BenchLeader

Kimi K3 vs Qwen3.8 Max

完整资料:Kimi K3(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 与 Qwen3.8 Max 的质量不相上下(BenchLeader Index 60.7 比 58.7,在 ±6.9 的误差范围内)。Qwen3.8 Max 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)。看重知识(66 比 58)、数学(72 比 65)和人类偏好(69 比 68)选 Kimi K3;看重智能体与工具(59 比 54)选 Qwen3.8 Max。Kimi K3 的首次回答更快(0.8 秒 比 119.6 秒)。Kimi K3 的输出更快(约 1.5 倍)。

要点(截至 2026年11月16日)

  • Kimi K3 的 BenchLeader Index 为 60.7,Qwen3.8 Max 为 58.7(BenchLeader,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)。
  • Qwen3.8 Max 每百万 token 混合价格为 $3.00(标价,2026年11月16日)。
  • Kimi K3 比 Qwen3.8 Max 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 30 项基准测试中,Kimi K3 领先 21 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 62 比 62;SciCode 58.7% 比 53.2%均可
智能体与工具调用Qwen3.8 Max类别得分 59 比 54;APEX-Agents 63.3% 比 47.8%中
数学Kimi K3类别得分 72 比 65;ProofBench 87.0% 比 58.0%中
知识Kimi K3类别得分 66 比 58;CorpFin 71.6% 比 65.8%高
对话质量(人类偏好)Kimi K3Arena 投票 69 比 68中
成本最低Qwen3.8 Max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 119.6 秒(Qwen3.8 Max (max))–
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 与 Qwen3.8 Max (max) 的质量不相上下(60.7 比 58.7,在 ±6.9 的误差范围内)。
  • Kimi K3 在编程、人类偏好、知识、数学方面更强。
  • Qwen3.8 Max (max) 在智能体与工具方面更强。
  • Qwen3.8 Max (max) 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Kimi K3Qwen3.8 Max
提供商Moonshot AIAlibaba
发布日期2026年7月16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 K3Qwen3.8 Max (max)
开放权重是否
每百万 token 价格(输入 / 输出 / 缓存输入)$3.00 / $15.00 / $0.300$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 K3Qwen3.8 Max (max)领先者
推理–51.5无法比较
编程61.861.6持平
智能体与工具53.558.5Qwen3.8 Max
数学71.565.2Kimi K3
知识66.158.0Kimi K3
人类偏好68.667.5Kimi K3
多模态–65.7无法比较
长上下文–64.8无法比较
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编程智能体与工具数学知识人类偏好Kimi 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: 68.6Qwen3.8 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, 人类偏好: 67.5

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 30 项基准测试中,Kimi K3 领先 21 项,Qwen3.8 Max 领先 9 项。第三方来源看法不一:Kimi K3 在 Arena Text 上领先;Qwen3.8 Max 在 AA Intelligence Index v5.0.1 上领先。

综合 IndexKimi K3Qwen3.8 Max (max)领先者
BenchLeader Index60.758.7不相上下
AA Intelligence Index v5.0.117.4†33.6Qwen3.8 Max
Arena Text1487†1484Kimi 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Kimi K3Qwen3.8 Max (max)
每百万 token 混合价格$6.00$3.00
每百万 token 输入 / 输出$3.00 / $15.00$2.00 / $6.00
每百万 token 缓存输入$0.300$0.250
每项任务价格:聊天回复$0.0057$0.0026
每项任务价格:总结一份 30 页的报告$0.045$0.028
每项任务价格:代码编辑$0.041$0.021
每项任务价格:智能体编程会话$0.240$0.144
每项任务价格:结构化信息提取$0.0090$0.0052
智能体编程会话(输入大多命中缓存)$0.118$0.065
每项基准测试任务成本(AA Index)–$10.02
每项任务输出 token(AA Index)–171k
其中推理部分–120k
每项任务耗时(AA Index)–48 min
输出速度76 tok/s59 tok/s
首次回答时间0.8 秒119.6 秒
完整回答耗时(最近一次测量 2026年11月13日)–294.1 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 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)。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 177 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 K3Qwen3.8 Max (max)
BenchLeader IndexBenchLeader60.758.7
智能体与工具得分BenchLeader53.558.5
编程得分BenchLeader61.861.6
人类偏好得分BenchLeader68.667.5
知识得分BenchLeader66.158.0
数学得分BenchLeader71.565.2
综合得分BenchLeader–45.0
长上下文得分BenchLeader–64.8
多模态得分BenchLeader–65.7
推理得分BenchLeader–51.5
混合价格(美元/百万 token)BenchLeader$6.00$3.00
输出速度BenchLeader76 tok/s59 tok/s
首次回答时间BenchLeader0.8 秒119.6 秒
上下文窗口BenchLeader1,048,576 token1,000,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub93.1%†92.7%†
SimpleBenchSimpleBench60.7%†–
Arena Hard PromptsArena (LMArena)1516†1507
LiveBench 2.0 ReasoningLiveBench90.7%†88.2%
LiveBench 1.0 ReasoningLiveBench90.7%88.2%
GPQA Diamond (AA)Artificial Analysis93.5%†92.8%
Humanity's Last Exam (AA)Artificial Analysis46.9%†43.1%
HLE-Diamond (AA)Artificial Analysis26.9%†24.0%
GPQA Diamond (Vals)Vals AI92.9%93.7%
ARC-AGI-1ARC Prize94.5%†–
ARC-AGI-2ARC Prize60.4%†–
CritPtArtificial Analysis23.4%†20.0%
CritPt v2 hard subset (AA)Artificial Analysis40.5%†29.5%
MysteryMechanismVals AI–23.9%
HLE-Diamond (Scale)Scale AI SEAL22.2%–
Arena ExpertArena (LMArena)1528†1514
Chess PuzzlesEpoch AI Benchmarking Hub36.0%†46.0%†
Mystery Game PuzzlesEpoch AI Benchmarking Hub26.0%†38.0%†
LMCAEpoch AI Benchmarking Hub52.7%†46.2%†
DTBenchEpoch AI Benchmarking Hub91.2%†92.0%†
ForecastBenchForecastBench64.2%†–
编程
SciCodeSciCode58.7%53.2%
WeirdMLWeirdML82.6%†–
FrontierCodeCognition44.2%–
Arena CodingArena (LMArena)1538†1523
显示全部 177 项基准测试
指标发布方Kimi K3Qwen3.8 Max (max)
编程
Arena WebDevArena (LMArena)1658†1676
LiveBench 2.0 CodingLiveBench53.1%†60.9%
LiveBench 1.0 CodingLiveBench81.5%72.9%
SciCode (AA)Artificial Analysis59.5%†53.2%
LiveCodeBenchVals AI87.2%†87.8%
IOIVals AI48.9%†68.9%
SWE-bench (Vals)Vals AI93.4%85.6%
Code MigrationVals AI16.1%†24.0%
Code Migration v1.1Vals AI28.6%†–
ProgramBenchVals AI2.0%0.0%
SWE-bench MultimodalVals AI44.2%†42.5%
Vibe Code Bench 1-100Vals AI18.2%†12.8%
Vibe Code Bench v1.1Vals AI85.0%†64.7%
SWE Atlas v1.1Scale AI SEAL61.0%64.4%
SWE Atlas v1.1: Codebase QnAScale AI SEAL65.3%81.5%
SWE Atlas v1.1: Test WritingScale AI SEAL63.3%58.9%
SWE Atlas v1.1: RefactoringScale AI SEAL54.3%52.9%
SWE-Bench Pro V2Scale AI SEAL97.7%†–
SWE-Bench Pro V2 HARDScale AI SEAL88.2%†–
MirrorCodeEpoch AI Benchmarking Hub54.4%†52.2%†
Surface Evolver BenchEpoch AI Benchmarking Hub95.0%–
DeepSWE v1.1Epoch AI Benchmarking Hub68.5%†57.5%†
ALE-BenchEpoch AI Benchmarking Hub1524.5†1679.1†
FrontierSWEEpoch AI Benchmarking Hub25.9%†17.8%†
WeirdML v3WeirdML7.5%†–
Terminal-Bench 4.0 (AA)Artificial Analysis12.6%†38.9%
Terminal-Bench 2.1 (AA)Artificial Analysis85.0%†88.8%
Startrise FrontendStartrise79.8%71.3%
GameBench 2 OverallDuelLab GameBench 248.054.2†
GameBench 2 by reasoning settingDuelLab GameBench 245.7†69.6†
Design Arena WebsiteDesign Arena13361269
FrontierCode 1.1 (AA)Artificial Analysis43.6%†43.2%
FrontierCode 2.0 (AA)Artificial Analysis10.9%†23.4%
智能体与工具
Terminal-BenchTerminal-Bench23.0%†27.0%
APEX-AgentsMercor47.8%63.3%
Arena AgentArena (LMArena)0.6†0.1
LiveBench Long AgenticLiveBench36.0%†26.6%
LiveBench BrowserLiveBench75.2%†49.4%
LiveBench Agentic CodingLiveBench62.2%64.7%
Terminal-Bench 2.1 (Vals)Vals AI80.9%67.4%
MCP AtlasScale AI SEAL82.3%†–
HiL-BenchScale AI SEAL42.7%–
τ³-bench Bankingτ²-bench37.1%†55.1%†
GDPval-AA v2.1, normalised scoreArtificial Analysis–58.3%
GDPval-AA v2.1Artificial Analysis1542†1674
τ³-Banking (AA)Artificial Analysis46.0%†51.3%
ITBench SRE (AA)Artificial Analysis47.7%†40.3%
Analyst Agent (AA)Artificial Analysis38.8%†45.0%
APEX-Agents (AA)Artificial Analysis41.3%†42.4%
CyberBenchVals AI75.2%†28.6%
Finance Agent v2Vals AI53.1%†50.6%
Finance Agent v2.1Vals AI60.0%†–
Harvey's Legal Agent Benchmark v1.1Vals AI12.9%†–
Harvey's Legal Agent Benchmark v1Vals AI12.9%†10.4%
Legal Research BenchVals AI46.1%†47.6%
SkillsBenchVals AI–42.0%
Tax Agent BenchVals AI33.4%†32.1%
Terminal-Bench 4.0 (Vals)Vals AI17.2%†34.3%
Terminal-Bench ScienceVals AI1.4%†12.9%
Time Horizon Index: KSPVals AI10.5%†–
Arena SearchArena (LMArena)–1227
Arena Agent Task CompletionArena (LMArena)3.4†4.5
PostTrainBenchEpoch AI Benchmarking Hub31.5%–
GBAEvalEpoch AI Benchmarking Hub48.4%–
Vending-Bench 2Andon Labs5165.0–
AutomationBenchArtificial Analysis58.3%†56.2%
GDP.pdf (AA)Artificial Analysis22.0%†22.8%
Harvey LAB-AA v1.1Harvey5.3%†–
EnterpriseOps-GymArtificial Analysis45.3%†47.6%
AA-Briefcase v1.1Artificial Analysis1497†1604
GDPxGDPx by SemiAnalysis3.7%†3.5%
Design Arena AgenticDesign Arena12611264
Terminal-Bench-Science 0.1 (AA)Artificial Analysis8.1%†11.9%
CWE-Bench (AA)Artificial Analysis53.3%†–
DeepSec-Bench (AA)Artificial Analysis12.4%†–
CyberGym end-to-end (AA)Artificial Analysis58.0%†–
MKA (AA)Artificial Analysis–37.4%
FACTS SearchGoogle90.3%85.0%
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub72.2%†74.7%†
FrontierMath Tier 4Epoch AI Benchmarking Hub39.0%†46.3%†
OTIS Mock AIMEEpoch AI Benchmarking Hub97.2%†100.0%†
ProofBenchVals AI87.0%58.0%
LiveBench MathematicsLiveBench84.4%91.3%
AIME 2026MathArena96.7%†–
HMMT February 2026MathArena97.0%†–
MathArena ApexMathArena65.6%†–
Arena MathsArena (LMArena)1502†1505
FrontierMath ErdősEpoch AI Benchmarking Hub0.0%†–
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub50.6%†47.3%†
LiveBench 2.0 Data AnalysisLiveBench78.7%†78.4%
LiveBench ResearchLiveBench79.8%†72.8%
LiveBench 1.0 Data AnalysisLiveBench78.7%78.4%
AA-Omniscience v1.1Artificial Analysis-1.7†10.5
MMLU-ProVals AI88.0%†88.6%
LegalBenchVals AI86.2%†83.6%
CorpFinVals AI71.6%65.8%
TaxEvalVals AI75.7%75.5%
BioMysteryBenchVals AI72.6%†–
Excel Modeling BenchmarkVals AI66.7%†60.1%
Excel Modeling Benchmark v1.1Vals AI71.3%†66.0%
MedCodeVals AI49.4%†40.7%
MedScribeVals AI88.0%†85.0%
Public Benefits Bench v1.1Vals AI68.2%†67.1%
Access to Justice BenchmarkVals AI68.2%†76.4%
Financial Coaching BenchVals AI74.5%†75.6%
Immigration BenchVals AI68.3%†70.1%
GDP.pdfEpoch AI Benchmarking Hub19.0%†23.2%†
AA-Omniscience v1.1: accuracyArtificial Analysis42.4%†29.5%
AA-Omniscience v1.1: non-hallucinationArtificial Analysis23.4%†72.9%
HealthBench Professional (AA)OpenAI53.2%†–
FACTS ParametricGoogle–30.8%
指令遵循
LiveBench LanguageLiveBench85.5%79.7%
LiveBench Instruction FollowingLiveBench71.4%74.1%
Arena Instruction FollowingArena (LMArena)1489†1478
人类偏好
Arena TextArena (LMArena)1487†1484
EQ-Bench 4EQ-Bench1319–
EQ-Bench Creative Writing v3EQ-Bench2083–
Arena Creative WritingArena (LMArena)1459†1472
Arena Multi-turnArena (LMArena)1502†1495
Arena Longer QueriesArena (LMArena)1500†1496
多模态
Arena VisionArena (LMArena)–1312
LiveBench DesignLiveBench72.5%†76.6%
MMMU-ProArtificial Analysis80.5%†82.8%
MMMU-Pro (Vals)Vals AI88.2%88.0%
MortgageTaxVals AI66.3%64.0%
SAGEVals AI86.8%†81.8%
Humanity's Sixth SenseScale AI SEAL25.5%†33.0%
Blueprint-Bench 2Epoch AI Benchmarking Hub29.5%–
Furniture AssemblyEpoch AI Benchmarking Hub34.2%†20.0%†
VIALS-AAHandshake AI–31.7%
Code2Video-AAArtificial Analysis1041†1021
AA-3DArtificial Analysis984†954
FACTS MultimodalGoogle–51.5%
长上下文
AA-LCR v1.1Artificial Analysis88.7%†80.3%
MLCRArtificial Analysis21.7%†26.1%
FACTS GroundingGoogle–73.8%
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub158.6157.6
LiveBench 2.0LiveBench65.0%†60.9%
LiveBench 1.0LiveBench79.2%78.5%
AA Intelligence Index v5.0.1Artificial Analysis17.4†33.6
AA Intelligence Index v4.3.2Artificial Analysis43.6†45.4
AA Progress Index v1Artificial Analysis319.9†323.7
Vals IndexVals AI53.0†–
Vals Finance IndexVals AI58.0%†–
Vals RSI IndexVals AI20.9%†21.8%
Vals Multimodal IndexVals AI73.4%65.4%
Vals Router IndexVals AI53.0%–
Vals Legal IndexVals AI71.7%†–
AA Cyber IndexArtificial Analysis41.3†–
安全与诚实
FORTRESSScale AI SEAL27.3%–
DistressBenchScale AI SEAL73.5%77.6%
元数据
AA Openness IndexArtificial Analysis38.9†–

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

  • Kimi K3:BenchLeader Index 59.1 → 60.7。
  • Qwen3.8 Max (max):1 项分数修订。
  • Qwen3.8 Max (max):1 项分数修订。
  • Kimi K3:1 项分数修订。
  • Kimi K3:4 项分数修订。
  • Qwen3.8 Max (max):6 项分数修订。
  • Kimi K3:1 项分数修订。
  • Qwen3.8 Max (max):1 项分数修订。
  • Kimi K3:1 项新结果(FACTS Search)。
  • Qwen3.8 Max (max):1 项新结果(FACTS Search);1 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 vs Qwen3.8 Max:常见问题

Kimi K3 比 Qwen3.8 Max 更好吗?
Kimi K3 与 Qwen3.8 Max (max) 的质量不相上下(60.7 比 58.7,在 ±6.9 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 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 $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 Kimi K3 还是 Qwen3.8 Max 更好?
两者在编程方面持平(类别得分 62 比 62)。在两者共同的最主要编程基准测试 SciCode 上,Kimi K3 为 58.7%,Qwen3.8 Max 为 53.2%。
Kimi K3 和 Qwen3.8 Max 哪个更快?
Kimi K3 输出更快(约 1.5 倍;输出 76 比 59 token/秒,Artificial Analysis 7 日中位数)。
智能体和工具调用用 Kimi K3 还是 Qwen3.8 Max 更好?
Qwen3.8 Max 在智能体任务方面得分更高(类别得分 59 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 APEX-Agents 上,Kimi K3 为 47.8%,Qwen3.8 Max 为 63.3%。
更多问题(4)
处理长文档哪个更好?
两者都约为 1M token(Kimi K3 为 1,048,576,Qwen3.8 Max 为 1,000,000)。
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 119.6 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 和 Qwen3.8 Max 的看法一致吗?
在两者都有结果的 30 项基准测试中,Kimi K3 领先 21 项,Qwen3.8 Max 领先 9 项。第三方来源看法不一:Kimi K3 在 Arena Text 上领先;Qwen3.8 Max 在 AA Intelligence Index v5.0.1 上领先。
Qwen3.8 Max 是什么时候发布的?
Qwen3.8 Max 于 2026年8月3日 发布。