Dola Seed 2.0 Lite vs Kimi K3.1 Pro

Dola Seed 2.0 Lite saiu do nosso catálogo. Os números abaixo são as últimas tarifas publicadas; ele não pode mais ser chamado, ao contrário do outro modelo desta comparação.

vs

Qual usar e quando

Até 128000 tokens de entrada, a saída custa $2 e $10 por milhão de tokens (Dola-Seed-2.0-lite e kimi-k3.1-pro). Avalie Dola-Seed-2.0-lite para textos curtos e confira a tarifa de saída acima de 128000 tokens de entrada. Em relação a Dola-Seed-2.0-lite, avalie kimi-k3.1-pro para sessões longas de programação com capturas de tela e respostas estruturadas.

Benchmarks

Kimi K3.1 Pro: o provedor não publicou resultados de benchmark.

Acima da médiaNenhum melhorDola Seed 2.0 Lite4 / 103 / 10
Dola Seed 2.0 Lite Kimi K3.1 Pro outros modelos medidos média dos modelos comparados ★ nenhum outro modelo teve pontuação maior
SWE Multilingual GPT-5.4 High
66.6%
N/A
WenetSpeech test-net (CER)
nenhum outro modelo teve pontuação maior 4.47%
N/A
OSWorld-Verified
64.4%
N/A
GPQA Diamond
88.4%
N/A
BrowseComp
64%
N/A
MMVU
76.7%
N/A

Publicado pelos provedores: Alibaba (Qwen) Alibaba (Qwen) Alibaba (Qwen) Alibaba (Qwen) Alibaba (Qwen) Alibaba (Qwen) Alibaba (Qwen) Anthropic Anthropic ByteDance DeepSeek DeepSeek Google Google MiniMax Moonshot OpenAI OpenAI OpenAI OpenAI Tencent Z.ai Z.ai

Preços

Dola Seed 2.0 Lite Kimi K3.1 Pro Δ
Entrada / 1M tokens $0.25 $2 0.13×
Saída / 1M tokens $2 $10 0.2×
Leitura de cache / 1M tokens $0.05 $0.2 0.25×

Tarifas do catálogo em tempo real, lidas no momento do build; a página de cada modelo traz a tabela de preços atual. A tabela principal mostra as tarifas base. O comprimento da entrada pode alterar a tarifa de toda a solicitação. Consulte as faixas nas páginas dos modelos.

Dola Seed 2.0 Lite · Preços por comprimento de entrada

Toda a solicitação usa a tarifa da faixa de comprimento de entrada. Preços em USD por milhão de tokens.

Tokens de entradaEntradaSaída
0 - 128.000 $0.25 $2
128.001 - ∞ $0.5 $4

Onde cada um fica: preço de entrada por 1M tokens entre os 86 modelos de chat com esta unidade de cobrança (escala logarítmica)

Capacidades

Dola Seed 2.0 Lite Kimi K3.1 Pro
Uso de ferramentas sim sim
Controle de raciocínio configurável

sim

o provedor não publica o controle

Saída estruturada sim sim
Cache de prompts implícito + explícito implícito (automático)
Tempo de vida do cache não publicado não publicado
Prefixo mínimo em cache 1,024 tokens não publicado

Especificações

Dola Seed 2.0 Lite Kimi K3.1 Pro
Modalidades de entrada texto imagem áudio vídeo texto imagem
Modalidades de saída texto texto
Lançamento 2026-02-14 2026-10-23
Janela de contexto 256.000 1.048.576
Saída máxima 131.072 1.048.576
Parâmetro de raciocínio
  • thinking.type
  • reasoning_effort
-
Valores aceitos
thinking.type
  • enabled
  • disabled (no auto)
reasoning_effort
  • minimal
  • low
  • medium
  • high
-
Padrão enabled, com reasoning_effort medium -

As especificações são transcritas da documentação de cada provedor; quando um provedor não publica um dado, a linha é omitida, e não inferida. Fontes completas: Dola Seed 2.0 Lite · Kimi K3.1 Pro

Um prompt, os dois modelos, medidos pelo gateway

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

Dola Seed 2.0 Lite passou · 3 sentences

Enabling reasoning on our production LLM requires the model to run resource-intensive multi-step chain-of-thought inference for every customer-facing query, rather than the single-pass inference that powered our original non-reasoning deployment, and GPU compute—which makes up 90% of our total LLM bill—scales directly with the number of compute cycles each query consumes. Our cloud provider’s LLM billing model charges per million processed tokens, and reasoning workflows generate an average of 2.1x more hidden processing tokens (the intermediate problem-solving steps the model never surfaces to end users) that are still billable, pushing our total monthly token consumption just over double what it was prior to enabling the feature. […]

saída 1306 tok (+1096 raciocínio) latência 18.2 s

Kimi K3.1 Pro passou · 3 sentences

Enabling reasoning makes the model generate extra internal “thinking” tokens before responding, and these are typically billed at output-token rates even though users never see them. If request volume and pricing stayed flat but reasoning substantially increased tokens per request, the total bill could double. Compare pre- and post-change usage reports for reasoning tokens, then control costs with lower reasoning effort, token budgets, cheaper models, and selective use on tasks where the quality gain justifies the spend.

saída 471 tok (+366 raciocínio) latência 14.3 s

Se a instrução é seguida (exatamente três frases, dá para contar), a adequação ao público (tom para um CFO) e a diferença de cobrança causada pelo raciocínio oculto, que os medidores de tokens abaixo deixam à mostra.

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. VERIFICAÇÃO a correção passa nos testes

Dola Seed 2.0 Lite passou · 8/8 cases

### Corrected Function ```python def longest_run(xs): if not xs: # Handle empty input edge case return 0 best = cur = 1 # Base run length of 1 for any non-empty single element for i in range(1, len(xs)): if xs[i] == xs[i - 1]: cur += 1 best = max(best, cur) else: cur = 1 # Reset run length for the new, different element return best ``` ### Bug Explanation (single paragraph) The original function’s core flaw was that it counted the number of consecutive equal adjacent element pairs, rather than the number of elements in the run itself, leading to all results being off by one, which caused both reported issues: a run of k equal elements only has k-1 consecutive matching pairs, so the original function’s maximum `best` value was always one less than the true element count of the longest run. […]

saída 2620 tok (+2217 raciocínio) latência 33.2 s

Kimi K3.1 Pro passou · 8/8 cases

```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: best = max(best, cur) cur = 1 return max(best, cur) ``` The original `cur` counts matching adjacent pairs rather than items: it starts at 0, so a singleton returns 0, and a run of `k` equal items is recorded as only `k - 1`. Its bookkeeping also never correctly finalizes the current run’s length at end of input. The fix starts every run at 1, records its length when a mismatch ends it, and takes a final `max` after the loop so a run ending at the last index is included; empty input returns 0.

saída 2984 tok (+2785 raciocínio) latência 70.1 s

Se a correção está mesmo certa (dá para executar), a densidade da explicação e a eficiência em tokens em uma tarefa bem delimitada.

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. VERIFICAÇÃO JSON válido, schema exato

Dola Seed 2.0 Lite passou · 5/5 fields, guidance "Formal guidance withheld pending Q4 clos"

{ "company": "Meridian Robotics", "quarter": "September quarter", "revenue_usd_m": 412, "growth_pct": 11, "guidance": "Formal guidance withheld pending Q4 close" }

saída 1502 tok (+1439 raciocínio) latência 20.2 s

Kimi K3.1 Pro passou · 5/5 fields, guidance null

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

saída 454 tok (+410 raciocínio) latência 12.0 s

Aderência ao schema (sem campos inventados), pressão para alucinar (o texto diz explicitamente que o guidance não foi divulgado) e diferenças no caminho de saída estruturada.

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. VERIFICAÇÃO 120 palavras, 0 palavras proibidas

Dola Seed 2.0 Lite falhou · 141 words, 0 banned, 1 question

Today we launch Cross-Provider Prompt Cache, a new feature for our Core API Gateway built to cut redundant AI costs and latency for teams routing requests across multiple LLM providers. Many development teams rotate between OpenAI, Anthropic, and Google Gemini to balance performance, cost, and capability, but identical prompts get reprocessed from scratch with every provider switch, wasting tokens and slowing response times. This feature stores validated prompt responses at the gateway layer, so repeat requests pull from cache regardless of which provider they route to, with configurable TTLs and built-in compliance with all major provider data policies. […]

saída 1870 tok (+1695 raciocínio) latência 23.1 s

Kimi K3.1 Pro passou · 120 words, 0 banned, 1 question

Meet Prompt Cache, our new API gateway feature for caching prompts and responses across model providers. It cuts token spend, lowers latency, and keeps applications responsive during traffic surges. Define cache keys, expiration rules, and tenant boundaries in one policy, then apply them to OpenAI, Anthropic, Gemini, or custom models without changing application code. Encryption, redaction, and immediate purges help protect sensitive data, while metrics reveal hit rates, savings, and performance by endpoint and provider. Need a faster way to handle repeated requests? Serve eligible results from cache and preserve your existing routing, fallback, and retry behavior. Available today in beta, Prompt Cache gives platform teams controls for cost, speed, and reliability, with no extra infrastructure to deploy or maintain.

saída 2740 tok (+2576 raciocínio) latência 55.8 s

Respeito às restrições (limite de palavras, lista de palavras proibidas, uma única pergunta), a marca de estilo de cada modelo e o controle do tamanho.

Troque de um para o outro mudando uma linha

Os dois ids estão em todas as abas abaixo; o par de linhas destacado é a única alteração. O endpoint, a chave e o formato da requisição são os mesmos.

from openai import OpenAI

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

resp = client.chat.completions.create(
    model="Dola-Seed-2.0-lite",
    # model="kimi-k3.1-pro",  # descomente esta linha, comente a linha acima
    messages=[{"role": "user", "content": "Summarize this diff"}],
)
print(resp.choices[0].message.content)

Obtenha sua chave de API →

Perguntas frequentes

Qual é mais barato, Dola Seed 2.0 Lite ou Kimi K3.1 Pro?

A tabela principal mostra as tarifas base. O comprimento da entrada pode alterar a tarifa de toda a solicitação. Consulte as faixas nas páginas dos modelos.

Posso fazer um teste A/B de Dola Seed 2.0 Lite contra Kimi K3.1 Pro sem duas integrações?

Sim. Os dois são servidos pelo mesmo endpoint compatível com OpenAI, com uma única chave de API. Para trocar, basta mudar uma linha, a string do modelo; assim você pode direcionar uma parte do tráfego para cada um e comparar as contas diretamente.

Dola Seed 2.0 Lite e Kimi K3.1 Pro suportam cache de prompts?

Sim. Os dois cobram as leituras de cache abaixo da tarifa de entrada, então cargas de trabalho com prefixo já em cache custam menos do que os preços de tabela sugerem. Os valores exatos de leitura de cache estão na tabela de preços acima.

Comparações relacionadas