Kimi K3.1 Pro vs Grok 4.7：准确率相同，账单却高出72%

在一场基于合成风电场数据仓库构建、包含43道题的私有数据分析考试中，Kimi K3.1 Pro和Grok 4.7都得了42分。两个模型都没见过这些题目，而且数据是伪造的，因此任何答案都不可能被记住。分数相同，排名也相同——在34个受测模型中并列第三。账单却不一样：Kimi的运行成本为13.47美元，Grok为7.85美元。

那对数字，是迄今为止关于这组对决所发表的、最有用的东西，因为它是唯一一次双方模型由同一批人在同一天、针对同一批答案运行的头对头比较。市面上流传的其余几乎所有内容，要么是在不同评测框架下产出的厂商基准测试，要么是悄悄用 Kimi K3 替换掉 Kimi K3.1 Pro 的对比。因此本文先从那些中立测试所显示的结果谈起，然后再把真正存在的差异与那些仅仅源于“测试是谁跑的”的假象区分开来。

两种模式，两种截然不同的押注

Kimi K3.1 Pro 于 2026 年 10 月 23 日发布，它是在 Kimi K3 基础上经过后训练得到的继任模型，而非全新架构。Moonshot AI 保留了 2.8 万亿参数的混合专家主干、1,048,576 token 的上下文窗口以及原生图像和视频输入，并将本次发布的重心放在智能体与专业领域的强化学习上。完整权重承诺于 2026 年 11 月 4 日发布。

Grok 4.7 早一个月发布，于2026年9月21日由xAI推出。它是专有模型，基于据报道约2.1万亿参数的底座，但xAI尚未确认这一数字；它具备50万token的输入窗口和45万token的输出上限，并维持Grok 4.6的价格。其知识截止日期为2026年6月，补充训练持续至8月。

• 价格 — Kimi K3.1 Pro 每百万 tokens 输入 $2.00 / 输出 $10.00；Grok 4.7 $2.00 / $6.00，当提示词超过 200K tokens 后升至 $4.00 / $12.00。

• 缓存输入——Kimi 为 $0.20，而 Grok 为 $0.50，对于每一轮都要重新读取同一仓库的智能体来说，这种价格倒挂比标价本身更重要。

• 上下文 — 1,048,576 个 token，对比 500,000 个。Kimi 还允许在单次响应中最多输出 943,718 个 token，这与其说是一项功能，不如说是在说明该模型是为实现什么目标而构建的。

• 模态 — Kimi 支持文本、图像和视频输入，输出文本；Grok 支持文本、图像和文件输入，输出文本。

• 推理控制 —— Kimi 默认进行推理，且推理强度可选；Grok 提供 low、medium、high 和 xhigh 四档，并且不允许关闭推理。

• 开放性——Kimi 承诺在 11 月 4 日前开放权重；Grok 仅提供 API，并将继续保持这种方式。

中立地带，以及它有多么单薄

Plotly 的考试是目前最清晰的比较。它是一项私有的 43 题测试，基于一个合成的风能机队数据仓库，分为分析类问题、模糊请求、不可能完成的请求、统计陷阱、数据质量检查，以及五个优秀分析师应当能主动发现的人为植入模式。Kimi K3.1 Pro 通过了 42 题，相比 Kimi K3 的 35 题有所提升。Grok 4.7 也通过了 42 题。两者都落后于以 43 题并列领先的 GPT-6.1 Sol 和 GPT-6 Astra。

平局背后的细节，正是两个模型出现分歧的地方。Kimi 找到了全部五个植入模式，并捕捉到全部三个数据质量问题——重复行、缺失的最后一天，以及一台已退役涡轮机与一台真正零发电涡轮机之间的区别。它唯一的遗漏是一个边界错误：它把固件安装之前的 2,775 个涡轮机日计入了“其他固件”，这使平均值变动了约 0.0003，并刚好超出了测试的容差。这是定义边缘处的精度失误，而不是推理失误。

第二项中立测试则指向了相反的方向。在 DualEntry 的会计评估中，Grok 4.7 以 88.1% 的成绩并列第二，而 Kimi K3.1 Pro 以 86.1% 位列第四。在那次运行中，Kimi 是每项任务成本最低的模型，为 0.079 美元，但也是速度最慢的模型之一，每项任务耗时 125.6 秒。两项中立测试，两次几乎打成平手，而两者之间的排名却发生了翻转。这才是真正的同级比较应有的样子，也是大多数发布日报道没有呈现的。

差异真实存在之处

写作方面，二者差距并不接近。ToneBench 以十份简报为基准为稿件打分，每份稿件由四位评审评分，结果显示 Kimi K3.1 Pro 获得 2,205 Elo，在 83 种配置中排名第七，而 Grok 4.7 为 1,904，排名第二十五。两者的 95% 置信区间并不重叠：2,166–2,246 对 1,855–1,962。Kimi 在十份脚本中赢了九份，在九项子指标中赢了七项，差距最大的是篇幅遵循度（95.4 对 78.7）和视觉提示（84.9 对 78.8）。Grok 的胜出幅度很小，且仅限于语气和 YouTube 惯例。按每份脚本 $0.251 对 $0.215 来看，这并不是一个成本层面的决定。

编程和智能体工作是证据变得混乱的领域，也是大多数比较会产生误导的领域。xAI 报告称，Grok 4.7 在 Terminal-Bench 4.0 上的成绩为 37.6–38.0%。Moonshot 报告称，Kimi K3.1 Pro 在同一基准上的成绩为 65.7%。这两个数字相差 28 个百分点，但这并不意味着 Grok 的能力只有一半；因为 Terminal-Bench 的分数会随测试框架、时限和允许尝试次数变化数十个百分点。不同实验室得出的 65.7% 和 38.0%，是顶着同一个名字的两种不同测量。

确实存在的独立编程证据更偏向 Grok，但这些证据针对的是 Kimi K3，而不是 K3.1 Pro。在通过标准 mini-agent 脚手架运行的 SWE-bench Verified 上，Grok 4.7 得分为 95.6%，而 Kimi K3 为 93.4%。还没有人公布 K3.1 Pro 的同等数据。Moonshot 自己的长时程数据——在 Kimi Code Bench 3.0 Long-horizon 上为 61.2%，而 K3 为 55.95%；在 SWE Marathon 上为 51.7%，而 Claude Opus 5.5 为 45.6%——表明后训练有所帮助，但那是厂商在自己构建的基准上给自己打分。

长上下文是唯一无需基准测试就能看出的能力差距。一百万 token 对五十万 token，是两倍的差距；而 Kimi 的缓存命中价格不到 Grok 的一半。如果工作负载是一个 monorepo、一套合同集合，或一整年的支持工单，那么在读取任何分数之前，比较结果就已经决定了。

发票为何有差异

在 Plotly 考试中，72% 的成本差距不能仅用费率表来解释。Kimi 的输出价格高 67%，因此在相同 token 数量下，它的成本会更高——但在两个模型给出相同答案质量的测试中，成本并不会高出 72%。其余差距来自它们写了多少内容，以及为达到该结果进行了多少次调用。

Kimi 平均每道题约进行 7.5 次模型调用，每题耗时中位数为 2.5 分钟，在 34 个模型中速度排倒数第二；其中约 90% 的时间用于模型响应，而不是 SQL 执行。在隐藏模式问题上，它进行了约 73 次工具调用。Grok 在其他地方开展的独立测试发现，它每项任务消耗的输出 token 约为 Grok 4.6 的两倍，这会产生相反方向的影响。在这次考试中的净效应是，尽管 Grok 每一步消耗了更多 token，但每个正确答案所花费的美元更少。

生产级智能体的算术是这样的：假设有一个任务读取 100K 输入 token，写入 8K 输出，并运行 20 轮。

Kimi K3.1 Pro，无缓存——20 轮，每轮输入 $0.20、输出 $0.08，每项任务约 $5.60。

• Grok 4.7，无缓存——相同形态下，输入 $0.20 加输出 $0.048，每个任务约为 $4.96。

• Kimi K3.1 Pro，缓存命中率达 70% —— 输入费用降至每轮 $0.074，使该任务总成本降至约 $3.08。

• Grok 4.7，缓存命中率 70% — 输入成本降至每轮 $0.095，使该任务成本降至约 $2.86。

因此，即使缓存命中率很高，Grok 在 agent 场景中仍然胜出，因为输出 token 占主导，而它对输出 token 的收费低 40%。只有当输出相对于输入很小时，Kimi 才会反超。以一次检索调用为例：输入 100K、输出 1K、缓存命中率 70%：Kimi 成本为 $0.084，Grok 为 $0.101，Kimi 胜出 17%。交叉点不是缓存百分比——而是输入输出比。读密集型工作交给 Kimi，写密集型工作交给 Grok，而诚实的建议是测量你自己的比率，而不是相信任何一方的示例。

速度改变的是系统的形态，而不只是账单。

在我们自己的测量中，Kimi K3.1 Pro 的首个 token 时间中位数为 6.9 秒，速度为每秒 48 个 token。而在第三方测试中，Grok 4.7 的首个 token 时间约为 1.3 秒，速度约为每秒 61 个 token。对于聊天产品而言，这一差距是显而易见的。对于一个要连续进行 20 次调用的智能体来说，这决定了任务是让人觉得瞬间完成，还是让人觉得出了故障；也正是这个原因，让若干编程工具对比把胜利判给了 Grok，尽管 Kimi 的写作得分更高。

推理控制会放大这一问题。Grok 允许你把推理力度从低调到 xhigh，并据此收费；在低档设置下，ToneBench 测得 1,815 Elo，每份脚本 $0.064，是中等档设置成本的四分之一。Kimi 默认会进行推理，其推理力度设置是更粗放的工具，采样固定为 temperature 1.0 和 top_p 0.95——对于这些值，它拒绝采用替代值。如果某条流水线依赖低温确定性，那就是一个需要在基准测试任何内容之前先解决的兼容性问题。

哪一个属于生产环境？

当工作涉及长上下文和大量文档时，选择 Kimi K3.1 Pro：合同审查、金融研究、多文件代码仓库分析，以及数据质量审计——这类场景要求模型发现缺了什么，而不是回答问了什么。100 万 token 的上下文窗口、低廉的缓存成本，以及 Moonshot 所报告的、在有工具加持下虚构性论断从 23.4% 降至 8.3%，这些都指向同一个方向。它也是这两者中唯一会提供可下载版本的一个，如果你的工作负载无法离开自有基础设施，这一点很重要。

当延迟本身就是产品的一部分时——例如交互式编程助手、IDE 智能体、面向客户的工具调用，其中六秒的停顿就会被视为缺陷——就选择 Grok 4.7。它在输出上更便宜，首 token 更快，而独立的编程证据——尽管十分单薄——也站在它这一边。它的 500K 窗口对大多数仓库工作来说并不是限制，尽管对某些工作而言确实是。

对于那些想要一个单一赢家的人来说，令人不安的答案是：这两个模型在它们共同参加过的唯一一项中立测试中打成平手，而决胜因素是你的输入输出比和你的延迟预算。这些都是你花一个下午就能测出来的属性，任何发布文章都无法告诉你它们是什么。

同时运行两者，无需第二份合同

这是唯一一种可以低成本安排同时试用两者的对比场景。OrcaRouter 将 kimi/kimi-k3.1-pro和grok/grok-4.7放在同一密钥下提供，按提供商标价且无加价，因此上文中的 $2.00、$10.00 和 $6.00 就是你的实际计费金额，而不是转售商版本的这些价格。这一点在这里比平时更重要，因为决策取决于在你自己的应用中实测到的缓存行为和延迟——这意味着你需要让两个模型通过同一个端点和同一份账单来提供服务，才能公平地比较它们。

它也会改变故障回退方案。跨供应商的自动故障转移意味着，某个模型遇到速率限制或故障不会导致该功能下线；而路由 DSL 让你可以在单一策略中把长上下文路径发给 Kimi、把交互路径发给 Grok，而不必维护两套集成。如果你仍在做决定，这是一种在部分生产流量上运行评估的方式，而不是从基准测试表里挑选。

什么会改变这一裁决？

两件事，都有明确日期。第一件是 11 月 4 日，Moonshot 已承诺届时公布完整权重。一个具备这种质量的开放权重 Kimi K3.1 Pro，会改变所有因合规原因需要自行部署者的权衡；这也是独立实验室无需 API 预算就能运行该模型的时刻。

第二个是真正的智能体正面对决。当前流传的每一种编程对比，要么用 Kimi K3 而不是 Kimi K3.1 Pro，要么把两家供应商的测试框架拿来比较，仿佛它们是一次测量。一旦有人让两个模型在相同任务上跑同一套脚手架——就像 Plotly 在数据分析上所做的那样——编程问题就不再有任何争议。在那之前，站得住脚的立场是那个无聊的立场：Grok 4.7 用于速度和交互式编程，Kimi K3.1 Pro 用于长上下文、写作和文档工作，并且在任一模型进入生产路径之前，都要基于你自己的流量对两者进行测量。