一張生成的 16:9 標題卡,背景為深藍灰色並帶有柔和的放射狀光暈,主標題為「Qwen4-Max vs Kimi K3.1 Pro」,副標題為「41 美分的差距,影響比你想像的小」。右側是一個以細線繪製的扁平天平,兩個秤盤分別標示 $3.27/任務 與 $3.68/任務,橫樑幾乎持平。底部沿線排列四個小圖示,分別標示為影片輸入、1M 上下文、不公開權重 對 開放權重,以及 55 vs 31 tok/s。OrcaRouter 標誌位於右下角。
Guides & Insights

Qwen4-Max 對決 Kimi K3.1 Pro:41 美分的差距,影響其實沒你想的那麼大

作者

jinhao.song

發佈日期

最新模型 · 20查看全部模型 →
基準測試:Artificial Analysis · 每日更新
返回全部文章

根據 Artificial Analysis 自己公布的數字,完成一項任務在 Qwen4-Max 上花費 3.27 美元,在 Kimi K3.1 Pro 上則是 3.68 美元。四十一美分。如果你要為每週執行數千項任務的代理挑選模型,這個差距看起來像是整個決策的關鍵,但其實不是——因為這兩個模型是從相反方向達到這些數字,而方向正是六週後會出現在你日誌裡的東西。Qwen4-Max 是靠快速且冗長達到這個數字——輸出 token 更多,但每個 token 的費率不到一半;Kimi K3.1 Pro 則是靠緩慢且簡潔達到,輸出的 token 更少,但每個 token 的成本是兩倍以上。整體而言,兩者都不是更便宜的模型。各自只在特定形態的工作上更便宜。

這是這對模型有用的切入框架,而且現在具備了十月時沒有的條件:兩個模型都位於同一個獨立索引修訂版上,兩者都已公布商業條款,其中一個還提供可下載的權重。接下來要談的是依工作負載而非依基準測試所做的區分,因為基準測試已經顯示兩者很接近。

首先,名字

並沒有單純的 kimi-k3.1 存在於 M​oonshot 自家的模型清單中。實際提供的識別碼是 kimi-k3.1-pro、kimi-k3.1-pro-highspeed以及較舊的 kimi-k3;「Kimi K3.1」是這個系列在搜尋框與媒體報導中的寫法,而其背後的模型是 Kimi K3.1 Pro。highspeed 版本是同一模型以大約兩到三倍的速度提供服務。因此,這裡所有重要的比較都是 Qwen4-Max 對上 Kimi K3.1 Pro,而下方測量的正是這一對。任何人拿一份名為「Kimi K3.1」的模型規格表給你看,其實都是在用較短的名稱展示 Pro 的數字。

Kimi K3.1 Pro 於 2026 年 10 月 23 日發布,廠商部落格日期為 24 日,其權重登上 Hugging Face,僅有一個時間戳為 2026-11-02 的提交。Qwen4-Max 於 2026 年 11 月 16 日開始按用量計費販售。兩者都已推出數週,皆非預覽版,且都有真實的價目表——這正是能以數字而非預測來進行這項比較的根本原因。

A generated two-column scoreboard titled 'Qwen4-Max vs Kimi K3.1 Pro' with seven rows: index score 43 against 46; cost per task $3.27 against $3.68; output per million $4.50 against $10.00; tokens per run 127M against 113M; wall-clock per task 32.1 min against 38.4 min; max output 262,144 against 943,000; weights none against downloadable. Footer reads 'Artificial Analysis Intelligence Index v5.0.1; vendor list prices'. OrcaRouter logo bottom-right.

定義對戰組合的這兩列

以下所有內容均來自 Artificial Analysis Intelligence Index v5.0.1,除非標註為廠商回報。該指數僅是某一天的單一量測工具;本部落格曾見過修訂使某個模型的分數變動達兩位數,因此請將分數差距視為方向性參考。

• 指數得分 — Qwen4-Max 43 對 Kimi K3.1 Pro 46。Kimi 模型領先三分,仍落在單次指數修訂的雜訊範圍內

• 每項任務成本 — Qwen4-Max $3.27,對比 Kimi K3.1 Pro $3.68。儘管具有分數優勢,Kimi 模型每項已完成任務的成本仍高出 12.5%。

• 輸入價格 — Qwen4-Max 在新加坡每百萬 $1.50,其他地區 $1.413;Kimi K3.1 Pro $2.00

• 輸出價格 — Qwen4-Max $4.50 對比 Kimi K3.1 Pro $10.00。這是整個比較中差距最大的一項,也是以 token 數量建立的成本模型會過度加權的那一項

• 快取命中價格 — Qwen4-Max 在新加坡每百萬 $0.075,其他地區 $0.071;Kimi K3.1 Pro $0.20。兩者都對快取讀取提供大幅折扣;Q​wen 的折扣幅度更大

• 每項任務的實際耗時 — Qwen4-Max 為 32.1 分鐘,Kimi K3.1 Pro 為 38.4 分鐘,而同類中位數為 11.5。兩者都偏慢;Qwen 是兩者中較不慢的

• 輸送量 — Qwen4-Max 每秒輸出 55 個 token,相較於 Kimi K3.1 Pro 的 31,兩者皆依據各自供應商自家 API 測得

• Token 消耗量 — Qwen4-Max 每次索引執行輸出 1.27 億個 token,而 Kimi K3.1 Pro 為 1.13 億個

• 上下文 — Qwen4-Max 依文件記載為 1,000,000 個 token,實測可用為 984,000 個;Kimi K3.1 Pro 為 1,048,576 個

• 模態 — 兩者皆接受文字、圖像與影片,並回傳文字。M​oonshot 的模型指南明確指出 Kimi K3.1 Pro 可處理影片,儘管該模型的獨立摘要僅列出文字與圖像。

• 權重 — Qwen4-Max 未公開任何權重,其文件標明不支援微調與部署;Kimi K3.1 Pro 的 2.8 兆參數檢查點,每個 token 有 1,040 億個參數處於啟用狀態,可依客製化授權下載,而非採用現成授權。

• 架構,廠商自述——Qwen4-Max 為 2.4 兆參數主幹,其中 710 億為活躍參數,另有 3,280 億 N-gram 嵌入參數;Kimi K3.1 Pro 則是以 K3 為基礎、經後訓練的 3T 級模型

把輸出價格那一列和每項任務成本那一列對照著看,整篇文章你就懂了。Kimi K3.1 Pro 每個輸出 token 的收費是兩倍多,卻仍每完成一項任務多花 41 美分,因為它輸出的 token 更少。Qwen4-Max 每個輸出 token 的收費不到一半,卻幾乎沒從中獲益,因為它多輸出 12%。按 token 計價只是帳單的代理指標,不是帳單本身。帳單是第三列。

工作負載一:長時間執行的代理程式

這就是 41 美分不再只是零頭的地方。代理迴圈不會只執行一個任務;它會執行一連串大量重試的任務,而真正會累積放大的是實際耗時,不是價格。以每個索引任務分別需 32.1 分鐘和 38.4 分鐘來看,兩個模型都比同類中位數 11.5 分鐘慢上兩到三倍。二十個任務的批次,兩者都要花十到十三小時的實際耗時。如果你的迴圈受延遲限制,這兩個都不是正確的模型,而依價格在兩者之間挑選,就是在最佳化錯誤的變數。

如果不是受延遲限制——例如整夜批次執行、長期研究任務、背景文件處理——那麼決定性數字就是每個已完成任務的 token 數;而在這裡,Qwen4-Max 的每秒 55 個 token 對上 K​imi 的 31 個,其重要性不如表面上看起來那麼大。吞吐量只決定單一請求消耗的速度;真正決定帳單的是模型在產生答案前花多少 token 思考。Qwen4-Max 多花 12% 的這類 token,而每單位收費低 55%。

工作負載二:所有涉及長文件的事項

這裡正是比較的重點從分數轉向輸出形態的地方。兩個模型都能讀取文字、圖像和影片,也都能輸出文字,所以沒有模態方面的爭論可談——本節最誠實的說法是,Qwen4-Max 的影片支援並不是它看起來那樣的决定性優勢,因為 Moonshot 的模型指南指出 Kimi K3.1 Pro 同樣能處理影片。在文件處理上,真正將兩者區分開來的,是它們一次能回寫多少內容,以及為此收取多少費用。

Qwen4-Max 在關閉思考時,輸出上限為 131,072 個 token;若思考與回答共用額度,則為 262,144 個。Kimi K3.1 Pro 則約達 943,000 個。對於只需回傳摘要的合約審閱,這項差異永遠不會顯現;但對於被要求重新輸出整份標註文件,或先在一組工作集上推理、再將結果長篇寫出的流程而言,這正是單次呼叫與你現在得自行建置並除錯的分塊方案之間的差別。

價格差距則指向相反方向。Qwen4-Max 的輸入費率低 25%,輸出費率不到一半,因此在大規模語料上進行擷取與分類工作——輸入多、輸出少——無論就每項完成任務還是就計費來看,Qwen4-Max 都明顯更便宜。把這兩段放在一起看,分界很清楚:大量語料上的短回答有利於 Qwen4-Max,同一語料上的長回答則有利於 K​imi 模型的輸出上限。

A screenshot of the Artificial Analysis page for Kimi K3.1 Pro, marked open weights and released October 2026, showing the Intelligence Index score of 46 against a median of 23, 113M tokens generated on the run, $2.00 input and $10.00 output per million tokens, $3.68 per task, 38.4 minutes per task against a median of 13.6, text and image input, a 1M-token context and downloadable weights on Hugging Face.

工作負載三:需要權重的那一個

上述幾行並未涵蓋這兩個模型之間最大的差異,因為那並不是一個數字。Kimi K3.1 Pro 可以下載。Qwen4-Max 則不行——其文件將微調與模型部署標示為不支援,而 A​libaba 的發布貼文只承諾較小的 Qwen4 層級「即將開源」,這是關於該系列而非此模型的說法。

這種情況在三個特定情境下要緊,其餘情況則無關緊要。若你需要用自己的資料進行微調,這點就很重要,因為 Qwen4-Max 完全不提供這條路徑。若你的合規立場要求權重必須放在自家安全邊界內,而不是置於他人的 API 之後,這點就很重要。若你要估算的是數年而非數月的成本,這點也很重要:可下載的 3T 等級檢查點是一項資本支出,其邊際成本曲線由你掌控;而租用的旗艦模型則是一張可能變動的價目表。3 兆參數的專家混合模型不是多數團隊能在內部提供服務的東西——它需要一整座機架,而不是一台工作站——但「自己跑很貴」和「自己跑不可能」是採購問題的兩種不同答案,而只有其中一種能讓採購案成立。

這份授權值得用一句精確的話來說明,因為在大多數報導中,「開放權重」這四個字承擔了太多重量:Kimi K3.1 Pro 是依一份量身打造的Kimi K3.1-Pro 授權條款發佈,而非 K3 所沿用的 Modified MIT 文本;其授予的權利屬於一般意義上的寬鬆——可使用、修改、微調、再散布、販售——但附加了兩項條件。若你經營模型即服務(model-as-a-service)業務,且在任何連續十二個月內的總營收超過 2,000 萬美元,則在將這些權重用於商業用途前,須先與 Mo​onshot 另行簽訂協議。而若以這些權重建構的產品月活躍使用者突破 1 億,或月營收突破 2,000 萬美元,就必須在其介面上顯著標示「Kimi K3.1-Pro」。內部使用,以及透過 Mo​onshot 自家產品或經認證的推論合作夥伴使用,皆不受這兩項條款約束。若你打算以這些權重為基礎打造產品,請讀授權條款本身,而非摘要。

將這一對放在同一個按鍵上

這裡的比較不再對稱,而這一點值得直言。OrcaRouter 提供kimi/kimi-k3.1-pro 今日,在與其餘 200 多個模型識別碼 相同的 OpenAI 相容端點上,以0% 加價——供應商的標價直接傳遞,因此上方的 $2.00 與 $10.00 是你實際支付的價格,而不是廠商在計入任何人利潤之前所收取的費用。它不路由 Qwen4-Max,本頁也不會暗示相反:要取得該模型,意味著使用 Alibaba 自家的六個區域,或由第三方平台轉售。

這種不對稱真正有用之處,在於本文一直在描述的測試。上述依工作負載的拆分,是對你的流量提出的一項假設,而不是關於你流量的事實;而要否證它,成本最低的方法就是在同一個端點上,把相同的提示詞跑過 Kimi K3.1 Pro 與 Q​wen 3.8 層級,並以自動容錯移轉來吸收供應商那些否則會破壞基準測試執行的短暫故障。如果 K​imi 模型在你的工作負載上,以每項任務超過 41 美分的差距勝出,權重論點就更容易站得住腳。如果沒有,你就替自己省下了一場關於機櫃的採購討論。

A screenshot of the OrcaRouter model page for Kimi K3.1 Pro, showing the identifier kimi/kimi-k3.1-pro, the byline MoonshotAI with the date 2026-10-24, a description noting a 1,048,576-token context and up to 943,718 output tokens with text, image and video input, a 1M-token context badge, 943k maximum output, pricing of $2.00 input and $10.00 output per million, and a note that zero data retention is available.

決策規則

三點指數與每項任務 41 美分的成本,並不足以區分這些模型。真正能區分它們的是二元條件,而且值得依序檢查。

• 如果你需要在一次呼叫中回寫整份文件——Kimi K3.1 Pro 約 943,000 個 token 的輸出上限,對比 Qwen4-Max 262,144 的共享預算,這是類別上的差異,而非百分比上的差異

• 如果你需要微調、自行託管或持有權重——Qwen4-Max 就不列入考慮,因為根本沒有權重可持有

• 如果你的執行作業受實際耗時(wall-clock)限制——兩者都不適合;在同一塊主機板上,兩者都比中位數模型慢兩到三倍,而 K​imi 是兩者中較慢的那個

• 若以上皆不適用——選擇每完成任務成本較低者,以今日數據而言是 Qwen4-Max 的 $3.27 對上 $3.68,並在一個月後重新檢視,因為兩家供應商本季都已調整過一次價格。

坦白說,總結是:Moonshot 推出了評分更高的模型,而 Alibaba 推出了價格更划算的那個;兩個方向上的差距都很小;這裡唯一具有長尾效應的選擇,是沒有人會放進比較表裡的那一項:你是租用還是擁有。其餘的一切都只是四十一美分,以及一次修訂上的四捨五入誤差。

本文中的比較2

根據本文內容識別 · 基準測試:Artificial Analysis · 每日更新