BenchLeader

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-CodexKimi K3.1 Pro
提供商OpenAIMoonshot AI
发布日期2026年2月5日2026年10月23日
上下文窗口(token)400,0001,048,576
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61.059.6GPT-5.3-Codex
智能体与工具80.164.6GPT-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60.866.3Kimi K3.1 Pro
长上下文66.467.9Kimi 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编程智能体与工具长上下文多模态GPT-5.3-Codex, 编程: 61.0GPT-5.3-Codex, 智能体与工具: 80.1GPT-5.3-Codex, 长上下文: 66.4GPT-5.3-Codex, 多模态: 60.8Kimi K3.1 Pro, 编程: 59.6Kimi K3.1 Pro, 智能体与工具: 64.6Kimi K3.1 Pro, 长上下文: 67.9Kimi K3.1 Pro, 多模态: 66.3

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。

模型(单击添加或移除)Index

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 IndexGPT-5.3-Codex (xhigh)Kimi K3.1 Pro领先者
BenchLeader Index62.961.8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/s30 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 IndexBenchLeader62.961.8
智能体与工具得分BenchLeader80.164.6
编程得分BenchLeader61.059.6
指令遵循得分BenchLeader73.6–
长上下文得分BenchLeader66.467.9
多模态得分BenchLeader60.866.3
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BenchLeader94 tok/s30 tok/s
首次回答时间BenchLeader38.2 秒157.4 秒
上下文窗口BenchLeader400,000 token1,048,576 token
推理
Arena Hard PromptsArena (LMArena)–1504†
LiveBench 2.0 ReasoningLiveBench–91.1%†
GPQA Diamond (AA)Artificial Analysis91.5%–
Humanity's Last Exam (AA)Artificial Analysis42.5%52.5%
HLE-Diamond (AA)Artificial Analysis–37.3%
CritPtArtificial Analysis16.9%24.6%
CritPt v2 hard subset (AA)Artificial Analysis–49.5%
MysteryMechanismVals AI–26.1%†
Arena ExpertArena (LMArena)–1515†
LMCAEpoch AI Benchmarking Hub–57.6%†
DTBenchEpoch AI Benchmarking Hub–93.3%†
编程
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub74.8%†–
SciCodeSciCode–60.8%
WeirdMLWeirdML77.9%–
Arena CodingArena (LMArena)–1530†
Arena WebDevArena (LMArena)1406†1687†
LiveBench 2.0 CodingLiveBench–67.8%†
LiveCodeBenchVals AI87.3%–
IOIVals AI53.8%81.9%†
SWE-bench (Vals)Vals AI78.0%–
Vibe Code Bench v1.1Vals AI61.8%84.9%†
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%
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-BenchEpoch AI Benchmarking Hub1655.21932.8†
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 Arena1155†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-Bench78.4%†59.7%†
APEX-AgentsMercor–65.5%
Arena AgentArena (LMArena)–4.9†
LiveBench Long AgenticLiveBench–38.7%†
LiveBench BrowserLiveBench–75.9%†
Terminal-Bench HardArtificial Analysis53.0%–
τ²-Bench Telecom (AA)Artificial Analysis86.0%–
HiL-BenchScale AI SEAL4.3%†61.3%
GDPval-AA v2.1, normalised scoreArtificial Analysis–67.3%
GDPval-AA v2.1Artificial Analysis–1861
Analyst Agent (AA)Artificial Analysis–38.8%
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 AI64.0%†–
Terminal-Bench 4.0 (Vals)Vals AI–63.6%†
Terminal-Bench ScienceVals AI–31.4%†
Arena Agent Task CompletionArena (LMArena)–2.7†
METR Time HorizonsMETR74.5%†–
Vending-Bench 2Andon Labs5940.1†–
AutomationBenchArtificial Analysis–73.3%
GDP.pdf (AA)Artificial Analysis–31.4%
AA-Briefcase v1.1Artificial Analysis8681674
Design Arena AgenticDesign Arena1018†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
ProofBenchVals AI–91.0%
ArXivMathMathArena–58.3%†
BrokenArXivMathArena–61.9%†
知识
LiveBench 2.0 Data AnalysisLiveBench–79.1%†
LiveBench ResearchLiveBench–82.1%†
AA-Omniscience v1.1Artificial Analysis–29.9
PRBench FinanceScale AI SEAL–47.5%
PRBench LegalScale AI SEAL–47.9%
BioMysteryBenchVals AI–75.6%†
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%
指令遵循
IFBenchArtificial Analysis75.4%–
Arena Instruction FollowingArena (LMArena)–1487†
人类偏好
Arena TextArena (LMArena)–1485†
EQ-Bench Creative Writing v3EQ-Bench–2173
Arena Creative WritingArena (LMArena)–1453†
Arena Multi-turnArena (LMArena)–1475†
Arena Longer QueriesArena (LMArena)–1491†
多模态
LiveBench DesignLiveBench–73.7%†
MMMU-ProArtificial Analysis78.5%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 Analysis83.3%86.3%
MLCRArtificial Analysis–38.3%
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub–161.4
LiveBench 2.0LiveBench–68.7%†
AA Intelligence Index v5.0.1Artificial Analysis–46.5
AA Intelligence Index v4.3.2Artificial Analysis32.555.1
AA Progress Index v1Artificial Analysis301.3340.7
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%
元数据
AA Openness IndexArtificial 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。

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。