BenchLeader

Grok 4.7 vs Kimi K3

完整资料:Grok 4.7(SpaceXAI)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 16 个来源

截至 2026年11月16日,Grok 4.7 与 Kimi K3 的质量不相上下(BenchLeader Index 57.4 比 60.7,在 ±6.5 的误差范围内)。Grok 4.7 更便宜,对方的价格是它的 2.0 倍(每百万 token 混合价格 $3.00 比 $6.00)。看重智能体与工具(57 比 54)选 Grok 4.7;看重数学(72 比 56)、知识(66 比 60)和人类偏好(69 比 63)选 Kimi K3。Kimi K3 的首次回答更快(0.8 秒 比 55.9 秒)。

要点(截至 2026年11月16日)

  • Grok 4.7 的 BenchLeader Index 为 57.4,Kimi K3 为 60.7(BenchLeader,2026年11月16日)。
  • Grok 4.7 每百万 token 混合价格为 $3.00(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)。
  • 在两者都有结果的 11 项基准测试中,Kimi K3 领先 9 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 61 比 62;SciCode 57.4% 比 58.7%均可
智能体与工具调用Grok 4.7类别得分 57 比 54;Terminal-Bench 2.1 (Vals) 73.4% 比 80.9%中
数学Kimi K3类别得分 72 比 56;LiveBench Mathematics 84.4% 比 95.7%高
知识Kimi K3类别得分 66 比 60;LiveBench 1.0 Data Analysis 78.7% 比 76.9%中
对话质量(人类偏好)Kimi K3Arena 投票 69 比 63中
成本最低Grok 4.7每百万 token 混合价格 $3.00 比 $6.00;智能体编程会话 $0.144 比 $0.240–
首次回答最快Kimi K3首个回答 token 0.8 秒(Kimi K3)比 55.9 秒(Grok 4.7 (xhigh))–
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

  • Grok 4.7 (xhigh) 与 Kimi K3 的质量不相上下(57.4 比 60.7,在 ±6.5 的误差范围内)。
  • Grok 4.7 (xhigh) 在智能体与工具方面更强。
  • Kimi K3 在编程、人类偏好、知识、数学方面更强。
  • Grok 4.7 (xhigh) 更便宜,对方的价格是它的 2.0 倍(每百万 token 混合价格 $3.00 比 $6.00)。

概览

规格Grok 4.7Kimi K3
提供商SpaceXAIMoonshot AI
发布日期2026年9月21日2026年7月16日
上下文窗口(token)500,0001,048,576
对比时的配置Grok 4.7 (xhigh)Kimi K3
开放权重否是
每百万 token 价格(输入 / 输出 / 缓存输入)$2.00 / $6.00 / $0.500$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Grok 4.7 (xhigh)Kimi K3领先者
推理55.6–无法比较
编程60.961.8持平
智能体与工具56.953.5Grok 4.7
数学55.871.5Kimi K3
知识59.966.1Kimi K3
人类偏好62.568.6Kimi K3
多模态55.5–无法比较
长上下文62.9–无法比较
综合52.8–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人类偏好Grok 4.7, 编程: 60.9Grok 4.7, 智能体与工具: 56.9Grok 4.7, 数学: 55.8Grok 4.7, 知识: 59.9Grok 4.7, 人类偏好: 62.5Kimi K3, 编程: 61.8Kimi K3, 智能体与工具: 53.5Kimi K3, 数学: 71.5Kimi K3, 知识: 66.1Kimi K3, 人类偏好: 68.6

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。

模型(单击添加或移除)Index

各来源的分歧

在两者都有结果的 11 项基准测试中,Grok 4.7 领先 2 项,Kimi K3 领先 9 项。第三方来源看法不一:Grok 4.7 在 AA Intelligence Index v5.0.1和Vals Index 上领先;Kimi K3 在 Arena Text 上领先。

综合 IndexGrok 4.7 (xhigh)Kimi K3领先者
BenchLeader Index57.460.7不相上下
AA Intelligence Index v5.0.135.517.4†Grok 4.7
Vals Index58.653.0†Grok 4.7
Arena Text14431487†Kimi 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Grok 4.7 (xhigh)Kimi K3
每百万 token 混合价格$3.00$6.00
每百万 token 输入 / 输出$2.00 / $6.00$3.00 / $15.00
每百万 token 缓存输入$0.500$0.300
每项任务价格:聊天回复$0.0026$0.0057
每项任务价格:总结一份 30 页的报告$0.028$0.045
每项任务价格:代码编辑$0.021$0.041
每项任务价格:智能体编程会话$0.144$0.240
每项任务价格:结构化信息提取$0.0052$0.0090
智能体编程会话(输入大多命中缓存)$0.076$0.118
每项基准测试任务成本(AA Index)$7.77–
每项任务输出 token(AA Index)105k–
其中推理部分69k–
每项任务耗时(AA Index)26 min–
输出速度68 tok/s76 tok/s
首次回答时间55.9 秒0.8 秒
完整回答耗时(最近一次测量 2026年11月13日)145.5 秒–

每个模型都按其排名最高的推理强度设置进行对比。Grok 4.7 (xhigh) 得分 57.4,首个回答 token 需 56 秒;Grok 4.7 (high) 为 56.9(35 秒),Grok 4.7 (low) 为 55.4(10 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 183 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Grok 4.7 (xhigh)Kimi K3
BenchLeader IndexBenchLeader57.460.7
智能体与工具得分BenchLeader56.953.5
编程得分BenchLeader60.961.8
综合得分BenchLeader52.8–
人类偏好得分BenchLeader62.568.6
知识得分BenchLeader59.966.1
长上下文得分BenchLeader62.9–
数学得分BenchLeader55.871.5
多模态得分BenchLeader55.5–
推理得分BenchLeader55.6–
混合价格(美元/百万 token)BenchLeader$3.00$6.00
输出速度BenchLeader68 tok/s76 tok/s
首次回答时间BenchLeader55.9 秒0.8 秒
上下文窗口BenchLeader500,000 token1,048,576 token
推理
GPQA DiamondEpoch AI Benchmarking Hub92.7%93.1%†
SimpleBenchSimpleBench–60.7%†
Arena Hard PromptsArena (LMArena)14661516†
LiveBench 2.0 ReasoningLiveBench82.7%90.7%†
LiveBench 1.0 ReasoningLiveBench82.7%90.7%
GPQA Diamond (AA)Artificial Analysis–93.5%†
Humanity's Last Exam (AA)Artificial Analysis43.1%46.9%†
HLE-Diamond (AA)Artificial Analysis23.2%26.9%†
GPQA Diamond (Vals)Vals AI–92.9%
ARC-AGI-1ARC Prize89.5%94.5%†
ARC-AGI-2ARC Prize61.4%60.4%†
ARC-AGI-3ARC Prize7.0%–
CritPtArtificial Analysis17.7%23.4%†
CritPt v2 hard subset (AA)Artificial Analysis33.5%40.5%†
MysteryMechanismVals AI25.2%–
HLE-Diamond (Scale)Scale AI SEAL23.4%†22.2%
Arena ExpertArena (LMArena)14781528†
Chess PuzzlesEpoch AI Benchmarking Hub41.0%36.0%†
Mystery Game PuzzlesEpoch AI Benchmarking Hub29.0%26.0%†
LMCAEpoch AI Benchmarking Hub49.4%52.7%†
DTBenchEpoch AI Benchmarking Hub96.0%91.2%†
ForecastBenchForecastBench–64.2%†
编程
SciCodeSciCode57.4%58.7%
WeirdMLWeirdML–82.6%†
FrontierCodeCognition47.6%†44.2%
显示全部 183 项基准测试
指标发布方Grok 4.7 (xhigh)Kimi K3
编程
Arena CodingArena (LMArena)14931538†
Arena WebDevArena (LMArena)16411658†
LiveBench 2.0 CodingLiveBench73.1%53.1%†
LiveBench 1.0 CodingLiveBench77.2%81.5%
SciCode (AA)Artificial Analysis57.4%59.5%†
LiveCodeBenchVals AI–87.2%†
IOIVals AI57.7%48.9%†
SWE-bench (Vals)Vals AI–93.4%
Code MigrationVals AI44.8%16.1%†
Code Migration v1.1Vals AI53.2%28.6%†
ProgramBenchVals AI0.5%2.0%
SWE-bench MultimodalVals AI42.9%44.2%†
Vibe Code Bench 1-100Vals AI–18.2%†
Vibe Code Bench v1.1Vals AI86.2%85.0%†
Vibe Code Bench 1-100 v1.1Vals AI26.4%–
SWE Atlas v1.1Scale AI SEAL62.1%†61.0%
SWE Atlas v1.1: Codebase QnAScale AI SEAL73.4%†65.3%
SWE Atlas v1.1: Test WritingScale AI SEAL64.4%†63.3%
SWE Atlas v1.1: RefactoringScale AI SEAL48.6%†54.3%
SWE-Bench Pro V2Scale AI SEAL–97.7%†
SWE-Bench Pro V2 HARDScale AI SEAL–88.2%†
MirrorCodeEpoch AI Benchmarking Hub54.4%54.4%†
Surface Evolver BenchEpoch AI Benchmarking Hub–95.0%
DeepSWE v1.1Epoch AI Benchmarking Hub–68.5%†
CursorBenchCursor46.3%–
ALE-BenchEpoch AI Benchmarking Hub1545.81524.5†
FrontierSWEEpoch AI Benchmarking Hub29.5%25.9%†
WeirdML v3WeirdML8.4%7.5%†
Terminal-Bench 4.0 (AA)Artificial Analysis25.8%12.6%†
Terminal-Bench 2.1 (AA)Artificial Analysis–85.0%†
Startrise FrontendStartrise75.9%†79.8%
GameBench 2 OverallDuelLab GameBench 263.6†48.0
GameBench 2 by reasoning settingDuelLab GameBench 271.245.7†
Design Arena WebsiteDesign Arena1244†1336
FrontierCode 1.1 (AA)Artificial Analysis33.8%43.6%†
FrontierCode 2.0 (AA)Artificial Analysis28.7%10.9%†
智能体与工具
Terminal-BenchTerminal-Bench38.8%23.0%†
APEX-AgentsMercor54.6%†47.8%
Arena AgentArena (LMArena)2.60.6†
LiveBench Long AgenticLiveBench45.3%36.0%†
LiveBench BrowserLiveBench49.3%75.2%†
LiveBench Agentic CodingLiveBench54.0%62.2%
Terminal-Bench 2.1 (Vals)Vals AI73.4%80.9%
MCP AtlasScale AI SEAL–82.3%†
HiL-BenchScale AI SEAL–42.7%
τ³-bench Bankingτ²-bench–37.1%†
GDPval-AA v2.1, normalised scoreArtificial Analysis60.7%–
GDPval-AA v2.1Artificial Analysis17171542†
τ³-Banking (AA)Artificial Analysis–46.0%†
ITBench SRE (AA)Artificial Analysis42.1%47.7%†
Analyst Agent (AA)Artificial Analysis52.5%38.8%†
APEX-Agents (AA)Artificial Analysis–41.3%†
CyberBenchVals AI69.5%75.2%†
Finance Agent v2Vals AI52.3%53.1%†
Finance Agent v2.1Vals AI60.6%60.0%†
Harvey's Legal Agent Benchmark v1.1Vals AI18.3%12.9%†
Harvey's Legal Agent Benchmark v1Vals AI12.5%12.9%†
Legal Research BenchVals AI47.1%46.1%†
Robo-benchVals AI0.2%–
SREBenchVals AI3.8%–
Tax Agent BenchVals AI35.8%33.4%†
Terminal-Bench 4.0 (Vals)Vals AI28.8%17.2%†
Terminal-Bench ScienceVals AI10.0%1.4%†
Time Horizon Index: KSPVals AI–10.5%†
Arena Agent Task CompletionArena (LMArena)5.13.4†
PostTrainBenchEpoch AI Benchmarking Hub–31.5%
GBAEvalEpoch AI Benchmarking Hub–48.4%
Vending-Bench 2Andon Labs10536.8†5165.0
AutomationBenchArtificial Analysis65.6%58.3%†
GDP.pdf (AA)Artificial Analysis20.0%22.0%†
Harvey LAB-AA v1.1Harvey9.4%5.3%†
EnterpriseOps-GymArtificial Analysis–45.3%†
AA-Briefcase v1.1Artificial Analysis16361497†
GDPxGDPx by SemiAnalysis3.9%3.7%†
Design Arena AgenticDesign Arena1277†1261
Terminal-Bench-Science 0.1 (AA)Artificial Analysis11.4%8.1%†
CWE-Bench (AA)Artificial Analysis68.3%53.3%†
DeepSec-Bench (AA)Artificial Analysis26.9%12.4%†
CyberGym end-to-end (AA)Artificial Analysis74.0%58.0%†
MKA (AA)Artificial Analysis40.1%–
FACTS SearchGoogle85.6%†90.3%
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub53.0%72.2%†
FrontierMath Tier 4Epoch AI Benchmarking Hub17.1%39.0%†
OTIS Mock AIMEEpoch AI Benchmarking Hub98.1%97.2%†
ProofBenchVals AI26.0%†87.0%
LiveBench MathematicsLiveBench95.7%84.4%
AIME 2026MathArena–96.7%†
HMMT February 2026MathArena–97.0%†
MathArena ApexMathArena–65.6%†
Arena MathsArena (LMArena)14471502†
FrontierMath ErdősEpoch AI Benchmarking Hub0.0%0.0%†
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub56.0%50.6%†
LiveBench 2.0 Data AnalysisLiveBench76.9%78.7%†
LiveBench ResearchLiveBench89.5%79.8%†
LiveBench 1.0 Data AnalysisLiveBench76.9%78.7%
AA-Omniscience v1.1Artificial Analysis31.2-1.7†
MMLU-ProVals AI–88.0%†
LegalBenchVals AI84.4%86.2%†
CorpFinVals AI–71.6%
TaxEvalVals AI–75.7%
PRBench LegalScale AI SEAL47.6%–
BioMysteryBenchVals AI69.3%72.6%†
Excel Modeling BenchmarkVals AI67.0%66.7%†
Excel Modeling Benchmark v1.1Vals AI71.5%71.3%†
MedCodeVals AI49.5%49.4%†
MedScribeVals AI89.4%88.0%†
Public Benefits Bench v1.1Vals AI65.6%68.2%†
Access to Justice BenchmarkVals AI73.7%68.2%†
Financial Coaching BenchVals AI74.1%74.5%†
Immigration BenchVals AI68.0%68.3%†
GDP.pdfEpoch AI Benchmarking Hub22.8%19.0%†
AA-Omniscience v1.1: accuracyArtificial Analysis42.7%42.4%†
AA-Omniscience v1.1: non-hallucinationArtificial Analysis80.0%23.4%†
HealthBench Professional (AA)OpenAI55.8%53.2%†
FACTS ParametricGoogle54.3%†–
指令遵循
LiveBench LanguageLiveBench80.1%85.5%
LiveBench Instruction FollowingLiveBench75.3%71.4%
Arena Instruction FollowingArena (LMArena)14351489†
人类偏好
Arena TextArena (LMArena)14431487†
EQ-Bench 4EQ-Bench–1319
EQ-Bench Creative Writing v3EQ-Bench2012†2083
Arena Creative WritingArena (LMArena)14211459†
Arena Multi-turnArena (LMArena)14351502†
Arena Longer QueriesArena (LMArena)14541500†
多模态
Arena VisionArena (LMArena)1230–
LiveBench DesignLiveBench75.0%72.5%†
MMMU-ProArtificial Analysis78.2%†80.5%†
MMMU-Pro (Vals)Vals AI–88.2%
MortgageTaxVals AI–66.3%
SAGEVals AI88.7%86.8%†
Humanity's Sixth SenseScale AI SEAL–25.5%†
GeoBenchGeoBench61.0%†–
Blueprint-Bench 2Epoch AI Benchmarking Hub32.5%†29.5%
Furniture AssemblyEpoch AI Benchmarking Hub20.8%34.2%†
VIALS-AAHandshake AI37.9%–
Code2Video-AAArtificial Analysis11271041†
AA-3DArtificial Analysis992984†
FACTS MultimodalGoogle40.9%†–
长上下文
AA-LCR v1.1Artificial Analysis76.7%88.7%†
MLCRArtificial Analysis20.0%21.7%†
FACTS GroundingGoogle68.6%†–
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub156.2†158.6
LiveBench 2.0LiveBench67.9%65.0%†
LiveBench 1.0LiveBench77.4%79.2%
AA Intelligence Index v5.0.1Artificial Analysis35.517.4†
AA Intelligence Index v4.3.2Artificial Analysis46.543.6†
AA Progress Index v1Artificial Analysis322.7319.9†
Vals IndexVals AI58.653.0†
Vals Finance IndexVals AI58.8%58.0%†
Vals RSI IndexVals AI20.2%20.9%†
Vals Science IndexVals AI34.8%–
Vals Multimodal IndexVals AI–73.4%
Vals Router IndexVals AI58.6%†53.0%
Vals Legal IndexVals AI72.7%71.7%†
AA Cyber IndexArtificial Analysis56.441.3†
安全与诚实
FORTRESSScale AI SEAL–27.3%
DistressBenchScale AI SEAL52.4%†73.5%
元数据
AA Openness IndexArtificial Analysis–38.9†

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

  • Grok 4.7 (xhigh):BenchLeader Index 58.0 → 57.4。
  • Kimi K3:BenchLeader Index 59.1 → 60.7。
  • Grok 4.7 (xhigh):8 项新结果(LiveBench 2.0, LiveBench Long Agentic, LiveBench 2.0 Reasoning…)。
  • Kimi K3:1 项分数修订。
  • Grok 4.7 (xhigh):1 项新结果(MirrorCode)。
  • Grok 4.7 (xhigh):1 项新结果(ALE-Bench)。
  • Grok 4.7 (xhigh):2 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)。

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

Grok 4.7 vs Kimi K3:常见问题

Grok 4.7 比 Kimi K3 更好吗?
Grok 4.7 (xhigh) 与 Kimi K3 的质量不相上下(57.4 比 60.7,在 ±6.5 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。
Grok 4.7 和 Kimi K3 哪个更便宜?价格会变吗?
目前 Grok 4.7 更便宜:每百万 token $3.00 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 Grok 4.7 还是 Kimi K3 更好?
两者在编程方面持平(类别得分 61 比 62)。在两者共同的最主要编程基准测试 SciCode 上,Grok 4.7 为 57.4%,Kimi K3 为 58.7%。
Grok 4.7 和 Kimi K3 哪个更快?
Kimi K3 输出更快(输出 76 比 68 token/秒,Artificial Analysis 7 日中位数)。
智能体和工具调用用 Grok 4.7 还是 Kimi K3 更好?
Grok 4.7 在智能体任务方面得分更高(类别得分 57 比 54,50 为平均水平)。在两者共同的最主要智能体与工具基准测试 Terminal-Bench 2.1 (Vals) 上,Grok 4.7 为 73.4%,Kimi K3 为 80.9%。
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,Grok 4.7 为 500,000 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 55.9 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 Grok 4.7 和 Kimi K3 的看法一致吗?
在两者都有结果的 11 项基准测试中,Grok 4.7 领先 2 项,Kimi K3 领先 9 项。第三方来源看法不一:Grok 4.7 在 AA Intelligence Index v5.0.1和Vals Index 上领先;Kimi K3 在 Arena Text 上领先。
Grok 4.7 是什么时候发布的?
Grok 4.7 于 2026年9月21日 发布。