GPT-6.1 Terra 對決 Kimi K3.1 Pro：七個指數點，兩倍價格

GPT-6.1 Terra 和 Kimi K3.1 Pro 在同一份排行榜上相差兩個名次，價格則相差兩倍。Artificial Analysis 在其 Intelligence Index 上給 Kimi K3.1 Pro 55 分——總排名第四——而 GPT-6.1 Terra 為 48 分，排名第二十五。在 OrcaRouter 目錄中，Kimi 每百萬輸入 token 收費 2 美元、每百萬輸出 token 收費 10 美元；Terra 則為 1 美元和 5 美元。這款封閉、更便宜、更快速的模型能力低七分；開放權重的挑戰者價格貴一倍，且在桌面自動化方面高出 5.4 分。這兩項事實都不足以定奪這筆採購。

這項比較值得仔細進行，因為這兩個模型並不是價格所暗示的那種替代品。它們在輸出長度上相差七倍，在授權上分為開放式與封閉式，在各自廠商產品線中的定位也不同。本文以相同工作負載分別對兩者估算成本，標明哪些數字是獨立來源、哪些是廠商說法，最後提出我們實際會採用的分工方式。

卡片

• GPT-6.1 Terra — 每百萬 token 輸入 $1／輸出 $5，快取輸入 $0.05，1,050,000 token 上下文，最大輸入 922,000，最大輸出 128,000，知識截止日 2026 年 6 月 1 日，六種推理強度設定，輸入文字與圖像，輸出文字。

• Kimi K3.1 Pro — 在 OrcaRouter 上，每百萬個 token 的輸入價格為 $2、輸出價格為 $10，上下文長度為 1,048,576 個 token，最大輸出為 943,718 個 token；承諾於 2026 年 11 月 4 日開放權重，並已於 2026 年 10 月 23 日發布。

上下文視窗實際上幾乎相同，約為一百萬個 token。輸出上限則不然：Terra 停在 128,000 個 token，Kimi 則容許 943,718 個。就聊天而言，這個差異根本看不出來；但對於長篇生成、整份檔案的程式碼輸出，或逐字稿規模的摘要而言，這是一 次呼叫與一條分塊管線之間的差別。

為什麼在這裡七個指數點算很多

在一個大致從 38 分延伸到 60 分的排行榜上，七分的差距遠不只是四捨五入的誤差——那是第 25 名與第 4 名之間的鴻溝。GPT-6.1 Sol，OpenAI 以高效能等級販售的模型，落在 52 分。Kimi K3.1 Pro 以 55 分位居其上。旗艦 GPT-6 Astra 則是 53 分。因此，這款來自 Moonshot 的開放權重模型並不是在跟 Terra 競爭；在綜合評分上，它是在跟 OpenAI 的兩款頂尖模型競爭，並且以兩到三分勝出。

在對代理至關重要的維度上，這個模式依然成立。在 OSWorld 2.1 上，Kimi K3.1 Pro 得分 79.6%，而 Terra 為 74.2%——相差 5.4 個百分點，且高於 GPT-6 Astra 的 75.8%。在程式設計方面，相關報導指出 Kimi 緊追 Claude Opus 5.5，後者以 58 分位居本次比較最高。Terra 的 Coding Agent Index 為 48，比 Sol 低六分，比 Astra 低 29 分；Kimi 則不在這個檔次。

真正的制衡在於：Terra 並不打算在那些比較中勝出。OpenAI 的定位是範圍有限的工作——表單、截圖、發票、草擬——在這些工作上，48 就已經足夠，而每項任務 0.40 美元才是重點。七分的智能差距，在 Terra 並非被推銷用來處理的任務上，才最為關鍵。

價格數學：什麼時候兩倍的價格反而會勝出？

一個標準的 100,000 輸入、5,000 輸出請求，在 Terra 上花費 $0.125，在 Kimi 上花費 $0.25。一個 400,000 輸入、4,000 輸出、超過長上下文門檻的請求，在 Terra 上花費 $0.83，在 Kimi 上花費 $1.66。如果兩個模型都以相同 token 數一次嘗試就解決任務，Terra 的價格正好是一半，沒有其他可討論的。

有趣的情況是，當它們使用的 token 數量或嘗試次數不相同時。以文件擷取工作負載為例，Terra 有 80% 的機率在第一次嘗試就成功，而 Kimi 則是 92%。若每次嘗試都是固定 3,000 個輸入、400 個輸出的呼叫，Terra 每次成功的預期成本約為 $0.0055；Kimi 則約為 $0.0092。Terra 在成本上仍然勝出——因為準確率差距必須極大，才能靠更少的重試來抵銷 2 倍的 token 價格。

以一個代理式編碼任務為例，模型每次嘗試需要 30,000 個輸入 token 和 2,000 個輸出 token，而失敗模式是產生錯誤的修補程式，而不是重試。Terra 在需要 77 級編碼能力的任務上只有 48 級編碼能力，它並不是多失敗 20%；而是發生質性失敗，產生的變更雖然能執行，卻無法解決問題。這不是重試成本，而是工程師工時成本；而在這種情況下，兩倍價格反而是便宜的選擇。

開放權重改變的是第二年，而非第一年

Moonshot 已承諾在 2026 年 11 月 4 日前釋出 Kimi K3.1 Pro 的權重。這件事很重要，原因有三個，而其中沒有一個是今天的帳單。第一，自行託管會把按 token 計價完全從邊際成本計算中移除，改以 GPU 小時取而代之；在持續高用量下，這樣更便宜，在低用量下則貴得多。第二，開放權重消除了供應商這個單點故障，而這是採購面的論點，並非技術面的論點。第三，可下載的模型可以微調、在內部評估，並鎖定至特定版本，而這些在以封閉 API 的情況下都做不到。

這項承諾旁還須附帶兩點但書。權重尚未釋出，因此所有關於權重的說法都只是一種主張。而且釋出的模型與 API 模型並不完全相同：報導指出，Moonshot 在釋出前移除了與網路安全相關的訓練資料，這會改變模型在與安全議題沾邊的提示上的行為——這是刻意的選擇，也意味著開放權重與 API 端點並非對每一種工作負載都能互換。

GPT-6.1 Terra 沒有對等的途徑。它是封閉的、僅提供 API、不開放微調，也不以任何自架形式提供。如果可攜性是必要條件，那麼在基準測試開始之前，這場比較就已經結束了。

延遲無法互相比較，而這正是重點所在。

Kimi K3.1 Pro 在其 OrcaRouter 模型頁面上顯示 p50 約為 6.95 秒——這是真實流量下的平台層級延遲數據。GPT-6.1 Terra 公布的延遲數字，是在 Artificial Analysis 的最大努力推理基準測試中，首個 token 需時 133.64 秒；該測試衡量的是模型在回答難題前思考多久，而非典型請求需時多久。將這兩個數字並列毫無意義。

可以比較的是同一基準上的吞吐量：Artificial Analysis 測得 Terra 為每秒 90.9 個輸出 token，GPT-6.1 Sol 為每秒 73.5 個。Kimi 的對應數字並未列在同一頁上。誠實的立場是：Terra 在 OpenAI 模型中明顯很快，而 Kimi 在你的工作負載上的速度，是你實際測量而非閱讀得來的。

各擅勝場

• Terra — 適用於大量且有界的工作任務：在設有審核步驟的前提下，74% 的電腦操作通過率可接受；文件與發票流程；起草與編輯；任何能受益於較新的 2026 年 6 月知識截止點，且每項任務 $0.40 可產生複合效益的用途。

• Kimi K3.1 Pro — 適用於代理式編碼與長時程工作，其中七點的智慧差距足以改變結果；桌面自動化場景中 79.6 勝過 74.2；長輸出生成場景中 943,718 個權杖的上限省去了一層分塊處理；以及任何需要開放權重、自行架設或可固定版本的部署。

• 兩者皆非——無人監督、不可逆的電腦使用。Claude Opus 5.5 在 OSWorld 上以 81.8 分居首，而它與這兩個模型的差距，大於這兩個模型彼此的差距。

將它們並排執行

Kimi K3.1 Pro 已收錄於 OrcaRouter 目錄，價格為 $2/$10，支援 1,048,576 個 token 的上下文，且可將 base URL 指向我們的端點，透過 OpenAI SDK 呼叫。撰寫本文時，GPT-6.1 Terra 尚未收錄於目錄，因此 Terra 這組必須直接對 OpenAI 進行測試。

這種不對稱是暫時的，但很有用：這表示 Kimi 分支今天就能在即時流量上進行評估，以牌價、無加價，與型錄中其他模型並列——GPT-6.1 Sol、GPT-6 Astra、Claude Opus 5.5、Claude Sonnet 5.5——而 Terra 分支則可與 OpenAI 的 API 平行評估。當 Terra 落地時，比較已經建構完成，路由層便能將每項任務送往在該任務上勝出的分支，而不是送往某篇部落格文章排名較高的模型。

我們會採用的拆分方式

若任務有界、重複且需經審查，Terra 的半價勝過 Kimi 的七分。若任務是開放式、程式碼導向，或需要在沒有廠商的情況下運行，Kimi 的七分勝過 Terra 的半價——而且開放權重讓第二年的成本比 token 計算所顯示的更低。

錯誤在於為整個工作負載只挑一個模型。證據支持拆分：Terra 負責大量層級，Kimi 負責高難度層級，並在兩者之間設置有節制的備援。這是路由決策，不是模型決策，而這正是這項比較真正得出的結論。