BenchLeader

Kimi K3.1 Pro vs o3

完整资料:Kimi K3.1 Pro(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 15 个来源

截至 2026年11月16日,Kimi K3.1 Pro 与 o3 的质量不相上下(BenchLeader Index 61.8 比 60.4,在 ±4.4 的误差范围内)。两者价格相近(每百万 token 混合价格 $4.00 比 $3.50)。看重多模态(66 比 53)、长上下文(68 比 62)和数学(73 比 71)选 Kimi K3.1 Pro;看重智能体与工具(70 比 65)和推理(61 比 59)选 o3。o3 的首次回答更快(5.2 秒 比 157.4 秒)。o3 的输出更快(3 倍以上)。

要点(截至 2026年11月16日)

  • Kimi K3.1 Pro 的 BenchLeader Index 为 61.8,o3 为 60.4(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)。
  • o3 每百万 token 混合价格为 $3.50(标价,2026年11月16日)。
  • o3 比 Kimi K3.1 Pro 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 13 项基准测试中,Kimi K3.1 Pro 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
编程均可类别得分 60 比 60;GameBench 2 Overall 78.3 比 34.1均可
智能体与工具调用o3类别得分 70 比 65中
数学Kimi K3.1 Pro类别得分 73 比 71中
推理o3类别得分 61 比 59;Humanity's Last Exam (AA) 20.1% 比 52.5%中
知识Kimi K3.1 Pro类别得分 58 比 56;PRBench Finance 47.5% 比 47.7%中
长文档Kimi K3.1 Pro类别得分 68 比 62;AA-LCR v1.1 86.3% 比 74.7%中
图像及其他媒体Kimi K3.1 Pro类别得分 66 比 53;MMMU-Pro 83.9% 比 70.1%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
成本最低均可每百万 token 混合价格 $4.00 比 $3.50;智能体编程会话 $0.160 比 $0.152–
首次回答最快o3首个回答 token 5.2 秒(o3)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 o3 的质量不相上下(61.8 比 60.4,在 ±4.4 的误差范围内)。
  • Kimi K3.1 Pro 在知识、长上下文、数学、多模态方面更强。
  • o3 在智能体与工具、编程、推理方面更强。
  • 两者价格相近(每百万 token 混合价格 $3.50)。
  • o3 的输出速度是对方的 4.4 倍(131 比 30 token/秒)。

概览

规格Kimi K3.1 Proo3
提供商Moonshot AIOpenAI
发布日期2026年10月23日2025年4月16日
上下文窗口(token)1,048,576200,000
对比时的配置Kimi K3.1 Proo3
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$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 K3.1 Proo3领先者
推理59.260.9o3
编程59.659.8持平
智能体与工具64.670.3o3
数学73.470.6Kimi K3.1 Pro
知识58.256.2Kimi K3.1 Pro
指令遵循–65.2无法比较
人类偏好–61.0无法比较
多模态66.352.8Kimi K3.1 Pro
长上下文67.961.9Kimi 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推理编程智能体与工具数学知识长上下文多模态Kimi K3.1 Pro, 推理: 59.2Kimi K3.1 Pro, 编程: 59.6Kimi K3.1 Pro, 智能体与工具: 64.6Kimi K3.1 Pro, 数学: 73.4Kimi K3.1 Pro, 知识: 58.2Kimi K3.1 Pro, 长上下文: 67.9Kimi K3.1 Pro, 多模态: 66.3o3, 推理: 60.9o3, 编程: 59.8o3, 智能体与工具: 70.3o3, 数学: 70.6o3, 知识: 56.2o3, 长上下文: 61.9o3, 多模态: 52.8

未绘制(测得的模型少于两个):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 13 项基准测试中,Kimi K3.1 Pro 领先 10 项,o3 领先 3 项。所有同时评测两者的综合评分都认为 Kimi K3.1 Pro 更强。

综合 IndexKimi K3.1 Proo3领先者
BenchLeader Index61.860.4不相上下
Arena Text1485†1432Kimi K3.1 Pro

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 Proo3
每百万 token 混合价格$4.00$3.50
每百万 token 输入 / 输出$2.00 / $10.00$2.00 / $8.00
每百万 token 缓存输入$0.200$0.500
每项任务价格:聊天回复$0.0038$0.0032
每项任务价格:总结一份 30 页的报告$0.030$0.029
每项任务价格:代码编辑$0.027$0.024
每项任务价格:智能体编程会话$0.160$0.152
每项任务价格:结构化信息提取$0.0060$0.0056
智能体编程会话(输入大多命中缓存)$0.079$0.085
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/s131 tok/s
首次回答时间157.4 秒5.2 秒
完整回答耗时(最近一次测量 2026年11月13日)417.5 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 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)。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 161 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 Proo3
BenchLeader IndexBenchLeader61.860.4
智能体与工具得分BenchLeader64.670.3
编程得分BenchLeader59.659.8
知识得分BenchLeader58.256.2
长上下文得分BenchLeader67.961.9
数学得分BenchLeader73.470.6
多模态得分BenchLeader66.352.8
推理得分BenchLeader59.260.9
人类偏好得分BenchLeader–61.0
指令遵循得分BenchLeader–65.2
混合价格(美元/百万 token)BenchLeader$4.00$3.50
输出速度BenchLeader30 tok/s131 tok/s
首次回答时间BenchLeader157.4 秒5.2 秒
上下文窗口BenchLeader1,048,576 token200,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub–81.8%†
Humanity's Last ExamScale AI / CAIS–20.3%†
SimpleBenchSimpleBench–53.1%†
Arena Hard PromptsArena (LMArena)1504†1441
LiveBench 2.0 ReasoningLiveBench91.1%†–
GPQA Diamond (AA)Artificial Analysis–82.7%
Humanity's Last Exam (AA)Artificial Analysis52.5%20.1%
HLE-Diamond (AA)Artificial Analysis37.3%–
GPQA Diamond (Vals)Vals AI–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 Analysis24.6%1.1%
CritPt v2 hard subset (AA)Artificial Analysis49.5%–
MysteryMechanismVals AI26.1%†–
SciPredictScale AI SEAL–17.9%
Arena ExpertArena (LMArena)1515†1448
Chess PuzzlesEpoch AI Benchmarking Hub–36.0%†
Mystery Game PuzzlesEpoch AI Benchmarking Hub–29.0%†
CL-benchEpoch AI Benchmarking Hub–17.8%†
LMCAEpoch AI Benchmarking Hub57.6%†39.7%†
DTBenchEpoch AI Benchmarking Hub93.3%†84.8%†
ForecastBenchForecastBench–64.3%
编程
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub–62.3%†
显示全部 161 项基准测试
指标发布方Kimi K3.1 Proo3
编程
SciCodeSciCode60.8%–
WeirdMLWeirdML–52.4%†
GSO-BenchGSO-Bench–8.8%†
Arena CodingArena (LMArena)1530†1460
Arena WebDevArena (LMArena)1687†–
LiveBench 2.0 CodingLiveBench67.8%†–
LiveCodeBenchVals AI–83.9%†
IOIVals AI81.9%†–
Aider PolyglotAider polyglot leaderboard–76.9%
SWE-bench Verified (bash only)SWE-bench–58.4%
SWE-bench Verified (any scaffold)SWE-bench–58.4%
Vibe Code Bench v1.1Vals AI84.9%†–
SWE Atlas v1.1Scale AI SEAL61.1%–
SWE Atlas v1.1: Codebase QnAScale AI SEAL70.2%–
SWE Atlas v1.1: Test WritingScale AI SEAL58.9%–
SWE Atlas v1.1: RefactoringScale AI SEAL54.3%–
CadEvalEpoch AI Benchmarking Hub–74.0%†
ALE-BenchEpoch AI Benchmarking Hub1932.8†933.5†
WeirdML v3WeirdML9.9%†–
Terminal-Bench 4.0 (AA)Artificial Analysis67.2%–
GameBench 2 OverallDuelLab GameBench 278.334.1
GameBench 2 by reasoning settingDuelLab GameBench 284.0†30.4†
Design Arena WebsiteDesign Arena13211028
FrontierCode 1.1 (AA)Artificial Analysis47.1%–
FrontierCode 2.0 (AA)Artificial Analysis25.4%–
LiveCodeBench (AA)Artificial Analysis–80.8%
智能体与工具
Terminal-BenchTerminal-Bench59.7%†–
GDPvalOpenAI–30.8%†
APEX-AgentsMercor65.5%–
Arena AgentArena (LMArena)4.9†–
LiveBench Long AgenticLiveBench38.7%†–
LiveBench BrowserLiveBench75.9%†–
Terminal-Bench HardArtificial Analysis–37.1%
τ²-Bench Telecom (AA)Artificial Analysis–80.7%
HiL-BenchScale AI SEAL61.3%–
BFCL OverallBerkeley Function Calling Leaderboard–63.0%
GDPval-AA v2.1, normalised scoreArtificial Analysis67.3%–
GDPval-AA v2.1Artificial Analysis1861–
Analyst Agent (AA)Artificial Analysis38.8%–
Finance Agent v2.1Vals AI61.5%†–
Harvey's Legal Agent Benchmark v1.1Vals AI11.7%†–
Legal Research BenchVals AI37.5%†–
SREBenchVals AI27.1%†–
Tax Agent BenchVals AI24.9%†–
Terminal-Bench 4.0 (Vals)Vals AI63.6%†–
Terminal-Bench ScienceVals AI31.4%†–
Arena SearchArena (LMArena)–1197
Arena Agent Task CompletionArena (LMArena)2.7†–
DeepResearch BenchDeepResearch Bench–45.2%†
METR Time HorizonsMETR–63.6%
AutomationBenchArtificial Analysis73.3%–
GDP.pdf (AA)Artificial Analysis31.4%–
AA-Briefcase v1.1Artificial Analysis1674–
Design Arena AgenticDesign Arena1301–
Terminal-Bench-Science 0.1 (AA)Artificial Analysis34.3%–
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%–
BrowseComp-PlusBrowseComp-Plus–50.5%
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub–33.3%†
OTIS Mock AIMEEpoch AI Benchmarking Hub–83.9%†
MATH Level 5Epoch AI Benchmarking Hub–97.8%†
ProofBenchVals AI91.0%–
AIME (Vals)Vals AI–85.3%†
MGSMVals AI–91.8%†
IMO 2025MathArena–16.7%†
ArXivMathMathArena58.3%†–
BrokenArXivMathArena61.9%†–
Omni-MATH (HELM)HELM Capabilities–71.4%
MATH 500Vals AI–94.6%†
Arena MathsArena (LMArena)–1448
AIME 2025 (AA)Artificial Analysis–88.3%
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub–49.4%†
LiveBench 2.0 Data AnalysisLiveBench79.1%†–
LiveBench ResearchLiveBench82.1%†–
AA-Omniscience v1.1Artificial Analysis29.9–
MMLU-ProVals AI–85.6%†
LegalBenchVals AI–83.8%†
CorpFinVals AI–59.7%†
TaxEvalVals AI–74.6%†
MedQAVals AI–96.1%†
PRBench FinanceScale AI SEAL47.5%47.7%
PRBench LegalScale AI SEAL47.9%48.6%
MultiNRCScale AI SEAL–45.5%†
MMLU-Pro (HELM)HELM Capabilities–85.9%
BioMysteryBenchVals AI75.6%†–
Excel Modeling Benchmark v1.1Vals AI70.0%†–
MedCodeVals AI–47.3%†
MedScribeVals AI–76.7%†
Access to Justice BenchmarkVals AI69.5%†–
DrugDiscoveryBenchScale AI SEAL63.4%†–
AA-Omniscience v1.1: accuracyArtificial Analysis48.9%–
AA-Omniscience v1.1: non-hallucinationArtificial Analysis62.7%–
指令遵循
IFBenchArtificial Analysis–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)1487†1403
人类偏好
Arena TextArena (LMArena)1485†1432
EQ-Bench Creative Writing v3EQ-Bench21731675
Arena Creative WritingArena (LMArena)1453†1383
Arena Multi-turnArena (LMArena)1475†1420
Arena Longer QueriesArena (LMArena)1491†1411
Lech Mazur Creative WritingLech Mazur–83.9%†
多模态
Arena VisionArena (LMArena)–1214
LiveBench DesignLiveBench73.7%†–
MMMU-ProArtificial Analysis83.9%70.1%
VISTAScale AI SEAL–50.1%†
MMMU-Pro (Vals)Vals AI–80.4%†
MortgageTaxVals AI–65.7%†
Humanity's Sixth SenseScale AI SEAL33.2%†–
VTBScale AI SEAL–13.7%
GeoBenchGeoBench–60.0%†
VPCTEpoch AI Benchmarking Hub–52.0%†
VIALS-AAHandshake AI45.3%–
AA-3DArtificial Analysis1112–
长上下文
Fiction.LiveBench 120kFiction.live–100.0%†
AA-LCR v1.1Artificial Analysis86.3%74.7%
MLCRArtificial Analysis38.3%–
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub161.4147.1
LiveBench 2.0LiveBench68.7%†–
AA Intelligence Index v5.0.1Artificial Analysis46.5–
AA Intelligence Index v4.3.2Artificial Analysis55.120.2
AA Progress Index v1Artificial Analysis340.7258.3
Vals IndexVals AI62.5†–
HELM Capabilities meanHELM Capabilities–81.1%
Vals Finance IndexVals AI56.0%†–
Vals Science IndexVals AI44.4%†–
Vals Legal IndexVals AI67.0%†–
AA Cyber IndexArtificial Analysis64.1–
安全与诚实
FORTRESSScale AI SEAL18.6%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

  • Kimi K3.1 Pro:BenchLeader Index 61.2 → 61.8。
  • o3:BenchLeader Index 61.2 → 60.4。
  • Kimi K3.1 Pro:1 项分数修订。
  • o3:1 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。

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 o3:常见问题

Kimi K3.1 Pro 比 o3 更好吗?
Kimi K3.1 Pro 与 o3 的质量不相上下(61.8 比 60.4,在 ±4.4 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 o3 哪个更便宜?价格会变吗?
目前 o3 更便宜:每百万 token $3.50 比 $4.00(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 Kimi K3.1 Pro 还是 o3 更好?
两者在编程方面持平(类别得分 60 比 60)。
Kimi K3.1 Pro 和 o3 哪个更快?
o3 输出更快(3 倍以上;输出 131 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 o3 更好?
o3 在智能体任务方面得分更高(类别得分 70 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 62)。Kimi K3.1 Pro 支持更长的上下文:1,048,576 token,o3 为 200,000 token。
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 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 o3 的看法一致吗?
在两者都有结果的 13 项基准测试中,Kimi K3.1 Pro 领先 10 项,o3 领先 3 项。所有同时评测两者的综合评分都认为 Kimi K3.1 Pro 更强。
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。