Kimi K3 vs MiniMax M3

MiniMax M3 se ha retirado de nuestro catálogo. Las cifras de abajo son sus últimas tarifas publicadas. Ya no atendemos llamadas a ese modelo; al otro de esta comparativa, sí.

vs

Cuál usar y cuándo

Ambos aceptan texto, imagen y vídeo de entrada y devuelven texto, con chat, código, razonamiento y uso de herramientas en ambos lados, así que la diferencia real es precio y margen de salida: kimi-k3 cuesta 10x más en entrada, 12.5x más en salida y 5x más en lecturas cacheadas que minimax-m3. Elige kimi-k3 cuando necesites su contexto de 1048576 tokens y su salida máxima igual de 1048576 tokens para generar artefactos muy largos de una pasada, ya que minimax-m3 limita la salida a 524288. Elige minimax-m3 para volumen sensible al coste, su indicador de contexto largo y la opción de apagar el pensamiento, que kimi-k3 no permite.

Benchmarks

MiniMax M3: el proveedor no ha publicado resultados de benchmarks.

Sobre la mediaNinguno mejorKimi K352 / 6712 / 67
Kimi K3 MiniMax M3 otros modelos medidos media de los modelos comparados ★ ningún otro modelo puntuó más alto
DeepSWE 1.1
67.5%
N/A
OSWorld-Verified
84.8%
N/A
Cybergym
80%
N/A
Finance Agent v2
54.4%
N/A
Harvey Lab-AA
ningún otro modelo puntuó más alto 94.6%
N/A
GPQA Diamond
93.5%
N/A
BrowseComp
91.2%
N/A
Video-MME (w. sub)
ningún otro modelo puntuó más alto 90%
N/A

Publicado por los proveedores: Alibaba (Qwen) Alibaba (Qwen) Alibaba (Qwen) Alibaba (Qwen) Alibaba (Qwen) Alibaba (Qwen) Alibaba (Qwen) Anthropic Anthropic Anthropic Anthropic ByteDance DeepSeek DeepSeek Google Google Google Google MiniMax Moonshot Moonshot OpenAI OpenAI OpenAI OpenAI OpenAI Tencent Z.ai Z.ai Z.ai Z.ai

Precios

Kimi K3 MiniMax M3 Δ
Entrada / 1M tokens $3 $0.3 10×
Salida / 1M tokens $15 $1.2 13×
Lectura de caché / 1M tokens $0.3 $0.06 5×
Escritura en caché - sin cargo aparte -

Tarifas tomadas del catálogo en vivo al generar el sitio; la página de cada modelo tiene la ficha de precios actualizada.

Dónde queda cada uno: precio de entrada por 1M de tokens entre los 91 modelos de chat que se facturan en esta unidad (escala logarítmica)

Kimi K3 · $3 MiniMax M3 · $0.3
$0.05 · Qwen3 VL Flash $30 · GPT-5.4 Pro

Capacidades

Kimi K3 MiniMax M3
Uso de herramientas sí sí
Control del razonamiento siempre activo configurable
Salida estructurada sí -
Caché de prompts implícito (automático) implícito (automático)
Duración de la caché no publicado no publicado
Prefijo mínimo en caché no publicado 512 tokens

Especificaciones

Kimi K3 MiniMax M3
Modalidades de entrada texto imagen vídeo texto imagen vídeo
Modalidades de salida texto texto
Lanzamiento 2026-07-16 2026-06-01
Ventana de contexto 1.048.576 1.000.000
Salida máxima 1.048.576 524.288
Parámetro de razonamiento reasoning_effort (top-level; the thinking object is not accepted)
  • thinking.type
  • reasoning_split
Valores aceptados
reasoning_effort
  • low
  • high
  • max
thinking.type
  • adaptive
  • disabled
reasoning_split
  • boolean
Valor por defecto max adaptive: pensamiento activado, y el modelo decide cuándo conviene razonar más

Las especificaciones se transcriben de la documentación de cada proveedor; si un proveedor no publica un dato, la fila se omite en vez de deducirlo. Fuentes completas: Kimi K3 · MiniMax M3

Un mismo prompt en los dos modelos, medido a través de la pasarela

PROMPT Explain to a CFO, in exactly three sentences, why our LLM bill doubled after we enabled reasoning. COMPROBACIÓN exactamente 3 frases

Kimi K3 superado · 3 sentences

Reasoning models don't just answer questions—they "think" first, generating long internal chains of step-by-step logic before producing a response. Those hidden thinking steps are billed as output tokens (the most expensive kind, typically 3–5x the price of input tokens), and a single query can generate thousands of them even when the visible answer is only a paragraph long. So you're paying for dramatically more compute per request: the bill doubled because the model does far more work behind the scenes, not because usage increased.

salida 755 tok (+637 razonamiento) latencia 20.8 s

MiniMax M3 superado · 3 sentences

Reasoning models don't just answer — they first generate extensive internal "thinking" tokens to work through the problem step-by-step, and you're billed for all of those tokens even though users never see them. A query that previously cost ~200 tokens may now cost 2,000–10,000 once reasoning is enabled, multiplying per-query spend by roughly 5–50x while the visible output stayed the same size — that's the doubling. The lever is tuning: cap reasoning effort on simple queries, cache the reasoning traces, and reserve the full reasoning model for only your hardest 10–20% of requests, which typically restores 60–80% of the savings.

salida 764 tok (+629 razonamiento) latencia 3.5 s

Cumplimiento de la instrucción (exactamente tres frases, se pueden contar), adaptación al público (registro de CFO) y la diferencia de facturación por razonamiento oculto que dejan ver los contadores de tokens de abajo.

PROMPT This function is supposed to return the longest run of consecutive equal items, but callers report it is off by one on single-element inputs and misses runs that end at the last index. Fix it and explain the bug in one paragraph. COMPROBACIÓN la corrección pasa las pruebas

Kimi K3 superado · 8/8 cases

```python def longest_run(xs): if not xs: return 0 best = 1 cur = 1 for i in range(1, len(xs)): if xs[i] == xs[i - 1]: cur += 1 best = max(best, cur) else: cur = 1 return best ``` The bug is a fencepost error: `cur` counts *matching adjacent pairs* rather than *items in the run*, because it starts at 0 and only increments when `xs[i] == xs[i - 1]`. A run of length L contains L−1 equal pairs, so every run was undercounted by exactly one. For a single-element list (a run of length 1) the loop never runs and the function returns 0 instead of 1; likewise any run ending at the last index — e.g. the two `2`s in `[1, 2, 2]` — reported 1 instead of 2, making it look like no run existed at all. […]

salida 1837 tok (+1547 razonamiento) latencia 47.2 s

MiniMax M3 superado · 8/8 cases

The bug is that the loop starts at index 1 and treats `cur` as the number of *equal transitions* rather than the run length, so a run of *k* consecutive equal items is reported as `k − 1`, and a single-element list (where the loop body never executes) returns 0 instead of 1. A correct version tracks the actual run length by seeding `cur = 1` and resetting it to 1 (not 0) on a mismatch: ```python def longest_run(xs): if not xs: return 0 best = cur = 1 for i in range(1, len(xs)): if xs[i] == xs[i - 1]: cur += 1 else: cur = 1 if cur > best: best = cur return best ``` Now `[5]` returns `1`, `[1,1,1]` returns `3`, and a run like `[1,2,2,2]` that ends at the last index is correctly captured as `3` because `cur` is updated before `best` is compared on every iteration, including the final one.

salida 845 tok (+596 razonamiento) latencia 3.5 s

Si la corrección funciona de verdad (se puede ejecutar), lo densa que es la explicación y la eficiencia en tokens en una tarea acotada.

PROMPT Extract a JSON object with fields {company, quarter, revenue_usd_m, growth_pct, guidance} from this text. Use null for anything not stated; add no other fields. COMPROBACIÓN JSON válido, esquema exacto

Kimi K3 superado · 5/5 fields, guidance null

{ "company": "Meridian Robotics", "quarter": "September quarter", "revenue_usd_m": 412, "growth_pct": 11, "guidance": null }

salida 924 tok (+863 razonamiento) latencia 25.9 s

MiniMax M3 superado · 5/5 fields, guidance null

```json { "company": null, "quarter": "Q3", "revenue_usd_m": 412, "growth_pct": null, "guidance": null } ```

salida 1002 tok (+955 razonamiento) latencia 3.6 s

Respeto del esquema (sin campos inventados), tentación de alucinar (la guidance se omite a propósito) y diferencias entre las vías de salida estructurada.

PROMPT Write a 120-word product announcement for an API gateway feature that caches prompts across providers. Forbidden words: "seamless", "unlock", "game-changer", "revolutionize", "empower". Exactly one sentence must be a question. COMPROBACIÓN 120 palabras, 0 palabras prohibidas

Kimi K3 superado · 120 words, 0 banned, 1 question

Meet Prompt Cache, a new API gateway capability that stores prompt responses and serves them across OpenAI, Anthropic, Google, and Azure endpoints. It matches requests by model, prompt hash, tools, temperature, and tenant policy, so repeated work returns fast while sensitive contexts stay isolated. Teams set TTLs, stale rules, encryption scopes, and bypass flags per route. Analytics show hit rate, latency saved, token spend avoided, and drift risk by provider. What changes for developers? Keep one integration, add cache headers, and watch fallback logic respect consent, residency, and audit needs. During rollout, canary keys compare fresh answers with cached copies before promotion. Prompt Cache cuts vendor calls, steadies p95 latency, and gives platform owners controls for cost, quality, and compliance.

salida 1527 tok (+1354 razonamiento) latencia 37.9 s

MiniMax M3 superado · 121 words, 0 banned, 1 question

Introducing PromptCache, our intelligent caching layer for the API gateway. Tired of paying twice for identical requests? The feature stores prompt-response pairs across every connected provider, returning cached results instead of hitting costly endpoints. Deployment requires only a single configuration flag, and semantic similarity detection happens automatically. Latency drops up to 70% on repeated traffic while costs follow the same downward curve. Developers access detailed cache hit metrics, eviction logs, and provider breakdowns through the dashboard. Whether routing to OpenAI, Anthropic, or local models, every cached token saves time and money. The cache respects TTL policies, supports manual purging, and encrypts stored content. Available today for Pro and Enterprise tiers—enable PromptCache on existing endpoints and watch inference bills shrink immediately.

salida 2808 tok (+2656 razonamiento) latencia 6.0 s

Respeto de las restricciones (límite de palabras, lista de palabras prohibidas, una única pregunta), sello de estilo y control de la longitud.

Cambia de uno a otro con una sola línea

Los dos ids aparecen en todas las pestañas de abajo; lo único que cambia es el par de líneas resaltadas. El endpoint, la clave y la estructura de la solicitud son los mismos.

from openai import OpenAI

client = OpenAI(
    base_url="https://synthorai.io/v1",
    api_key="sk-syn-...",
)

resp = client.chat.completions.create(
    model="kimi-k3",
    # model="minimax-m3",  # descomenta esta línea, comenta la de arriba
    messages=[{"role": "user", "content": "Summarize this diff"}],
    reasoning_effort="medium",
)
print(resp.choices[0].message.content)

Obtén tu clave API →

Preguntas frecuentes

¿Cuál es más barato, Kimi K3 o MiniMax M3?

MiniMax M3 es más barato en Entrada / 1M tokens ($0.3 frente a $3, una diferencia de 10×). En otras filas puede ser al revés: la tabla de arriba recoge todas las tarifas, y el coste real depende de tu combinación de uso.

¿Puedo hacer pruebas A/B de Kimi K3 frente a MiniMax M3 sin dos integraciones?

Sí. Los dos se sirven desde el mismo endpoint compatible con OpenAI y con una sola clave API. Para cambiar de uno a otro basta con tocar una línea, el nombre del modelo, así que puedes mandar una parte del tráfico a cada uno y comparar directamente las facturas.

¿Admiten Kimi K3 y MiniMax M3 caché de prompts?

Sí. Los dos cobran las lecturas de caché por debajo de su tarifa de entrada, así que las cargas de trabajo que reutilizan un prefijo ya cacheado cuestan menos de lo que sugieren los precios de lista. Las tarifas exactas de lectura de caché están en la tabla de precios de arriba.

Comparativas relacionadas

De nuestros estudios con mediciones