GLM-5.2 与 Kimi K3：更便宜更快，还是更大更好

GLM-5.2 和 Kimi K3 于 2026 年年中相隔一个月相继问世，二者几乎完美地互为镜像。Kimi K3 于 2026-07-16 发布，开放权重随后于 2026-07-27 跟进，是两者中更大、纸面上也更强的模型：2.8 万亿参数，其中 1040 亿为激活参数，并且在两者共同参与评测的几乎所有基准上都得分更高。GLM-5.2 自 2026-06-16 起就已发布，是两者中较小的一个，7530 亿参数、400 亿激活，每输出词元的成本大约只有三分之一，中位响应速度更快，并且以 MIT 许可证发布，而非带有收入触发条款的定制许可证。

以上就是用一段话给出的结论。接下来是支撑它的证据——针对你可能会实际运行的作业所做的价格计算，两者足够接近、差异不过是噪声的那些测量值，以及一个与它旁边印着的数字并不可比的流行数字。

两人所处的位置

两者通常都可以通过各自厂商自己的 API 获取，都可以在 OrcaRouter 上路由，并且都有可下载的权重。在你接近任何基准测试之前，真正重要的差异在于：

• 发布日期 — GLM-5.2 于 2026-06-16，对比 Kimi K3 于 2026-07-16（Artificial Analysis 模型页面；OrcaRouter 自家针对 Kimi K3 的模型页面将其日期记为早一天，即 2026-07-15）

• 权重 — GLM-5.2 以 MIT 许可开源，而 Kimi K3 以 Kimi K3 许可开源，后者要求年模型即服务收入超过 2000 万美元时需另行签订协议，月活跃用户超过 1 亿时须进行显著署名（内部研究与开发除外）

• 规模 — GLM-5.2 总参数 753B / 激活参数 40B，对比 Kimi K3 总参数 2.8T / 激活参数 104B

• 上下文 — GLM-5.2 1,000,000 tokens 对比 Kimi K3 1,048,576 tokens

• 输入 — GLM-5.2 文本输入、文本输出，对比 Kimi K3 文本和图像输入、文本输出

• 已公布的最大输出 — GLM-5.2 为 128,000 tokens，而 Kimi K3 的 OrcaRouter 页面则未公布

在 OrcaRouter 上，两者都通过一个密钥、经由一个 OpenAI 兼容端点 https://api.orcarouter.ai/v1 访问，而且我们按供应商的标价原样透传，不加任何加价——因此下面的每一个数字都是供应商给出的，而不是我们的。

一百万 token 的成本，在一项本身就有成本的任务上

供应商价目表先来，数据于 2026-09-23 从供应商自家的定价页面读取。Z.ai 将 GLM-5.2 标为每百万输入 token 1.40 美元、每百万缓存输入 token 0.26 美元、每百万输出 token 4.40 美元。Moonshot 将 Kimi K3 标为输入 3.00 美元、缓存读取 0.30 美元、输出 15.00 美元——此外还有缓存写入费用：五分钟缓存为每百万 3.00 美元，一小时缓存为每百万 6.00 美元。这些只是公布价格，并非经独立审计的价格，且两家供应商都可能调整。

让它们做一项以阅读为主的任务：审查一个 60 万 token 的代码库，并写出 8,000 token 的书面答案。在 GLM-5.2 上，输入成本为 0.6 x $1.40 = $0.84，输出成本为 0.008 x $4.40 = $0.035，合计约 $0.88。在 Kimi K3 上，则是 0.6 x $3.00 = $1.80，加上 0.008 x $15.00 = $0.12，合计约 $1.92。同样一项任务，成本大约是前者的 2.2 倍。

现在，在代码库已经位于提供商缓存中的情况下再运行一次。输入行降至缓存读取费率，原本相差 2.1 倍的两个价格变成每百万 $0.26 对 $0.30——差距为 15%。这是对比中最少被讨论的数字，却对每一轮都要重新读取同一上下文的智能体最为重要。它还有一个星号注记：Kimi K3 对写入缓存单独计费，而 GLM-5.2 的页面根本没有标出写入费用，因此冷启动在 Kimi K3 上的成本明显高于 $3.00 这一标价所暗示的水平。

• 读取 600k token、回答 8k —— GLM-5.2 约 $0.88，而 Kimi K3 约 $1.92

• 相同的缓存输入行——每 600k tokens，GLM-5.2 为 $0.16，Kimi K3 为 $0.18

独立模型在方向上一致，但在幅度上并不一致。Artificial Analysis 按 7:2:1 的比例混合缓存命中、输入和输出 token，并计入模型实际消耗的推理 token；在其 v4.3.2 指数下于 2026-09-23 读取的这些数据中，GLM-5.2 为每百万混合 token 0.902 美元，而 Kimi K3 为 2.31 美元；完成其一个评估任务的成本则分别为 0.96 美元与 2.00 美元。完整运行一次 Intelligence Index 在 GLM-5.2 上花费 1,559 美元，在 Kimi K3 上花费 3,658 美元。

那个成本模型里藏着一个反直觉的细节。Kimi K3 使用更少的每次任务的输出 token，比 GLM-5.2 少——48,000 对 64,000——推理 token 也更少，32,000 对 51,000。它是单位工作量上更经济的模型，但每个任务的成本却大约是对方的两倍，因为它的每 token 价格在输入上是 2.1 倍，输出上是 3.4 倍。按任务便宜和按 token 便宜是两种不同的属性，而这是一种两者指向相反方向的组合。

上下文窗口，以及它实际能容纳的内容

两者在纸面上相差不到 5%：1,000,000 个 token 对 1,048,576 个。把这一点说成 Kimi K3 的胜利，未免太荒唐了。两者都是百万级 token 模型，窗口大小并不构成区分点；真正该问的是，面对埋在中间位置的文本，它们各自还能做到什么。

这正是 Artificial Analysis 的长上下文推理评估所衡量的内容，也是该数据集中差距较大的项目之一：Kimi K3 得分 89%，而 GLM-5.2 为 78%。如果你的工作是加载大规模语料库，并提出需要将语料库两端的事实关联起来的问题，那么额外的 48,576 个 token 并不是选择 Kimi K3 的理由——十一个百分点的长上下文优势才是。

窗下地板也不一样。GLM-5.2 公布了 128,000 token 的最大输出量；Kimi K3 的页面并没有公布一个对等的数字，因此我们也不打算替它给出一个。如果你要做的是生成长文档，而不是阅读长文档，那么在购买其中任何一个之前，这种不对称性值得对照你自己的实际工作量核实一下。

速度：GLM-5.2 绝对主宰的唯一维度

两项独立测量在此指向同一方向，这一点值得说明，恰恰是因为它们并非在所有方面都一致。

我们自己的路由数据（截至 2026-09-23 的七天内）显示，GLM-5.2 的首 token 中位响应时间为 3.28 秒，而 Kimi K3 为 8.09 秒；流式输出速度为每秒 68.1 个 token，而 Kimi K3 为 43.4 个。两个模型的首 token 响应时间 p95 都恰好为 10.00 秒。Artificial Analysis 的独立测量显示，GLM-5.2 的输出速度为每秒 68.2 个 token，而 Kimi K3 为 36.7 个；端到端耗时为 41.29 秒，而 Kimi K3 为 72.13 秒；首个答案响应时间为 33.95 秒，而 Kimi K3 为 58.52 秒。

两个来源在一点上存在分歧，这值得指出，而不是加以淡化。Artificial Analysis 在原始首 token 时间上把 Kimi K3 排得略靠前，为 4.08 秒对 4.62 秒；而我们自己的路由显示，GLM-5.2 在 p50 上快将近两倍半。不同的端点，不同的上游提供商，不同的时间窗口。把吞吐量方向——GLM-5.2 明显更快——视为可靠，而把任何单个首 token 时间数值，无论来自我们还是他们，都视为特定某一周的属性。

我们的 GLM-5.2 页面上还有一个数字，我们不会悄悄略过：在同样的七天里，它显示出 9.2% 的错误率，而 Kimi K3 为 0.26%。这么大的差距，既可能是为 GLM-5.2 提供服务的上游供应商遭遇了糟糕的一周，也可能是模型本身的特性，两者可能性差不多；而七天的时间窗口不足以区分二者。这正是路由旨在解决的问题——当某个供应商每十一个请求就有一个失败时，自动故障转移会转移流量，而无需任何人呼叫值班人员。

基准测试：一次真正的横扫，范围比标题所示更窄

Kimi K3 在双方都跑过的几乎所有项目上都胜出。以下为 Artificial Analysis 在指数修订版 v4.3.2 下的数据，两个模型均处于最高推理配置，读取于 2026-09-23：

• 智能指数 — Kimi K3 44 对比 GLM-5.2 34

• AA-Briefcase v1.1 — 1510 对比 1233

• GDPval-AA v2.1 — 1524 对比 1358

• AutomationBench-AA — 58% 对比 28%

• Terminal-Bench 4.0 — 13% 对比 1%

• SciCode — 59% 对比 51%

• Humanity's Last Exam — 47% vs 41%

• GDP.pdf — 22% 对比 10%

• AA-LCR v1.1 — 89% 对比 78%

• CritPt — 23% 对比 21%

在任何人把那份清单截图之前，先说明两点注意事项。

首先，是指数修订。Kimi K3 在 7 月发布时的报道称其在 Intelligence Index 上为 57，GLM-5.2 为 51。而今天的实时页面显示为 44 和 34。这两者不是同一种测量——Artificial Analysis 会修订该指数，并据此重新给模型评分，而把 7 月的数字与 9 月的数字并列，是在这一组合上最容易犯的错误。方向在每一份快照中都保持稳定；绝对数值在不同修订版本之间不可比较。

其次，是层级。Terminal-Bench 4.0 上的 13% 和 1% 是一项严苛的评测，而在那样的高度上，这个比值比其中任何一个数字都更能说明问题。AA-Omniscience 考察的是模型是否了解自身知识的边界，其中 GLM-5.2 为 4，而 Kimi K3 为 20——如果你打算在无人监督的情况下运行其中任何一个，这个下限值得了解。

关于 GLM-5.2 列表，Artificial Analysis 还记录了一点：它将 maximum-reasoning 配置标记为已弃用，转而推荐更新的 GLM-5.3。这不会改变上面的任何数字——那些数字是 GLM-5.2 被测量时的快照——但这确实意味着 Z.ai 的路线图已经越过了这个模型。在路由端点上，这只需要更换一个模型字符串，而不是做迁移，这也是不要把这两个名称中的任何一个硬编码到应用里的主要理由。

智能体与工具使用：差距最大之处

如果那张表格中只有一个部分能决定是否购买，那就是这一部分。长周期智能体任务正是 Kimi K3 优势最大且最稳定的领域：

• AutomationBench-AA——58% 对 28%，相差 30 个百分点

• GDPval-AA v2.1 — 1524 对比 1358

• AA-Briefcase v1.1 — 1510 对比 1233

• Terminal-Bench 4.0 — 13% 对比 1%

Moonshot 自家的发布材料讲的也是同一个故事——K3 权重发布时附带了一份技术报告，内容涵盖该厂商的专家并行训练栈和一套智能体环境评测框架——但厂商材料终究是厂商材料，上文那些数字才是独立得出的。

第三方聚合平台 LLM Stats 在一套共享基准集上运行自己的综合评分，从另一个方向得出了相同结论：在它为两个模型评分的十一项基准中，Kimi K3 拿下全部十一项，其分类得分让 Kimi K3 在工具使用（30.8 对 19.6）、智能体（38.3 对 29.6）和编程（42.3 对 34.8）上领先。这些是 LLM Stats 在自身加权方式下得出的自有综合分数，基于的共享集合规模并不大，因此应将其视为佐证，而非实验室结果。十一项全拿，仍然算不上是胶着的较量。

编码

方向相同，差距更小。在 Artificial Analysis 为两者评分的编码评测中，Kimi K3 在 SciCode 上以 59% 对 51% 领先；在 LLM Stats 的共同评测集上，它拿下了 DeepSWE、DeepSWE 1.1、FrontierSWE、SWE-Marathon、Program Bench 和 Terminal-Bench 2.1。GLM-5.2 那些好看的数字——第三方聚合平台转载的 AIME 2026 上的 99.2%、HMMT 2025 上的 94.4%、GPQA 上的 91.2%——都是厂商报告的、未经复现的，而且其中大多数衡量的是竞赛数学，而非软件工程。

实用解读是：对于一个长时间运行、要编辑大量文件、还必须从自身错误中恢复的编程智能体而言，Kimi K3 在智能体能力上的领先幅度，是比两个模型各自的数学成绩更相关的信号。而对于一个快速、廉价、基本只需单次执行的代码助手来说，GLM-5.2 的吞吐量优势，其价值要超过基准测试差距所带来的代价。

在它们足够接近、以至于无关紧要的情况下

• 缓存输入价格 — 每百万 $0.26 对 $0.30，与输出端 3.4 倍的差距相比，仅相差 15%

• 上下文窗口 — 1,000,000 与 1,048,576 个 token

• p95 首个 token 耗时 — 在我们自己的路由上为 10.00 秒 vs 10.00 秒

• CritPt — 23% 对比 21%

• 数学 — LLM Stats 在其数学综合评分中将 GLM-5.2 略微排在前面（41.4 对 40.9），而 Kimi K3 在带图数学上领先；就现有证据而言，两个模型都未在算术上占据明显优势

任何告诉你这两款模型中有一款在各方面都是另一款两倍的人，都只是在看表格里的某一行。

如果……就选 GLM-5.2

你在付账单，而账单就是约束条件。GLM-5.2 的输出价格大约只有三分之一，缓存那一档也更便宜，采用 MIT 许可，没有需要对照检查的收入触发条款，中位速度更快，流式输出时更是快得多，而且它的百万 token 窗口与 Kimi K3 已经接近到这种差距永远不会决定任何事情。如果你的工作负载是文本进、文本出，而且主要是阅读，而不是一长串工具调用链，那么 Kimi K3 多出来的那些基准测试分数，是你的应用永远拿不到的分数。

如果……就选 Kimi K3

这项工作具有代理性且耗时很长。AutomationBench 上 30 分的差距、在 GDPval 和 AA-Briefcase 上的领先、11 分的长上下文推理优势，以及 LLM Stats 共享集上的全面胜出，都指向同一个方向：Kimi K3 是更适合把多步骤任务交给它、然后放手不管的模型。它也是两者中唯一接受图像的模型。为此，你每个任务的成本大约会翻倍；如果你的工作集被大量缓存，花费会低于两倍——但支持它的理由不是价格，也不是速度。

两者都可以在 OrcaRouter 上通过同一个密钥、针对同一个 OpenAI 兼容端点进行路由，按各提供商的原价计费，不额外加价，而且两者都处于同一套自动故障转移机制之后。这是弄清你的工作负载究竟更适合哪一个的最省钱方式，因为在它们之间切换只需改一个模型字符串，而无需签订合同。