BenchLeader

Gemini 3.5 Flash vs Kimi K3.1 Pro

完整资料:Gemini 3.5 Flash(Google)和 Kimi K3.1 Pro(Moonshot AI),包括全部基准测试、价格和排名。

更新于 · 数据来自 13 个来源

截至 2026年11月16日,Gemini 3.5 Flash 与 Kimi K3.1 Pro 的质量不相上下(BenchLeader Index 62.5 比 61.8,在 ±4.0 的误差范围内)。Gemini 3.5 Flash 更便宜,对方的价格是它的 1.2 倍(每百万 token 混合价格 $3.38 比 $4.00)。看重知识(63 比 58)和推理(61 比 59)选 Gemini 3.5 Flash;看重数学(73 比 58)、长上下文(68 比 61)和智能体与工具(65 比 63)选 Kimi K3.1 Pro。Gemini 3.5 Flash 的首次回答更快(9.9 秒 比 157.4 秒)。Gemini 3.5 Flash 的输出更快(3 倍以上)。

要点(截至 2026年11月16日)

  • Gemini 3.5 Flash 的 BenchLeader Index 为 62.5,Kimi K3.1 Pro 为 61.8(BenchLeader,2026年11月16日)。
  • Gemini 3.5 Flash 每百万 token 混合价格为 $3.38(标价,2026年11月16日)。
  • Kimi K3.1 Pro 每百万 token 混合价格为 $4.00(标价,2026年11月16日)。
  • Gemini 3.5 Flash 比 Kimi K3.1 Pro 输出更快(3 倍以上;Artificial Analysis,7 日中位数,2026年11月16日)。
  • 在两者都有结果的 14 项基准测试中,Kimi K3.1 Pro 领先 12 项(BenchLeader,2026年11月16日)。

按用途怎么选

推荐模型的数值列在前面。类别得分采用 BenchLeader 标尺(50 为模型平均水平,15 分为一个标准差)。领先半个标准差及以上为“高”置信度;相差不到 1 分则视为“均可”。

用途推荐理由置信度
编程均可类别得分 60 比 60;SciCode 53.9% 比 60.8%均可
智能体与工具调用Kimi K3.1 Pro类别得分 65 比 63;GDPval-AA v2.1 1861 比 1211中
数学Kimi K3.1 Pro类别得分 73 比 58;ProofBench 91.0% 比 31.0%高
推理Gemini 3.5 Flash类别得分 61 比 59;Humanity's Last Exam (AA) 42.7% 比 52.5%中
知识Gemini 3.5 Flash类别得分 63 比 58中
长文档Kimi K3.1 Pro类别得分 68 比 61;AA-LCR v1.1 86.3% 比 73.3%中
图像及其他媒体均可类别得分 66 比 66;MMMU-Pro 84.3% 比 83.9%均可
对话质量(人类偏好)–只有 Gemini 3.5 Flash 有 Arena 评分(类别得分 67)无法比较
成本最低Gemini 3.5 Flash每百万 token 混合价格 $3.38 比 $4.00;智能体编程会话 $0.126 比 $0.160–
首次回答最快Gemini 3.5 Flash首个回答 token 9.9 秒(Gemini 3.5 Flash (high))比 157.4 秒(Kimi K3.1 Pro)–
低预算大批量两者都不选通常更小的模型更合适:便宜好用的大模型、最快的大模型–

主要差异

  • Gemini 3.5 Flash (high) 与 Kimi K3.1 Pro 的质量不相上下(62.5 比 61.8,在 ±4.0 的误差范围内)。
  • Gemini 3.5 Flash (high) 在知识、推理方面更强。
  • Kimi K3.1 Pro 在智能体与工具、编程、长上下文、数学、多模态方面更强。
  • Gemini 3.5 Flash (high) 更便宜,对方的价格是它的 1.2 倍(每百万 token 混合价格 $3.38 比 $4.00)。
  • Gemini 3.5 Flash (high) 的输出速度是对方的 5.8 倍(176 比 30 token/秒)。

概览

规格Gemini 3.5 FlashKimi K3.1 Pro
提供商GoogleMoonshot AI
发布日期2026年5月19日2026年10月23日
上下文窗口(token)1,048,5761,048,576
对比时的配置Gemini 3.5 Flash (high)Kimi K3.1 Pro
开放权重否是
每百万 token 价格(输入 / 输出 / 缓存输入)$1.50 / $9.00 / $0.150$2.00 / $10.00 / $0.200

逐类别对比

类别得分采用 BenchLeader 标尺:50 为参评模型的平均水平,15 分为一个标准差。差距不到 1 分视为持平。

类别Gemini 3.5 Flash (high)Kimi K3.1 Pro领先者
推理60.659.2Gemini 3.5 Flash
编程59.559.6持平
智能体与工具62.864.6Kimi K3.1 Pro
数学57.773.4Kimi K3.1 Pro
知识63.358.2Gemini 3.5 Flash
指令遵循74.4–无法比较
人类偏好66.8–无法比较
多模态66.266.3持平
长上下文61.267.9Kimi K3.1 Pro

同一图表对比

各领域采用与 Index 相同的标尺,平均模型为 50 分。单击某个领域可查看构成它的基准测试。 可从列表中最多选择 5 个模型。

2550 avg75推理编程智能体与工具数学知识长上下文多模态Gemini 3.5 Flash, 推理: 60.6Gemini 3.5 Flash, 编程: 59.5Gemini 3.5 Flash, 智能体与工具: 62.8Gemini 3.5 Flash, 数学: 57.7Gemini 3.5 Flash, 知识: 63.3Gemini 3.5 Flash, 长上下文: 61.2Gemini 3.5 Flash, 多模态: 66.2Kimi K3.1 Pro, 推理: 59.2Kimi K3.1 Pro, 编程: 59.6Kimi K3.1 Pro, 智能体与工具: 64.6Kimi K3.1 Pro, 数学: 73.4Kimi K3.1 Pro, 知识: 58.2Kimi K3.1 Pro, 长上下文: 67.9Kimi K3.1 Pro, 多模态: 66.3

未绘制(测得的模型少于两个):指令遵循, 人类偏好。

模型(单击添加或移除)Index

各来源的分歧

在两者都有结果的 14 项基准测试中,Gemini 3.5 Flash 领先 2 项,Kimi K3.1 Pro 领先 12 项。所有同时评测两者的综合评分都认为 Kimi K3.1 Pro 更强。

综合 IndexGemini 3.5 Flash (high)Kimi K3.1 Pro领先者
BenchLeader Index62.561.8不相上下
Arena Text14781485†Kimi K3.1 Pro

各发布方使用各自的任务、评测框架和推理强度设置,因此总体结论可能不同;BenchLeader 将它们统一到同一标尺上。† 表示同一模型在另一推理强度设置下的测量值(发布方未测试本页对比的设置)。

价格、速度与延迟

标价按每 1 个输出 token 对应 3 个输入 token 混合计算。每项任务的价格采用方法论页面中的 token 数量。每项基准测试任务的成本、token 数和耗时均为实测值,取自 Artificial Analysis 整个 Intelligence Index 测试的平均值。

指标Gemini 3.5 Flash (high)Kimi K3.1 Pro
每百万 token 混合价格$3.38$4.00
每百万 token 输入 / 输出$1.50 / $9.00$2.00 / $10.00
每百万 token 缓存输入$0.150$0.200
每项任务价格:聊天回复$0.0033$0.0038
每项任务价格:总结一份 30 页的报告$0.023$0.030
每项任务价格:代码编辑$0.022$0.027
每项任务价格:智能体编程会话$0.126$0.160
每项任务价格:结构化信息提取$0.0048$0.0060
智能体编程会话(输入大多命中缓存)$0.065$0.079
每项基准测试任务成本(AA Index)–$3.68
每项任务输出 token(AA Index)–72k
其中推理部分–44k
每项任务耗时(AA Index)–40 min
输出速度176 tok/s30 tok/s
首次回答时间9.9 秒157.4 秒
完整回答耗时(最近一次测量 2026年11月13日)27.6 秒417.5 秒

每个模型都按其排名最高的推理强度设置进行对比。Gemini 3.5 Flash (high) 得分 62.5,首个回答 token 需 10 秒;Gemini 3.5 Flash (medium) 为 61.8(9 秒),Gemini 3.5 Flash (minimal) 为 55.6(3 秒)。Kimi K3.1 Pro 得分 61.8,首个回答 token 需 157 秒;Kimi K3.1 Pro (max) 为 59.9(157 秒)。推理强度越高,回答前思考越久:得分更高,但等待更长、计费 token 也更多。 推理强度如何影响得分和成本

全部基准测试

共 164 项基准测试,按类别分组;点击名称可查看该排行榜及领先模型。† 表示同一模型在另一推理强度设置下的测量值,仅供参考,不计入胜场。

指标发布方Gemini 3.5 Flash (high)Kimi K3.1 Pro
BenchLeader IndexBenchLeader62.561.8
智能体与工具得分BenchLeader62.864.6
编程得分BenchLeader59.559.6
人类偏好得分BenchLeader66.8–
指令遵循得分BenchLeader74.4–
知识得分BenchLeader63.358.2
长上下文得分BenchLeader61.267.9
数学得分BenchLeader57.773.4
多模态得分BenchLeader66.266.3
推理得分BenchLeader60.659.2
混合价格(美元/百万 token)BenchLeader$3.38$4.00
输出速度BenchLeader176 tok/s30 tok/s
首次回答时间BenchLeader9.9 秒157.4 秒
上下文窗口BenchLeader1,048,576 token1,048,576 token
推理
GPQA DiamondEpoch AI Benchmarking Hub92.8%–
SimpleBenchSimpleBench76.7%†–
Arena Hard PromptsArena (LMArena)14961504†
LiveBench 2.0 ReasoningLiveBench–91.1%†
LiveBench 1.0 ReasoningLiveBench82.0%–
GPQA Diamond (AA)Artificial Analysis92.2%–
Humanity's Last Exam (AA)Artificial Analysis42.7%52.5%
HLE-Diamond (AA)Artificial Analysis–37.3%
GPQA Diamond (Vals)Vals AI92.7%–
EnigmaEvalScale AI SEAL25.4%–
ARC-AGI-1ARC Prize92.5%–
ARC-AGI-2ARC Prize72.1%–
CritPtArtificial Analysis13.1%24.6%
CritPt v2 hard subset (AA)Artificial Analysis–49.5%
MysteryMechanismVals AI–26.1%†
Arena ExpertArena (LMArena)14911515†
Chess PuzzlesEpoch AI Benchmarking Hub45.0%–
Mystery Game PuzzlesEpoch AI Benchmarking Hub32.0%–
LMCAEpoch AI Benchmarking Hub47.1%57.6%†
DTBenchEpoch AI Benchmarking Hub94.7%93.3%†
ForecastBenchForecastBench64.0%†–
编程
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub79.3%–
SciCodeSciCode53.9%60.8%
WeirdMLWeirdML62.6%–
Arena CodingArena (LMArena)15081530†
显示全部 164 项基准测试
指标发布方Gemini 3.5 Flash (high)Kimi K3.1 Pro
编程
Arena WebDevArena (LMArena)15001687†
LiveBench 2.0 CodingLiveBench–67.8%†
LiveBench 1.0 CodingLiveBench78.2%–
LiveCodeBenchVals AI87.6%–
IOIVals AI–81.9%†
SWE-bench (Vals)Vals AI78.8%–
Code MigrationVals AI26.8%–
ProgramBenchVals AI0.0%–
Vibe Code Bench v1.1Vals AI48.7%84.9%†
SWE Atlas v1.1Scale AI SEAL–61.1%
SWE Atlas v1.1: Codebase QnAScale AI SEAL–70.2%
SWE Atlas v1.1: Test WritingScale AI SEAL–58.9%
SWE Atlas v1.1: RefactoringScale AI SEAL–54.3%
Surface Evolver BenchEpoch AI Benchmarking Hub58.1%†–
DeepSWE v1.1Epoch AI Benchmarking Hub36.1%–
ALE-BenchEpoch AI Benchmarking Hub911.01932.8†
WeirdML v3WeirdML–9.9%†
Terminal-Bench 4.0 (AA)Artificial Analysis6.6%67.2%
Terminal-Bench 2.1 (AA)Artificial Analysis78.7%–
GameBench 2 OverallDuelLab GameBench 249.4†78.3
GameBench 2 by reasoning settingDuelLab GameBench 263.284.0†
Design Arena WebsiteDesign Arena1260†1321
FrontierCode 1.1 (AA)Artificial Analysis–47.1%
FrontierCode 2.0 (AA)Artificial Analysis–25.4%
智能体与工具
Terminal-BenchTerminal-Bench–59.7%†
APEX-AgentsMercor27.5%†65.5%
Arena AgentArena (LMArena)–4.9†
LiveBench Long AgenticLiveBench–38.7%†
LiveBench BrowserLiveBench–75.9%†
LiveBench Agentic CodingLiveBench49.0%–
Terminal-Bench HardArtificial Analysis40.9%–
τ²-Bench Telecom (AA)Artificial Analysis95.3%–
Terminal-Bench 2.1 (Vals)Vals AI74.2%–
MCP AtlasScale AI SEAL83.6%–
HiL-BenchScale AI SEAL27.7%†61.3%
GDPval-AA v2.1, normalised scoreArtificial Analysis–67.3%
GDPval-AA v2.1Artificial Analysis12111861
τ³-Banking (AA)Artificial Analysis32.2%–
ITBench SRE (AA)Artificial Analysis40.4%–
Analyst Agent (AA)Artificial Analysis45.0%38.8%
APEX-Agents (AA)Artificial Analysis47.0%–
Finance Agent v2Vals AI57.9%–
Finance Agent v2.1Vals AI–61.5%†
Harvey's Legal Agent Benchmark v1.1Vals AI–11.7%†
Harvey's Legal Agent Benchmark v1Vals AI2.5%–
Legal Research BenchVals AI30.8%37.5%†
SkillsBenchVals AI52.7%–
SREBenchVals AI–27.1%†
Tax Agent BenchVals AI21.6%24.9%†
Terminal-Bench 2.0 (Vals)Vals AI67.4%–
Terminal-Bench 4.0 (Vals)Vals AI6.1%63.6%†
Terminal-Bench ScienceVals AI5.7%31.4%†
Web Search IndexVals AI37.0%–
Arena Agent Task CompletionArena (LMArena)–2.7†
GBAEvalEpoch AI Benchmarking Hub6.7%†–
Vending-Bench 2Andon Labs5396.4†–
AutomationBenchArtificial Analysis42.1%73.3%
GDP.pdf (AA)Artificial Analysis19.8%31.4%
EnterpriseOps-GymArtificial Analysis50.1%–
AA-Briefcase v1.1Artificial Analysis8761674
Design Arena AgenticDesign Arena1174†1301
Terminal-Bench-Science 0.1 (AA)Artificial Analysis–34.3%
CWE-Bench (AA)Artificial Analysis–60.8%
DeepSec-Bench (AA)Artificial Analysis–36.7%
CyberGym end-to-end (AA)Artificial Analysis–94.7%
MKA (AA)Artificial Analysis–43.9%
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub62.8%–
FrontierMath Tier 4Epoch AI Benchmarking Hub26.8%–
OTIS Mock AIMEEpoch AI Benchmarking Hub95.6%–
ProofBenchVals AI31.0%91.0%
LiveBench MathematicsLiveBench88.2%–
AIME 2026MathArena95.0%–
HMMT February 2026MathArena95.5%–
MathArena ApexMathArena32.3%–
ArXivMathMathArena–58.3%†
BrokenArXivMathArena–61.9%†
Arena MathsArena (LMArena)1497–
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub66.2%–
LiveBench 2.0 Data AnalysisLiveBench–79.1%†
LiveBench ResearchLiveBench–82.1%†
LiveBench 1.0 Data AnalysisLiveBench64.9%–
AA-Omniscience v1.1Artificial Analysis–29.9
MMLU-ProVals AI89.5%–
LegalBenchVals AI83.6%–
CorpFinVals AI64.7%–
TaxEvalVals AI74.4%–
PRBench FinanceScale AI SEAL–47.5%
PRBench LegalScale AI SEAL–47.9%
BioMysteryBenchVals AI–75.6%†
Excel Modeling BenchmarkVals AI63.5%–
Excel Modeling Benchmark v1.1Vals AI–70.0%†
MedCodeVals AI55.8%–
MedScribeVals AI76.6%–
Public Benefits Bench v1.1Vals AI59.5%–
Access to Justice BenchmarkVals AI–69.5%†
Financial Coaching BenchVals AI63.0%–
DrugDiscoveryBenchScale AI SEAL50.0%63.4%†
EBR-benchEpoch AI Benchmarking Hub4.8%–
GDP.pdfEpoch AI Benchmarking Hub14.0%†–
AA-Omniscience v1.1: accuracyArtificial Analysis–48.9%
AA-Omniscience v1.1: non-hallucinationArtificial Analysis–62.7%
指令遵循
LiveBench LanguageLiveBench84.6%–
LiveBench Instruction FollowingLiveBench75.6%–
IFBenchArtificial Analysis76.3%–
Arena Instruction FollowingArena (LMArena)14651487†
人类偏好
Arena TextArena (LMArena)14781485†
EQ-Bench 4EQ-Bench1077†–
EQ-Bench Creative Writing v3EQ-Bench–2173
Arena Creative WritingArena (LMArena)14651453†
Arena Multi-turnArena (LMArena)14801475†
Arena Longer QueriesArena (LMArena)14831491†
多模态
Arena VisionArena (LMArena)1308–
LiveBench DesignLiveBench–73.7%†
MMMU-ProArtificial Analysis84.3%83.9%
MMMU-Pro (Vals)Vals AI88.3%–
MortgageTaxVals AI68.1%–
Humanity's Sixth SenseScale AI SEAL32.6%33.2%†
GeoBenchGeoBench85.0%†–
Blueprint-Bench 2Epoch AI Benchmarking Hub33.6%†–
VIALS-AAHandshake AI–45.3%
AA-3DArtificial Analysis–1112
长上下文
AA-LCR v1.1Artificial Analysis73.3%86.3%
Arena DocumentArena (LMArena)1455–
MLCRArtificial Analysis10.0%38.3%
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub155.3†161.4
LiveBench 2.0LiveBench–68.7%†
LiveBench 1.0LiveBench74.6%–
AA Intelligence Index v5.0.1Artificial Analysis–46.5
AA Intelligence Index v4.3.2Artificial Analysis32.655.1
AA Progress Index v1Artificial Analysis305.1340.7
Vals IndexVals AI–62.5†
Vals Finance IndexVals AI–56.0%†
Vals Science IndexVals AI–44.4%†
Vals Multimodal IndexVals AI62.9%–
Vals Legal IndexVals AI–67.0%†
AA Cyber IndexArtificial Analysis–64.1
安全与诚实
FORTRESSScale AI SEAL–18.6%
DistressBenchScale AI SEAL66.9%†–
元数据
AA Openness IndexArtificial Analysis–33.3

数据截至 2026年11月16日。对比的是每个模型的最佳配置;每项分数的来源链接都在模型页面上。

DuelLab GameBench 2, release gb2-20261111-7b598bb13de4 (https://benchmarks.duellab.org/releases/gb2-20261111-7b598bb13de4/), CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Scores mapped to BenchLeader model names; not endorsed by DuelLab.

变化

  • Kimi K3.1 Pro:BenchLeader Index 61.2 → 61.8。
  • Kimi K3.1 Pro:1 项分数修订。
  • Gemini 3.5 Flash (high):1 项新结果(GDPval-AA v2.1);1 项分数修订。
  • Kimi K3.1 Pro:1 项分数修订。
  • Kimi K3.1 Pro:1 项新结果(HiL-Bench)。
  • Gemini 3.5 Flash (high):3 项新结果(AIME 2026, HMMT February 2026, MathArena Apex)。
  • Kimi K3.1 Pro:3 项新结果(PRBench Finance, PRBench Legal, FORTRESS);2 项分数修订。
  • Kimi K3.1 Pro:2 项新结果(APEX-Agents, Epoch Capabilities Index)。
  • Kimi K3.1 Pro:BenchLeader Index 61.8 → 61.2。
  • Kimi K3.1 Pro:5 项分数修订。

排行榜: 综合最佳大模型 · 最适合智能体的大模型 · 便宜好用的大模型

Gemini 3.5 Flash vs Kimi K3.1 Pro:常见问题

Gemini 3.5 Flash 比 Kimi K3.1 Pro 更好吗?
Gemini 3.5 Flash (high) 与 Kimi K3.1 Pro 的质量不相上下(62.5 比 61.8,在 ±4.0 的误差范围内)。BenchLeader Index 综合了所有第三方质量基准测试;截至 2026年11月16日,两者差距在误差范围内,请结合你的用途查看各类别得分。
Gemini 3.5 Flash 和 Kimi K3.1 Pro 哪个更便宜?价格会变吗?
目前 Gemini 3.5 Flash 更便宜:每百万 token $3.38 比 $4.00(按每 1 个输出 token 对应 3 个输入 token 混合计算)。两者均未公布价格调整。
编程用 Gemini 3.5 Flash 还是 Kimi K3.1 Pro 更好?
两者在编程方面持平(类别得分 60 比 60)。在两者共同的最主要编程基准测试 SciCode 上,Gemini 3.5 Flash 为 53.9%,Kimi K3.1 Pro 为 60.8%。
Gemini 3.5 Flash 和 Kimi K3.1 Pro 哪个更快?
Gemini 3.5 Flash 输出更快(3 倍以上;输出 176 比 30 token/秒,Artificial Analysis 7 日中位数)。
智能体和工具调用用 Gemini 3.5 Flash 还是 Kimi K3.1 Pro 更好?
Kimi K3.1 Pro 在智能体任务方面得分更高(类别得分 65 比 63,50 为平均水平)。
更多问题(4)
处理长文档哪个更好?
Kimi K3.1 Pro 在长上下文基准测试上得分更高(68 比 61)。两者都支持 1,048,576 token 的上下文。
哪个延迟更低?
Gemini 3.5 Flash 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 9.9 秒比 157.4 秒。这主要取决于推理强度:设置越高,回答前思考得越久。
第三方基准测试对 Gemini 3.5 Flash 和 Kimi K3.1 Pro 的看法一致吗?
在两者都有结果的 14 项基准测试中,Gemini 3.5 Flash 领先 2 项,Kimi K3.1 Pro 领先 12 项。所有同时评测两者的综合评分都认为 Kimi K3.1 Pro 更强。
Kimi K3.1 Pro 是什么时候发布的?
Kimi K3.1 Pro 于 2026年10月23日 发布。