MIDM K 3.0 Pro vs Kimi K3.1 Pro：消耗一百万 Token 的两种方式

Moonshot 和 KT 用同样一年的工程投入，押下了相反的赌注。Kimi K3.1 Pro 于 2026 年 10 月 23 日发布，检查点随后于 11 月 2 日在 Hugging Face 上发布；它有 2.8 万亿参数，既可下载也可租用，在 Artificial Analysis Intelligence Index 上得分 46，价格为每百万输入 token 2.00 美元，每百万输出 token 10.00 美元。MIDM K 3.0 Pro 于 2026 年 10 月 29 日在 KT 的 Token Factory 上发布，总参数 1200 亿，激活参数 120 亿，发布时没有权重、没有公开基准测试，也没有独立评分，价格为 0.20 美元和 0.80 美元——在 KT 的发布折扣持续到 11 月 30 日期间为 0.14 美元和 0.56 美元。这两个模型中，一个是能力采购，一个是成本采购。你想要哪一个，完全取决于这两个词中哪一个描述了你的工作负载，而本页其余部分讲的就是如何判断。

每个供应商决定优化什么

Kimi K3.1 Pro 是 Kimi K3 经过后训练得到的后代模型，背后投入的强化学习算力大幅增加；Moonshot 自己的说法是，这些提升来自更长、更审慎的推理，而不是更大的基础模型。这一点在测量结果中也如预期般体现出来：它很慢，输出速度为每秒 32 个 token，每个 Intelligence Index 任务耗时 37.1 分钟；它也很啰嗦，在整个测试套件中输出了 1.13 亿个 token，而规模相近的开放权重模型的中位数为 9930 万。它在每个指数任务上的成本为 3.68 美元。换句话说，这是一个用 token 换质量的模型——而它负担得起，因为如果 API 账单成了问题，它也是你可以自行托管的模型。

MIDM K 3.0 Pro 则完全走了另一个方向。其架构的设计目标是在每个 token 上尽可能少地花费成本：Mamba 层与专家混合（MoE）和注意力机制混合，总参数为 1200 亿，其中活跃参数为 120 亿；MoE 专家量化为 NVFP4，Mamba 投影加共享专家则保持在 FP8。这是一种面向服务成本的设计，而非面向能力的设计，KT 也直言不讳，在模型页面上连同量化方案一起公布了这一点。上下文窗口为 261,795 个 token，最大输出为 235,615 个 token——这一不同寻常的比例表明，该模型的规模设定是针对文档输入、文档输出的工作，而不是针对聊天对话轮次。

• 参数 — Kimi K3.1 Pro 总参数 2.8 万亿，激活参数 1040 亿；对比 MIDM K 3.0 Pro 总参数 1200 亿，激活参数 120 亿

• 权重 — Kimi K3.1 Pro 于 2026 年 11 月 2 日在 Hugging Face 发布，而 MIDM K 3.0 Pro 未公开，仅提供 API

• 上下文窗口 — 1,048,576 个 token，对比 261,795 个 token，输出为 235,615 个 token

• 标价——每百万输入 $2.00 / 输出 $10.00，对比 $0.20 / $0.80，目前为 $0.14 / $0.56

• 缓存输入 — $0.20，对比 $0.04

• 独立指数——46，而此前未发布任何数据

• 每个索引任务的实测成本 — 3.68 美元，而对照项未测量

• 输出速度——Artificial Analysis 测得每秒 32 个 token，对比 KT 自己那份有争议的仪表盘

MIDM 上唯一一个不是价格的数字

KT 在其自己的模型页面上公布了延迟和吞吐量，而该页面自相矛盾。提供商行报告称，单一 KT 端点的输出速度为每秒 19.98 个 token，端到端耗时为 0.67 秒。其上方的三日中位数图表报告称，平均每秒 62.93 个 token，首个 token 耗时为 0.27 秒，端到端耗时为 1.47 秒。两者描述的是同一端点在相互重叠的时间窗口内的情况。两者都没有说谎；提供商行看起来像是一个快照，图表看起来像是一个滚动中位数，但读者无法判断应该以哪个数字作为规划依据，而三倍的差距并不是舍入差异。

与 Kimi K3.1 Pro 实测的每秒 32 个 token 相比，即便是悲观的 MIDM 读数也处在同一区间，而乐观的读数则快一倍。这是这个廉价模型第一次显得够用，而不只是便宜。它也是关于该模型的唯一一项并非价格的表现主张，这足以说明证据有多么单薄。

为什么“廉价”和“开放”是不同的论点

比较这两者时，本能反应是去看每百万 token 的成本，然后就到此为止。但这样做会错过真正区分二者的关键。

Kimi K3.1 Pro 的开放权重是对其自身定价的一种对冲。押注它的团队原则上可以不再支付 2.00 美元和 10.00 美元，转而开始为 GPU 付费——而在 2.8 万亿参数规模下，这是一个严肃的资本问题，不是周末项目。关键在于这个选项确实存在，而 Moonshot 在十天内就交付了权重，而不只是作出承诺，这才让该选项成为现实。许可证条款和实际推理服务成本是另一篇文章的话题；检查点的存在则不是。

MIDM K 3.0 Pro 没有这样的对冲。它是单一提供商上的封闭 API，而 KT 自己的平台文档指出，由单一提供商提供服务的模型不会获得其自动路由。如果 KT 的端点降级，就没有第二个可调用的地方。KT 转而提供的是另一种对冲：本土托管。Token Factory 平台明确以韩国基础设施、韩元计费和数据留在韩国为定位；对于设有采购委员会的韩国企业来说，这是一项中国开放权重模型和美国 API 都无法满足的要求。

那才是真正的对位。Kimi K3.1 Pro 面向的是受能力或独立性制约的团队。MIDM K 3.0 Pro 面向的是受司法辖区或预算制约的团队。它们并不争夺同一个买家，因此即使存在对二者进行直接基准测试对比，这种比较也会产生误导。

你自己工作的一百万个 token 在每一项上要花多少钱

抽象的费率会掩盖决策，所以要把它具象化。一条法律审查流水线读取 200,000 token 的合同并生成 4,000 token 的摘要，每月运行两百次，就是 4,000 万输入 token 和 80 万输出 token。

在 Kimi K3.1 Pro 上，这是 $80 的输入和 $8 的输出——每月 $88，而长上下文完全在其窗口之内。在 MIDM K 3.0 Pro 上则完全跑不起来，因为 200,000 个 token 的合同加上 4,000 token 的回答，已经足够接近 261,795 token 的上限，文档再长一点就会使它崩溃。把合同降到 120,000 个 token，MIDM K 3.0 Pro 就能处理：2400 万输入 token，按 $0.14 计——$3.36——再加上 800,000 输出 token，按 $0.56 计，即 $0.45。不到四美元，对比 Kimi 的 $88——而在 11 月 30 日折扣到期后，约为 $5.40。

便宜约二十三倍，而且是在一项廉价模型勉强才能胜任的任务上。这就是一句话概括的全部价值主张，也是全部风险所在：这套算术里没有任何内容能说明摘要质量是好的。Kimi K3.1 Pro 的 46 分及其每索引任务 3.68 美元，附带有实测的质量水平。MIDM K 3.0 Pro 的四美元，除了 KT 自己的规格表之外，完全没有任何质量声明。

对您自己的文档运行比较

这两个模型目前都可调用，而且接受相同的请求结构，因此安排并排对比成本很低。Kimi K3.1 Pro 已收录在 OrcaRouter 目录中，采用 Moonshot 公布的 $2.00 和 $10.00 价格，没有任何加价——供应商标价原样透传，因此 Moonshot 的价格变动当天就能反映到你的密钥上，而不必等到下一个计费周期——并且它与其他 200 多个由我们路由的模型共用同一密钥和端点，这意味着与 MIDM K 3.0 Pro 做 A/B 对比时，在 Kimi 侧只需更改模型字符串，在 KT 侧则需要第二个基础 URL。MIDM K 3.0 Pro 本身我们并不提供；它位于 KT 的 Token Factory 中。

对于想要便宜模型但又不能承受出错的团队来说，有用的方案不是在两者之间二选一。而是把大部分流量交给 MIDM K 3.0 Pro，并由 Kimi K3.1 Pro 作为后备，以及 一条路由规则，会把任何超过 250,000 个 token 的内容直接发给 Kimi，因为 MIDM 的窗口本来就会拒绝它。故障转移则覆盖另一种失败模式：当单一提供商的端点性能下降时，请求会解析到一个可衡量的模型，而不是一个错误页面。这两者都不能替代弄清楚哪个模型更好。两者都是在你弄清楚之前保持工作继续进行的办法。

真正能定论的是公开评测，而谁拥有公开评测这一不对称，才是这里的关键。Kimi K3.1 Pro 在第十二天发布时，带来了分数、速度测量、每任务成本数据以及可下载的检查点。MIDM K 3.0 Pro 发布时则带来了价目表、规格表，以及一张自相矛盾的延迟图表。两者都是正常的发布；但只有其中一个能让买家在签约前算清楚账。如果你这个月就要做选择，那么当答案必须正确时，选 Kimi K3.1 Pro；当答案必须便宜且是韩语时，选 MIDM K 3.0 Pro——而如果你确实分不清自己属于哪种情况，这正是要在 11 月 30 日折扣结束前，用你自己的两百份文档分别跑一遍这两个模型的理由。