BenchLeader

Kimi K2.6 vs o3

完整资料:Kimi K2.6(Moonshot AI)和 o3(OpenAI),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,Kimi K2.6 与 o3 的质量不相上下(BenchLeader Index 59.3 比 60.4,在 ±7.8 的误差范围内)。Kimi K2.6 更便宜,对方的价格是它的 2.0 倍(每百万 token 混合价格 $1.71 比 $3.50)。看重多模态(62 比 53)、指令遵循(74 比 65)和长上下文(65 比 62)选 Kimi K2.6;看重智能体与工具(70 比 58)选 o3。o3 的首次回答更快(5.2 秒 比 93.1 秒)。o3 的输出更快(3 倍以上)。

要点(截至 2026年11月16日)

  • Kimi K2.6 的 BenchLeader Index 为 59.3,o3 为 60.4(BenchLeader,2026年11月16日)。
  • Kimi K2.6 每百万 token 混合价格为 $1.71(标价,2026年11月16日)。
  • o3 每百万 token 混合价格为 $3.50(标价,2026年11月16日)。
  • o3 比 Kimi K2.6 输出更快(3 倍以上;Artificial Analysis,7 日中位数,2026年11月16日)。
  • 在两者都有结果的 10 项基准测试中,Kimi K2.6 领先 10 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
智能体与工具调用o3类别得分 70 比 58;Terminal-Bench Hard 37.1% 比 43.9%高
长文档Kimi K2.6类别得分 65 比 62;AA-LCR v1.1 81.0% 比 74.7%中
图像及其他媒体Kimi K2.6类别得分 62 比 53;MMMU-Pro 79.4% 比 70.1%高
指令遵循Kimi K2.6类别得分 74 比 65;IFBench 76.0% 比 71.4%高
对话质量(人类偏好)–只有 o3 有 Arena 评分(类别得分 61)无法比较
成本最低Kimi K2.6每百万 token 混合价格 $1.71 比 $3.50;智能体编程会话 $0.073 比 $0.152–
首次回答最快o3首个回答 token 5.2 秒(o3)比 93.1 秒(Kimi K2.6 (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

  • Kimi K2.6 (thinking) 与 o3 的质量不相上下(59.3 比 60.4,在 ±7.8 的误差范围内)。
  • Kimi K2.6 (thinking) 在指令遵循、长上下文、多模态方面更强。
  • o3 在智能体与工具方面更强。
  • Kimi K2.6 (thinking) 更便宜,对方的价格是它的 2.0 倍(每百万 token 混合价格 $1.71 比 $3.50)。
  • o3 的输出速度是对方的 3.2 倍(131 比 41 token/秒)。

概览

规格Kimi K2.6o3
提供商Moonshot AIOpenAI
发布日期2026年4月20日2025年4月16日
上下文窗口(token)262,144200,000
对比时的配置Kimi K2.6 (thinking)o3
开放权重是否
每百万 token 价格(输入 / 输出 / 缓存输入)$0.950 / $4.00 / $0.160$2.00 / $8.00 / $0.500

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Kimi K2.6 (thinking)o3领先者
推理–60.9无法比较
编程–59.8无法比较
智能体与工具58.470.3o3
数学–70.6无法比较
知识–56.2无法比较
指令遵循74.165.2Kimi K2.6
人类偏好–61.0无法比较
多模态61.752.8Kimi K2.6
长上下文65.261.9Kimi K2.6

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智能体与工具指令遵循长上下文多模态Kimi K2.6, 智能体与工具: 58.4Kimi K2.6, 指令遵循: 74.1Kimi K2.6, 长上下文: 65.2Kimi K2.6, 多模态: 61.7o3, 智能体与工具: 70.3o3, 指令遵循: 65.2o3, 长上下文: 61.9o3, 多模态: 52.8

未绘制(测得的模型少于两个):推理, 编程, 数学, 知识, 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 10 项基准测试中,Kimi K2.6 领先 10 项,o3 领先 0 项。所有同时评测两者的综合评分都认为 Kimi K2.6 更强。

综合 IndexKimi K2.6 (thinking)o3领先者
BenchLeader Index59.360.4不相上下
Arena Text1461†1432Kimi K2.6

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Kimi K2.6 (thinking)o3
每百万 token 混合价格$1.71$3.50
每百万 token 输入 / 输出$0.950 / $4.00$2.00 / $8.00
每百万 token 缓存输入$0.160$0.500
每项任务价格:聊天回复$0.0016$0.0032
每项任务价格:总结一份 30 页的报告$0.014$0.029
每项任务价格:代码编辑$0.012$0.024
每项任务价格:智能体编程会话$0.073$0.152
每项任务价格:结构化信息提取$0.0027$0.0056
智能体编程会话(输入大多命中缓存)$0.037$0.085
输出速度41 tok/s131 tok/s
首次回答时间93.1 秒5.2 秒
完整回答耗时(最近一次测量 2026年11月13日)215.8 秒17.3 秒

每个模型都按其排名最高的推理强度设置进行对比。Kimi K2.6 (thinking) 得分 59.3,首个回答 token 需 93 秒;Kimi K2.6 为 55.1(1 秒)。o3 得分 60.4,首个回答 token 需 5 秒;o3 (high) 为 55.1(5 秒),o3 (medium) 为 53.3(5 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 148 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Kimi K2.6 (thinking)o3
BenchLeader IndexBenchLeader59.360.4
智能体与工具得分BenchLeader58.470.3
指令遵循得分BenchLeader74.165.2
长上下文得分BenchLeader65.261.9
多模态得分BenchLeader61.752.8
编程得分BenchLeader–59.8
人类偏好得分BenchLeader–61.0
知识得分BenchLeader–56.2
数学得分BenchLeader–70.6
推理得分BenchLeader–60.9
混合价格(美元/百万 token)BenchLeader$1.71$3.50
输出速度BenchLeader41 tok/s131 tok/s
首次回答时间BenchLeader93.1 秒5.2 秒
上下文窗口BenchLeader262,144 token200,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub90.8%†81.8%†
Humanity's Last ExamScale AI / CAIS–20.3%†
SimpleBenchSimpleBench–53.1%†
Arena Hard PromptsArena (LMArena)1485†1441
LiveBench 1.0 ReasoningLiveBench79.4%–
GPQA Diamond (AA)Artificial Analysis91.1%82.7%
Humanity's Last Exam (AA)Artificial Analysis37.5%20.1%
GPQA Diamond (Vals)Vals AI89.1%†84.1%†
Kagi LLM BenchmarkKagi LLM Benchmark–67.6%
GPQA Diamond (HELM)HELM Capabilities–75.3%
ARC-AGI-1ARC Prize–60.8%†
ARC-AGI-2ARC Prize–6.5%†
CritPtArtificial Analysis8.0%1.1%
SciPredictScale AI SEAL–17.9%
Arena ExpertArena (LMArena)1503†1448
Chess PuzzlesEpoch AI Benchmarking Hub20.0%†36.0%†
Mystery Game PuzzlesEpoch AI Benchmarking Hub18.0%†29.0%†
CL-benchEpoch AI Benchmarking Hub–17.8%†
LMCAEpoch AI Benchmarking Hub37.3%†39.7%†
DTBenchEpoch AI Benchmarking Hub90.9%†84.8%†
ForecastBenchForecastBench–64.3%
编程
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub76.7%†62.3%†
SciCodeSciCode53.5%†–
WeirdMLWeirdML55.9%†52.4%†
GSO-BenchGSO-Bench–8.8%†
显示全部 148 项基准测试
指标发布方Kimi K2.6 (thinking)o3
编程
Arena CodingArena (LMArena)1516†1460
Arena WebDevArena (LMArena)1509†–
LiveBench 1.0 CodingLiveBench78.6%–
SciCode (AA)Artificial Analysis51.5%–
LiveCodeBenchVals AI86.8%†83.9%†
SWE-bench (Vals)Vals AI76.2%†–
Aider PolyglotAider polyglot leaderboard–76.9%
SWE-bench Verified (bash only)SWE-bench–58.4%
SWE-bench Verified (any scaffold)SWE-bench–58.4%
Code MigrationVals AI27.8%†–
ProgramBenchVals AI0.0%†–
Vibe Code Bench v1.1Vals AI37.9%†–
CadEvalEpoch AI Benchmarking Hub–74.0%†
ALE-BenchEpoch AI Benchmarking Hub1092.7†933.5†
Terminal-Bench 4.0 (AA)Artificial Analysis0.5%–
Terminal-Bench 2.1 (AA)Artificial Analysis65.9%–
GameBench 2 OverallDuelLab GameBench 2–34.1
GameBench 2 by reasoning settingDuelLab GameBench 2–30.4†
Design Arena WebsiteDesign Arena1263†1028
LiveCodeBench (AA)Artificial Analysis–80.8%
智能体与工具
OSWorld-Verified 2.0OSWorld4.6%†–
GDPvalOpenAI–30.8%†
LiveBench Agentic CodingLiveBench46.9%–
Terminal-Bench HardArtificial Analysis43.9%37.1%
τ²-Bench Telecom (AA)Artificial Analysis95.9%80.7%
Terminal-Bench 2.1 (Vals)Vals AI53.6%†–
HiL-BenchScale AI SEAL18.7%†–
BFCL OverallBerkeley Function Calling Leaderboard–63.0%
GDPval-AA v2.1Artificial Analysis1046–
τ³-Banking (AA)Artificial Analysis23.3%–
ITBench SRE (AA)Artificial Analysis31.2%–
APEX-Agents (AA)Artificial Analysis28.5%–
Finance Agent v2Vals AI44.9%†–
Harvey's Legal Agent Benchmark v1Vals AI1.7%†–
Legal Research BenchVals AI15.9%†–
Tax Agent BenchVals AI12.4%†–
Terminal-Bench 2.0 (Vals)Vals AI57.3%†–
Arena SearchArena (LMArena)–1197
DeepResearch BenchDeepResearch Bench–45.2%†
ExploitBenchEpoch AI Benchmarking Hub18.4%†–
METR Time HorizonsMETR–63.6%
GBAEvalEpoch AI Benchmarking Hub0.9%†–
Vending-Bench 2Andon Labs6204.6†–
AutomationBenchArtificial Analysis13.0%–
GDP.pdf (AA)Artificial Analysis13.0%–
EnterpriseOps-GymArtificial Analysis38.5%–
AA-Briefcase v1.1Artificial Analysis821–
Design Arena AgenticDesign Arena1158†–
BrowseComp-PlusBrowseComp-Plus–50.5%
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub57.2%†33.3%†
FrontierMath Tier 4Epoch AI Benchmarking Hub25.6%†–
OTIS Mock AIMEEpoch AI Benchmarking Hub96.1%†83.9%†
MATH Level 5Epoch AI Benchmarking Hub–97.8%†
ProofBenchVals AI16.0%†–
LiveBench MathematicsLiveBench84.3%–
AIME (Vals)Vals AI–85.3%†
MGSMVals AI–91.8%†
AIME 2026MathArena95.8%†–
HMMT February 2026MathArena94.7%†–
USAMO 2026MathArena51.2%†–
IMO 2025MathArena–16.7%†
MathArena ApexMathArena24.0%†–
Omni-MATH (HELM)HELM Capabilities–71.4%
MATH 500Vals AI–94.6%†
Arena MathsArena (LMArena)1479†1448
AIME 2025 (AA)Artificial Analysis–88.3%
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub34.9%†49.4%†
LiveBench 1.0 Data AnalysisLiveBench65.1%–
MMLU-ProVals AI87.6%†85.6%†
LegalBenchVals AI84.7%†83.8%†
CorpFinVals AI66.7%†59.7%†
TaxEvalVals AI74.7%†74.6%†
MedQAVals AI–96.1%†
PRBench FinanceScale AI SEAL–47.7%
PRBench LegalScale AI SEAL–48.6%
MultiNRCScale AI SEAL–45.5%†
MMLU-Pro (HELM)HELM Capabilities–85.9%
CaseLaw v2Vals AI61.2%†–
Excel Modeling BenchmarkVals AI57.9%†–
MedCodeVals AI40.1%†47.3%†
MedScribeVals AI78.2%†76.7%†
Public Benefits Bench v1.1Vals AI56.6%†–
EBR-benchEpoch AI Benchmarking Hub2.4%†–
GDP.pdfEpoch AI Benchmarking Hub12.0%†–
指令遵循
LiveBench LanguageLiveBench75.1%–
LiveBench Instruction FollowingLiveBench64.4%–
IFBenchArtificial Analysis76.0%71.4%
MultiChallengeScale AI SEAL–56.6%†
TutorBenchScale AI SEAL–52.1%†
IFEval (HELM)HELM Capabilities–86.9%
WildBench (HELM)HELM Capabilities–86.1%
Arena Instruction FollowingArena (LMArena)1456†1403
人类偏好
Arena TextArena (LMArena)1461†1432
EQ-Bench 4EQ-Bench1191†–
EQ-Bench Creative Writing v3EQ-Bench1721†1675
Arena Creative WritingArena (LMArena)1432†1383
Arena Multi-turnArena (LMArena)1462†1420
Arena Longer QueriesArena (LMArena)1478†1411
Lech Mazur Creative WritingLech Mazur–83.9%†
多模态
Arena VisionArena (LMArena)1282†1214
MMMU-ProArtificial Analysis79.4%70.1%
VISTAScale AI SEAL–50.1%†
MMMU-Pro (Vals)Vals AI86.3%†80.4%†
MortgageTaxVals AI65.8%†65.7%†
VTBScale AI SEAL–13.7%
GeoBenchGeoBench–60.0%†
VPCTEpoch AI Benchmarking Hub–52.0%†
Blueprint-Bench 2Epoch AI Benchmarking Hub3.9%†–
Furniture AssemblyEpoch AI Benchmarking Hub21.7%†–
长上下文
Fiction.LiveBench 120kFiction.live–100.0%†
AA-LCR v1.1Artificial Analysis81.0%74.7%
Arena DocumentArena (LMArena)1450†–
MLCRArtificial Analysis11.1%–
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub151.6†147.1
LiveBench 1.0LiveBench70.5%–
AA Intelligence Index v4.3.2Artificial Analysis27.020.2
AA Progress Index v1Artificial Analysis284.4258.3
HELM Capabilities meanHELM Capabilities–81.1%
Vals Multimodal IndexVals AI56.4%†–
安全与诚实
FORTRESSScale AI SEAL–16.0%
MASKScale AI SEAL–84.5%†
PropensityBenchScale AI SEAL–10.5%
元数据
AA Openness IndexArtificial Analysis33.35.6

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

  • o3:BenchLeader Index 61.2 → 60.4。
  • o3:1 项分数修订。
  • Kimi K2.6 (thinking):2 项新结果(GDPval-AA v2.1, AA-Briefcase v1.1)。
  • Kimi K2.6 (thinking):BenchLeader Index 59.8 → 59.3。
  • o3:1 项新结果(Arena Search)。
  • o3:1 项分数修订。
  • Kimi K2.6 (thinking):BenchLeader Index 60.3 → 59.8。
  • Kimi K2.6 (thinking):1 项新结果(AA Progress Index v1)。
  • o3:1 项新结果(AA Progress Index v1)。
  • Kimi K2.6 (thinking):价格 $0.80/M → $0.71/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

Kimi K2.6 vs o3:常见问题

Kimi K2.6 比 o3 更好吗?
Kimi K2.6 (thinking) 与 o3 的质量不相上下(59.3 比 60.4,在 ±7.8 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。
Kimi K2.6 和 o3 哪个更便宜?价格会变吗?
目前 Kimi K2.6 更便宜:每百万 token $1.71 比 $3.50(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。
Kimi K2.6 和 o3 哪个更快?
o3 输出更快(3 倍以上;输出 131 比 41 token/秒,Artificial Analysis 7 日中位数)。
智能体和工具调用用 Kimi K2.6 还是 o3 更好?
o3 在智能体任务方面得分更高(类别得分 70 比 58,50 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 Hard 上,Kimi K2.6 为 43.9%,o3 为 37.1%。
处理长文档哪个更好?
Kimi K2.6 在长上下文基准测试上得分更高(65 比 62)。Kimi K2.6 支持更长的上下文:262,144 token,o3 为 200,000 token。
更多问题(3)
哪个延迟更低?
o3 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 5.2 秒比 93.1 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 Kimi K2.6 和 o3 的看法一致吗?
在两者都有结果的 10 项基准测试中,Kimi K2.6 领先 10 项,o3 领先 0 项。所有同时评测两者的综合评分都认为 Kimi K2.6 更强。
Kimi K2.6 是什么时候发布的?
Kimi K2.6 于 2026年4月20日 发布。