
MAI Code 2 对比 Kimi K3.1 Pro:一个公布数字,另一个公布折扣
- Orca新OrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 每百万 tokens · 180 tok/s
- tencent新Tencent: Hy4 Flash2026-11-16$0.02 / $0.07 每百万 tokens · 223 tok/s
- Google新Google: Gemini 4 Carbon2026-11-10$2.00 / $10.00 每百万 tokens · 89 tok/s
- Anthropic新Anthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 每百万 tokens · 98 tok/s
- orca新Orca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 每百万 tokens · 88 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 每百万 tokens · 134 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 每百万 tokens · 79 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 每百万 tokens · 94 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 每百万 tokens · 118 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 每百万 tokens · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百万 tokens · 94 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百万 tokens · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447智能
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 每百万 tokens · 199 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929智能
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 每百万 tokens · 114 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733智能
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 每百万 tokens · 311 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740智能
MAI Code 2于2026年11月17日开售,标出了价格,却没有评分。 Kimi K3.1 Pro,它由 Moonshot AI 于 2026 年 10 月 24 日宣布、并于 11 月 4 日开放,兼具两者:每百万输入 token 2.00 美元,以及独立的 Intelligence Index 读数 46。这次比较关注的正是这种不对称,而不是一张基准测试表。微软的发布文章列出了四项编程基准测试——DeepSWE 1.1、Terminal Bench 2.1、SWE-Atlas 和 FrontierCode v1.1——然后公布的是比率而不是结果:按四项平均计算,以 5% 的成本达到 Claude Opus 5.5 性能的 96%,以 40% 的成本达到 GPT-6.1 Sol 性能的 98%。Moonshot 公布的是某一实际基准测试上的实际百分比,而 Artificial Analysis 还在其基础上运行自己的评测框架。一方给你的是可以精确到分核实的折扣,以及一个你完全无法核查的能力声明。另一方给你的是一个可以争论的数字。
两者都提供托管服务。但只有一个是可下载的。事实证明,这一点比四倍的价格差距更重要。
微软公布了什么,又遗漏了什么
发布文章对方法交代得很具体,对结果却只字不提,这种搭配并不常见,值得仔细读一读。文中点名了四项基准测试。其中三项——DeepSWE 1.1、Terminal Bench 2.1 和 SWE-Atlas——是在微软内部评测平台 MSBench 上运行的,通过 GitHub Copilot CLI 驱动,禁用了子代理,并且每个模型都以最大推理强度运行。FrontierCode 的分数和成本来自 Artificial Analysis,这使它成为该平均值中唯一一项并非由微软自己产出的组成部分。成本按模型 50% 的促销价计算。
然后是结果:两个比率和一个偏好占比。达到 Claude Opus 5.5 性能的 96%,成本仅为其 5%。达到 GPT-6.1 Sol 的 98%,成本为 40%。在盲测前端评估中,评审者在 64% 的情况下更喜欢 MAI Code 2 的输出,而非 GPT-6 Sol。在发布帖或模型页面上,完全没有该模型在这四项基准中任何一项上的通过率、参数数量或输出上限。截至 2026年11月18日,Artificial Analysis 也没有它的条目,因此不存在任何独立信息来填补这一空白。
这不是什么丑闻。这是一种对买方有特定代价的选择:你无法计算完成一项任务需要多少成本,因为你不知道模型需要多少次尝试。在四个基准上取平均得到的比率衡量的是平均值,而不是分布,而编程工作恰恰是分布具有长尾的领域。
费率卡完全公开,且完全可核查
定价让 MAI Code 2 的情况变得具体,因为 GitHub 将其精确记录到十分之一美分。
• 输入 — MAI Code 2 为每百万 tokens $0.50,对比 Kimi K3.1 Pro 的 $2.00;MAI 的价格是它的四分之一
• 输出 — 每百万 $2.50 对比 $10.00;同样是四倍比率,因此该折扣并非混合造成的假象
• 缓存输入——每百万 $0.025,而后者为每百万 $0.20;MAI 只是它的八分之一,而 GitHub 对双方都没有公布缓存写入费用
• 自 2027 年 5 月 17 日起 — MAI Code 2 重新定价为 $1.00 / $0.05 / $5.00,其优势减半:新 token 上为 2×,缓存读取上为 4×
• 上下文 — 通过 Moonshot 的 API,Kimi K3.1 Pro 提供 1,048,576 个 token,相比之下,MAI Code 2 提供 100 万个 token 的窗口,但仅在 Visual Studio Code 和 Copilot CLI 内开放
• 输出上限——Microsoft 未公布,Moonshot 公布的规格卡中也没有单独的输出上限;1,048,576 是上下文窗口,不是生成上限
• 权重——无,仅提供托管版本,相较 2026 年 11 月 4 日发布的 1.56 TB MXFP4 下载
缓存输入这一行才是智能体工作负载真正花钱的地方,而它给微软带来的优势比标题数字所显示的更为明显。编程智能体在每一轮都会重放固定的系统提示、稳定的工具 schema 和一段仓库前缀。按每百万缓存 token 0.025 美元对 0.20 美元计算,在占账单大头的那些行上,差距远不止 4 倍。而到期日则造成了大部分杀伤:从 2027 年 5 月 17 日起,缓存费率变为 0.05 美元,而 Moonshot 的费率仍维持在 Moonshot 设定的水平,于是优势在缓存上收窄至 4 倍,在全新 token 上收窄至 2 倍。
对方确实公布的那唯一一份文书
Kimi K3.1 Pro 的证据呈现出不同的形态——一个可与独立数据核对的厂商数字,以及一项包含模型思考时间的单任务成本。
Moonshot 自家的发布表格显示,Kimi K3.1 Pro 在 Terminal-Bench 4.0 上的成绩为 65.7%,仅次于 Claude Opus 5.5 的 66.4%,位居第二。这是一个在现行基准测试上得到的真实百分比,由厂商在发布当天公布,而且并没有往自己脸上贴金。在 Intelligence Index 5.0.1 版本中,Kimi K3.1 Pro 得分为 46,远高于 Artificial Analysis 所报告的同类模型中位数 23。
成本这一侧正是独立解读能够体现价值的地方,而且结果也不好看。Artificial Analysis 给出的数据是:Kimi K3.1 Pro 每完成一项 Intelligence Index 任务花费 3.68 美元,每项任务耗时 38.4 分钟,输出速度为每秒 31 个 token,首个回答 token 的延迟为 157.8 秒——相对于每项任务 13.6 分钟的中位数来说很慢。这些正是你判断一个模型该放进循环里而不是聊天窗口时所需的数字,而 MAI Code 2 没有对应的数据。

四倍折扣实际买到了什么
剥去营销包装,这笔取舍就清楚了。如今 MAI Code 2 的价格是 Kimi K3.1 Pro 的四分之一,2027 年 5 月之后则是 Kimi K3.1 Pro 的一半。作为交换,你要接受四件无法核查的事:通过率、每个已完成任务的尝试次数、模型规模,以及模型在微软选定的四项基准之外的行为。微软对最后一点异常直白——发布帖称,这些模型“明确尚未针对更难的问题进行调优,比如基础科学研究和极长周期的智能体工作”。这句话比那个 96% 更值得相信,因为这是厂商主动承认的局限。
Kimi K3.1 Pro 的取舍正好相反。你为每个 token 支付四倍的价格,等待 38 分钟才能完成一个任务,换来的是一个可以下载、可在自己的租户内微调,并且在 Moonshot 的 API 出问题的那一周仍能继续运行的模型。权重总计 1.56 TB,以 MXFP4 格式分布在 96 个分片中,这是一项真正的服务部署工作,而不是在笔记本电脑上下载就能跑起来。其许可证是一份带有营收门槛的定制法律文书——不是 Apache,不是 MIT,也未获 OSI 批准。因此,这里的“开放”意味着可审计、可自托管,而非毫无约束。对于安全审查来说,这一区别没有问题。对于你打算再分发的产品,请先阅读许可证。
两个模型都不算买亏。它们的定价面向的是不同买家:一个是已经为 Copilot 付费、希望在已采用的工具链内用上更便宜 token 的团队;另一个是希望拥有一份可迁移资产的团队。
向双方呼叫,以及那个没有端点的一方
Kimi K3.1 Pro 已在 OrcaRouter 上线,模型标识为 kimi/kimi-k3.1-pro,每百万 token 收费 $2.00 和 $10.00,按提供商标价透传,0% 加价——因此,如果 Moonshot 更改其价目表,你的账单会在同一天变化,而不是等到经销商重新定价周期之后。它与其他目录项共用同一个密钥,并且自动故障转移意味着提供商侧的速率限制会变成一次重试,而不是在长达 38 分钟的智能体运行中途发生中断。
MAI Code 2 不在我们的产品目录中,也不可能加入。唯一已发布的获取途径是 GitHub Copilot 订阅,涵盖 Pro、Pro+、Max、Business 和 Enterprise;该系列中较小的 MAI Code 2 Flash 是唯一提供 API 接口的模型,它是在 Microsoft Foundry 中通过兼容 OpenAI 的 Responses API 提供的受限访问预览版。如果你想在自己的代码仓库上比较这两者,实验的一方必须在 Copilot 客户端内运行,另一方则要针对 HTTP 端点运行。这是设计上的实际限制,而不是脚注。
最终能保留下来的安排是分流,而不是迁移。把可衡量的模型留在必须做预算的路径上,在那里 Kimi K3.1 Pro 每任务 3.68 美元和 38 分钟完成时间都是已知量,可以据此规划。把 MAI Code 2 放到已经在 Copilot 中工作的开发者面前,在那里试用它除了他们已经拥有的席位之外不产生任何成本。然后,根据你自己的代码仓库来决定完成任务的成本,而不是根据四项基准的平均值。

该选哪一个
• 你需要审计该模型或亲自运行它——Kimi K3.1 Pro,而且这里没有第二个候选。权重可供下载,许可证问题也有答案。
• 你的开发者已经在使用 Copilot,而且这些工作属于例行修复——MAI Code 2 的价格为 $0.50 和 $2.50,前提是 96% 和 98% 这两个数字来自微软自身,且未获复现。
• 在采购时,你需要一个站得住脚的数字——Kimi K3.1 Pro,因为独立指数给出的读数是 46,而另一个模型没有对应行。
• 您正在为 2027 年 5 月之后的支出做预算——Kimi K3.1 Pro 或 MAI Code 2 是按翻倍后的价目表而非促销价目表来测算的。
• 对于由人驱动的工作流,你想要的是最便宜的 token——MAI Code 2,因为一个人等待补全时,并不像智能体循环那样为实际耗时付费。

悬而未决的问题是:微软究竟会不会公布一个绝对数字。只要有一个 Terminal-Bench 4.0 的通过率,就比任何比率都更能说明问题,因为它能把 MAI Code 2 放到与其他一切相同的坐标轴上。在那样一个数字出现之前,这不过是价目表与一个经过实测的模型之间的比较——而诚实的建议是:你能盯得住的工作,就用更便宜的那个 token;你盯不住的工作,就用那个经过实测的模型。
本文中的对比1
根据本文内容识别 · 基准测试:Artificial Analysis · 每日更新
