Kimi K3.1 Pro 对比 MiniMax M3.1 Flash：15 倍价格差，任务越大差距越小

把Kimi K3.1 Pro和MiniMax M3.1 Flash放在价格表上并列比较，这个决定还没开始就显得已经定局：按混合后的每百万 token 计算，一个的价格是另一个的十五倍[厂商价格；倍率是我们的计算]。换成按每项任务记账来比较，差距已经缩小到九点五倍，然后又缩小到大约三倍。在两次读数之间，厂商价格没有任何变化。变的是分母。这两者不是在争你预算里的同一行，而选择最快的方法，是弄清楚你的工作负载触及的是哪一行。

两个从未面向同一买家的配置文件

Kimi K3.1 Pro 是一个稀疏模型，总参数为 2,800B，每个 token 激活 104B 参数 [VENDOR]，上下文长度为 1M token [VENDOR]，并且思考始终开启：effort 可设为 low、high 或 max，默认 max，而 temperature 和 top_p 固定 [VENDOR]。它目前不是开放权重；供应商承诺在 11 月 4 日前发布 [VENDOR]，Artificial Analysis 仍将其标记为专有 [INDEPENDENT]。在该指数上，它录得每秒 57.5 个输出 token [INDEPENDENT]，得分为 55.09 [INDEPENDENT]。

MiniMax M3.1 Flash 于 2026-10-19 发布 [VENDOR]，属于截然相反的另一类对象：上下文长度 1,048,576 token，最大输出 524,288 token [VENDOR]，每秒 116.2 token [INDEPENDENT]，得分 42.71 [INDEPENDENT]。有一点关于取整的说明：Artificial Analysis 将其四舍五入为 43，而我们的目录卡片则记为 42 [INDEPENDENT]——这其实是同一项测量。

因此，经过第一段后仍然成立的框架并不是“前沿模型对预算型模型”。而是一个深度思考、偏重执行的通才，对阵一个才问世一周、速度快、支持长上下文、吞吐成本低的模型。两者之间的 12.38 个指数点[INDEPENDENT]是真实的，但分布并不均衡，而这种不均衡正是决策所在。

索引差距究竟源自何处

把该指数按行拆开，一个规律便显现出来：Kimi K3.1 Pro 的优势集中在那些奖励持续执行而非存储知识的行上。以下所有数据均为 [INDEPENDENT]，来自 Artificial Analysis。

• Terminal-Bench 4.0：67.17% 对比 25.76%，差距达 41.4 个百分点，是该组中差距最大的一项。

• Terminal-Bench-Science：34.29% 对 3.33%，相差 31.0 个百分点。个位数低值并非四舍五入造成的假象；这说明模型在该任务族上基本失败。

GDPval-AA：1,845.72 对 1,457.57，相差 388 Elo。Elo 与能力之间并非线性关系，因此应将其理解为不同量级的结果，而不是百分比。

• SciCode：60.76% 对比 53.36%——真正具有竞争力。

• AA-LCR 86.33% 对 79.67%；MMMU-Pro 83.87% 对 79.13%；CritPt 24.57% 对 22.29%；HLE 52.46% 对 47.96%。这些是两者最接近的行，且都属于长上下文或知识密集型。

• AutomationBench：73.30% 对 72.52%——基本持平。

AnalystAgent 在 Kimi K3.1 Pro 上的得分为 38.75，FrontierCode 为 47.07%，两者均没有已发布的 MiniMax 对应结果。缺失的结果既不是零，也不能作为任何证据，只能说明这一比较存在缺口。

让每个简单故事都变得复杂的那一行是 AA-Omniscience。MiniMax M3.1 Flash 答对更多知识问题——准确率为 56.20%，而对比为 51.02%——但得分却是 15.55 对 29.52，因为其幻觉率为 92.81%，而对比为 43.89% [INDEPENDENT]。该指数会惩罚自信的错误答案。一个正确频率略高、但犯错时自信得多的模型，对基于检索的工作是一种危害；在这类工作中，没有依据的句子比承认无知更糟糕。

定价：从三个分母来解读

在 token 层面上，两者并不处于同一市场。Kimi K3.1 Pro 的标价为每百万 token 输入 2.00 美元、输出 10.00 美元，缓存读取为 0.20 美元，按 3:1 混合为 4.00 美元 [VENDOR]。MiniMax M3.1 Flash 的标价为每百万 token 输入 0.15 美元、输出 0.60 美元，缓存读取为 0.015 美元，按 3:1 混合为 0.2625 美元 [VENDOR]。混合比率为 15.2 倍。

每完成一项索引任务，该比率降至 9.6 倍：Kimi K3.1 Pro 为 2.1145 美元，而 MiniMax M3.1 Flash 为 0.2201 美元 [INDEPENDENT]。原因在于机制。一项索引任务会消耗 Kimi K3.1 Pro 的 55,195 个输出 token，以及 MiniMax M3.1 Flash 的 78,612 个输出 token——较便宜的模型输出多 42%，这会在成本表偏高的一端侵蚀其自身优势。每任务成本才是财务团队应该关注的数字，而它已经比总体比率所暗示的低三分之一。

反过来看，按混合价格折算，每美元对应的指数点数为：Kimi K3.1 Pro 13.8，MiniMax M3.1 Flash 162.7 [INDEPENDENT]。这并不是一项推荐：如果唯一的约束是每美元基准测试成绩最大化，答案毫无歧义；而如果问题在于究竟能否完成这类任务，那这些算术就无关紧要了。

为什么随着工作规模变大，差距却不断缩小

最干净的证据是 Plotly 的 DataAnalyticsBench——基于合成风电场数据的 43 道题，每个模型只运行一次，因此给出的是方向而非分布 [INDEPENDENT]。Kimi K3.1 Pro 答对了 43 道题中的 42 道，每道题花费 0.31 美元，总计 13.47 美元，每道题使用 7.5 次模型调用和约 44 万个输入 token。MiniMax M3.1 Flash 答对了 43 道题中的 41 道，每道题约花费 0.10 美元，总计 4.09 美元，每道题使用约 45 次调用和 420 万个输入 token。

三件事同时发生。准确率几乎相同——只差一道题，远在一次运行所能分辨的范围内。价格差距已缩小到 3.1 倍。而且机制清晰可见：更便宜的模型通过 45 次调用来达到同样水平，而另一个只需 7.5 次，并且每题输入量是对方的 9.5 倍。它靠上下文和迭代次数而不是参数深度来换取准确率，而这两者按 token 计都很便宜，但按任务计并非免费。

按月扩展到十万个问题，对比就是 31,000 美元对 10,000 美元，一年相差约 252,000 美元 [INDEPENDENT，根据 Plotly 的每问题数据外推]。这是一笔实实在在的预算项目，也是按每个错误答案来衡量 41 对 42 准确率差异的计价规模：在你业务所依赖的任务上，两个百分点的优势可能价值超过二十五万美元。

廉价档位真正胜出的地方

对于形态相同的工作负载，MiniMax M3.1 Flash 是更划算的选择：高并发量、输出较短或约束宽松、检索上下文繁重，并且能够容忍重跑。分类、配合下游校验器的 schema 约束抽取、大规模摘要、每句话都必须能追溯到所提供段落的检索增强问答，以及带审核的批量生成。吞吐量也大有帮助：116.2 tokens/秒 对比 57.5 [INDEPENDENT]，意味着在开始排队之前，每个副本的并发处理能力大约翻倍；而 524,288 token 的最大输出 [VENDOR] 意味着长文任务无需拼接。

幻觉数据是对那份清单的约束，而不是为其装点。当真实答案就在提示词中、且验证器会拒绝缺乏支持的断言时，92.81% 的比率 [INDEPENDENT] 尚可承受。但在一个没有检索、没有引文核查、也没有人工介入的开放式事实助手中，这不可承受——而且它略高的准确率只会让这些失败更难被察觉，而不是更容易。

高价档位何时物有所值

Kimi K3.1 Pro 在那些看起来更像实际工作、而不是记忆回忆的评测行上值回票价。Terminal-Bench 4.0 的 67.17% 和 Terminal-Bench-Science 的 34.29% 是最清晰的信号：在长周期 shell 和编程任务中，部分答案就等同于一次失败的运行，每次重试消耗的是工程注意力，而不是 token [INDEPENDENT]。GDPval-AA 的 388-Elo 分差 [INDEPENDENT] 对专业工作也指向同一结论。如果你的工作负载是一个必须在无人监督下完成多步骤流程的智能体，那么 Terminal-Bench 4.0 的 25.76% 得分 [INDEPENDENT] 并不是折扣——而是另一种产品。

有两个运行细节应放在这里，而不是放进脚注。思考始终开启，推理强度默认设为最大 [VENDOR]，因此若不接受能力变化，就无法调低延迟；请按约 6.9 秒的 p50 来规划，而不是指望一条并不存在的快速路径。在截至 10 月 26 日的七天里，我们的路由在生产环境中运行 Kimi K3.1 Pro 时，其速度为每秒 52.4 个输出 token，错误率为 0.064%，并在三天内承载了 1.305B 个 token [OURS]。同一时间窗口内，MiniMax M3.1 Flash 在我们的路由上仅承载了约 10,000 个 token [OURS]，数据量太少，什么都测不出来，因此本文中关于它的所有延迟和成本数字（包括吞吐量）都来自评测方。

在两者之间选择

从最像你流量特征的那一行评测结果出发，而不是从排行榜标题或价格表出发。如果答案取决于 Terminal-Bench、GDPval 或任何长时程执行类评测，那么 41 分和 388 Elo 的差距在讨论成本之前就已经说明问题。如果答案取决于 AA-LCR、MMMU-Pro、CritPt 或 AutomationBench，二者只差几分，你就应当根据价格、吞吐量和上下文来选择——也就是说，选择 MiniMax M3.1 Flash，并配一个检索层和一个管理幻觉画像的验证器。

中间情况是范围有限、答案可核查的分析工作。Plotly 的 43 题中答对 42 题对 43 题中答对 41 题 [INDEPENDENT] 正是这种形态；而在更便宜的模型需要 9.5× 的输入才能保持同等水平的一项任务上，3.1× 的差距是一笔真正的权衡。先对你自己的流量采样；单次 43 题的运行只是一个方向，不是定论。

关于定价，有一个结构性说明，它比上面任何比率都更重要。OrcaRouter 会将供应商的 token 价格原样传递，因此当标价发生变化时，我们对该模型的价格也会在同一天随之变化，中间不存在重新协商的档位。这里的每个比率都是两家供应商当前价目表的快照，而不是加价表——如果任一供应商下个月下调输出定价，15.2× 和 9.6× 都会变动，而计费仍与他们的价格保持一致。这也是为什么低价档的优势值得重新核查，而不是记住：MiniMax M3.1 Flash 于 10 月 19 日 [VENDOR] 上线，比本文撰写早一周，而发布价很少是最终价。

来源：Artificial Analysis Intelligence Index v4.3.2，数据截至 2026 年 10 月 26 日，用于指数、数据行、吞吐量和每任务成本数字；Plotly 于 10 月 20 日和 23 日发布的 DataAnalyticsBench 文章，用于 43 个问题的对比；厂商模型卡，用于价格、上下文限制、参数和发布日期。MiniMax M3.1 Flash 在七日窗口内在 OrcaRouter 的路由上承载了约 10,000 个 token，数量太少，无法测量，因此这里的延迟和成本数字来自评估者。