Gemini 3.8 Flash vs Kimi K3
いつ、どちらを使うか
両モデルは同じ1048576トークンのコンテキストウィンドウを共有しているため、判断の分かれ目は価格、モダリティ、出力長になります。gemini-3.8-flashは入力$0.75、出力$3.75で動作し、kimi-k3の$3および$15に対して、Googleのモデルの方が入力・出力ともに4x安価であり、キャッシュ読み取り（$0.075対$0.3）でも4x安価です。コストを重視する大量の処理や、テキストと画像に加えて音声とビデオの入力が必要な場合は、gemini-3.8-flashを選択してください。単一のレスポンスを長くする必要がある場合は、その最大出力1048576トークンがFlashの上限65536を圧倒しているkimi-k3を選択してください（ただし推論はオフにできません）。
ベンチマーク
両者が測定された 5 件。
ベンダー公表: Alibaba (Qwen) Anthropic ByteDance DeepSeek Google MiniMax Moonshot OpenAI Tencent Z.ai
料金
| Gemini 3.8 Flash | Kimi K3 | Δ | |
|---|---|---|---|
| 入力 / 1Mトークン | $0.75 | $3 | 0.25× |
| 出力 / 1Mトークン | $3.75 | $15 | 0.25× |
| キャッシュ読み取り / 1Mトークン | $0.075 | $0.3 | 0.25× |
ビルド時のライブカタログの料金です。各モデルのページには現在の料金カードが記載されています。
位置付け — この課金単位におけるすべての71個のチャットモデル全体の1Mトークンあたりの入力料金 (対数スケール)
機能
| Gemini 3.8 Flash | Kimi K3 | |
|---|---|---|
| ツール使用 | あり | あり |
| 思考コントロール | あり — ベンダーの調整パラメータは非公開 | 常時オン |
| 構造化出力 | あり | あり |
| プロンプトキャッシング | 暗黙的 + 明示的 | 暗黙的 (自動) |
| キャッシュ有効期間 | 非公開 | 非公開 |
| 最小キャッシュプレフィックス | 4096 トークン | 非公開 |
仕様
| Gemini 3.8 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 | 2026-09-02 | - |
| 知識のカットオフ | 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 | - | reasoning_effort (top-level; the thinking object is not accepted) |
| 指定可能な値 | - | reasoning_effort
|
| デフォルト | - | max |
仕様は各ベンダーのドキュメントから転記されています。ベンダーが公開していない行は推測せず、省略しています。 すべての出典: Gemini 3.8 Flash · Kimi K3
1つのプロンプト、両方のモデル — ゲートウェイ経由で測定
Gemini 3.8 Flash パス · 3 sentences
When we enabled reasoning, the model began generating hidden "thinking tokens" to work through logic step-by-step before producing a final answer. Because AI vendors bill for every single token processed—visible or not—this internal deliberation dramatically inflated our billable volume per query. In short, while our total number of user requests remained flat, the cost per transaction doubled to buy higher accuracy on complex tasks.
出力 705 tok (+624 思考) レイテンシ 6.4 s
Kimi K3 パス · 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
指示追従（ちょうど三文 — 数えられる）、読み手に合わせた調整（CFO 向けの語り口）、そして下のトークン計から見える隠れた思考の課金ギャップ。
Gemini 3.8 Flash パス · 8/8 cases
Here is the corrected function: ```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 ``` ### Explanation of the Bug The original function counted equal-neighbor transitions rather than the actual items making up each run. Because `cur` started at `0` (and was reset to `0` on mismatches), every run was undercounted by one: single-element lists returned `0` because the loop never executed, and any subsequent run—including those ending at the last index—recorded a count of $N - 1$ instead of $N$. The fix handles empty input upfront, initializes both `cur` and `best` to `1` (since any single element forms a run of length 1), and resets `cur` to `1` whenever a new run begins.
出力 1393 tok (+1149 思考) レイテンシ 10.1 s
Kimi K3 パス · 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
修正が実際に正しいか（実行可能か）、説明の密度、そして範囲の限られたタスクでのトークン効率。
Gemini 3.8 Flash パス · 5/5 fields, guidance null
```json { "company": "Meridian Robotics", "quarter": "September quarter", "revenue_usd_m": 412, "growth_pct": null, "guidance": null } ```
出力 3989 tok (+3932 思考) レイテンシ 30.4 s
Kimi K3 パス · 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
スキーマ遵守（フィールドをでっち上げない）、ハルシネーション圧（guidance は明示的に保留されている）、そして構造化出力の経路の違い。
Gemini 3.8 Flash パス · 120 words, 0 banned, 1 question
Why pay multiple model providers for the exact same output? Introducing Universal Prompt Cache, our latest API gateway capability engineered to cut compute expenses and drop inference latency. When your application makes a call, the gateway inspects a central memory layer before routing traffic to external LLMs. If an identical query was previously processed by OpenAI, Anthropic, or Mistral, our gateway returns that response immediately. This shared cache eliminates duplicate token fees and insulates your production apps from vendor rate limits or unexpected downtime. Developers can easily customize expiration settings, enforce strict data privacy controls, and configure invalidation logic across every endpoint. Stop wasting your budget on repeated queries. Enable prompt caching in your dashboard to accelerate your pipeline today.
出力 3833 tok (+3688 思考) レイテンシ 21.8 s
Kimi K3 パス · 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、唯一の疑問文）、文体の指紋、そして長さの制御。
1行で切り替え
以下のすべてのタブには両方のIDが含まれています — 変更箇所はハイライトされた2行のみです。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-3.8-flash",
# model="kimi-k3", # この行をアンコメントし、上の行をコメントアウトします
messages=[{"role": "user", "content": "Summarize this diff"}],
reasoning_effort="medium",
)
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-3.8-flash",
// model: "kimi-k3", // この行をアンコメントし、上の行をコメントアウトします
messages: [{ role: "user", content: "Summarize this diff" }],
reasoning_effort: "medium",
});
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-3.8-flash",
# "model": "kimi-k3", # この行をアンコメントし、上の行をコメントアウトします
"messages": [{"role": "user", "content": "Hello"}],
"reasoning_effort": "medium"
}'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-3.8-flash",
// Model: "kimi-k3", // この行をアンコメントし、上の行をコメントアウトします
Messages: []openai.ChatCompletionMessageParamUnion{
openai.UserMessage("Summarize this diff"),
},
ReasoningEffort: openai.ReasoningEffortMedium,
})
fmt.Println(resp.Choices[0].Message.Content)
}import com.openai.client.OpenAIClient;
import com.openai.client.okhttp.OpenAIOkHttpClient;
import com.openai.models.chat.completions.*;
import com.openai.models.ReasoningEffort;
OpenAIClient client = OpenAIOkHttpClient.builder()
.baseUrl("https://synthorai.io/v1")
.apiKey("sk-syn-...")
.build();
ChatCompletion resp = client.chat().completions().create(
ChatCompletionCreateParams.builder()
.model("gemini-3.8-flash")
// .model("kimi-k3") // この行をアンコメントし、上の行をコメントアウトします
.addUserMessage("Summarize this diff")
.reasoningEffort(ReasoningEffort.MEDIUM)
.build());
System.out.println(resp.choices().get(0).message().content().orElse(""));FAQ
Gemini 3.8 Flash と Kimi K3 ではどちらが安いですか？
入力 / 1mトークン においては Gemini 3.8 Flash の方が安価です（$0.75 対 $3、4.0× の差）。他の行では逆になる可能性があります — 上の表には完全な情報が記載されており、実際のコストは組み合わせに依存します。
2つの統合を行わずに Gemini 3.8 Flash と Kimi K3 のA/Bテストを実施できますか？
はい。両方とも1つのAPIキーで同じOpenAI互換エンドポイントを通じて提供されます — モデル文字列を1行変更するだけで切り替えられるため、トラフィックの一部をそれぞれにルーティングし、請求額を直接比較できます。
Gemini 3.8 Flash と Kimi K3 はプロンプトキャッシングをサポートしていますか？
はい — どちらのモデルでもキャッシュ読み込みは入力レートよりも低く請求されるため、ウォームプレフィックスのワークロードは定価が示すよりも低コストになります。キャッシュ読み込みの正確な行は、上の料金表に記載されています。