Gemini 3.6 Flash vs Kimi K3：料金と仕様の実測比較

どんなときに、どちらを選ぶか

どちらも 1,048,576 トークンのコンテキストウィンドウを共有するため、違いは価格、出力長、入力です。gemini-3.6-flash は100万トークンあたり入力 $1.5、出力 $7.5 で、kimi-k3 の $3 と $15 のちょうど半分、さらに音声を受け付けるのはこちらだけです（100万音声入力トークンあたり $5、キャッシュ $0.5）。安価に大量のテキスト・画像・動画・音声を処理するなら gemini-3.6-flash で、キャッシュ読み取りは $0.15 対 $0.3 です。65,536 トークンをはるかに超える単発応答が必要なら kimi-k3 を選んでください。最大出力は 1,048,576 まで伸び、推論能力フラグが重要な場合にも向きます。

ベンチマーク

勝ち平均超え上回るモデルなしGemini 3.6 Flash06 ~~/ 18~~1 ~~/ 18~~Kimi K3552 ~~/ 67~~12 ~~/ 67~~

両モデルとも測定されている項目は 5 件です。

Gemini 3.6 Flash Kimi K3 測定された他モデル他モデルの平均 ★ これを上回るモデルなし

DeepSWE 1.1

48.6%

67.5%

BioMysteryBench hard

41.2%

N/A

OSWorld 2.0

33.8%

58.3%

Cybergym

N/A

80%

Finance Agent v2

N/A

54.4%

Harvey Lab-AA

85.1%

これを上回るモデルなし 94.6%

GPQA Diamond

N/A

93.5%

BrowseComp

N/A

91.2%

LVBench

84.2%

N/A

ベンダー公表値： Alibaba (Qwen) Anthropic ByteDance DeepSeek Google MiniMax Moonshot OpenAI Tencent Z.ai

料金

	Gemini 3.6 Flash	Kimi K3	Δ
入力 / 100 万トークン	$1.5	$3	0.5×
出力 / 100 万トークン	$7.5	$15	0.5×
キャッシュ読み取り / 100 万トークン	$0.15	$0.3	0.5×

ビルド時点の現行カタログの料金です。最新の料金表は各モデルのページに掲載しています。

両モデルの位置：100 万トークンあたりの入力料金（この課金単位のチャットモデル全 76 件、対数スケール）

Gemini 3.6 Flash · $1.5 Kimi K3 · $3

$0.05 · Qwen3 VL Flash $30 · GPT-5.4 Pro

対応機能

	Gemini 3.6 Flash	Kimi K3
ツール呼び出し	あり	あり
思考の制御	常時オン	常時オン
構造化出力	あり	あり
プロンプトキャッシュ	自動 + 明示	自動（暗黙的）
キャッシュ保持時間	公表なし	公表なし
キャッシュ対象の最小プレフィックス	4096 トークン	公表なし

仕様

	Gemini 3.6 Flash	Kimi K3
入力モダリティ	テキスト画像音声動画	テキスト画像動画
出力モダリティ	テキスト	テキスト
リリース	2026-07-21	2026-07-16
知識カットオフ	2026-03	-
コンテキストウィンドウ	1M	1M
最大出力	66K	1M
思考パラメータ	thinkingLevel	reasoning_effort (top-level; the thinking object is not accepted)
指定可能な値	minimal low medium high	reasoning_effort low high max
デフォルト	medium	max

仕様は各ベンダーのドキュメントから転記しています。ベンダーが公表していない項目は、推測で埋めずに省いています。出典の一覧： Gemini 3.6 Flash · Kimi K3

1 つのプロンプトを両モデルで実行（ゲートウェイ経由で測定）

CFO 向けの推論バグのある関数の修正スキーマに沿った抽出制約付きの文章作成

プロンプト Explain to a CFO, in exactly three sentences, why our LLM bill doubled after we enabled reasoning. チェックちょうど 3 文

Gemini 3.6 Flash 合格 · 3 sentences

Enabling reasoning causes the model to generate thousands of internal "thinking" tokens behind the scenes to process logic before delivering the final response. Because our vendor bills us for every token generated—including these intermediate processing steps—our billable output volume per query surged significantly. Since output tokens carry a much higher unit cost than input tokens, this jump in processing volume directly doubled our overall spend.

出力 893 tok (+816 思考) レイテンシ 4.7 s

Kimi K3 合格 · 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.

出力 755 tok (+637 思考) レイテンシ 20.8 s

指示への忠実さ（ちょうど 3 文という、数えて確かめられる条件）、読み手に合わせた書き分け（CFO 向けの語り口）、そして下のトークンメーターに表れる、表示されない思考への課金の差。

プロンプト 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. チェック修正がテストを通る

Gemini 3.6 Flash 合格 · 8/8 cases

Here is the fixed function along with an explanation of the bugs: ```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 else: cur = 1 best = max(best, cur) return best ``` ### Explanation The original function initialized `cur` and `best` to `0` and incremented `cur` on matching adjacent items, which meant it was counting identical adjacent *pairs* rather than the total number of *elements* in a run. This caused single-element inputs to skip the loop and return `0` instead of `1`, and undercounted all run lengths by 1 (for example, a run of two items at the end of the list resulted in `cur = 1`). […]

出力 2034 tok (+1768 思考) レイテンシ 10.0 s

Kimi K3 合格 · 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. […]

出力 1837 tok (+1547 思考) レイテンシ 47.2 s

修正が本当に正しいか（実行して確かめられる）、説明の密度、範囲の限られたタスクでのトークン効率。

プロンプト 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. チェック有効な JSON、スキーマに完全一致

Gemini 3.6 Flash 合格 · 5/5 fields, guidance "withheld"

```json { "company": "Meridian Robotics", "quarter": "September quarter", "revenue_usd_m": 412, "growth_pct": null, "guidance": "withheld" } ```

出力 2843 tok (+2783 思考) レイテンシ 13.1 s

Kimi K3 合格 · 5/5 fields, guidance null

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

出力 924 tok (+863 思考) レイテンシ 25.9 s

スキーマの遵守（存在しないフィールドを作らない）、ハルシネーションを誘う条件への耐性（guidance は明示的に伏せてある）、構造化出力の実現方法の違い。

プロンプト 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. チェック 120 語、禁止語 0

Gemini 3.6 Flash 不合格 · 60 words, 0 banned, 0 questions

72: reducing 73: your 74: monthly 75: token 76: spend. S6 (21): 77: You 78: can 79: easily 80: set 81: custom 82: expiration 83: rules, 84: configure 85: TTL 86: settings, 87: and 88: manage 89: cache 90: invalidation 91: across 92: all 93: vendors 94: from 95: one 96: centralized 97: dashboard. S7 (23): 98: Start 99: optimizing […]

出力 4092 tok (+3929 思考) レイテンシ 16.3 s

Kimi K3 合格 · 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.

出力 1527 tok (+1354 思考) レイテンシ 37.9 s

制約の遵守（語数の上限、禁止語リスト、疑問文はひとつだけ）、文体の癖、長さの制御。

1 行の変更で切り替え

以下のどのタブにも両方のモデル ID が入っています。書き換えるのはハイライトされた 2 行だけで、エンドポイント、キー、リクエスト形式はすべて同じです。

from openai import OpenAI

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

resp = client.chat.completions.create(
    model="gemini-3.6-flash",
    # model="kimi-k3",  # この行のコメントを外し、上の行をコメントアウト
    messages=[{"role": "user", "content": "Summarize this diff"}],
)
print(resp.choices[0].message.content)

import OpenAI from "openai";

const client = new OpenAI({
  baseURL: "https://synthorai.io/v1",
  apiKey: "sk-syn-...",
});

const resp = await client.chat.completions.create({
  model: "gemini-3.6-flash",
  // model: "kimi-k3",  // この行のコメントを外し、上の行をコメントアウト
  messages: [{ role: "user", content: "Summarize this diff" }],
});
console.log(resp.choices[0].message.content);

curl https://synthorai.io/v1/chat/completions \
  -H "Authorization: Bearer sk-syn-..." \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gemini-3.6-flash",
    # "model": "kimi-k3",  # この行のコメントを外し、上の行をコメントアウト
    "messages": [{"role": "user", "content": "Hello"}]
  }'

package main

import (
	"context"
	"fmt"

	"github.com/openai/openai-go/v3"
	"github.com/openai/openai-go/v3/option"
)

func main() {
	client := openai.NewClient(
		option.WithBaseURL("https://synthorai.io/v1"),
		option.WithAPIKey("sk-syn-..."),
	)
	resp, _ := client.Chat.Completions.New(context.TODO(), openai.ChatCompletionNewParams{
		Model: "gemini-3.6-flash",
		// Model: "kimi-k3",  // この行のコメントを外し、上の行をコメントアウト
		Messages: []openai.ChatCompletionMessageParamUnion{
			openai.UserMessage("Summarize this diff"),
		},
	})
	fmt.Println(resp.Choices[0].Message.Content)
}

import com.openai.client.OpenAIClient;
import com.openai.client.okhttp.OpenAIOkHttpClient;
import com.openai.models.chat.completions.*;

OpenAIClient client = OpenAIOkHttpClient.builder()
    .baseUrl("https://synthorai.io/v1")
    .apiKey("sk-syn-...")
    .build();

ChatCompletion resp = client.chat().completions().create(
    ChatCompletionCreateParams.builder()
        .model("gemini-3.6-flash")
        // .model("kimi-k3")  // この行のコメントを外し、上の行をコメントアウト
        .addUserMessage("Summarize this diff")
        .build());
System.out.println(resp.choices().get(0).message().content().orElse(""));

API キーを取得 →

よくある質問

Gemini 3.6 Flash と Kimi K3 ではどちらが安いですか？

入力 / 100 万トークンは Gemini 3.6 Flash のほうが安くなります（$1.5 対 $3、2.0 倍の差）。ほかの行では逆になることもあります。料金の全体は上の表に掲載しており、実際のコストは利用の内訳によって変わります。

Gemini 3.6 Flash と Kimi K3 の A/B テストは、実装を 2 つ用意せずにできますか？

はい。どちらも同じ OpenAI 互換エンドポイントから 1 つの API キーで利用できます。切り替えはモデル名の文字列を 1 行変えるだけなので、トラフィックの一部をそれぞれに振り分けて、請求額を直接比較できます。

Gemini 3.6 Flash と Kimi K3 はプロンプトキャッシュに対応していますか？

はい。どちらのモデルも、キャッシュ読み取りは通常の入力単価より安く課金されます。そのため、同じプレフィックスを繰り返し使うワークロードでは、定価から見込まれるよりコストが下がります。キャッシュ読み取りの正確な単価は、上の料金表に掲載しています。

当社の実測レポートより

過剰拒否の実測、原因の大半はモデルではなくベンチマーク翻訳に最適な LLM：9 モデル・9 言語、コスト差は 400 倍 LLM 構造化出力：12 API 中 4 つが正しい JSON に誤値