Grok 4.7 与 Kimi K3 对比：价格减半，上下文减半，权重全无

假设有一个月消耗 3 亿 token 的智能体编程工作，按两家模型的标价分别跑一遍，这个选择就不再像是一场基准测试层面的争论了。Grok 4.7于 2026 年 9 月 21 日由 SpaceXAI 发布，每百万输入 token 收费 2 美元，每百万输出 token 收费 6 美元。Kimi K3于 2026 年 7 月 16 日由 Moonshot AI 发布，收费分别为 3 美元和 15 美元。在那样一个假设的月份里——比如 2 亿输入、1 亿输出——Grok 4.7 大约要花 1,000 美元，Kimi K3 则大约要花 2,100 美元。这个差距可不是四舍五入的零头；它相当于再多养一个模型的预算。相比之下，Kimi K3 给你的是 100 万 token 的上下文窗口，而不是 50 万；除图像外还支持原生视频输入；以及可下载的权重。Grok 4.7 给你的则是一个更快、更便宜、闭源的模型，而且是明确针对长时程终端任务训练的——Kimi K3 同样瞄准这一目标。两者都属前沿级别。但它们不是同一笔买卖。

两个模型，简述

Grok 4.7 是 SpaceXAI 的前沿编程与知识工作模型，其基础模型比 Grok 4.6 更大，并经过了更长时间的强化学习训练，专门针对可能耗时数小时的任务。它是专有模型——不开放权重，也不提供下载——支持 500,000 token 的上下文窗口，可接收文本和图像并输出文本，并支持从 low 到 xhigh 的推理强度等级。其最大卖点是速度与价格：SpaceXAI 将其定位为速度约为同类模型的两倍，价格约为其一半。

Kimi K3 是 Moonshot AI 的旗舰级开放混合专家模型，也是首个跻身三万亿参数级别的开放模型：总参数达 2.8 万亿，每个 token 激活 1040 亿参数，基于 Kimi Delta Attention 与量化感知的 MXFP4 权重构建。它可接收文本、图像和视频输入，支持 100 万 token 的上下文窗口，推理始终开启且强度可配置；其权重可在 Kimi K3 许可证下下载——允许商业使用，但附有相关限制。从设计上看，它就是那款你能带回家的模型。

这就是它们之间全部的结构性差异。一个是廉价、快速、封闭的端点。另一个是更昂贵、更缓慢、上下文长度翻倍的开放产物。下文的一切都是这一点的结果。

基准测试实际比较的是什么

这正是大多数关于 Grok 4.7 与 Kimi K3 的对比文章出错的地方，所以有必要直言不讳：这两个模型公布的数据在很大程度上衡量的并不是同样的东西，而且至少有一对看起来可比的数字其实并不可比。

先从那个真正具有误导性的对比说起。Kimi K3 的发布材料引用了 Terminal-Bench 2.1 上 88.3 的分数。Grok 4.7 的发布材料引用了 Terminal-Bench 4.0 上 38.0% 的成绩。它们是不同的基准版本，任务集不同，评分方式也不同，把它们并列会让人觉得 Kimi K3 作为智能体模型的能力是后者的两倍以上。这种解读站不住脚，任何人都不应重复。这两个数字也都是厂商自报的——都没有经过独立复现。

可以比较的是独立综合评分，而在这方面两者很接近。在当前的 Artificial Analysis Intelligence Index（版本 v4.3.2）上，Kimi K3 得分为 44——在 113 个模型中排名第二，是所有开放权重模型在该榜单上的最高名次。Grok 4.7 得分为 46，在 655 个模型中排名第十六。两者相差两分，而 Kimi K3 的名次是在最高推理努力下取得的。在混合综合评分上，这些模型不相上下。

• 独立综合评分——Grok 4.7 在 AA Intelligence Index v4.3.2 上为 46，而 Kimi K3 在同一版本上为 44。实际上打成平手。

• 上下文窗口——Grok 4.7 为 500,000 tokens，而 Kimi K3 为 1,000,000 tokens。这是 Kimi K3 真正、无条件的优势，也是唯一一项没有任何附加条件的规格差异。

• 输入模态 — Grok 4.7 支持文本和图像，而 Kimi K3 支持文本、图像和视频。如果你的工作负载涉及视频，Kimi K3 的覆盖范围更广。

• 权重——Grok 4.7 专有，不可下载，而 Kimi K3 在 Kimi K3 许可证下开放权重。对于本地部署或气隙隔离需求，这是唯一重要的一条。

• 每百万 token 价格——Grok 4.7 为输入 $2 / 输出 $6，而 Kimi K3 为输入 $3 / 输出 $15，且 Kimi 的缓存输入价格为每百万 $0.30。Grok 4.7 在每一个维度上都更便宜，在输出方面更是便宜得多。

• 推理强度控制 — Grok 4.7 支持从 low 到 xhigh，而 Kimi K3 始终开启、强度可配置。功能上类似；区别在于 Grok 4.7 允许你调低推理强度。

• 厂商报告的智能体证据——Grok 4.7 Terminal-Bench 4.0 38.0%，CursorBench 4.0 46.3%，DeepSWE v1.1 71.0%（均为厂商报告）对比 Kimi K3 Terminal-Bench 2.1 88.3%，Frontend Code Arena 以 1,679 Elo 位列第一（发布时厂商报告）。不具可比性——见上文。

钱到底流向何处

费率表低估了差距，因为这两个模型消耗 token 的方式不同。Grok 4.7 是一个冗长的推理模型——Artificial Analysis 在运行其 Intelligence Index 时测得它生成了 2.4 亿个输出 token，而各模型的中位数是 9200 万个。Kimi K3 则是另一种昂贵：它是一个大型的常驻推理模型，按每百万输出 token 15 美元计算，你花钱买的就是它的冗长。

所以诚实的成本模型不是“2美元/6美元对3美元/15美元”。而是每完成一个任务所消耗的输出 token 数乘以输出单价，再加上输入 token（包括每一次重试）乘以输入单价。一个能以每百万 6 美元一次长跑就解决任务的模型，可以胜过需要三次尝试、每百万 15 美元的模型；但如果便宜模型的单次运行足够长，它也可能反胜为败。这是你必须在自己的代码仓库里实测的数据，而不是别人替你发布的数据。

在运行它之前，有一点不对称值得了解：Grok 4.6 作为 Grok 4.7 的前代，在 200,000 个输入 token 处设有一道定价悬崖，一旦请求越过这条线，整个请求就会按双倍费率重新计价。在 Grok 这边做长上下文工作，需要对照你所部署模型的当前价目表核实这一点，因为 500,000 token 的窗口与 200,000 token 的悬崖会产生糟糕的相互作用。Kimi K3 的定价是平坦的，这是两者中更为低调的优势。

每一个在哪里失效

两种模型都有一种发布材料并未首先提及的失败模式，而且它们是不同的失败。

Kimi K3 的强项是持续负载下的可靠性。发布时的社区和独立测试报告称，随着运行时间延长，其智能体性能会下降——单次运行结果强劲，持续通过率较弱——并且其输出速度约为每秒 37 到 38 个 token，这对交互式编程来说偏慢。Moonshot 在发布后不久也不得不暂停新的消费者订阅，因为需求超出了容量，这说明了其托管侧的服务余量。

Grok 4.7 则恰恰相反：它快速、便宜且闭源，这意味着你无法审查它，无法自行运行它，也无法对冲其被弃用的风险。SpaceXAI 已经公开排定了 Grok 4.8、Grok 4.9 和 Grok 5 在此版本之后的发布顺序，而 Grok 4.6 在被取代前大约只存活了五周。任何基于 Grok 4.7 构建的东西，都应把模型 ID 当作一个配置值，而不是一个想当然的前提。

还有第三个考量，它并非任何一种模型的失败：对于为期两周的自主运行而言，两者都不是正确答案，而两家厂商恰恰都演示过这样的场景。已公布的16天和48小时自主编码演示均由厂商自行运行、任务也由厂商选定，且没有经过独立复现。这些演示值得了解，但不值得作为规划依据。

两者都运行，以及为什么这才是真正的答案

成本差距和上下文差距指向相反的方向，这正是不能只选一个的理由。Kimi K3 在仓库级工作上物有所值——1M 窗口意味着你无需切分输入——对于任何必须自托管的任务也是如此。Grok 4.7 则在高吞吐量场景中物有所值——高轮次智能体循环、工具调用密集的流水线，以及速度和输出成本占主导的长时间终端会话。

Kimi K3 已上线 OrcaRouter，这使得这种分工成为一项路由决策，而非采购决策。它以 Moonshot 的标价出现在目录中，而由于 OrcaRouter 以 0% 加价透传提供商标价，厂商降价一经宣布当天就在这里生效，而不必等到下一次合同续约。对于长上下文处理与执行处理应当协作而非竞争的工作负载——一个模型将整个代码库尽收眼底，另一个模型对其采取行动——路由 DSL 可将多个模型组合进单次调用，而模型融合则能让一组模型共同作答，前提是这项任务值得这笔额外开销。一个 API 密钥即可覆盖 Kimi K3 以及 200 多款其他模型，因此这种分工中的执行部分可以来自对该任务而言最便宜、最快的模型，而不是恰好持有上下文的那个模型。

有一点需要明确：Kimi K3 的开放权重可以下载，但 OrcaRouter 路由到的是托管端点。如果你的需求确实是本地部署推理，那是一个在你自有硬件上进行的自托管项目，而不是一个路由决策——而且这是这一比较中唯一有单一正确答案的场景。

裁决结果，以及唯一需要记住的那个数字

如果你依据成本和速度来选，Grok 4.7 胜出，而且差距不小：输入价格只有一半，输出价格不到一半，服务速度更快，还有一个可以调低的推理旋钮。如果你依据上下文、模态广度，或拥有模型的能力来选，那么按同样的标准，Kimi K3 胜出。如果只看能力，独立综合评分显示两者相差两分，你应该根据自己的评估来做决定，而不是依据任何一方的发布图表。

要坚守的是最上面那个数字：$2/$6 对 $3/$15。这个对比中的其他一切都可以协商，但这个比例不行。