BenchLeader

Kimi K3.1 Pro vs Qwen3.8 Max

完整资料:Kimi K3.1 Pro(Moonshot AI)和 Qwen3.8 Max(Alibaba),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 Qwen3.8 Max 的质量不相上下(BenchLeader Index 61.8 比 58.7,在 ±4.5 的误差范围内)。Qwen3.8 Max 更便宜,对方的价格是它的 1.3 倍(每百万 token 混合价格 $3.00 比 $4.00)。看重数学(73 比 65)、推理(59 比 52)和智能体与工具(65 比 59)选 Kimi K3.1 Pro;看重编程(62 比 60)选 Qwen3.8 Max。Qwen3.8 Max 的输出更快(约 1.5 倍)。

要点(截至 2026年11月16日)

  • Kimi K3.1 Pro 的 BenchLeader Index 为 61.8,Qwen3.8 Max 为 58.7(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)。
  • Qwen3.8 Max 每百万 token 混合价格为 $3.00(标价,2026年11月16日)。
  • Qwen3.8 Max 比 Kimi K3.1 Pro 输出更快(约 1.5 倍;Artificial Analysis,7 日中位数,2026年11月16日)。
  • 在两者都有结果的 34 项基准测试中,Kimi K3.1 Pro 领先 29 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Qwen3.8 Max类别得分 62 比 60;FrontierCode 2.0 (AA) 23.4% 比 25.4%中
智能体与工具调用Kimi K3.1 Pro类别得分 65 比 59;APEX-Agents 65.5% 比 63.3%中
数学Kimi K3.1 Pro类别得分 73 比 65;ProofBench 91.0% 比 58.0%高
推理Kimi K3.1 Pro类别得分 59 比 52;HLE-Diamond (AA) 37.3% 比 24.0%高
知识均可类别得分 58 比 58;AA-Omniscience v1.1 29.9 比 10.5均可
长文档Kimi K3.1 Pro类别得分 68 比 65;AA-LCR v1.1 86.3% 比 80.3%中
图像及其他媒体均可类别得分 66 比 66;MMMU-Pro 83.9% 比 82.8%均可
对话质量(人类偏好)–只有 Qwen3.8 Max 有 Arena 评分(类别得分 68)无法比较
成本最低Qwen3.8 Max每百万 token 混合价格 $3.00 比 $4.00;智能体编程会话 $0.144 比 $0.160–
首次回答最快Qwen3.8 Max首个回答 token 119.6 秒(Qwen3.8 Max (max))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 Qwen3.8 Max (max) 的质量不相上下(61.8 比 58.7,在 ±4.5 的误差范围内)。
  • Kimi K3.1 Pro 在智能体与工具、知识、长上下文、数学、多模态、推理方面更强。
  • Qwen3.8 Max (max) 在编程方面更强。
  • Qwen3.8 Max (max) 更便宜,对方的价格是它的 1.3 倍(每百万 token 混合价格 $3.00 比 $4.00)。
  • Qwen3.8 Max (max) 的输出速度是对方的 2.0 倍(59 比 30 token/秒)。

概览

规格Kimi K3.1 ProQwen3.8 Max
提供商Moonshot AIAlibaba
发布日期2026年10月23日2026年8月3日
上下文窗口(token)1,048,5761,000,000
对比时的配置Kimi K3.1 ProQwen3.8 Max (max)
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 / $6.00 / $0.250

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 ProQwen3.8 Max (max)领先者
推理59.251.5Kimi K3.1 Pro
编程59.661.6Qwen3.8 Max
智能体与工具64.658.5Kimi K3.1 Pro
数学73.465.2Kimi K3.1 Pro
知识58.258.0持平
人类偏好–67.5无法比较
多模态66.365.7持平
长上下文67.964.8Kimi K3.1 Pro
综合–45.0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: 66.3Qwen3.8 Max, 推理: 51.5Qwen3.8 Max, 编程: 61.6Qwen3.8 Max, 智能体与工具: 58.5Qwen3.8 Max, 数学: 65.2Qwen3.8 Max, 知识: 58.0Qwen3.8 Max, 长上下文: 64.8Qwen3.8 Max, 多模态: 65.7

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 34 项基准测试中,Kimi K3.1 Pro 领先 29 项,Qwen3.8 Max 领先 4 项,1 项持平。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 ProQwen3.8 Max (max)领先者
BenchLeader Index61.858.7不相上下
AA Intelligence Index v5.0.146.533.6Kimi K3.1 Pro
Arena Text1485†1484Kimi 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 ProQwen3.8 Max (max)
每百万 token 混合价格$4.00$3.00
每百万 token 输入 / 输出$2.00 / $10.00$2.00 / $6.00
每百万 token 缓存输入$0.200$0.250
每项任务价格:聊天回复$0.0038$0.0026
每项任务价格:总结一份 30 页的报告$0.030$0.028
每项任务价格:代码编辑$0.027$0.021
每项任务价格:智能体编程会话$0.160$0.144
每项任务价格:结构化信息提取$0.0060$0.0052
智能体编程会话(输入大多命中缓存)$0.079$0.065
每项基准测试任务成本(AA Index)$3.68$10.02
每项任务输出 token(AA Index)72k171k
其中推理部分44k120k
每项任务耗时(AA Index)40 min48 min
输出速度30 tok/s59 tok/s
首次回答时间157.4 秒119.6 秒
完整回答耗时(最近一次测量 2026年11月13日)417.5 秒294.1 秒

按 token 计价不等于按任务计价:在 Artificial Analysis 的 Intelligence Index 中,一项平均任务在 Kimi K3.1 Pro 上花费 $3.68,在 Qwen3.8 Max (max) 上花费 $10.02;完成同样的工作,Qwen3.8 Max (max) 输出的 token 是对方的 2.4 倍,这是只看 token 单价看不出来的。

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)。Qwen3.8 Max (max) 得分 58.7,首个回答 token 需 120 秒;Qwen3.8 Max (xhigh) 为 56.6(3 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 158 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 ProQwen3.8 Max (max)
BenchLeader IndexBenchLeader61.858.7
智能体与工具得分BenchLeader64.658.5
编程得分BenchLeader59.661.6
知识得分BenchLeader58.258.0
长上下文得分BenchLeader67.964.8
数学得分BenchLeader73.465.2
多模态得分BenchLeader66.365.7
推理得分BenchLeader59.251.5
综合得分BenchLeader–45.0
人类偏好得分BenchLeader–67.5
混合价格(美元/百万 token)BenchLeader$4.00$3.00
输出速度BenchLeader30 tok/s59 tok/s
首次回答时间BenchLeader157.4 秒119.6 秒
上下文窗口BenchLeader1,048,576 token1,000,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub–92.7%†
Arena Hard PromptsArena (LMArena)1504†1507
LiveBench 2.0 ReasoningLiveBench91.1%†88.2%
LiveBench 1.0 ReasoningLiveBench–88.2%
GPQA Diamond (AA)Artificial Analysis–92.8%
Humanity's Last Exam (AA)Artificial Analysis52.5%43.1%
HLE-Diamond (AA)Artificial Analysis37.3%24.0%
GPQA Diamond (Vals)Vals AI–93.7%
CritPtArtificial Analysis24.6%20.0%
CritPt v2 hard subset (AA)Artificial Analysis49.5%29.5%
MysteryMechanismVals AI26.1%†23.9%
Arena ExpertArena (LMArena)1515†1514
Chess PuzzlesEpoch AI Benchmarking Hub–46.0%†
Mystery Game PuzzlesEpoch AI Benchmarking Hub–38.0%†
LMCAEpoch AI Benchmarking Hub57.6%†46.2%†
DTBenchEpoch AI Benchmarking Hub93.3%†92.0%†
编程
SciCodeSciCode60.8%53.2%
Arena CodingArena (LMArena)1530†1523
Arena WebDevArena (LMArena)1687†1676
LiveBench 2.0 CodingLiveBench67.8%†60.9%
LiveBench 1.0 CodingLiveBench–72.9%
LiveCodeBenchVals AI–87.8%
IOIVals AI81.9%†68.9%
SWE-bench (Vals)Vals AI–85.6%
Code MigrationVals AI–24.0%
显示全部 158 项基准测试
指标发布方Kimi K3.1 ProQwen3.8 Max (max)
编程
ProgramBenchVals AI–0.0%
SWE-bench MultimodalVals AI–42.5%
Vibe Code Bench 1-100Vals AI–12.8%
Vibe Code Bench v1.1Vals AI84.9%†64.7%
SWE Atlas v1.1Scale AI SEAL61.1%64.4%
SWE Atlas v1.1: Codebase QnAScale AI SEAL70.2%81.5%
SWE Atlas v1.1: Test WritingScale AI SEAL58.9%58.9%
SWE Atlas v1.1: RefactoringScale AI SEAL54.3%52.9%
MirrorCodeEpoch AI Benchmarking Hub–52.2%†
DeepSWE v1.1Epoch AI Benchmarking Hub–57.5%†
ALE-BenchEpoch AI Benchmarking Hub1932.8†1679.1†
FrontierSWEEpoch AI Benchmarking Hub–17.8%†
WeirdML v3WeirdML9.9%†–
Terminal-Bench 4.0 (AA)Artificial Analysis67.2%38.9%
Terminal-Bench 2.1 (AA)Artificial Analysis–88.8%
Startrise FrontendStartrise–71.3%
GameBench 2 OverallDuelLab GameBench 278.354.2†
GameBench 2 by reasoning settingDuelLab GameBench 284.0†69.6†
Design Arena WebsiteDesign Arena13211269
FrontierCode 1.1 (AA)Artificial Analysis47.1%43.2%
FrontierCode 2.0 (AA)Artificial Analysis25.4%23.4%
智能体与工具
Terminal-BenchTerminal-Bench59.7%†27.0%
APEX-AgentsMercor65.5%63.3%
Arena AgentArena (LMArena)4.9†0.1
LiveBench Long AgenticLiveBench38.7%†26.6%
LiveBench BrowserLiveBench75.9%†49.4%
LiveBench Agentic CodingLiveBench–64.7%
Terminal-Bench 2.1 (Vals)Vals AI–67.4%
HiL-BenchScale AI SEAL61.3%–
τ³-bench Bankingτ²-bench–55.1%†
GDPval-AA v2.1, normalised scoreArtificial Analysis67.3%58.3%
GDPval-AA v2.1Artificial Analysis18611674
τ³-Banking (AA)Artificial Analysis–51.3%
ITBench SRE (AA)Artificial Analysis–40.3%
Analyst Agent (AA)Artificial Analysis38.8%45.0%
APEX-Agents (AA)Artificial Analysis–42.4%
CyberBenchVals AI–28.6%
Finance Agent v2Vals AI–50.6%
Finance Agent v2.1Vals AI61.5%†–
Harvey's Legal Agent Benchmark v1.1Vals AI11.7%†–
Harvey's Legal Agent Benchmark v1Vals AI–10.4%
Legal Research BenchVals AI37.5%†47.6%
SkillsBenchVals AI–42.0%
SREBenchVals AI27.1%†–
Tax Agent BenchVals AI24.9%†32.1%
Terminal-Bench 4.0 (Vals)Vals AI63.6%†34.3%
Terminal-Bench ScienceVals AI31.4%†12.9%
Arena SearchArena (LMArena)–1227
Arena Agent Task CompletionArena (LMArena)2.7†4.5
AutomationBenchArtificial Analysis73.3%56.2%
GDP.pdf (AA)Artificial Analysis31.4%22.8%
EnterpriseOps-GymArtificial Analysis–47.6%
AA-Briefcase v1.1Artificial Analysis16741604
GDPxGDPx by SemiAnalysis–3.5%
Design Arena AgenticDesign Arena13011264
Terminal-Bench-Science 0.1 (AA)Artificial Analysis34.3%11.9%
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%37.4%
FACTS SearchGoogle–85.0%
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub–74.7%†
FrontierMath Tier 4Epoch AI Benchmarking Hub–46.3%†
OTIS Mock AIMEEpoch AI Benchmarking Hub–100.0%†
ProofBenchVals AI91.0%58.0%
LiveBench MathematicsLiveBench–91.3%
ArXivMathMathArena58.3%†–
BrokenArXivMathArena61.9%†–
Arena MathsArena (LMArena)–1505
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub–47.3%†
LiveBench 2.0 Data AnalysisLiveBench79.1%†78.4%
LiveBench ResearchLiveBench82.1%†72.8%
LiveBench 1.0 Data AnalysisLiveBench–78.4%
AA-Omniscience v1.1Artificial Analysis29.910.5
MMLU-ProVals AI–88.6%
LegalBenchVals AI–83.6%
CorpFinVals AI–65.8%
TaxEvalVals AI–75.5%
PRBench FinanceScale AI SEAL47.5%–
PRBench LegalScale AI SEAL47.9%–
BioMysteryBenchVals AI75.6%†–
Excel Modeling BenchmarkVals AI–60.1%
Excel Modeling Benchmark v1.1Vals AI70.0%†66.0%
MedCodeVals AI–40.7%
MedScribeVals AI–85.0%
Public Benefits Bench v1.1Vals AI–67.1%
Access to Justice BenchmarkVals AI69.5%†76.4%
Financial Coaching BenchVals AI–75.6%
Immigration BenchVals AI–70.1%
DrugDiscoveryBenchScale AI SEAL63.4%†–
GDP.pdfEpoch AI Benchmarking Hub–23.2%†
AA-Omniscience v1.1: accuracyArtificial Analysis48.9%29.5%
AA-Omniscience v1.1: non-hallucinationArtificial Analysis62.7%72.9%
FACTS ParametricGoogle–30.8%
指令遵循
LiveBench LanguageLiveBench–79.7%
LiveBench Instruction FollowingLiveBench–74.1%
Arena Instruction FollowingArena (LMArena)1487†1478
人类偏好
Arena TextArena (LMArena)1485†1484
EQ-Bench Creative Writing v3EQ-Bench2173–
Arena Creative WritingArena (LMArena)1453†1472
Arena Multi-turnArena (LMArena)1475†1495
Arena Longer QueriesArena (LMArena)1491†1496
多模态
Arena VisionArena (LMArena)–1312
LiveBench DesignLiveBench73.7%†76.6%
MMMU-ProArtificial Analysis83.9%82.8%
MMMU-Pro (Vals)Vals AI–88.0%
MortgageTaxVals AI–64.0%
SAGEVals AI–81.8%
Humanity's Sixth SenseScale AI SEAL33.2%†33.0%
Furniture AssemblyEpoch AI Benchmarking Hub–20.0%†
VIALS-AAHandshake AI45.3%31.7%
Code2Video-AAArtificial Analysis–1021
AA-3DArtificial Analysis1112954
FACTS MultimodalGoogle–51.5%
长上下文
AA-LCR v1.1Artificial Analysis86.3%80.3%
MLCRArtificial Analysis38.3%26.1%
FACTS GroundingGoogle–73.8%
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub161.4157.6
LiveBench 2.0LiveBench68.7%†60.9%
LiveBench 1.0LiveBench–78.5%
AA Intelligence Index v5.0.1Artificial Analysis46.533.6
AA Intelligence Index v4.3.2Artificial Analysis55.145.4
AA Progress Index v1Artificial Analysis340.7323.7
Vals IndexVals AI62.5†–
Vals Finance IndexVals AI56.0%†–
Vals RSI IndexVals AI–21.8%
Vals Science IndexVals AI44.4%†–
Vals Multimodal IndexVals AI–65.4%
Vals Legal IndexVals AI67.0%†–
AA Cyber IndexArtificial Analysis64.1–
安全与诚实
FORTRESSScale AI SEAL18.6%–
DistressBenchScale AI SEAL–77.6%
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。
  • Kimi K3.1 Pro:1 项分数修订。
  • Qwen3.8 Max (max):1 项分数修订。
  • Kimi K3.1 Pro:1 项分数修订。
  • Qwen3.8 Max (max):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 Qwen3.8 Max:常见问题

Kimi K3.1 Pro 比 Qwen3.8 Max 更好吗?
Kimi K3.1 Pro 与 Qwen3.8 Max (max) 的质量不相上下(61.8 比 58.7,在 ±4.5 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。
Kimi K3.1 Pro 和 Qwen3.8 Max 哪个更便宜?价格会变吗?
目前 Qwen3.8 Max 更便宜:每百万 token $3.00 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 Qwen3.8 Max 更好?
Qwen3.8 Max 在编程方面得分更高(类别得分 62 比 60,50 为平均水平)。在两者共同的最主要编程基准测试 FrontierCode 2.0 (AA) 上,Kimi K3.1 Pro 为 25.4%,Qwen3.8 Max 为 23.4%。
Kimi K3.1 Pro 和 Qwen3.8 Max 哪个更快?
Qwen3.8 Max 输出更快(约 1.5 倍;输出 59 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 Qwen3.8 Max 更好?
Kimi K3.1 Pro 在智能体任务方面得分更高(类别得分 65 比 59,50 为平均水平)。在两者共同的最主要智能体与工具基准测试 APEX-Agents 上,Kimi K3.1 Pro 为 65.5%,Qwen3.8 Max 为 63.3%。
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 65)。两者都约为 1M token(Kimi K3.1 Pro 为 1,048,576,Qwen3.8 Max 为 1,000,000)。
哪个延迟更低?
Qwen3.8 Max 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 119.6 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 Qwen3.8 Max 的看法一致吗?
在两者都有结果的 34 项基准测试中,Kimi K3.1 Pro 领先 29 项,Qwen3.8 Max 领先 4 项,1 项持平。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。