GPT-6.1 Terra 对比 Kimi K3.1 Pro：两倍价格，换来七个指数点

GPT-6.1 Terra 和 Kimi K3.1 Pro 在同一排行榜上相差两个位次，价格则相差两倍。Artificial Analysis 将 Kimi K3.1 Pro 的智能指数定为 55——总排名第四——而 GPT-6.1 Terra 为 48，排名第二十五。在 OrcaRouter 目录中，Kimi 每百万输入 token 收费 2 美元，每百万输出 token 收费 10 美元；Terra 则分别为 1 美元和 5 美元。这个闭源、更便宜、更快的模型能力低七分；开源权重的挑战者价格翻倍，并且在桌面自动化方面高出 5.4 分。这些事实都不能决定是否购买。

这次比较值得认真做，因为这两个模型并不是价格所暗示的那种替代关系。它们在输出长度上相差七倍，在许可上一个是开放的一个是闭源的，并且在各自厂商产品线中的位置也不同。本文对相同工作负载在两者上的成本进行测算，标出哪些数字是独立得出的、哪些是厂商声明，并在最后给出我们实际会采用的分工方案。

卡片

• GPT-6.1 Terra — 每百万 token 输入 $1 / 输出 $5，缓存输入 $0.05，上下文 1,050,000 token，最大输入 922,000，最大输出 128,000，知识截止日期为 2026 年 6 月 1 日，六种推理强度设置，输入文本和图像，输出文本。

• Kimi K3.1 Pro — 在 OrcaRouter 上每百万 token 输入 $2 / 输出 $10，上下文长度 1,048,576 token，最大输出 943,718 token，承诺于 2026 年 11 月 4 日前开放权重，发布于 2026 年 10 月 23 日。

上下文窗口实际上差不多，都在约一百万 token 左右。输出上限则并非如此：Terra 止步于 128,000 token，Kimi 则允许 943,718。对于聊天来说，这一差异无从察觉；但对于长文生成、整文件代码输出或转录规模的摘要而言，这就是一次调用与一条分块流水线之间的差别。

为什么在这里七个指数点已经很多了

在一个大致覆盖 38 到 60 分的排行榜上，七分可不只是四舍五入的差异——这是第 25 名与第 4 名之间的差距。OpenAI 作为高性能层级销售的模型 GPT-6.1 Sol 得分为 52。Kimi K3.1 Pro 以 55 分位居其上。旗舰模型 GPT-6 Astra 为 53 分。因此，来自 Moonshot 的开放权重模型并不是在与 Terra 竞争；在综合评分上，它是在与 OpenAI 的两款顶级模型竞争，并以两到三分的优势领先。

在对智能体至关重要的各项维度上，这一模式依然成立。在 OSWorld 2.1 上，Kimi K3.1 Pro 的得分为 79.6%，而 Terra 为 74.2%——相差 5.4 个百分点，并高于 GPT-6 Astra 的 75.8%。在编程方面，相关报道称 Kimi 紧随 Claude Opus 5.5 之后，后者以 58 分成为本次比较中的最高分。Terra 的 Coding Agent Index 为 48，比 Sol 低 6 分，比 Astra 低 29 分；Kimi 则不在这一区间。

平衡点在于，Terra 并不试图赢得这些比较。OpenAI 的定位是界限明确的工作——表单、截图、发票、起草——在这些工作中，48 已经足够，而每项任务 0.40 美元才是关键。七分的智能差距，在 Terra 并非为其销售的那些任务上影响最大。

价格数学：双倍价格何时胜出？

标准 100,000 输入、5,000 输出的请求，在 Terra 上花费 $0.125，在 Kimi 上花费 $0.25。一个 400,000 输入、4,000 输出的请求，超过长上下文阈值，在 Terra 上花费 $0.83，在 Kimi 上花费 $1.66。如果两个模型都在一次尝试中以相同 token 数解决任务，Terra 的价格正好是一半，那就没什么别的可讨论的了。

有趣的情况是，当它们使用的 token 数量或尝试次数不同时。以文档提取工作负载为例，Terra 首次尝试成功率为 80%，Kimi 为 92%。在每次尝试固定为 3,000 输入、400 输出的调用下，Terra 每次成功的预期成本约为 $0.0055；Kimi 约为 $0.0092。Terra 在成本上仍然胜出——因为要让 2 倍的 token 价格被更少的重试所抵消，准确率差距必须非常巨大。

现在设想一个智能体编程任务：每次尝试需要 30,000 个输入 token 和 2,000 个输出 token，而失败情形是补丁出错，并非需要重试。具备 48 级编码能力的 Terra 面对需要 77 级编码能力的任务时，失败频率不会只高出 20%；它会从性质上失败，生成的改动能运行，却解决不了问题。这不是重试成本，而是工程师工时成本；在这种情况下，双倍价格反而是便宜的选择。

开放权重改变的是第二年，而不是第一年

Moonshot 已承诺在 2026 年 11 月 4 日前发布 Kimi K3.1 Pro 的权重。这件事重要有三个原因，而且都不是今天的账单。第一，自托管将按 token 计费的价格从边际成本计算中完全移除，代之以 GPU 小时——在持续高用量下更便宜，在低用量下则贵得多。第二，开放权重使供应商不再是单一故障点，这是采购层面的理由，而非技术理由。第三，可下载的模型可以进行微调、内部评估并固定到某个版本，而这些在封闭 API 下都不可能实现。

这项承诺旁边应附上两点注意事项。权重尚未发布，因此关于它们的一切说法都还只是主张。而且，发布出来的模型与 API 模型并不完全相同：有报道称，Moonshot 在发布前剔除了与网络相关的训练数据，这会改变模型在涉及安全的提示词上的行为——这是有意为之，也意味着开放权重和 API 端点并非在所有工作负载下都可互换。

GPT-6.1 Terra 没有对等的路径。它是闭源的，仅提供 API，不支持微调，也没有任何自托管方案。如果可移植性是硬性要求，那么对比在基准测试开始之前就已经结束了。

延迟不可比较，而这正是重点所在。

Kimi K3.1 Pro 在其 OrcaRouter 模型页面上显示的 p50 约为 6.95 秒——这是跨真实流量统计的平台级延迟数据。GPT-6.1 Terra 公布的首 token 延迟为 133.64 秒，该数据来自 Artificial Analysis 的最高强度推理基准，衡量的是模型在回答难题前思考多久，而不是典型请求的耗时。把这两个数字并列比较毫无意义。

可以比较的是同一基准上的吞吐量：Artificial Analysis 测得 Terra 为每秒 90.9 个输出 token，GPT-6.1 Sol 为 73.5。Kimi 的同类数据并不在同一页面上。诚实的立场是，Terra 在 OpenAI 模型中显然很快，而 Kimi 在你工作负载上的速度，是需要你亲自测量而不是从资料上读来的。

各擅胜场

• Terra——大批量、边界明确的任务，74% 的计算机使用通过率在配有复核环节的情况下可以接受；文档与发票处理流水线；起草与编辑；任何能受益于更新的 2026 年 6 月知识截止日期、且每项任务 0.40 美元的成本可产生复利效应的场景。

• Kimi K3.1 Pro — 适用于七点智能差距足以改变结果的智能体编程与长周期工作；适用于 79.6 胜过 74.2 的桌面自动化；适用于 943,718 token 上限可省去一个分块层的长输出生成；以及任何需要开放权重、自托管或可固定版本的部署。

• 两者都不是——无监督、不可逆的计算机使用。Claude Opus 5.5 在 OSWorld 上以 81.8 分领先，而它与这两个模型之间的差距大于这两个模型彼此之间的差距。

并排运行它们

Kimi K3.1 Pro 已收录在 OrcaRouter 目录中，价格为 $2/$10，上下文长度为 1,048,576 个 token，并且可以通过 OpenAI SDK 将基础 URL 指向我们的端点来调用。撰写本文时，GPT-6.1 Terra 尚未收录在该目录中，因此 Terra 试验组必须直接针对 OpenAI 进行测试。

这种不对称是暂时的，但很有用：这意味着今天就能在实时流量上按标价、无加价地测量 Kimi 分支，并与目录中的其他模型——GPT-6.1 Sol、GPT-6 Astra、Claude Opus 5.5、Claude Sonnet 5.5——一同进行；而 Terra 分支则可以并行地对照 OpenAI 的 API 进行测量。当 Terra 落地时，比较就已经建好了，路由层可以把每个任务发送给在该任务上胜出的那个分支，而不是发送给某篇博客文章排名更高的那个模型。

我们将采用的拆分方式

如果任务是边界明确、可重复且经过审核的，Terra 的半价胜过 Kimi 的七个百分点。如果任务是开放式的、以代码为核心的，或者需要在没有厂商的情况下运行，Kimi 的七个百分点胜过 Terra 的半价——而且开放权重让第二年的成本比 token 成本测算所暗示的更低。

错误在于为整个工作负载只选一个模型。证据支持拆分：Terra 负责高吞吐量层级，Kimi 负责困难层级，并在两者之间设置经过权衡的兜底。这是一个路由决策，而不是模型决策，而这正是这次比较真正得出的结论。