BenchLeader

GLM-5 vs Kimi K3

完整资料:GLM-5(Zhipu AI)和 Kimi K3(Moonshot AI),包括全部基准测试、价格和排名。

更新于 · 数据来自 14 个来源

截至 2026年11月16日,GLM-5 与 Kimi K3 的质量不相上下(BenchLeader Index 60.2 比 60.7,在 ±7.0 的误差范围内)。GLM-5 更便宜,对方的价格是它的 3.9 倍(每百万 token 混合价格 $1.55 比 $6.00)。看重智能体与工具(58 比 54)选 GLM-5;看重知识(66 比 57)、数学(72 比 63)和编程(62 比 59)选 Kimi K3。Kimi K3 的首次回答更快(0.8 秒 比 29.2 秒)。Kimi K3 的输出更快。

要点(截至 2026年11月16日)

  • GLM-5 的 BenchLeader Index 为 60.2,Kimi K3 为 60.7(BenchLeader,2026年11月16日)。
  • GLM-5 每百万 token 混合价格为 $1.55(标价,2026年11月16日)。
  • Kimi K3 每百万 token 混合价格为 $6.00(标价,2026年11月16日)。
  • Kimi K3 比 GLM-5 输出更快(Artificial Analysis,7 日中位数,2026年11月16日)。
  • 在两者都有结果的 4 项基准测试中,Kimi K3 领先 4 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Kimi K3类别得分 62 比 59;SWE-bench (Vals) 93.4% 比 71.4%中
智能体与工具调用GLM-5类别得分 58 比 54中
数学Kimi K3类别得分 72 比 63高
知识Kimi K3类别得分 66 比 57;CorpFin 71.6% 比 62.9%高
对话质量(人类偏好)–只有 Kimi K3 有 Arena 评分(类别得分 69)无法比较
成本最低GLM-5每百万 token 混合价格 $1.55 比 $6.00;智能体编程会话 $0.073 比 $0.240–
首次回答最快Kimi K3首个回答 token 0.8 秒(Kimi K3)比 29.2 秒(GLM-5 (thinking))–
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

  • GLM-5 (thinking) 与 Kimi K3 的质量不相上下(60.2 比 60.7,在 ±7.0 的误差范围内)。
  • GLM-5 (thinking) 在智能体与工具方面更强。
  • Kimi K3 在编程、知识、数学方面更强。
  • GLM-5 (thinking) 更便宜,对方的价格是它的 3.9 倍(每百万 token 混合价格 $1.55 比 $6.00)。

概览

规格GLM-5Kimi K3
提供商Zhipu AIMoonshot AI
发布日期2026年2月11日2026年7月16日
上下文窗口(token)204,8001,048,576
对比时的配置GLM-5 (thinking)Kimi K3
开放权重是是
每百万 token 价格(输入 / 输出 / 缓存输入)$1.00 / $3.20 / $0.200$3.00 / $15.00 / $0.300

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GLM-5 (thinking)Kimi K3领先者
推理68.2–无法比较
编程59.161.8Kimi K3
智能体与工具58.053.5GLM-5
数学63.471.5Kimi K3
知识57.466.1Kimi K3
指令遵循70.9–无法比较
人类偏好–68.6无法比较
长上下文62.4–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编程智能体与工具数学知识GLM-5, 编程: 59.1GLM-5, 智能体与工具: 58.0GLM-5, 数学: 63.4GLM-5, 知识: 57.4Kimi K3, 编程: 61.8Kimi K3, 智能体与工具: 53.5Kimi K3, 数学: 71.5Kimi K3, 知识: 66.1

未绘制(测得的模型少于两个):推理, 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 4 项基准测试中,GLM-5 领先 0 项,Kimi K3 领先 4 项。所有同时评测两者的综合评分都认为 Kimi K3 更强。

综合 IndexGLM-5 (thinking)Kimi K3领先者
BenchLeader Index60.260.7不相上下
Arena Text1457†1487Kimi K3

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GLM-5 (thinking)Kimi K3
每百万 token 混合价格$1.55$6.00
每百万 token 输入 / 输出$1.00 / $3.20$3.00 / $15.00
每百万 token 缓存输入$0.200$0.300
每项任务价格:聊天回复$0.0014$0.0057
每项任务价格:总结一份 30 页的报告$0.014$0.045
每项任务价格:代码编辑$0.011$0.041
每项任务价格:智能体编程会话$0.073$0.240
每项任务价格:结构化信息提取$0.0026$0.0090
智能体编程会话(输入大多命中缓存)$0.037$0.118
输出速度69 tok/s76 tok/s
首次回答时间29.2 秒0.8 秒
完整回答耗时(最近一次测量 2026年11月13日)81.4 秒–

每个模型都按其排名最高的推理强度设置进行对比。GLM-5 (thinking) 得分 60.2,首个回答 token 需 29 秒;GLM-5 为 54.9(2 秒)。Kimi K3 得分 60.7,首个回答 token 需 1 秒;Kimi K3 (max) 为 60.2(55 秒),Kimi K3 (low) 为 53.6(8 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 186 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GLM-5 (thinking)Kimi K3
BenchLeader IndexBenchLeader60.260.7
智能体与工具得分BenchLeader58.053.5
编程得分BenchLeader59.161.8
指令遵循得分BenchLeader70.9–
知识得分BenchLeader57.466.1
长上下文得分BenchLeader62.4–
数学得分BenchLeader63.471.5
推理得分BenchLeader68.2–
人类偏好得分BenchLeader–68.6
混合价格(美元/百万 token)BenchLeader$1.55$6.00
输出速度BenchLeader69 tok/s76 tok/s
首次回答时间BenchLeader29.2 秒0.8 秒
上下文窗口BenchLeader204,800 token1,048,576 token
推理
GPQA DiamondEpoch AI Benchmarking Hub87.8%†93.1%†
SimpleBenchSimpleBench53.2%†60.7%†
Arena Hard PromptsArena (LMArena)1478†1516†
LiveBench 2.0 ReasoningLiveBench–90.7%†
LiveBench 1.0 ReasoningLiveBench–90.7%
GPQA Diamond (AA)Artificial Analysis82.0%93.5%†
Humanity's Last Exam (AA)Artificial Analysis29.3%46.9%†
HLE-Diamond (AA)Artificial Analysis–26.9%†
GPQA Diamond (Vals)Vals AI83.3%92.9%
Kagi LLM BenchmarkKagi LLM Benchmark75.0%–
ARC-AGI-1ARC Prize44.7%†94.5%†
ARC-AGI-2ARC Prize4.9%†60.4%†
CritPtArtificial Analysis2.0%23.4%†
CritPt v2 hard subset (AA)Artificial Analysis–40.5%†
HLE-Diamond (Scale)Scale AI SEAL–22.2%
Arena ExpertArena (LMArena)1482†1528†
Chess PuzzlesEpoch AI Benchmarking Hub–36.0%†
Mystery Game PuzzlesEpoch AI Benchmarking Hub–26.0%†
CL-benchEpoch AI Benchmarking Hub18.7%†–
LMCAEpoch AI Benchmarking Hub–52.7%†
DTBenchEpoch AI Benchmarking Hub–91.2%†
ForecastBenchForecastBench63.4%†64.2%†
编程
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub72.1%†–
SciCodeSciCode–58.7%
WeirdMLWeirdML48.2%†82.6%†
显示全部 186 项基准测试
指标发布方GLM-5 (thinking)Kimi K3
编程
FrontierCodeCognition–44.2%
Arena CodingArena (LMArena)1498†1538†
Arena WebDevArena (LMArena)1435†1658†
LiveBench 2.0 CodingLiveBench–53.1%†
LiveBench 1.0 CodingLiveBench–81.5%
SciCode (AA)Artificial Analysis–59.5%†
LiveCodeBenchVals AI81.9%87.2%†
IOIVals AI–48.9%†
SWE-bench (Vals)Vals AI71.4%93.4%
SWE-bench Verified (bash only)SWE-bench72.8%†–
SWE-bench Multilingual (bash only)SWE-bench69.7%†–
SWE-bench Verified (any scaffold)SWE-bench72.8%†–
Code MigrationVals AI–16.1%†
Code Migration v1.1Vals AI–28.6%†
ProgramBenchVals AI–2.0%
SWE-bench MultimodalVals AI–44.2%†
Vibe Code Bench 1-100Vals AI–18.2%†
Vibe Code Bench v1.1Vals AI23.4%85.0%†
SWE Atlas v1.0: Codebase QnAScale AI SEAL20.5%†–
SWE Atlas v1.0: RefactoringScale AI SEAL24.2%†–
SWE Atlas v1.0: Test WritingScale AI SEAL28.7%†–
SWE Atlas v1.1Scale AI SEAL–61.0%
SWE Atlas v1.1: Codebase QnAScale AI SEAL–65.3%
SWE Atlas v1.1: Test WritingScale AI SEAL–63.3%
SWE Atlas v1.1: RefactoringScale AI SEAL–54.3%
SWE-Bench Pro V2Scale AI SEAL–97.7%†
SWE-Bench Pro V2 HARDScale AI SEAL–88.2%†
MirrorCodeEpoch AI Benchmarking Hub–54.4%†
Surface Evolver BenchEpoch AI Benchmarking Hub–95.0%
DeepSWE v1.1Epoch AI Benchmarking Hub–68.5%†
ALE-BenchEpoch AI Benchmarking Hub765.6†1524.5†
FrontierSWEEpoch AI Benchmarking Hub–25.9%†
WeirdML v3WeirdML–7.5%†
Terminal-Bench 4.0 (AA)Artificial Analysis–12.6%†
Terminal-Bench 2.1 (AA)Artificial Analysis–85.0%†
Startrise FrontendStartrise–79.8%
GameBench 2 OverallDuelLab GameBench 2–48.0
GameBench 2 by reasoning settingDuelLab GameBench 2–45.7†
Design Arena WebsiteDesign Arena1239†1336
FrontierCode 1.1 (AA)Artificial Analysis–43.6%†
FrontierCode 2.0 (AA)Artificial Analysis–10.9%†
智能体与工具
Terminal-BenchTerminal-Bench52.4%†23.0%†
APEX-AgentsMercor–47.8%
Arena AgentArena (LMArena)–0.6†
LiveBench Long AgenticLiveBench–36.0%†
LiveBench BrowserLiveBench–75.2%†
LiveBench Agentic CodingLiveBench–62.2%
Terminal-Bench HardArtificial Analysis43.2%–
τ²-Bench Telecom (AA)Artificial Analysis98.3%–
Terminal-Bench 2.1 (Vals)Vals AI–80.9%
MCP AtlasScale AI SEAL–82.3%†
HiL-BenchScale AI SEAL–42.7%
τ²-benchτ²-bench81.0%–
τ³-bench Bankingτ²-bench9.8%37.1%†
GDPval-AA v2.1Artificial Analysis–1542†
τ³-Banking (AA)Artificial Analysis–46.0%†
ITBench SRE (AA)Artificial Analysis–47.7%†
Analyst Agent (AA)Artificial Analysis–38.8%†
APEX-Agents (AA)Artificial Analysis14.4%41.3%†
CyberBenchVals AI–75.2%†
Finance Agent v2Vals AI–53.1%†
Finance Agent v2.1Vals AI–60.0%†
Harvey's Legal Agent Benchmark v1.1Vals AI–12.9%†
Harvey's Legal Agent Benchmark v1Vals AI–12.9%†
Legal Research BenchVals AI–46.1%†
Tax Agent BenchVals AI–33.4%†
Terminal-Bench 2.0 (Vals)Vals AI49.4%–
Terminal-Bench 4.0 (Vals)Vals AI–17.2%†
Terminal-Bench ScienceVals AI–1.4%†
Time Horizon Index: KSPVals AI–10.5%†
Arena Agent Task CompletionArena (LMArena)–3.4†
PostTrainBenchEpoch AI Benchmarking Hub–31.5%
GBAEvalEpoch AI Benchmarking Hub–48.4%
Vending-Bench 2Andon Labs4432.1†5165.0
AutomationBenchArtificial Analysis–58.3%†
GDP.pdf (AA)Artificial Analysis–22.0%†
Harvey LAB-AA v1.1Harvey–5.3%†
EnterpriseOps-GymArtificial Analysis–45.3%†
AA-Briefcase v1.1Artificial Analysis–1497†
GDPxGDPx by SemiAnalysis–3.7%†
Design Arena AgenticDesign Arena1115†1261
Terminal-Bench-Science 0.1 (AA)Artificial Analysis–8.1%†
CWE-Bench (AA)Artificial Analysis–53.3%†
DeepSec-Bench (AA)Artificial Analysis–12.4%†
CyberGym end-to-end (AA)Artificial Analysis–58.0%†
FACTS SearchGoogle–90.3%
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub–72.2%†
FrontierMath Tier 4Epoch AI Benchmarking Hub–39.0%†
OTIS Mock AIMEEpoch AI Benchmarking Hub80.0%†97.2%†
ProofBenchVals AI–87.0%
LiveBench MathematicsLiveBench–84.4%
AIME (Vals)Vals AI91.7%–
AIME 2026MathArena96.7%†96.7%†
HMMT February 2026MathArena86.4%†97.0%†
USAMO 2026MathArena35.1%†–
MathArena ApexMathArena10.9%†65.6%†
Arena MathsArena (LMArena)1443†1502†
FrontierMath ErdősEpoch AI Benchmarking Hub–0.0%†
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub–50.6%†
LiveBench 2.0 Data AnalysisLiveBench–78.7%†
LiveBench ResearchLiveBench–79.8%†
LiveBench 1.0 Data AnalysisLiveBench–78.7%
AA-Omniscience v1.1Artificial Analysis–-1.7†
MMLU-ProVals AI86.0%88.0%†
LegalBenchVals AI84.1%86.2%†
CorpFinVals AI62.9%71.6%
TaxEvalVals AI70.0%75.7%
MedQAVals AI94.3%–
BioMysteryBenchVals AI–72.6%†
CaseLaw v2Vals AI52.5%–
Excel Modeling BenchmarkVals AI–66.7%†
Excel Modeling Benchmark v1.1Vals AI–71.3%†
MedCodeVals AI–49.4%†
MedScribeVals AI–88.0%†
Public Benefits Bench v1.1Vals AI–68.2%†
Access to Justice BenchmarkVals AI–68.2%†
Financial Coaching BenchVals AI–74.5%†
Immigration BenchVals AI–68.3%†
GDP.pdfEpoch AI Benchmarking Hub–19.0%†
AA-Omniscience v1.1: accuracyArtificial Analysis–42.4%†
AA-Omniscience v1.1: non-hallucinationArtificial Analysis–23.4%†
Global-MMLU-Lite (AA)Artificial Analysis81.9%†–
HealthBench Professional (AA)OpenAI–53.2%†
指令遵循
LiveBench LanguageLiveBench–85.5%
LiveBench Instruction FollowingLiveBench–71.4%
IFBenchArtificial Analysis72.3%–
Arena Instruction FollowingArena (LMArena)1447†1489†
人类偏好
Arena TextArena (LMArena)1457†1487†
EQ-Bench 4EQ-Bench–1319
EQ-Bench Creative Writing v3EQ-Bench1601†2083
Arena Creative WritingArena (LMArena)1447†1459†
Arena Multi-turnArena (LMArena)1472†1502†
Arena Longer QueriesArena (LMArena)1469†1500†
多模态
LiveBench DesignLiveBench–72.5%†
MMMU-ProArtificial Analysis–80.5%†
MMMU-Pro (Vals)Vals AI–88.2%
MortgageTaxVals AI–66.3%
SAGEVals AI–86.8%†
Humanity's Sixth SenseScale AI SEAL–25.5%†
Blueprint-Bench 2Epoch AI Benchmarking Hub–29.5%
Furniture AssemblyEpoch AI Benchmarking Hub–34.2%†
Code2Video-AAArtificial Analysis–1041†
AA-3DArtificial Analysis–984†
长上下文
AA-LCR v1.1Artificial Analysis75.7%88.7%†
MLCRArtificial Analysis–21.7%†
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub146.5†158.6
LiveBench 2.0LiveBench–65.0%†
LiveBench 1.0LiveBench–79.2%
AA Intelligence Index v5.0.1Artificial Analysis–17.4†
AA Intelligence Index v4.3.2Artificial Analysis27.943.6†
AA Progress Index v1Artificial Analysis280.9319.9†
Vals IndexVals AI–53.0†
Vals Finance IndexVals AI–58.0%†
Vals RSI IndexVals AI–20.9%†
Vals Multimodal IndexVals AI–73.4%
Vals Router IndexVals AI–53.0%
Vals Legal IndexVals AI–71.7%†
AA Cyber IndexArtificial Analysis–41.3†
安全与诚实
FORTRESSScale AI SEAL–27.3%
DistressBenchScale AI SEAL71.2%†73.5%
元数据
AA Openness IndexArtificial Analysis5038.9†

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:BenchLeader Index 59.1 → 60.7。
  • Kimi K3:1 项分数修订。
  • Kimi K3:4 项分数修订。
  • Kimi K3:1 项分数修订。
  • Kimi K3:1 项新结果(FACTS Search)。
  • GLM-5 (thinking):价格 $0.15/M → $0.20/M。
  • Kimi K3:1 项分数修订。
  • GLM-5 (thinking):价格 $0.20/M → $0.15/M。
  • GLM-5 (thinking):价格 $0.15/M → $0.20/M。
  • GLM-5 (thinking):价格 $0.20/M → $0.15/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

GLM-5 vs Kimi K3:常见问题

GLM-5 比 Kimi K3 更好吗?
GLM-5 (thinking) 与 Kimi K3 的质量不相上下(60.2 比 60.7,在 ±7.0 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。
GLM-5 和 Kimi K3 哪个更便宜?价格会变吗?
目前 GLM-5 更便宜:每百万 token $1.55 比 $6.00(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 GLM-5 还是 Kimi K3 更好?
Kimi K3 在编程方面得分更高(类别得分 62 比 59,50 为平均水平)。
GLM-5 和 Kimi K3 哪个更快?
Kimi K3 输出更快(输出 76 比 69 token/秒,Artificial Analysis 7 日中位数)。
智能体和工具调用用 GLM-5 还是 Kimi K3 更好?
GLM-5 在智能体任务方面得分更高(类别得分 58 比 54,50 为平均水平)。
更多问题(4)
处理长文档哪个更好?
Kimi K3 支持更长的上下文:1,048,576 token,GLM-5 为 204,800 token。
哪个延迟更低?
Kimi K3 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 0.8 秒比 29.2 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 GLM-5 和 Kimi K3 的看法一致吗?
在两者都有结果的 4 项基准测试中,GLM-5 领先 0 项,Kimi K3 领先 4 项。所有同时评测两者的综合评分都认为 Kimi K3 更强。
Kimi K3 是什么时候发布的?
Kimi K3 于 2026年7月16日 发布。