GPT-5.3-Codex vs Kimi K3.1 Pro
完整资料:GPT-5.3-Codex(OpenAI)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 9 个来源
截至 2026年11月16日,GPT-5.3-Codex 与 Kimi K3.1 Pro 的质量不相上下(BenchLeader Index 62.9 比 61.8,在 ±7.6 的误差范围内)。Kimi K3.1 Pro 更便宜,对方的价格是它的 1.2 倍(每百万 token 混合价格 $4.00 比 $4.81)。看重智能体与工具(80 比 65)和编程(61 比 60)选 GPT-5.3-Codex;看重多模态(66 比 61)和长上下文(68 比 66)选 Kimi K3.1 Pro。GPT-5.3-Codex 的首次回答更快(38.2 秒 比 157.4 秒)。GPT-5.3-Codex 的输出更快(约 2 倍)。
要点(截至 2026年11月16日)
- GPT-5.3-Codex 的 BenchLeader Index 为 62.9,Kimi K3.1 Pro 为 61.8(BenchLeader,2026年11月16日)。
- GPT-5.3-Codex 每百万 token 混合价格为 $4.81(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)。
- GPT-5.3-Codex 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 6 项基准测试中,Kimi K3.1 Pro 领先 6 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 | GPT-5.3-Codex | 类别得分 61 比 60 | 中 |
| 智能体与工具调用 | GPT-5.3-Codex | 类别得分 80 比 65;AA-Briefcase v1.1 868 比 1674 | 高 |
| 长文档 | Kimi K3.1 Pro | 类别得分 68 比 66;AA-LCR v1.1 86.3% 比 83.3% | 中 |
| 图像及其他媒体 | Kimi K3.1 Pro | 类别得分 66 比 61;MMMU-Pro 83.9% 比 78.5% | 中 |
| 成本最低 | Kimi K3.1 Pro | 每百万 token 混合价格 $4.00 比 $4.81;智能体编程会话 $0.160 比 $0.161 | – |
| 首次回答最快 | GPT-5.3-Codex | 首个回答 token 38.2 秒(GPT-5.3-Codex (xhigh))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
- GPT-5.3-Codex (xhigh) 与 Kimi K3.1 Pro 的质量不相上下(62.9 比 61.8,在 ±7.6 的误差范围内)。
- GPT-5.3-Codex (xhigh) 在智能体与工具、编程方面更强。
- Kimi K3.1 Pro 在长上下文、多模态方面更强。
- Kimi K3.1 Pro 更便宜,对方的价格是它的 1.2 倍(每百万 token 混合价格 $4.00 比 $4.81)。
- GPT-5.3-Codex (xhigh) 的输出速度是对方的 3.1 倍(94 比 30 token/秒)。
概览
| 规格 | GPT-5.3-Codex | Kimi K3.1 Pro |
|---|---|---|
| 提供商 | OpenAI | Moonshot AI |
| 发布日期 | 2026年2月5日 | 2026年10月23日 |
| 上下文窗口(token) | 400,000 | 1,048,576 |
| 对比时的配置 | GPT-5.3-Codex (xhigh) | Kimi K3.1 Pro |
| 开放权重 | 否 | 是 |
| 每百万 token 价格(输入 / 输出 / 缓存输入) | $1.75 / $14.00 / $0.175 | $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 | GPT-5.3-Codex (xhigh) | Kimi K3.1 Pro | 领先者 |
|---|---|---|---|
| 推理 | – | 59.2 | 无法比较 |
| 编程 | 61.0 | 59.6 | GPT-5.3-Codex |
| 智能体与工具 | 80.1 | 64.6 | GPT-5.3-Codex |
| 数学 | – | 73.4 | 无法比较 |
| 知识 | – | 58.2 | 无法比较 |
| 指令遵循 | 73.6 | – | 无法比较 |
| 多模态 | 60.8 | 66.3 | Kimi K3.1 Pro |
| 长上下文 | 66.4 | 67.9 | Kimi 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。
未绘制(测得的模型少于两个):推理, 数学, 知识, 指令遵循, 人类偏好。
各来源的分歧
在两者都有结果的 6 项基准测试中,GPT-5.3-Codex 领先 0 项,Kimi K3.1 Pro 领先 6 项。
| 综合 Index | GPT-5.3-Codex (xhigh) | Kimi K3.1 Pro | 领先者 |
|---|---|---|---|
| BenchLeader Index | 62.9 | 61.8 | 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 | GPT-5.3-Codex (xhigh) | Kimi K3.1 Pro |
|---|---|---|
| 每百万 token 混合价格 | $4.81 | $4.00 |
| 每百万 token 输入 / 输出 | $1.75 / $14.00 | $2.00 / $10.00 |
| 每百万 token 缓存输入 | $0.175 | $0.200 |
| 每项任务价格:聊天回复 | $0.0049 | $0.0038 |
| 每项任务价格:总结一份 30 页的报告 | $0.029 | $0.030 |
| 每项任务价格:代码编辑 | $0.032 | $0.027 |
| 每项任务价格:智能体编程会话 | $0.161 | $0.160 |
| 每项任务价格:结构化信息提取 | $0.0063 | $0.0060 |
| 智能体编程会话(输入大多命中缓存) | $0.090 | $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 | 94 tok/s | 30 tok/s |
| 首次回答时间 | 38.2 秒 | 157.4 秒 |
| 完整回答耗时(最近一次测量 2026年11月13日) | 97.1 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。GPT-5.3-Codex (xhigh) 得分 62.9,首个回答 token 需 38 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 104 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 | GPT-5.3-Codex (xhigh) | Kimi K3.1 Pro |
|---|---|---|---|
| BenchLeader Index | BenchLeader | 62.9 | 61.8 |
| 智能体与工具得分 | BenchLeader | 80.1 | 64.6 |
| 编程得分 | BenchLeader | 61.0 | 59.6 |
| 指令遵循得分 | BenchLeader | 73.6 | – |
| 长上下文得分 | BenchLeader | 66.4 | 67.9 |
| 多模态得分 | BenchLeader | 60.8 | 66.3 |
| 知识得分 | BenchLeader | – | 58.2 |
| 数学得分 | BenchLeader | – | 73.4 |
| 推理得分 | BenchLeader | – | 59.2 |
| 混合价格(美元/百万 token) | BenchLeader | $4.81 | $4.00 |
| 输出速度 | BenchLeader | 94 tok/s | 30 tok/s |
| 首次回答时间 | BenchLeader | 38.2 秒 | 157.4 秒 |
| 上下文窗口 | BenchLeader | 400,000 token | 1,048,576 token |
| 推理 | |||
| Arena Hard Prompts | Arena (LMArena) | – | 1504† |
| LiveBench 2.0 Reasoning | LiveBench | – | 91.1%† |
| GPQA Diamond (AA) | Artificial Analysis | 91.5% | – |
| Humanity's Last Exam (AA) | Artificial Analysis | 42.5% | 52.5% |
| HLE-Diamond (AA) | Artificial Analysis | – | 37.3% |
| CritPt | Artificial Analysis | 16.9% | 24.6% |
| CritPt v2 hard subset (AA) | Artificial Analysis | – | 49.5% |
| MysteryMechanism | Vals AI | – | 26.1%† |
| Arena Expert | Arena (LMArena) | – | 1515† |
| LMCA | Epoch AI Benchmarking Hub | – | 57.6%† |
| DTBench | Epoch AI Benchmarking Hub | – | 93.3%† |
| 编程 | |||
| SWE-bench Verified (Epoch) | Epoch AI Benchmarking Hub | 74.8%† | – |
| SciCode | SciCode | – | 60.8% |
| WeirdML | WeirdML | 77.9% | – |
| Arena Coding | Arena (LMArena) | – | 1530† |
| Arena WebDev | Arena (LMArena) | 1406† | 1687† |
| LiveBench 2.0 Coding | LiveBench | – | 67.8%† |
| LiveCodeBench | Vals AI | 87.3% | – |
| IOI | Vals AI | 53.8% | 81.9%† |
| SWE-bench (Vals) | Vals AI | 78.0% | – |
| Vibe Code Bench v1.1 | Vals AI | 61.8% | 84.9%† |
| SWE Atlas v1.1 | Scale AI SEAL | – | 61.1% |
| SWE Atlas v1.1: Codebase QnA | Scale AI SEAL | – | 70.2% |
| SWE Atlas v1.1: Test Writing | Scale AI SEAL | – | 58.9% |
| SWE Atlas v1.1: Refactoring | Scale AI SEAL | – | 54.3% |
显示全部 104 项基准测试
| 指标 | 发布方 | GPT-5.3-Codex (xhigh) | Kimi K3.1 Pro |
|---|---|---|---|
| 编程 | |||
| ALE-Bench | Epoch AI Benchmarking Hub | 1655.2 | 1932.8† |
| WeirdML v3 | WeirdML | – | 9.9%† |
| Terminal-Bench 4.0 (AA) | Artificial Analysis | – | 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 | 1155† | 1321 |
| FrontierCode 1.1 (AA) | Artificial Analysis | – | 47.1% |
| FrontierCode 2.0 (AA) | Artificial Analysis | – | 25.4% |
| 智能体与工具 | |||
| Terminal-Bench | Terminal-Bench | 78.4%† | 59.7%† |
| APEX-Agents | Mercor | – | 65.5% |
| Arena Agent | Arena (LMArena) | – | 4.9† |
| LiveBench Long Agentic | LiveBench | – | 38.7%† |
| LiveBench Browser | LiveBench | – | 75.9%† |
| Terminal-Bench Hard | Artificial Analysis | 53.0% | – |
| τ²-Bench Telecom (AA) | Artificial Analysis | 86.0% | – |
| HiL-Bench | Scale AI SEAL | 4.3%† | 61.3% |
| GDPval-AA v2.1, normalised score | Artificial Analysis | – | 67.3% |
| GDPval-AA v2.1 | Artificial Analysis | – | 1861 |
| Analyst Agent (AA) | Artificial Analysis | – | 38.8% |
| Finance Agent v2.1 | Vals AI | – | 61.5%† |
| Harvey's Legal Agent Benchmark v1.1 | Vals AI | – | 11.7%† |
| Legal Research Bench | Vals AI | – | 37.5%† |
| SREBench | Vals AI | – | 27.1%† |
| Tax Agent Bench | Vals AI | – | 24.9%† |
| Terminal-Bench 2.0 (Vals) | Vals AI | 64.0%† | – |
| Terminal-Bench 4.0 (Vals) | Vals AI | – | 63.6%† |
| Terminal-Bench Science | Vals AI | – | 31.4%† |
| Arena Agent Task Completion | Arena (LMArena) | – | 2.7† |
| METR Time Horizons | METR | 74.5%† | – |
| Vending-Bench 2 | Andon Labs | 5940.1† | – |
| AutomationBench | Artificial Analysis | – | 73.3% |
| GDP.pdf (AA) | Artificial Analysis | – | 31.4% |
| AA-Briefcase v1.1 | Artificial Analysis | 868 | 1674 |
| Design Arena Agentic | Design Arena | 1018† | 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 | |||
| ProofBench | Vals AI | – | 91.0% |
| ArXivMath | MathArena | – | 58.3%† |
| BrokenArXiv | MathArena | – | 61.9%† |
| 知识 | |||
| LiveBench 2.0 Data Analysis | LiveBench | – | 79.1%† |
| LiveBench Research | LiveBench | – | 82.1%† |
| AA-Omniscience v1.1 | Artificial Analysis | – | 29.9 |
| PRBench Finance | Scale AI SEAL | – | 47.5% |
| PRBench Legal | Scale AI SEAL | – | 47.9% |
| BioMysteryBench | Vals AI | – | 75.6%† |
| Excel Modeling Benchmark v1.1 | Vals AI | – | 70.0%† |
| Access to Justice Benchmark | Vals AI | – | 69.5%† |
| DrugDiscoveryBench | Scale AI SEAL | – | 63.4%† |
| AA-Omniscience v1.1: accuracy | Artificial Analysis | – | 48.9% |
| AA-Omniscience v1.1: non-hallucination | Artificial Analysis | – | 62.7% |
| 指令遵循 | |||
| IFBench | Artificial Analysis | 75.4% | – |
| Arena Instruction Following | Arena (LMArena) | – | 1487† |
| 人类偏好 | |||
| Arena Text | Arena (LMArena) | – | 1485† |
| EQ-Bench Creative Writing v3 | EQ-Bench | – | 2173 |
| Arena Creative Writing | Arena (LMArena) | – | 1453† |
| Arena Multi-turn | Arena (LMArena) | – | 1475† |
| Arena Longer Queries | Arena (LMArena) | – | 1491† |
| 多模态 | |||
| LiveBench Design | LiveBench | – | 73.7%† |
| MMMU-Pro | Artificial Analysis | 78.5% | 83.9% |
| Humanity's Sixth Sense | Scale AI SEAL | – | 33.2%† |
| VIALS-AA | Handshake AI | – | 45.3% |
| AA-3D | Artificial Analysis | – | 1112 |
| 长上下文 | |||
| AA-LCR v1.1 | Artificial Analysis | 83.3% | 86.3% |
| MLCR | Artificial Analysis | – | 38.3% |
| 综合 | |||
| Epoch Capabilities Index | Epoch AI Benchmarking Hub | – | 161.4 |
| LiveBench 2.0 | LiveBench | – | 68.7%† |
| AA Intelligence Index v5.0.1 | Artificial Analysis | – | 46.5 |
| AA Intelligence Index v4.3.2 | Artificial Analysis | 32.5 | 55.1 |
| AA Progress Index v1 | Artificial Analysis | 301.3 | 340.7 |
| Vals Index | Vals AI | – | 62.5† |
| Vals Finance Index | Vals AI | – | 56.0%† |
| Vals Science Index | Vals AI | – | 44.4%† |
| Vals Legal Index | Vals AI | – | 67.0%† |
| AA Cyber Index | Artificial Analysis | – | 64.1 |
| 安全与诚实 | |||
| FORTRESS | Scale AI SEAL | – | 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。
- 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。
- Kimi K3.1 Pro:1 项新结果(GameBench 2 Overall);1 项分数修订。
相关对比
- GPT-5.3-Codex vs Claude Fable 5.2
- GPT-5.3-Codex vs Gemini 4 Carbon
- GPT-5.3-Codex vs Claude Opus 5.5
- Kimi K3.1 Pro vs Claude Fable 5.2
- Kimi K3.1 Pro vs Gemini 4 Carbon
- Kimi K3.1 Pro vs Claude Opus 5.5
- Kimi K3.1 Pro vs GPT-6 Astra
- GPT-5.3-Codex vs Claude Fable 5.1
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
GPT-5.3-Codex vs Kimi K3.1 Pro:常见问题
- GPT-5.3-Codex 比 Kimi K3.1 Pro 更好吗?
- GPT-5.3-Codex (xhigh) 与 Kimi K3.1 Pro 的质量不相上下(62.9 比 61.8,在 ±7.6 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。
- GPT-5.3-Codex 和 Kimi K3.1 Pro 哪个更便宜?价格会变吗?
- 目前 Kimi K3.1 Pro 更便宜:每百万 token $4.00 比 $4.81(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 GPT-5.3-Codex 还是 Kimi K3.1 Pro 更好?
- GPT-5.3-Codex 在编程方面得分更高(类别得分 61 比 60,50 为平均水平)。
- GPT-5.3-Codex 和 Kimi K3.1 Pro 哪个更快?
- GPT-5.3-Codex 输出更快(约 2 倍;输出 94 比 30 token/秒,Artificial Analysis 7 日中位数)。
- 智能体和工具调用用 GPT-5.3-Codex 还是 Kimi K3.1 Pro 更好?
- GPT-5.3-Codex 在智能体任务方面得分更高(类别得分 80 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 66)。Kimi K3.1 Pro 支持更长的上下文:1,048,576 token,GPT-5.3-Codex 为 400,000 token。
- 哪个延迟更低?
- GPT-5.3-Codex 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 38.2 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 GPT-5.3-Codex 和 Kimi K3.1 Pro 的看法一致吗?
- 在两者都有结果的 6 项基准测试中,GPT-5.3-Codex 领先 0 项,Kimi K3.1 Pro 领先 6 项。
- 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。