BenchLeader

GLM-5 vs Kimi K3.1 Pro

完整资料:GLM-5(Zhipu AI)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 11 个来源

截至 2026年11月16日,GLM-5 与 Kimi K3.1 Pro 的质量不相上下(BenchLeader Index 60.2 比 61.8,在 ±4.7 的误差范围内)。GLM-5 更便宜,对方的价格是它的 2.6 倍(每百万 token 混合价格 $1.55 比 $4.00)。看重推理(68 比 59)选 GLM-5;看重数学(73 比 63)、智能体与工具(65 比 58)和长上下文(68 比 62)选 Kimi K3.1 Pro。GLM-5 的首次回答更快(29.2 秒 比 157.4 秒)。GLM-5 的输出更快(约 2 倍)。

要点(截至 2026年11月16日)

  • GLM-5 的 BenchLeader Index 为 60.2,Kimi K3.1 Pro 为 61.8(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 K3.1 Pro 每百万 token 混合价格为 $4.00(标价,2026年11月16日)。
  • GLM-5 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 5 项基准测试中,Kimi K3.1 Pro 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
编程均可类别得分 59 比 60均可
智能体与工具调用Kimi K3.1 Pro类别得分 65 比 58中
数学Kimi K3.1 Pro类别得分 73 比 63高
推理GLM-5类别得分 68 比 59;Humanity's Last Exam (AA) 29.3% 比 52.5%高
知识均可类别得分 57 比 58均可
长文档Kimi K3.1 Pro类别得分 68 比 62;AA-LCR v1.1 86.3% 比 75.7%中
成本最低GLM-5每百万 token 混合价格 $1.55 比 $4.00;智能体编程会话 $0.073 比 $0.160–
首次回答最快GLM-5首个回答 token 29.2 秒(GLM-5 (thinking))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

  • GLM-5 (thinking) 与 Kimi K3.1 Pro 的质量不相上下(60.2 比 61.8,在 ±4.7 的误差范围内)。
  • GLM-5 (thinking) 在推理方面更强。
  • Kimi K3.1 Pro 在智能体与工具、编程、知识、长上下文、数学方面更强。
  • GLM-5 (thinking) 更便宜,对方的价格是它的 2.6 倍(每百万 token 混合价格 $1.55 比 $4.00)。
  • GLM-5 (thinking) 的输出速度是对方的 2.3 倍(69 比 30 token/秒)。

概览

规格GLM-5Kimi K3.1 Pro
提供商Zhipu AIMoonshot AI
发布日期2026年2月11日2026年10月23日
上下文窗口(token)204,8001,048,576
对比时的配置GLM-5 (thinking)Kimi K3.1 Pro
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$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GLM-5 (thinking)Kimi K3.1 Pro领先者
推理68.259.2GLM-5
编程59.159.6持平
智能体与工具58.064.6Kimi K3.1 Pro
数学63.473.4Kimi K3.1 Pro
知识57.458.2持平
指令遵循70.9–无法比较
多模态–66.3无法比较
长上下文62.467.9Kimi 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GLM-5, 推理: 68.2GLM-5, 编程: 59.1GLM-5, 智能体与工具: 58.0GLM-5, 数学: 63.4GLM-5, 知识: 57.4GLM-5, 长上下文: 62.4Kimi 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: 67.9

未绘制(测得的模型少于两个):指令遵循, 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 5 项基准测试中,GLM-5 领先 1 项,Kimi K3.1 Pro 领先 4 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 IndexGLM-5 (thinking)Kimi K3.1 Pro领先者
BenchLeader Index60.261.8不相上下
Arena Text1457†1485Kimi 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GLM-5 (thinking)Kimi K3.1 Pro
每百万 token 混合价格$1.55$4.00
每百万 token 输入 / 输出$1.00 / $3.20$2.00 / $10.00
每百万 token 缓存输入$0.200$0.200
每项任务价格:聊天回复$0.0014$0.0038
每项任务价格:总结一份 30 页的报告$0.014$0.030
每项任务价格:代码编辑$0.011$0.027
每项任务价格:智能体编程会话$0.073$0.160
每项任务价格:结构化信息提取$0.0026$0.0060
智能体编程会话(输入大多命中缓存)$0.037$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69 tok/s30 tok/s
首次回答时间29.2 秒157.4 秒
完整回答耗时(最近一次测量 2026年11月13日)81.4 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。GLM-5 (thinking) 得分 60.2,首个回答 token 需 29 秒;GLM-5 为 54.9(2 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 135 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 K3.1 Pro
BenchLeader IndexBenchLeader60.261.8
智能体与工具得分BenchLeader58.064.6
编程得分BenchLeader59.159.6
指令遵循得分BenchLeader70.9–
知识得分BenchLeader57.458.2
长上下文得分BenchLeader62.467.9
数学得分BenchLeader63.473.4
推理得分BenchLeader68.259.2
多模态得分BenchLeader–66.3
混合价格(美元/百万 token)BenchLeader$1.55$4.00
输出速度BenchLeader69 tok/s30 tok/s
首次回答时间BenchLeader29.2 秒157.4 秒
上下文窗口BenchLeader204,800 token1,048,576 token
推理
GPQA DiamondEpoch AI Benchmarking Hub87.8%†–
SimpleBenchSimpleBench53.2%†–
Arena Hard PromptsArena (LMArena)1478†1504†
LiveBench 2.0 ReasoningLiveBench–91.1%†
GPQA Diamond (AA)Artificial Analysis82.0%–
Humanity's Last Exam (AA)Artificial Analysis29.3%52.5%
HLE-Diamond (AA)Artificial Analysis–37.3%
GPQA Diamond (Vals)Vals AI83.3%–
Kagi LLM BenchmarkKagi LLM Benchmark75.0%–
ARC-AGI-1ARC Prize44.7%†–
ARC-AGI-2ARC Prize4.9%†–
CritPtArtificial Analysis2.0%24.6%
CritPt v2 hard subset (AA)Artificial Analysis–49.5%
MysteryMechanismVals AI–26.1%†
Arena ExpertArena (LMArena)1482†1515†
CL-benchEpoch AI Benchmarking Hub18.7%†–
LMCAEpoch AI Benchmarking Hub–57.6%†
DTBenchEpoch AI Benchmarking Hub–93.3%†
ForecastBenchForecastBench63.4%†–
编程
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub72.1%†–
SciCodeSciCode–60.8%
WeirdMLWeirdML48.2%†–
Arena CodingArena (LMArena)1498†1530†
Arena WebDevArena (LMArena)1435†1687†
LiveBench 2.0 CodingLiveBench–67.8%†
显示全部 135 项基准测试
指标发布方GLM-5 (thinking)Kimi K3.1 Pro
编程
LiveCodeBenchVals AI81.9%–
IOIVals AI–81.9%†
SWE-bench (Vals)Vals AI71.4%–
SWE-bench Verified (bash only)SWE-bench72.8%†–
SWE-bench Multilingual (bash only)SWE-bench69.7%†–
SWE-bench Verified (any scaffold)SWE-bench72.8%†–
Vibe Code Bench v1.1Vals AI23.4%84.9%†
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–61.1%
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%
ALE-BenchEpoch AI Benchmarking Hub765.6†1932.8†
WeirdML v3WeirdML–9.9%†
Terminal-Bench 4.0 (AA)Artificial Analysis–67.2%
GameBench 2 OverallDuelLab GameBench 2–78.3
GameBench 2 by reasoning settingDuelLab GameBench 2–84.0†
Design Arena WebsiteDesign Arena1239†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-Bench52.4%†59.7%†
APEX-AgentsMercor–65.5%
Arena AgentArena (LMArena)–4.9†
LiveBench Long AgenticLiveBench–38.7%†
LiveBench BrowserLiveBench–75.9%†
Terminal-Bench HardArtificial Analysis43.2%–
τ²-Bench Telecom (AA)Artificial Analysis98.3%–
HiL-BenchScale AI SEAL–61.3%
τ²-benchτ²-bench81.0%–
τ³-bench Bankingτ²-bench9.8%–
GDPval-AA v2.1, normalised scoreArtificial Analysis–67.3%
GDPval-AA v2.1Artificial Analysis–1861
Analyst Agent (AA)Artificial Analysis–38.8%
APEX-Agents (AA)Artificial Analysis14.4%–
Finance Agent v2.1Vals AI–61.5%†
Harvey's Legal Agent Benchmark v1.1Vals AI–11.7%†
Legal Research BenchVals AI–37.5%†
SREBenchVals AI–27.1%†
Tax Agent BenchVals AI–24.9%†
Terminal-Bench 2.0 (Vals)Vals AI49.4%–
Terminal-Bench 4.0 (Vals)Vals AI–63.6%†
Terminal-Bench ScienceVals AI–31.4%†
Arena Agent Task CompletionArena (LMArena)–2.7†
Vending-Bench 2Andon Labs4432.1†–
AutomationBenchArtificial Analysis–73.3%
GDP.pdf (AA)Artificial Analysis–31.4%
AA-Briefcase v1.1Artificial Analysis–1674
Design Arena AgenticDesign Arena1115†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
OTIS Mock AIMEEpoch AI Benchmarking Hub80.0%†–
ProofBenchVals AI–91.0%
AIME (Vals)Vals AI91.7%–
AIME 2026MathArena96.7%†–
HMMT February 2026MathArena86.4%†–
USAMO 2026MathArena35.1%†–
MathArena ApexMathArena10.9%†–
ArXivMathMathArena–58.3%†
BrokenArXivMathArena–61.9%†
Arena MathsArena (LMArena)1443†–
知识
LiveBench 2.0 Data AnalysisLiveBench–79.1%†
LiveBench ResearchLiveBench–82.1%†
AA-Omniscience v1.1Artificial Analysis–29.9
MMLU-ProVals AI86.0%–
LegalBenchVals AI84.1%–
CorpFinVals AI62.9%–
TaxEvalVals AI70.0%–
MedQAVals AI94.3%–
PRBench FinanceScale AI SEAL–47.5%
PRBench LegalScale AI SEAL–47.9%
BioMysteryBenchVals AI–75.6%†
CaseLaw v2Vals AI52.5%–
Excel Modeling Benchmark v1.1Vals AI–70.0%†
Access to Justice BenchmarkVals AI–69.5%†
DrugDiscoveryBenchScale AI SEAL–63.4%†
AA-Omniscience v1.1: accuracyArtificial Analysis–48.9%
AA-Omniscience v1.1: non-hallucinationArtificial Analysis–62.7%
Global-MMLU-Lite (AA)Artificial Analysis81.9%†–
指令遵循
IFBenchArtificial Analysis72.3%–
Arena Instruction FollowingArena (LMArena)1447†1487†
人类偏好
Arena TextArena (LMArena)1457†1485†
EQ-Bench Creative Writing v3EQ-Bench1601†2173
Arena Creative WritingArena (LMArena)1447†1453†
Arena Multi-turnArena (LMArena)1472†1475†
Arena Longer QueriesArena (LMArena)1469†1491†
多模态
LiveBench DesignLiveBench–73.7%†
MMMU-ProArtificial Analysis–83.9%
Humanity's Sixth SenseScale AI SEAL–33.2%†
VIALS-AAHandshake AI–45.3%
AA-3DArtificial Analysis–1112
长上下文
AA-LCR v1.1Artificial Analysis75.7%86.3%
MLCRArtificial Analysis–38.3%
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub146.5†161.4
LiveBench 2.0LiveBench–68.7%†
AA Intelligence Index v5.0.1Artificial Analysis–46.5
AA Intelligence Index v4.3.2Artificial Analysis27.955.1
AA Progress Index v1Artificial Analysis280.9340.7
Vals IndexVals AI–62.5†
Vals Finance IndexVals AI–56.0%†
Vals Science IndexVals AI–44.4%†
Vals Legal IndexVals AI–67.0%†
AA Cyber IndexArtificial Analysis–64.1
安全与诚实
FORTRESSScale AI SEAL–18.6%
DistressBenchScale AI SEAL71.2%†–
元数据
AA Openness IndexArtificial Analysis5033.3

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。
  • Kimi K3.1 Pro:1 项分数修订。
  • Kimi K3.1 Pro:1 项新结果(HiL-Bench)。
  • 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。
  • Kimi K3.1 Pro:BenchLeader Index 61.3 → 61.8。
  • GLM-5 (thinking):价格 $0.15/M → $0.20/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 K3.1 Pro:常见问题

GLM-5 比 Kimi K3.1 Pro 更好吗?
GLM-5 (thinking) 与 Kimi K3.1 Pro 的质量不相上下(60.2 比 61.8,在 ±4.7 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 K3.1 Pro 哪个更便宜?价格会变吗?
目前 GLM-5 更便宜:每百万 token $1.55 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 GLM-5 还是 Kimi K3.1 Pro 更好?
两者在编程方面持平(类别得分 59 比 60)。
GLM-5 和 Kimi K3.1 Pro 哪个更快?
GLM-5 输出更快(约 2 倍;输出 69 比 30 token/秒,Artificial Analysis 7 日中位数)。
智能体和工具调用用 GLM-5 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 58,50 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 62)。Kimi K3.1 Pro 支持更长的上下文:1,048,576 token,GLM-5 为 204,800 token。
哪个延迟更低?
GLM-5 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 29.2 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 GLM-5 和 Kimi K3.1 Pro 的看法一致吗?
在两者都有结果的 5 项基准测试中,GLM-5 领先 1 项,Kimi K3.1 Pro 领先 4 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。