BenchLeader

Kimi K3.1 Pro vs Muse Wonder

完整资料:Kimi K3.1 Pro(Moonshot AI)和 Muse Wonder(Meta),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,Kimi K3.1 Pro 与 Muse Wonder 的质量不相上下(BenchLeader Index 61.8 比 64.4,在 ±4.2 的误差范围内)。Kimi K3.1 Pro 更便宜,对方的价格是它的 2.0 倍(每百万 token 混合价格 $4.00 比 $8.00)。看重数学(73 比 70)选 Kimi K3.1 Pro;看重知识(77 比 58)和智能体与工具(76 比 65)选 Muse Wonder。Muse Wonder 的首次回答更快(3.3 秒 比 157.4 秒)。Muse Wonder 的输出更快(约 2 倍)。

要点(截至 2026年11月16日)

  • Kimi K3.1 Pro 的 BenchLeader Index 为 61.8,Muse Wonder 为 64.4(BenchLeader,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)。
  • Muse Wonder 每百万 token 混合价格为 $8.00(标价,2026年11月16日)。
  • Muse Wonder 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 11 项基准测试中,Muse Wonder 领先 8 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Muse Wonder类别得分 76 比 65;HiL-Bench 79.7% 比 61.3%高
数学Kimi K3.1 Pro类别得分 73 比 70;ProofBench 91.0% 比 84.0%中
知识Muse Wonder类别得分 77 比 58;PRBench Finance 58.7% 比 47.5%高
对话质量(人类偏好)–只有 Muse Wonder 有 Arena 评分(类别得分 70)无法比较
成本最低Kimi K3.1 Pro每百万 token 混合价格 $4.00 比 $8.00;智能体编程会话 $0.160 比 $0.320–
首次回答最快Muse Wonder首个回答 token 3.3 秒(Muse Wonder)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

  • Kimi K3.1 Pro 与 Muse Wonder 的质量不相上下(61.8 比 64.4,在 ±4.2 的误差范围内)。
  • Kimi K3.1 Pro 在数学方面更强。
  • Muse Wonder 在智能体与工具、知识方面更强。
  • Kimi K3.1 Pro 更便宜,对方的价格是它的 2.0 倍(每百万 token 混合价格 $4.00 比 $8.00)。
  • Muse Wonder 的输出速度是对方的 2.3 倍(70 比 30 token/秒)。

概览

规格Kimi K3.1 ProMuse Wonder
提供商Moonshot AIMeta
发布日期2026年10月23日2026年10月12日
上下文窗口(token)1,048,5761,048,576
对比时的配置Kimi K3.1 ProMuse Wonder
开放权重是否
每百万 token 价格(输入 / 输出 / 缓存输入)$2.00 / $10.00 / $0.200$4.00 / $20.00 / $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Kimi K3.1 ProMuse Wonder领先者
推理59.2–无法比较
编程59.6–无法比较
智能体与工具64.675.6Muse Wonder
数学73.470.1Kimi K3.1 Pro
知识58.277.1Muse Wonder
人类偏好–69.6无法比较
多模态66.3–无法比较
长上下文67.9–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智能体与工具数学知识Kimi K3.1 Pro, 智能体与工具: 64.6Kimi K3.1 Pro, 数学: 73.4Kimi K3.1 Pro, 知识: 58.2Muse Wonder, 智能体与工具: 75.6Muse Wonder, 数学: 70.1Muse Wonder, 知识: 77.1

未绘制(测得的模型少于两个):推理, 编程, 指令遵循, 长上下文, 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 11 项基准测试中,Kimi K3.1 Pro 领先 3 项,Muse Wonder 领先 8 项。第三方来源看法不一:Kimi K3.1 Pro 在 AA Intelligence Index v5.0.1 上领先;Muse Wonder 在 Vals Index和Arena Text 上领先。

综合 IndexKimi K3.1 ProMuse Wonder领先者
BenchLeader Index61.864.4不相上下
AA Intelligence Index v5.0.146.540.5†Kimi K3.1 Pro
Vals Index62.5†64.9Muse Wonder
Arena Text1485†1511Muse Wonder

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 K3.1 ProMuse Wonder
每百万 token 混合价格$4.00$8.00
每百万 token 输入 / 输出$2.00 / $10.00$4.00 / $20.00
每百万 token 缓存输入$0.200$0.200
每项任务价格:聊天回复$0.0038$0.0076
每项任务价格:总结一份 30 页的报告$0.030$0.060
每项任务价格:代码编辑$0.027$0.054
每项任务价格:智能体编程会话$0.160$0.320
每项任务价格:结构化信息提取$0.0060$0.012
智能体编程会话(输入大多命中缓存)$0.079$0.149
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30 tok/s70 tok/s
首次回答时间157.4 秒3.3 秒
完整回答耗时(最近一次测量 2026年11月13日)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。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)。Muse Wonder 得分 64.4,首个回答 token 需 3 秒;Muse Wonder (max) 为 60.8(20 秒),Muse Wonder (high) 为 56.2(13 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Kimi K3.1 ProMuse Wonder
BenchLeader IndexBenchLeader61.864.4
智能体与工具得分BenchLeader64.675.6
编程得分BenchLeader59.6–
知识得分BenchLeader58.277.1
长上下文得分BenchLeader67.9–
数学得分BenchLeader73.470.1
多模态得分BenchLeader66.3–
推理得分BenchLeader59.2–
人类偏好得分BenchLeader–69.6
混合价格(美元/百万 token)BenchLeader$4.00$8.00
输出速度BenchLeader30 tok/s70 tok/s
首次回答时间BenchLeader157.4 秒3.3 秒
上下文窗口BenchLeader1,048,576 token1,048,576 token
推理
Arena Hard PromptsArena (LMArena)1504†1531†
LiveBench 2.0 ReasoningLiveBench91.1%†90.6%†
LiveBench 1.0 ReasoningLiveBench–90.6%†
Humanity's Last Exam (AA)Artificial Analysis52.5%50.1%†
HLE-Diamond (AA)Artificial Analysis37.3%39.0%†
CritPtArtificial Analysis24.6%28.3%†
CritPt v2 hard subset (AA)Artificial Analysis49.5%50.5%†
MysteryMechanismVals AI26.1%†27.5%†
HLE-Diamond (Scale)Scale AI SEAL–37.3%
Arena ExpertArena (LMArena)1515†1525†
Mystery Game PuzzlesEpoch AI Benchmarking Hub–51.0%†
LMCAEpoch AI Benchmarking Hub57.6%†56.8%
DTBenchEpoch AI Benchmarking Hub93.3%†95.2%
编程
SciCodeSciCode60.8%60.3%†
Arena CodingArena (LMArena)1530†1542†
Arena WebDevArena (LMArena)1687†1647†
LiveBench 2.0 CodingLiveBench67.8%†74.9%†
LiveBench 1.0 CodingLiveBench–80.7%†
IOIVals AI81.9%†66.9%†
Code MigrationVals AI–62.5%†
Code Migration v1.1Vals AI–72.4%†
SWE-bench MultimodalVals AI–45.6%†
Vibe Code Bench 1-100Vals AI–26.6%†
Vibe Code Bench v1.1Vals AI84.9%†83.1%†
SWE Atlas v1.1Scale AI SEAL61.1%64.8%
显示全部 135 项基准测试
指标发布方Kimi K3.1 ProMuse Wonder
编程
SWE Atlas v1.1: Codebase QnAScale AI SEAL70.2%73.4%
SWE Atlas v1.1: Test WritingScale AI SEAL58.9%61.1%
SWE Atlas v1.1: RefactoringScale AI SEAL54.3%60.0%
SWE-Bench Pro V2Scale AI SEAL–96.7%†
SWE-Bench Pro V2 HARDScale AI SEAL–90.2%†
MirrorCodeEpoch AI Benchmarking Hub–45.6%†
CursorBenchCursor–50.4%†
ALE-BenchEpoch AI Benchmarking Hub1932.8†–
WeirdML v3WeirdML9.9%†15.2%†
Terminal-Bench 4.0 (AA)Artificial Analysis67.2%52.0%†
GameBench 2 OverallDuelLab GameBench 278.364.8
GameBench 2 by reasoning settingDuelLab GameBench 284.0†54.9†
Design Arena WebsiteDesign Arena13211378†
FrontierCode 1.1 (AA)Artificial Analysis47.1%46.5%†
FrontierCode 2.0 (AA)Artificial Analysis25.4%27.9%†
智能体与工具
Terminal-BenchTerminal-Bench59.7%†47.0%†
APEX-AgentsMercor65.5%66.1%†
Arena AgentArena (LMArena)4.9†1.8†
LiveBench Long AgenticLiveBench38.7%†46.2%†
LiveBench BrowserLiveBench75.9%†60.0%†
LiveBench Agentic CodingLiveBench–62.7%†
HiL-BenchScale AI SEAL61.3%79.7%
GDPval-AA v2.1, normalised scoreArtificial Analysis67.3%63.5%†
GDPval-AA v2.1Artificial Analysis18611770†
Analyst Agent (AA)Artificial Analysis38.8%–
CUA-benchVals AI–7.2%†
CyberBenchVals AI–80.4%†
Finance Agent v2Vals AI–56.6%†
Finance Agent v2.1Vals AI61.5%†65.5%†
Harvey's Legal Agent Benchmark v1.1Vals AI11.7%†23.8%†
Harvey's Legal Agent Benchmark v1Vals AI–17.1%†
Legal Research BenchVals AI37.5%†50.5%†
SREBenchVals AI27.1%†–
Tax Agent BenchVals AI24.9%†36.3%†
Terminal-Bench 4.0 (Vals)Vals AI63.6%†49.5%†
Terminal-Bench ScienceVals AI31.4%†22.9%†
Arena Agent Task CompletionArena (LMArena)2.7†5.4†
PostTrainBenchEpoch AI Benchmarking Hub–24.2%†
Vending-Bench 2Andon Labs–9432.2
AutomationBenchArtificial Analysis73.3%68.1%†
GDP.pdf (AA)Artificial Analysis31.4%30.6%†
Harvey LAB-AA v1.1Harvey–10.0%†
AA-Briefcase v1.1Artificial Analysis16741659†
GDPxGDPx by SemiAnalysis–6.8%†
Design Arena AgenticDesign Arena13011177†
Terminal-Bench-Science 0.1 (AA)Artificial Analysis34.3%25.7%†
CWE-Bench (AA)Artificial Analysis60.8%–
DeepSec-Bench (AA)Artificial Analysis36.7%–
CyberGym end-to-end (AA)Artificial Analysis94.7%–
MKA (AA)Artificial Analysis43.9%47.5%†
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub–82.1%†
FrontierMath Tier 4Epoch AI Benchmarking Hub–70.7%†
OTIS Mock AIMEEpoch AI Benchmarking Hub–99.4%†
ProofBenchVals AI91.0%84.0%
LiveBench MathematicsLiveBench–96.5%†
ArXivMathMathArena58.3%†–
BrokenArXivMathArena61.9%†–
Arena MathsArena (LMArena)–1490†
知识
LiveBench 2.0 Data AnalysisLiveBench79.1%†81.6%†
LiveBench ResearchLiveBench82.1%†93.0%†
LiveBench 1.0 Data AnalysisLiveBench–81.6%†
AA-Omniscience v1.1Artificial Analysis29.925.1†
PRBench FinanceScale AI SEAL47.5%58.7%
PRBench LegalScale AI SEAL47.9%58.4%
BioMysteryBenchVals AI75.6%†67.0%†
Excel Modeling BenchmarkVals AI–67.1%†
Excel Modeling Benchmark v1.1Vals AI70.0%†72.5%†
Public Benefits Bench v1.1Vals AI–70.2%†
Access to Justice BenchmarkVals AI69.5%†73.0%†
Financial Coaching BenchVals AI–73.8%†
Immigration BenchVals AI–69.6%†
DrugDiscoveryBenchScale AI SEAL63.4%†–
EBR-benchEpoch AI Benchmarking Hub–31.4%†
GDP.pdfEpoch AI Benchmarking Hub–30.8%†
AA-Omniscience v1.1: accuracyArtificial Analysis48.9%38.0%†
AA-Omniscience v1.1: non-hallucinationArtificial Analysis62.7%79.1%†
指令遵循
LiveBench LanguageLiveBench–82.9%†
LiveBench Instruction FollowingLiveBench–73.0%†
Arena Instruction FollowingArena (LMArena)1487†1498†
人类偏好
Arena TextArena (LMArena)1485†1511†
EQ-Bench 4EQ-Bench–1325
EQ-Bench Creative Writing v3EQ-Bench21732007
Arena Creative WritingArena (LMArena)1453†1491†
Arena Multi-turnArena (LMArena)1475†1525†
Arena Longer QueriesArena (LMArena)1491†1507†
多模态
LiveBench DesignLiveBench73.7%†70.9%†
MMMU-ProArtificial Analysis83.9%83.8%†
Humanity's Sixth SenseScale AI SEAL33.2%†43.7%†
Blueprint-Bench 2Epoch AI Benchmarking Hub–31.7%
Furniture AssemblyEpoch AI Benchmarking Hub–54.2%†
VIALS-AAHandshake AI45.3%55.3%†
Code2Video-AAArtificial Analysis–997†
AA-3DArtificial Analysis1112–
长上下文
AA-LCR v1.1Artificial Analysis86.3%80.7%†
MLCRArtificial Analysis38.3%22.2%†
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub161.4161.7
LiveBench 2.0LiveBench68.7%†70.7%†
LiveBench 1.0LiveBench–81.2%†
AA Intelligence Index v5.0.1Artificial Analysis46.543.6†
AA Intelligence Index v4.3.2Artificial Analysis55.152.4†
AA Progress Index v1Artificial Analysis340.7335.8†
Vals IndexVals AI62.5†64.9†
Vals Finance IndexVals AI56.0%†61.2%†
Vals Science IndexVals AI44.4%†39.1%†
Vals Router IndexVals AI–64.9%
Vals Legal IndexVals AI67.0%†75.3%†
AA Cyber IndexArtificial Analysis64.1–
安全与诚实
FORTRESSScale AI SEAL18.6%–
DistressBenchScale AI SEAL–85.9%
元数据
AA Openness IndexArtificial Analysis33.3–

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。
  • Muse Wonder:BenchLeader Index 63.0 → 64.4。
  • 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)。
  • Muse Wonder:BenchLeader Index 63.5 → 63.0。
  • 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)。
  • Muse Wonder:1 项新结果(Blueprint-Bench 2)。
  • Kimi K3.1 Pro:BenchLeader Index 61.8 → 61.2。

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 K3.1 Pro vs Muse Wonder:常见问题

Kimi K3.1 Pro 比 Muse Wonder 更好吗?
Kimi K3.1 Pro 与 Muse Wonder 的质量不相上下(61.8 比 64.4,在 ±4.2 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 K3.1 Pro 和 Muse Wonder 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 $8.00(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。
Kimi K3.1 Pro 和 Muse Wonder 哪个更快?
Muse Wonder 输出更快(约 2 倍;输出 70 比 30 token/秒,Artificial Analysis 7 日中位数)。
智能体和工具调用用 Kimi K3.1 Pro 还是 Muse Wonder 更好?
Muse Wonder 在智能体任务方面得分更高(类别得分 76 比 65,50 为平均水平)。在两者共同的最主要智能体与工具基准测试 HiL-Bench 上,Kimi K3.1 Pro 为 61.3%,Muse Wonder 为 79.7%。
处理长文档哪个更好?
两者都支持 1,048,576 token 的上下文。
更多问题(3)
哪个延迟更低?
Muse Wonder 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 3.3 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 Kimi K3.1 Pro 和 Muse Wonder 的看法一致吗?
在两者都有结果的 11 项基准测试中,Kimi K3.1 Pro 领先 3 项,Muse Wonder 领先 8 项。第三方来源看法不一:Kimi K3.1 Pro 在 AA Intelligence Index v5.0.1 上领先;Muse Wonder 在 Vals Index和Arena Text 上领先。
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。