Gemini 4 Carbon vs Kimi K3.1 Pro
完整资料:Gemini 4 Carbon(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 15 个来源
截至 2026年11月16日,质量上 Gemini 4 Carbon 领先 Kimi K3.1 Pro(BenchLeader Index 68.9 比 61.8)。两者价格相近(每百万 token 混合价格 $4.00 比 $4.00)。看重知识(76 比 58)、编程(74 比 60)和推理(73 比 59)选 Gemini 4 Carbon;看重长上下文(68 比 64)和数学(73 比 72)选 Kimi K3.1 Pro。Gemini 4 Carbon 的首次回答更快(73.5 秒 比 157.4 秒)。Gemini 4 Carbon 的输出更快(约 2 倍)。
要点(截至 2026年11月16日)
- Gemini 4 Carbon 的 BenchLeader Index 为 68.9,Kimi K3.1 Pro 为 61.8(BenchLeader,2026年11月16日)。
- Gemini 4 Carbon 每百万 token 混合价格为 $4.00(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 4 Carbon 比 Kimi K3.1 Pro 输出更快(约 2 倍;Artificial Analysis,7 日中位数,2026年11月16日)。
- 在两者都有结果的 18 项基准测试中,Gemini 4 Carbon 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 | Gemini 4 Carbon | 类别得分 74 比 60;FrontierCode 2.0 (AA) 40.6% 比 25.4% | 高 |
| 智能体与工具调用 | Gemini 4 Carbon | 类别得分 70 比 65;AutomationBench 77.8% 比 73.3% | 中 |
| 数学 | Kimi K3.1 Pro | 类别得分 73 比 72 | 中 |
| 推理 | Gemini 4 Carbon | 类别得分 73 比 59;HLE-Diamond (AA) 69.1% 比 37.3% | 高 |
| 知识 | Gemini 4 Carbon | 类别得分 76 比 58;AA-Omniscience v1.1 53.5 比 29.9 | 高 |
| 长文档 | Kimi K3.1 Pro | 类别得分 68 比 64;AA-LCR v1.1 86.3% 比 79.3% | 中 |
| 对话质量(人类偏好) | – | 只有 Gemini 4 Carbon 有 Arena 评分(类别得分 73) | 无法比较 |
| 成本最低 | 均可 | 每百万 token 混合价格 $4.00 比 $4.00;智能体编程会话 $0.160 比 $0.160 | – |
| 首次回答最快 | Gemini 4 Carbon | 首个回答 token 73.5 秒(Gemini 4 Carbon (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
- 质量上 Gemini 4 Carbon (high) 领先:68.9 比 61.8。
- Gemini 4 Carbon (high) 在智能体与工具、编程、知识、推理方面更强。
- Kimi K3.1 Pro 在长上下文、数学方面更强。
- 两者价格相近(每百万 token 混合价格 $4.00)。
- Gemini 4 Carbon (high) 的输出速度是对方的 2.1 倍(64 比 30 token/秒)。
概览
| 规格 | Gemini 4 Carbon | Kimi K3.1 Pro |
|---|---|---|
| 提供商 | Moonshot AI | |
| 发布日期 | 2026年10月28日 | 2026年10月23日 |
| 上下文窗口(token) | 1,048,576 | 1,048,576 |
| 对比时的配置 | Gemini 4 Carbon (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) | $2.00 / $10.00 / $0.100 | $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 4 Carbon (high) | Kimi K3.1 Pro | 领先者 |
|---|---|---|---|
| 推理 | 73.2 | 59.2 | Gemini 4 Carbon |
| 编程 | 74.1 | 59.6 | Gemini 4 Carbon |
| 智能体与工具 | 70.3 | 64.6 | Gemini 4 Carbon |
| 数学 | 71.9 | 73.4 | Kimi K3.1 Pro |
| 知识 | 76.1 | 58.2 | Gemini 4 Carbon |
| 人类偏好 | 72.6 | – | 无法比较 |
| 多模态 | – | 66.3 | 无法比较 |
| 长上下文 | 64.3 | 67.9 | Kimi K3.1 Pro |
| 综合 | 70.3 | – | 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。
未绘制(测得的模型少于两个):指令遵循, 多模态, 人类偏好。
各来源的分歧
在两者都有结果的 18 项基准测试中,Gemini 4 Carbon 领先 12 项,Kimi K3.1 Pro 领先 6 项。所有同时评测两者的综合评分都认为 Gemini 4 Carbon 更强。
| 综合 Index | Gemini 4 Carbon (high) | Kimi K3.1 Pro | 领先者 |
|---|---|---|---|
| BenchLeader Index | 68.9 | 61.8 | Gemini 4 Carbon |
| AA Intelligence Index v5.0.1 | 60.0 | 46.5 | Gemini 4 Carbon |
| Vals Index | 70.5 | 62.5† | Gemini 4 Carbon |
| Arena Text | 1526 | 1485† | Gemini 4 Carbon |
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 4 Carbon (high) | Kimi K3.1 Pro |
|---|---|---|
| 每百万 token 混合价格 | $4.00 | $4.00 |
| 每百万 token 输入 / 输出 | $2.00 / $10.00 | $2.00 / $10.00 |
| 每百万 token 缓存输入 | $0.100 | $0.200 |
| 每项任务价格:聊天回复 | $0.0038 | $0.0038 |
| 每项任务价格:总结一份 30 页的报告 | $0.030 | $0.030 |
| 每项任务价格:代码编辑 | $0.027 | $0.027 |
| 每项任务价格:智能体编程会话 | $0.160 | $0.160 |
| 每项任务价格:结构化信息提取 | $0.0060 | $0.0060 |
| 智能体编程会话(输入大多命中缓存) | $0.074 | $0.079 |
| 每项基准测试任务成本(AA Index) | $5.48 | $3.68 |
| 每项任务输出 token(AA Index) | 123k | 72k |
| 其中推理部分 | 72k | 44k |
| 每项任务耗时(AA Index) | 32 min | 40 min |
| 输出速度 | 64 tok/s | 30 tok/s |
| 首次回答时间 | 73.5 秒 | 157.4 秒 |
| 完整回答耗时(最近一次测量 2026年11月13日) | 160.6 秒 | 417.5 秒 |
按 token 计价不等于按任务计价:在 Artificial Analysis 的 Intelligence Index 中,一项平均任务在 Gemini 4 Carbon (high) 上花费 $5.48,在 Kimi K3.1 Pro 上花费 $3.68;完成同样的工作,Gemini 4 Carbon (high) 输出的 token 是对方的 1.7 倍,这是只看 token 单价看不出来的。
每个模型都按其排名最高的推理强度设置进行对比。Gemini 4 Carbon (high) 得分 68.9,首个回答 token 需 73 秒;Gemini 4 Carbon (medium) 为 65.8(21 秒),Gemini 4 Carbon (low) 为 60.1(11 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 119 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 4 Carbon (high) | Kimi K3.1 Pro |
|---|---|---|---|
| BenchLeader Index | BenchLeader | 68.9 | 61.8 |
| 智能体与工具得分 | BenchLeader | 70.3 | 64.6 |
| 编程得分 | BenchLeader | 74.1 | 59.6 |
| 综合得分 | BenchLeader | 70.3 | – |
| 人类偏好得分 | BenchLeader | 72.6 | – |
| 知识得分 | BenchLeader | 76.1 | 58.2 |
| 长上下文得分 | BenchLeader | 64.3 | 67.9 |
| 数学得分 | BenchLeader | 71.9 | 73.4 |
| 推理得分 | BenchLeader | 73.2 | 59.2 |
| 多模态得分 | BenchLeader | – | 66.3 |
| 混合价格(美元/百万 token) | BenchLeader | $4.00 | $4.00 |
| 输出速度 | BenchLeader | 64 tok/s | 30 tok/s |
| 首次回答时间 | BenchLeader | 73.5 秒 | 157.4 秒 |
| 上下文窗口 | BenchLeader | 1,048,576 token | 1,048,576 token |
| 推理 | |||
| GPQA Diamond | Epoch AI Benchmarking Hub | 96.5% | – |
| SimpleBench | SimpleBench | 92.6%† | – |
| Arena Hard Prompts | Arena (LMArena) | 1547 | 1504† |
| LiveBench 2.0 Reasoning | LiveBench | 90.6% | 91.1%† |
| Humanity's Last Exam (AA) | Artificial Analysis | – | 52.5% |
| HLE-Diamond (AA) | Artificial Analysis | 69.1% | 37.3% |
| ARC-AGI-1 | ARC Prize | 97.5% | – |
| ARC-AGI-2 | ARC Prize | 92.1% | – |
| ARC-AGI-3 | ARC Prize | 96.9% | – |
| CritPt | Artificial Analysis | – | 24.6% |
| CritPt v2 hard subset (AA) | Artificial Analysis | 69.0% | 49.5% |
| MysteryMechanism | Vals AI | – | 26.1%† |
| Arena Expert | Arena (LMArena) | 1567 | 1515† |
| Chess Puzzles | Epoch AI Benchmarking Hub | 78.0% | – |
| Mystery Game Puzzles | Epoch AI Benchmarking Hub | 73.0% | – |
| LMCA | Epoch AI Benchmarking Hub | – | 57.6%† |
| DTBench | Epoch AI Benchmarking Hub | – | 93.3%† |
| 编程 | |||
| SciCode | SciCode | 64.2% | 60.8% |
| Arena Coding | Arena (LMArena) | 1568 | 1530† |
| Arena WebDev | Arena (LMArena) | 1768 | 1687† |
| LiveBench 2.0 Coding | LiveBench | 91.0% | 67.8%† |
| SciCode (AA) | Artificial Analysis | – | 60.8% |
| IOI | Vals AI | – | 81.9%† |
| Vibe Code Bench v1.1 | Vals AI | 89.1% | 84.9%† |
| Vibe Code Bench 1-100 v1.1 | Vals AI | 49.7% | – |
显示全部 119 项基准测试
| 指标 | 发布方 | Gemini 4 Carbon (high) | Kimi K3.1 Pro |
|---|---|---|---|
| 编程 | |||
| SWE Atlas v1.1 | Scale AI SEAL | 71.4%† | 61.1% |
| SWE Atlas v1.1: Codebase QnA | Scale AI SEAL | 73.4%† | 70.2% |
| SWE Atlas v1.1: Test Writing | Scale AI SEAL | 76.7%† | 58.9% |
| SWE Atlas v1.1: Refactoring | Scale AI SEAL | 64.3%† | 54.3% |
| CursorBench | Cursor | 60.4% | – |
| ALE-Bench | Epoch AI Benchmarking Hub | – | 1932.8† |
| FrontierSWE | Epoch AI Benchmarking Hub | 61.2% | – |
| WeirdML v3 | WeirdML | – | 9.9%† |
| Terminal-Bench 4.0 (AA) | Artificial Analysis | 65.2% | 67.2% |
| GameBench 2 Overall | DuelLab GameBench 2 | – | 78.3 |
| GameBench 2 by reasoning setting | DuelLab GameBench 2 | – | 84.0† |
| Design Arena Website | Design Arena | 1319† | 1321 |
| FrontierCode 1.1 (AA) | Artificial Analysis | – | 47.1% |
| FrontierCode 2.0 (AA) | Artificial Analysis | 40.6% | 25.4% |
| 智能体与工具 | |||
| Terminal-Bench | Terminal-Bench | 64.5% | 59.7%† |
| APEX-Agents | Mercor | 84.2%† | 65.5% |
| Arena Agent | Arena (LMArena) | 17 | 4.9† |
| LiveBench Long Agentic | LiveBench | 72.7% | 38.7%† |
| LiveBench Browser | LiveBench | 80.0% | 75.9%† |
| HiL-Bench | Scale AI SEAL | 50.3%† | 61.3% |
| GDPval-AA v2.1, normalised score | Artificial Analysis | – | 67.3% |
| GDPval-AA v2.1 | Artificial Analysis | 1733 | 1861 |
| Analyst Agent (AA) | Artificial Analysis | – | 38.8% |
| Finance Agent v2.1 | Vals AI | 67.2% | 61.5%† |
| Harvey's Legal Agent Benchmark v1.1 | Vals AI | 17.5% | 11.7%† |
| Legal Research Bench | Vals AI | 55.8% | 37.5%† |
| SREBench | Vals AI | – | 27.1%† |
| Tax Agent Bench | Vals AI | 51.8% | 24.9%† |
| Terminal-Bench 4.0 (Vals) | Vals AI | 63.1% | 63.6%† |
| Terminal-Bench Science | Vals AI | – | 31.4%† |
| Arena Agent Task Completion | Arena (LMArena) | 18.4 | 2.7† |
| Vending-Bench 2 | Andon Labs | 16484.2† | – |
| AutomationBench | Artificial Analysis | 77.8% | 73.3% |
| GDP.pdf (AA) | Artificial Analysis | 28.4% | 31.4% |
| AA-Briefcase v1.1 | Artificial Analysis | 1611 | 1674 |
| GDPx | GDPx by SemiAnalysis | 10.9% | – |
| Design Arena Agentic | Design Arena | 1305† | 1301 |
| Terminal-Bench-Science 0.1 (AA) | Artificial Analysis | 64.8% | 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 | 54.3% | 43.9% |
| FACTS Search | 94.4%† | – | |
| 数学 | |||
| FrontierMath Tiers 1–3 | Epoch AI Benchmarking Hub | 90.5% | – |
| FrontierMath Tier 4 | Epoch AI Benchmarking Hub | 95.1% | – |
| OTIS Mock AIME | Epoch AI Benchmarking Hub | 100.0% | – |
| ProofBench | Vals AI | – | 91.0% |
| ArXivMath | MathArena | 94.3% | 58.3%† |
| BrokenArXiv | MathArena | 84.4% | 61.9%† |
| FrontierMath Erdős | Epoch AI Benchmarking Hub | 2.9% | – |
| 知识 | |||
| SimpleQA Verified | Epoch AI Benchmarking Hub | 77.7% | – |
| LiveBench 2.0 Data Analysis | LiveBench | 86.5% | 79.1%† |
| LiveBench Research | LiveBench | 92.5% | 82.1%† |
| AA-Omniscience v1.1 | Artificial Analysis | 53.5 | 29.9 |
| PRBench Finance | Scale AI SEAL | – | 47.5% |
| PRBench Legal | Scale AI SEAL | 53.4%† | 47.9% |
| BioMysteryBench | Vals AI | – | 75.6%† |
| Excel Modeling Benchmark v1.1 | Vals AI | 76.5% | 70.0%† |
| Access to Justice Benchmark | Vals AI | – | 69.5%† |
| DrugDiscoveryBench | Scale AI SEAL | 71.5% | 63.4%† |
| EBR-bench | Epoch AI Benchmarking Hub | 87.6% | – |
| AA-Omniscience v1.1: accuracy | Artificial Analysis | 58.3% | 48.9% |
| AA-Omniscience v1.1: non-hallucination | Artificial Analysis | 88.6% | 62.7% |
| FACTS Parametric | 81.6%† | – | |
| 指令遵循 | |||
| Arena Instruction Following | Arena (LMArena) | 1525 | 1487† |
| 人类偏好 | |||
| Arena Text | Arena (LMArena) | 1526 | 1485† |
| EQ-Bench Creative Writing v3 | EQ-Bench | – | 2173 |
| Arena Creative Writing | Arena (LMArena) | 1516 | 1453† |
| Arena Multi-turn | Arena (LMArena) | 1564 | 1475† |
| Arena Longer Queries | Arena (LMArena) | 1538 | 1491† |
| 多模态 | |||
| LiveBench Design | LiveBench | 80.2% | 73.7%† |
| MMMU-Pro | Artificial Analysis | 89.3%† | 83.9% |
| Humanity's Sixth Sense | Scale AI SEAL | 71.1% | 33.2%† |
| Blueprint-Bench 2 | Epoch AI Benchmarking Hub | 58.6%† | – |
| Furniture Assembly | Epoch AI Benchmarking Hub | 77.5% | – |
| VIALS-AA | Handshake AI | 64.0% | 45.3% |
| AA-3D | Artificial Analysis | – | 1112 |
| FACTS Multimodal | 60.2%† | – | |
| 长上下文 | |||
| AA-LCR v1.1 | Artificial Analysis | 79.3% | 86.3% |
| MLCR | Artificial Analysis | 19.4% | 38.3% |
| FACTS Grounding | 77.2%† | – | |
| 综合 | |||
| Epoch Capabilities Index | Epoch AI Benchmarking Hub | 169.8† | 161.4 |
| LiveBench 2.0 | LiveBench | 83.5% | 68.7%† |
| AA Intelligence Index v5.0.1 | Artificial Analysis | 60.0 | 46.5 |
| AA Intelligence Index v4.3.2 | Artificial Analysis | – | 55.1 |
| AA Progress Index v1 | Artificial Analysis | 350.8 | 340.7 |
| Vals Index | Vals AI | 70.5 | 62.5† |
| Vals Finance Index | Vals AI | 67.0% | 56.0%† |
| Vals RSI Index | Vals AI | 27.7% | – |
| Vals Science Index | Vals AI | – | 44.4%† |
| Vals Legal Index | Vals AI | 75.9% | 67.0%† |
| AA Cyber Index | Artificial Analysis | – | 64.1 |
| 安全与诚实 | |||
| FORTRESS | Scale AI SEAL | 16.4%† | 18.6% |
| 元数据 | |||
| AA Openness Index | Artificial 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。
- Gemini 4 Carbon (high):8 项新结果(LiveBench 2.0, LiveBench Long Agentic, LiveBench 2.0 Reasoning…)。
- Kimi K3.1 Pro:1 项分数修订。
- Gemini 4 Carbon (high):BenchLeader Index 69.9 → 68.9。
- Gemini 4 Carbon (high):1 项新结果(Terminal-Bench)。
- Kimi K3.1 Pro:1 项分数修订。
- Kimi K3.1 Pro:1 项新结果(HiL-Bench)。
- Gemini 4 Carbon (high):1 项新结果(DrugDiscoveryBench);输入价格 $4.00/M → $2.00/M;输出价格 $20.00/M → $10.00/M;价格 $7.76/M → $5.48/M。
- Kimi K3.1 Pro:3 项新结果(PRBench Finance, PRBench Legal, FORTRESS);2 项分数修订。
- Gemini 4 Carbon (high):BenchLeader Index 68.5 → 69.9。
相关对比
- Gemini 4 Carbon vs Claude Fable 5.2
- Gemini 4 Carbon vs Claude Opus 5.5
- Gemini 4 Carbon vs GPT-6 Astra
- Kimi K3.1 Pro vs Claude Fable 5.2
- Kimi K3.1 Pro vs Claude Opus 5.5
- Kimi K3.1 Pro vs GPT-6 Astra
- Gemini 4 Argon vs Kimi K3.1 Pro
- Gemini 4 Carbon vs GPT-6.1 Sol
排行榜: 综合最佳大模型 · 最适合编程的大模型 · 最适合智能体的大模型 · 便宜好用的大模型
Gemini 4 Carbon vs Kimi K3.1 Pro:常见问题
- Gemini 4 Carbon 比 Kimi K3.1 Pro 更好吗?
- 质量上 Gemini 4 Carbon (high) 领先:68.9 比 61.8。BenchLeader Index 综合了所有第三方质量基准测试;截至 2026年11月16日,Gemini 4 Carbon (high) 总体领先,但请结合你的用途查看各类别得分。
- Gemini 4 Carbon 和 Kimi K3.1 Pro 哪个更便宜?价格会变吗?
- 两者价格相同:每百万 token 混合价格 $4.00。两者均未公布价格调整。
- 编程用 Gemini 4 Carbon 还是 Kimi K3.1 Pro 更好?
- Gemini 4 Carbon 在编程方面得分更高(类别得分 74 比 60,50 为平均水平)。在两者共同的最主要编程基准测试 FrontierCode 2.0 (AA) 上,Gemini 4 Carbon 为 40.6%,Kimi K3.1 Pro 为 25.4%。
- Gemini 4 Carbon 和 Kimi K3.1 Pro 哪个更快?
- Gemini 4 Carbon 输出更快(约 2 倍;输出 64 比 30 token/秒,Artificial Analysis 7 日中位数)。
- 智能体和工具调用用 Gemini 4 Carbon 还是 Kimi K3.1 Pro 更好?
- Gemini 4 Carbon 在智能体任务方面得分更高(类别得分 70 比 65,50 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 64)。两者都支持 1,048,576 token 的上下文。
- 哪个延迟更低?
- Gemini 4 Carbon 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 73.5 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 4 Carbon 和 Kimi K3.1 Pro 的看法一致吗?
- 在两者都有结果的 18 项基准测试中,Gemini 4 Carbon 领先 12 项,Kimi K3.1 Pro 领先 6 项。所有同时评测两者的综合评分都认为 Gemini 4 Carbon 更强。
- Gemini 4 Carbon 是什么时候发布的?
- Gemini 4 Carbon 于 2026年10月28日 发布。