Step 5 Preview so với Kimi K3.1 Pro: Cả hai mô hình đều đã được chấm lại vào tuần trước. Đây là những gì còn trụ lại

Nếu bạn tra cứu Step 5 Preview và Kimi K3.1 Pro cách đây một tuần, bạn sẽ nhận được hai con số: 44 và 55. Cả hai đều không còn nữa. Vào ngày 27 và 28 tháng 10 năm 2026, Artificial Analysis đã thay thế Intelligence Index của mình bằng phiên bản 5, phiên bản này lấy 60% điểm số từ các tập kiểm thử riêng tư hoặc được giữ kín, và việc một mô hình được chấm theo thang đánh giá cũ so với thang mới không phải là cùng một phép đo. Step 5 Preview đạt 29 theo v5. Kimi K3.1 Pro đạt 46. Khoảng cách chín điểm giữa chúng giờ đây là một so sánh mà bạn có thể thực hiện một cách trung thực, và đó là một khoảng cách khác với khoảng cách mà các bài đưa tin ra mắt được viết xoay quanh.

Sau đây là phần so sánh đó, cộng thêm phần mà không ai đưa vào bảng so sánh: hai mô hình đang ở hai phía đối lập của một câu hỏi về trọng số sẽ được giải quyết vào ngày 4 tháng 11, và chỉ một trong số chúng có thể được gọi thông qua OrcaRouter ngay hôm nay.

Hai con số mà ai cũng hay trích dẫn giờ đều đã sai cả rồi.

Kimi K3.1 Pro ra mắt ngày 23 tháng 10 năm 2026 với điểm Intelligence Index là 55 và ra mắt ở vị trí thứ tư, cao hơn Kimi K3 mười một điểm. Bốn ngày sau, con số này là 46. Không có gì về mô hình thay đổi; thước đo đã thay đổi. Artificial Analysis đã xây dựng lại chỉ số tổng hợp thành chín bài đánh giá thuộc bốn nhóm — Công việc Tri thức, Lập trình, Khoa học và Tổng quát — đồng thời loại bỏ ba bài cũ hơn, bao gồm GDPval-AA v2.1, SciCode và AA-LCR v1.1. Nó bổ sung FrontierCode 2.0, một bộ 132 tác vụ lập trình riêng tư được chấm điểm dựa trên việc một bản vá có đáng để hợp nhất hay không, và Terminal-Bench-Science.

Step 5 Preview chịu cú đánh tương tự, thậm chí nặng hơn. Nó đạt 29 dưới v5.0, so với 44 dưới chỉ số trước đó, và mất nhiều bằng chứng hỗ trợ hơn Kimi, vì tài liệu ra mắt của StepFun dựa chính xác vào những đánh giá đã bị loại bỏ. Điểm 88,3 trên AA-LCR và 58,9 trên SciCode xuất hiện trong phần lớn các bài viết về mô hình này giờ là điểm từ những benchmark không còn đóng góp vào chỉ số chính. Chúng vẫn là những phép đo đúng đắn về một thứ gì đó. Chúng không còn là thứ mà chỉ số đo lường.

Hệ quả về xếp hạng đáng được nói thẳng: theo v5, một mô hình trọng số mở hoặc được cam kết mở trọng số đạt 46 điểm đang kém mô hình dẫn đầu ở 58 điểm tới 12 điểm, trong khi theo v4 khoảng cách này từng là 3 điểm. Đó là một phát biểu về thang đánh giá, không phải về sự sụt giảm năng lực đột ngột, và bất kỳ bài viết nào trình bày nó như trường hợp sau đều đang đọc sai chính nguồn của mình.

Các dòng thông số, từng chiều một.

• Tổng và tham số hoạt động — Step 5 Preview: tổng 600B, 27B hoạt động mỗi token, 8 trong 352 chuyên gia cộng thêm một chuyên gia dùng chung. Kimi K3.1 Pro: tổng 2.8T, 104B hoạt động.

• Đó là kiểu phát hành gì — Step 5 Preview: một mẫu flagship mới được phát hành dưới dạng xem trước, trọng số sẽ ra mắt sau đó. Kimi K3.1 Pro: một phiên bản đã qua huấn luyện hậu kỳ của Kimi K3 với khối lượng tính toán huấn luyện hậu kỳ lớn hơn, bao gồm cả học tăng cường kết hợp trên hàng trăm lĩnh vực — không phải một kiến trúc mới.

• Cửa sổ ngữ cảnh — Bản xem trước Bước 5: 1 triệu token. Kimi K3.1 Pro: 1.048.576 token.

• Phương thức đầu vào — Bản xem trước Bước 5: văn bản, hình ảnh và video. Kimi K3.1 Pro: văn bản và hình ảnh.

• Giá đầu vào mỗi triệu token — Step 5 Preview: 1,00 USD. Kimi K3.1 Pro: 2,00 USD, đồng giá trên toàn bộ cửa sổ ngữ cảnh và không có phụ phí ngữ cảnh dài.

Giá đầu ra trên mỗi triệu token — Step 5 Preview: $2,70. Kimi K3.1 Pro: $10,00.

• Đầu vào được lưu trong bộ nhớ đệm — Xem trước Bước 5: giảm giá 90% trên mức giá đầu vào. Kimi K3.1 Pro: $0.20 mỗi triệu để đọc, với ghi bộ nhớ đệm ở $2.00 cho TTL năm phút và $4.00 cho TTL một giờ.

• Trọng số — Step 5 Preview: được công bố ngày 15 tháng 10 năm 2026, BF16 và FP8, theo StepFun Model License 1.0. Kimi K3.1 Pro: chưa được công bố; Moonshot cho biết trọng số dự kiến sẽ có vào ngày 4 tháng 11 năm 2026.

• Điểm số độc lập theo Chỉ số Trí tuệ v5.0 — Bản xem trước Bước 5: 29. Kimi K3.1 Pro: 46.

Chi phí cho mỗi nhiệm vụ đã hoàn thành, cùng với lưu ý đi kèm.

Artificial Analysis báo cáo 2,35 USD cho mỗi tác vụ Intelligence Index đối với Step 5 Preview và 1,98 USD đối với Kimi K3.1 Pro. Điều đó có vẻ là một lợi thế nhỏ cho Kimi, và đáng để tìm hiểu tại sao nó không hẳn rõ ràng là một lợi thế.

Hai con số không được tạo ra trên cùng một bộ tác vụ, vì bộ tác vụ đã được xây dựng lại giữa hai lần đo. Cả hai đều là "chi phí cho mỗi tác vụ chỉ mục" theo composite nào đang hoạt động tại thời điểm lấy số liệu, khiến việc so sánh cùng lắm chỉ mang tính định hướng. Điều không mơ hồ là cơ chế: Kimi K3.1 Pro rất dài dòng, tiêu tốn khoảng 55,000 token đầu ra mỗi tác vụ và 150 triệu token trong cả một lần chạy, so với mức trung vị là 87 triệu, và với $10 mỗi triệu token đầu ra thì sự dài dòng đó rất tốn kém. Con số $1.98 của nó là hệ quả của việc hoàn thành trong ít bước tính phí hơn, chứ không phải nhờ token rẻ hơn.

Step 5 Preview là token rẻ hơn theo hệ số 3,7 ở đầu ra và 2 ở đầu vào, đồng thời là mô hình nhanh hơn với khoảng cách lớn theo phép đo hiện có: 179,1 token đầu ra mỗi giây trên API của StepFun so với trung vị của nhóm là 74,1, trong khi Kimi K3.1 Pro đạt khoảng 73. Nếu khối lượng công việc của bạn nhạy cảm với độ trễ và nặng về đầu ra, thì thứ tự đó khớp với thứ tự giá và việc quyết định rất dễ. Nếu khối lượng công việc của bạn là kiểu mà mức chênh lệch chất lượng câu trả lời 17 điểm chỉ số quan trọng hơn thời gian đến token đầu tiên, thì chính những con số đó lại chỉ theo hướng ngược lại.

Trọng số: một cái đã hết, một cái là lời hứa kèm ngày.

Đây chính là sự bất đối xứng mà các bảng benchmark che giấu. Trọng số của Step 5 Preview đã có thể tải xuống từ ngày 15 tháng 10: các checkpoint BF16 và FP8 trên Hugging Face và ModelScope, công thức vLLM và SGLang ra mắt cùng ngày, một blog kỹ thuật mô tả kiến trúc xếp chồng hẹp-sâu 92 lớp và mẫu chú ý GQA thưa. Checkpoint FP8 cần khoảng 773 GB VRAM và tối thiểu bốn GPU, với B300 là mục tiêu mặc định và tám H200 trên lộ trình Hopper. Giấy phép là của riêng StepFun, không được OSI phê chuẩn: ghi công trên các đầu ra được sử dụng đáng kể, đàm phán riêng cho các nhà sản xuất phần cứng, và giấy phép thương mại cho các nhà vận hành mô hình-dưới-dạng-dịch-vụ có doanh thu thường niên trên 20 triệu USD.

Trọng số của Kimi K3.1 Pro không hề tồn tại vào ngày ra mắt — Artificial Analysis vẫn phân loại mô hình này là độc quyền vào ngày 24 tháng 10 — và ngày được công bố là 4 tháng 11 năm 2026. Khi chúng ra mắt, mô hình của Moonshot sẽ trở thành mô hình có thể tải xuống đạt điểm cao nhất trên chỉ số v5, một sự kiện thực sự quan trọng đối với bất kỳ ai muốn có năng lực gần tầm tiên phong mà không cần nhà cung cấp can dự.

Cho đến ngày 4 tháng 11, phép so sánh là giữa một mô hình bạn có thể chạy và một mô hình bạn chỉ có thể gọi. Đó không phải là bất lợi lâu dài đối với Kimi, nhưng tuần này nó là một bất lợi thực sự, và đó là lý do một quyết định đưa ra hôm nay có thể không phải là quyết định bạn sẽ đưa ra sau chín ngày.

Nơi mỗi cái hiện có thể được gọi

Một trong hai mô hình này có trên OrcaRouter còn mô hình kia thì không. Kimi K3.1 Pro nằm trong danh mục trực tuyến với mã kimi/kimi-k3.1-pro, cùng với năm mô hình Kimi khác. Step 5 Preview thì không: danh mục có 214 mã mô hình thuộc 16 nhà cung cấp, và tính đến ngày 29 tháng 10 năm 2026, không có mục nào cho StepFun trong đó. Nếu bạn muốn dùng Step 5 Preview ngay hôm nay, bạn phải gọi API riêng của StepFun hoặc tự lưu trữ checkpoint.

Sự bất đối xứng đó chính là phần hữu ích của việc so sánh cặp này để ra quyết định định tuyến. Vì chúng tôi chuyển nguyên giá niêm yết của nhà cung cấp mà không cộng thêm phụ phí, bảng giá Kimi bạn thấy ở đây chính là bảng giá của Moonshot — 2,00 đô la và 10,00 đô la — và điều tương tự cũng đúng với bất kỳ mức giảm giá nào Moonshot thực hiện sau này. Và vì tính năng chuyển đổi dự phòng là tự động, cách hiểu thực tế của “Kimi là lựa chọn rẻ và có mức giá được cân nhắc” là bạn có thể đặt nó đầu tiên trong một chuỗi và để nền tảng tự chuyển sang phương án dự phòng khi một nhà cung cấp bị suy giảm, thay vì mã hóa cơ chế dự phòng vào ứng dụng khách của mình rồi phải bảo trì nó.

Câu hỏi về việc di chuyển, nếu bạn đang chuyển đổi

Ba điều sẽ khiến bạn tốn thời gian bất kể bạn di chuyển theo hướng nào.

Đầu tiên là lượng đầu ra. Cấu trúc chi phí của Kimi K3.1 Pro bị chi phối bởi lượng nó viết ra, chứ không phải đơn giá của nó. Một prompt tạo ra câu trả lời cô đọng trên Step 5 Preview có thể tạo ra số token gấp ba lần trên Kimi, và hóa đơn của bạn sẽ đi theo số token chứ không phải theo bảng giá. Hãy đo số token đầu ra cho mỗi tác vụ trên khối lượng công việc của chính bạn trước khi so sánh hai mức giá.

Điều thứ hai là bài toán kinh tế của bộ nhớ đệm. Step 5 Preview chiết khấu 90% cho đầu vào được lưu trong bộ nhớ đệm. Kimi K3.1 Pro tính $0.20 mỗi triệu token để đọc bộ nhớ đệm nhưng cũng tính phí ghi vào bộ nhớ đệm — $2.00 với TTL năm phút và $4.00 với TTL một giờ. Một vòng lặp agent gửi lại một system prompt dài ở mỗi bước là một câu chuyện rất khác dưới hai cơ chế đó, và bảng giá trông rẻ hơn không phải lúc nào cũng là vòng lặp rẻ hơn.

Điều thứ ba là độ nhạy của harness. Bảng của chính Moonshot đặt Kimi K3.1 Pro ở mức 65.7% trên Terminal-Bench 4.0, so với 66.4% của Claude Opus 5.5 và 58.2% của GPT-6 Astra; đơn vị đánh giá độc lập báo cáo 67% cho cùng mô hình. Các con số Terminal-Bench có thể thay đổi hàng chục điểm tùy theo scaffolding, nên khoảng cách 1.7 điểm giữa các lần chạy của hai phòng thí nghiệm không phải là thước đo cho chênh lệch năng lực 1.7 điểm. Hãy coi mọi hàng so sánh giữa các nhà cung cấp trong so sánh này là một tuyên bố về hướng.

Cần làm gì tuần này, cụ thể: nếu khối lượng công việc của bạn là long-context, nhiều đầu ra và nhạy cảm với độ trễ, thì Step 5 Preview ở mức $1.00 và $2.70 là thử nghiệm rẻ hơn và các weight khiến nó trở thành một lựa chọn có thể mang đi. Nếu công việc là lập trình tác tử, nơi chất lượng patch là toàn bộ sản phẩm, thì 46 của Kimi K3.1 Pro trên v5 và 67% trên Terminal-Bench 4.0 khiến nó thành lựa chọn mua mạnh hơn, và ngày 4 tháng 11 là ngày biến nó từ một quyền chọn thành một tài sản. Dù thế nào, đừng xây dựng quyết định trên 44 và 55. Những con số đó thuộc về một rubric không còn tồn tại.