ liệu của chúng tôi — không có điểm chuẩn tác nhân có kiểm soát K3-vs-Opus-4.8 nào để trích dẫn — nhưng chúng là đối trọng trung thực cho một bộ demo mỏng.

• Độ tin cậy của mô hình đóng. Opus 4.8 là một điểm cuối được quản lý và bảo trì bởi nhà cung cấp, với lịch sử sản xuất dài hơn. Một phản hồi đã gọi K3 là "ổn định hơn" trên một trò chơi đơn lẻ; đó không phải là bằng chứng về độ tin cậy ở quy mô lớn.

•  Sự trưởng thành của tác nhân. Dòng Opus của Anthropic được định vị cho các công việc tác nhân đa bước, sử dụng công cụ. Không có gì trong bằng chứng K3-vs-Opus ở đây kiểm tra điều đó, và một người hoài nghi khác trong buổi ra mắt đã nhận xét "10 lời nhắc sẽ không cho thấy Kimi K3 thất bại trong việc sử dụng công cụ đa bước."

•  Sự nhất quán giữa các lần chạy. Trường hợp K3 dựa trên hai bản demo từ một người kiểm thử. Hành vi của Opus 4.8 được mô tả rộng rãi hơn nhiều — một lợi thế nhàm chán nhưng lại quan trọng trong sản xuất.

Bạn nên chọn cái nào?

• Bạn muốn điểm số trên mỗi đô la tốt nhất trên một chỉ số trung lập: Kimi K3 — nó xếp hạng trên Opus 4.8 về AA và có giá $3 / $15.

•  Bạn cần trọng số mở hoặc tự lưu trữ: Kimi K3 — trọng số đã được hứa hẹn trước ngày 27 tháng 7 năm 2026; Opus 4.8 bị đóng.

•  Bạn cần độ tin cậy đã được kiểm toán, mô hình đóng cho công việc tác nhân ngay hôm nay: Opus 4.8 — các bản demo ở đây không kiểm tra điều đó.

•  Bạn đang tạo game hoặc one-shot tương tác: hãy thử Kimi K3 trước (theo jun_song), nhưng hãy kiểm tra trên các prompt của riêng bạn — một clip đã chia hai người xem.

Câu hỏi thường gặp

Kimi K3 có thực sự đạt "cấp độ Opus-5" không?

Đó là cụm từ của một người thử nghiệm (@jun_song), dựa trên một bản demo Arena Flappy Bird duy nhất nơi K3 đánh bại Opus 4.8. Đó là một tuyên bố, không phải kết quả benchmark — Anthropic chưa định nghĩa "Opus-5", và không có bài kiểm tra có kiểm soát nào xác thực nhãn này.

Kimi K3 có vượt trội hơn Opus 4.8 trong các bài kiểm tra chuẩn không?

Theo Chỉ số Trí tuệ của Artificial Analysis, K3 (57) xếp hạng cao hơn Opus 4.8 (Nguồn: Artificial Analysis), và nhà phân tích teortaxes ước tính K3 "khoảng Opus 4.8." Đó là chỉ số trí tuệ tổng quát, không phải thử nghiệm tác nhân hay độ tin cậy.

Bằng chứng trong sự so sánh này mạnh đến mức nào?

Mỏng. Đó là hai bản demo game Arena từ một người thử nghiệm cộng với một ước tính của nhà phân tích, và một câu trả lời cho rằng Opus trông đẹp hơn trong clip GTA IV. Hãy coi nó như những ấn tượng đầu tiên mang tính định hướng.

Kimi K3 có rẻ hơn Opus 4.8 không?

Vâng, về số mở: K3 có giá $3 / $15 cho mỗi 1M token và là open-weight. Opus 4.8 là một mô hình cao cấp đóng; giá của nó không có trong dữ liệu của chúng tôi, vì vậy chúng tôi không ước tính nó.

Opus 4.8 vẫn còn ưu thế ở đâu?

Độ tin cậy của mô hình đóng và độ trưởng thành về tác nhân — mặc dù những điều này không được kiểm toán ở đây, vì không có điểm chuẩn tác nhân K3-vs-Opus-4.8 nào trong dữ liệu của chúng tôi.

Tôi có thể thử nghiệm cả hai với nhau không?

Vâng. Khi API của K3 hoạt động, bạn có thể định tuyến cả hai thông qua một điểm cuối tương thích với OpenAI qua OrcaRouter và chạy các prompt của riêng bạn, điều này đáng giá hơn bất kỳ bản demo đơn lẻ nào.

Kết luận

Kimi K3 so với Opus 4.8 tóm gọn trong một sự thật vững chắc và một tuyên bố ầm ĩ: K3 đứng trên Opus 4.8 trong chỉ số Artificial Analysis, là mô hình mở và rẻ hơn, nhưng cách nói về "trình độ Opus-5" dựa trên hai bản demo game từ một người thử nghiệm duy nhất — một trong số đó một người xem lại hiểu theo hướng ngược lại. Nếu ưu tiên của bạn là điểm trên mỗi đô la và tính mở, K3 rất hấp dẫn; nếu bạn cần độ tin cậy đã được chứng minh của mô hình đóng cho công việc tác nhân ngay hôm nay, Opus 4.8 vẫn là lựa chọn an toàn hơn cho đến khi có các cuộc đối đầu trực tiếp được kiểm toán.