BenchLeader

Gemini 3.7 Flash vs Kimi K3.1 Pro Together

完整资料:Gemini 3.7 Flash(Google)和 Kimi K3.1 Pro Together(Moonshot AI),包括全部基准测试、价格和排名。

更新于 · 数据来自 10 个来源

截至 2026年11月16日,Gemini 3.7 Flash 与 Kimi K3.1 Pro Together 的质量不相上下(BenchLeader Index 62.1 比 60.0,在 ±4.2 的误差范围内)。在两者都有成绩的所有类别中,Kimi K3.1 Pro Together 均领先。

要点(截至 2026年11月16日)

  • Gemini 3.7 Flash 的 BenchLeader Index 为 62.1,Kimi K3.1 Pro Together 为 60.0(BenchLeader,2026年11月16日)。
  • Gemini 3.7 Flash 每百万 token 混合价格为 $1.50(标价,2026年11月16日)。
  • 在两者都有结果的 8 项基准测试中,Kimi K3.1 Pro Together 领先 5 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
数学Kimi K3.1 Pro Together类别得分 65 比 63;FrontierMath Tiers 1–3 78.3% 比 71.6%中
推理均可类别得分 68 比 67;GPQA Diamond 94.8% 比 94.2%均可
知识均可类别得分 66 比 66;SimpleQA Verified 69.2% 比 62.2%均可
对话质量(人类偏好)–只有 Gemini 3.7 Flash 有 Arena 评分(类别得分 68)无法比较
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 3.7 Flash (high) 与 Kimi K3.1 Pro Together (max) 的质量不相上下(62.1 比 60.0,在 ±4.2 的误差范围内)。
  • Gemini 3.7 Flash (high) 在推理方面更强。
  • Kimi K3.1 Pro Together (max) 在知识、数学方面更强。

概览

规格Gemini 3.7 FlashKimi K3.1 Pro Together
提供商GoogleMoonshot AI
发布日期2026年8月13日2026年10月23日
上下文窗口(token)1,048,576–
对比时的配置Gemini 3.7 Flash (high)Kimi K3.1 Pro Together (max)
开放权重否否
每百万 token 价格(输入 / 输出 / 缓存输入)$0.750 / $3.75 / $0.075–

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 3.7 Flash (high)Kimi K3.1 Pro Together (max)领先者
推理67.866.9持平
编程62.3–无法比较
智能体与工具48.9–无法比较
数学62.665.2Kimi K3.1 Pro Together
知识65.966.0持平
人类偏好68.1–无法比较
多模态67.2–无法比较
长上下文65.5–无法比较

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推理数学知识Gemini 3.7 Flash, 推理: 67.8Gemini 3.7 Flash, 数学: 62.6Gemini 3.7 Flash, 知识: 65.9Kimi K3.1 Pro Together, 推理: 66.9Kimi K3.1 Pro Together, 数学: 65.2Kimi K3.1 Pro Together, 知识: 66.0

未绘制(测得的模型少于两个):编程, 智能体与工具, 指令遵循, 长上下文, 多模态, 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 8 项基准测试中,Gemini 3.7 Flash 领先 3 项,Kimi K3.1 Pro Together 领先 5 项。

综合 IndexGemini 3.7 Flash (high)Kimi K3.1 Pro Together (max)领先者
BenchLeader Index62.160.0不相上下

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 3.7 Flash (high)Kimi K3.1 Pro Together (max)
每百万 token 混合价格$1.50–
每百万 token 输入 / 输出$0.750 / $3.75– / –
每百万 token 缓存输入$0.075–
每项任务价格:聊天回复$0.0014–
每项任务价格:总结一份 30 页的报告$0.011–
每项任务价格:代码编辑$0.010–
每项任务价格:智能体编程会话$0.060–
每项任务价格:结构化信息提取$0.0023–
智能体编程会话(输入大多命中缓存)$0.030–
输出速度95 tok/s–
首次回答时间2.2 秒–

每个模型都按其排名最高的推理强度设置进行对比。Gemini 3.7 Flash (high) 得分 62.1,首个回答 token 需 2 秒;Gemini 3.7 Flash (medium) 为 60.1(2 秒),Gemini 3.7 Flash (low) 为 57.3(2 秒)。Kimi K3.1 Pro Together (max) 得分 60.0。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 95 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 3.7 Flash (high)Kimi K3.1 Pro Together (max)
BenchLeader IndexBenchLeader62.160.0
智能体与工具得分BenchLeader48.9–
编程得分BenchLeader62.3–
人类偏好得分BenchLeader68.1–
知识得分BenchLeader65.966.0
长上下文得分BenchLeader65.5–
数学得分BenchLeader62.665.2
多模态得分BenchLeader67.2–
推理得分BenchLeader67.866.9
混合价格(美元/百万 token)BenchLeader$1.50–
输出速度BenchLeader95 tok/s–
首次回答时间BenchLeader2.2 秒–
上下文窗口BenchLeader1,048,576 token–
推理
GPQA DiamondEpoch AI Benchmarking Hub94.8%94.2%
Arena Hard PromptsArena (LMArena)1510–
LiveBench 1.0 ReasoningLiveBench87.8%–
GPQA Diamond (AA)Artificial Analysis94.5%–
Humanity's Last Exam (AA)Artificial Analysis47.9%–
GPQA Diamond (Vals)Vals AI93.9%–
ARC-AGI-1ARC Prize95.5%–
ARC-AGI-2ARC Prize84.6%–
CritPtArtificial Analysis14.3%–
Arena ExpertArena (LMArena)1519–
Chess PuzzlesEpoch AI Benchmarking Hub66.0%45.0%
Mystery Game PuzzlesEpoch AI Benchmarking Hub37.0%42.0%
LMCAEpoch AI Benchmarking Hub50.4%–
DTBenchEpoch AI Benchmarking Hub96.8%–
ForecastBenchForecastBench66.2%–
编程
SciCodeSciCode57.2%–
FrontierCodeCognition43.6%†–
Arena CodingArena (LMArena)1520–
Arena WebDevArena (LMArena)1588–
LiveBench 1.0 CodingLiveBench78.9%–
LiveCodeBenchVals AI88.7%–
IOIVals AI67.8%–
SWE-bench (Vals)Vals AI80.8%–
Code MigrationVals AI34.8%–
ProgramBenchVals AI0.0%–
显示全部 95 项基准测试
指标发布方Gemini 3.7 Flash (high)Kimi K3.1 Pro Together (max)
编程
Vibe Code Bench v1.1Vals AI70.4%–
MirrorCodeEpoch AI Benchmarking Hub41.1%–
DeepSWE v1.1Epoch AI Benchmarking Hub65.3%–
ALE-BenchEpoch AI Benchmarking Hub904.3–
FrontierSWEEpoch AI Benchmarking Hub20.3%–
Terminal-Bench 4.0 (AA)Artificial Analysis13.6%–
Terminal-Bench 2.1 (AA)Artificial Analysis85.8%–
Design Arena WebsiteDesign Arena1295†–
智能体与工具
Terminal-BenchTerminal-Bench12.4%–
Remote Labor IndexScale AI / CAIS5.0%†–
APEX-AgentsMercor67.8%†–
Arena AgentArena (LMArena)-2.2–
LiveBench Agentic CodingLiveBench58.3%–
Terminal-Bench 2.1 (Vals)Vals AI77.5%–
GDPval-AA v2.1Artificial Analysis1404–
τ³-Banking (AA)Artificial Analysis32.8%–
Analyst Agent (AA)Artificial Analysis60.0%–
CyberBenchVals AI43.8%–
Finance Agent v2Vals AI59.0%–
Harvey's Legal Agent Benchmark v1Vals AI8.8%–
Legal Research BenchVals AI34.6%–
SkillsBenchVals AI65.9%–
SREBenchVals AI4.6%–
Tax Agent BenchVals AI22.8%–
Terminal-Bench 4.0 (Vals)Vals AI12.1%–
Terminal-Bench ScienceVals AI7.1%–
Arena Agent Task CompletionArena (LMArena)-3.5–
AutomationBenchArtificial Analysis62.0%–
GDP.pdf (AA)Artificial Analysis23.6%–
EnterpriseOps-GymArtificial Analysis50.4%†–
AA-Briefcase v1.1Artificial Analysis1115–
Design Arena AgenticDesign Arena1222†–
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub71.6%78.3%
FrontierMath Tier 4Epoch AI Benchmarking Hub36.6%65.8%
OTIS Mock AIMEEpoch AI Benchmarking Hub97.2%100.0%
ProofBenchVals AI58.0%†–
LiveBench MathematicsLiveBench93.5%–
Arena MathsArena (LMArena)1502–
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub69.2%62.2%
LiveBench 1.0 Data AnalysisLiveBench68.0%–
MMLU-ProVals AI90.1%–
LegalBenchVals AI87.3%–
TaxEvalVals AI74.7%–
Excel Modeling BenchmarkVals AI71.3%–
MedCodeVals AI53.4%–
MedScribeVals AI83.9%–
GDP.pdfEpoch AI Benchmarking Hub23.8%–
指令遵循
LiveBench LanguageLiveBench85.5%–
LiveBench Instruction FollowingLiveBench79.9%–
Arena Instruction FollowingArena (LMArena)1486–
人类偏好
Arena TextArena (LMArena)1489–
EQ-Bench Creative Writing v3EQ-Bench1720†–
Arena Creative WritingArena (LMArena)1487–
Arena Multi-turnArena (LMArena)1490–
Arena Longer QueriesArena (LMArena)1501–
多模态
Arena VisionArena (LMArena)1313–
MMMU-ProArtificial Analysis85.5%–
MMMU-Pro (Vals)Vals AI89.0%–
MortgageTaxVals AI66.7%–
Humanity's Sixth SenseScale AI SEAL39.8%–
Furniture AssemblyEpoch AI Benchmarking Hub26.7%55.8%
长上下文
AA-LCR v1.1Artificial Analysis81.7%–
Arena DocumentArena (LMArena)1468–
MLCRArtificial Analysis12.2%–
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub158.4†–
LiveBench 1.0LiveBench78.8%–
AA Intelligence Index v4.3.2Artificial Analysis39.1–
AA Progress Index v1Artificial Analysis317.4–
Vals RSI IndexVals AI18.3%–
安全与诚实
DistressBenchScale AI SEAL69.0%†–

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。

变化

  • Gemini 3.7 Flash (high):2 项新结果(GDPval-AA v2.1, AA-Briefcase v1.1)。
  • Kimi K3.1 Pro Together (max):BenchLeader Index 60.5 → 60.0。
  • Gemini 3.7 Flash (high):BenchLeader Index 62.6 → 62.1。
  • Gemini 3.7 Flash (high):1 项分数修订。
  • Gemini 3.7 Flash (high):1 项新结果(Arena Document)。
  • Kimi K3.1 Pro Together (max):首批结果。
  • Gemini 3.7 Flash (high):1 项新结果(MirrorCode)。
  • Gemini 3.7 Flash (high):1 项新结果(AA Progress Index v1)。
  • Gemini 3.7 Flash (high):2 项新结果(Harvey's Legal Agent Benchmark v1, Vals RSI Index)。
  • Gemini 3.7 Flash (high):输入价格 $0.38/M → $0.75/M;输出价格 $1.88/M → $3.75/M。

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 3.7 Flash vs Kimi K3.1 Pro Together:常见问题

Gemini 3.7 Flash 比 Kimi K3.1 Pro Together 更好吗?
Gemini 3.7 Flash (high) 与 Kimi K3.1 Pro Together (max) 的质量不相上下(62.1 比 60.0,在 ±4.2 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。
第三方基准测试对 Gemini 3.7 Flash 和 Kimi K3.1 Pro Together 的看法一致吗?
在两者都有结果的 8 项基准测试中,Gemini 3.7 Flash 领先 3 项,Kimi K3.1 Pro Together 领先 5 项。
Kimi K3.1 Pro Together 是什么时候发布的?
Kimi K3.1 Pro Together 于 2026年10月23日 发布。