Kimi K3 vs Kimi K3.1 Pro

vs

Qual usar e quando

A Moonshot desenvolveu kimi-k3.1-pro a partir de kimi-k3. Para um fluxo novo de texto ou capturas, comece com as tarifas menores de entrada e saída de kimi-k3.1-pro. Em integrações existentes, repita chamadas de ferramentas representativas antes de trocar o alias.

Benchmarks

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

Acima da médiaNenhum melhorKimi K352 / 6712 / 67
Kimi K3 Kimi K3.1 Pro outros modelos medidos média dos modelos comparados ★ nenhum outro modelo teve pontuação maior
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
nenhum outro modelo teve pontuação maior 94.6%
N/A
GPQA Diamond
93.5%
N/A
BrowseComp
91.2%
N/A
Video-MME (w. sub)
nenhum outro modelo teve pontuação maior 90%
N/A

Publicado pelos provedores: 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

Preços

Kimi K3 Kimi K3.1 Pro Δ
Entrada / 1M tokens $3 $2 1.5×
Saída / 1M tokens $15 $10 1.5×
Leitura de cache / 1M tokens $0.3 $0.2 1.5×

Tarifas do catálogo em tempo real, lidas no momento do build; a página de cada modelo traz a tabela de preços atual.

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

Kimi K3 · $3 Kimi K3.1 Pro · $2
$0.05 · Qwen3 VL Flash $30 · GPT-5.4 Pro

Capacidades

Kimi K3 Kimi K3.1 Pro
Uso de ferramentas sim sim
Controle de raciocínio sempre ativo

sim

o provedor não publica o controle

Saída estruturada sim sim
Cache de prompts implícito (automático) implícito (automático)
Tempo de vida do cache não publicado não publicado
Prefixo mínimo em cache não publicado não publicado

Especificações

Kimi K3 Kimi K3.1 Pro
Modalidades de entrada texto imagem vídeo texto imagem
Modalidades de saída texto texto
Lançamento 2026-07-16 2026-10-23
Janela de contexto 1.048.576 1.048.576
Saída máxima 1.048.576 1.048.576
Parâmetro de raciocínio reasoning_effort (top-level; the thinking object is not accepted) -
Valores aceitos
reasoning_effort
  • low
  • high
  • max
-
Padrão max -

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: Kimi K3 · 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

Kimi K3 passou · 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.

saída 755 tok (+637 raciocínio) latência 20.8 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

Kimi K3 passou · 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. […]

saída 1837 tok (+1547 raciocínio) latência 47.2 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

Kimi K3 passou · 5/5 fields, guidance null

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

saída 924 tok (+863 raciocínio) latência 25.9 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

Kimi K3 passou · 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.

saída 1527 tok (+1354 raciocínio) latência 37.9 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="kimi-k3",
    # model="kimi-k3.1-pro",  # descomente esta linha, comente a linha acima
    messages=[{"role": "user", "content": "Summarize this diff"}],
    reasoning_effort="medium",
)
print(resp.choices[0].message.content)

Obtenha sua chave de API →

Perguntas frequentes

Qual é mais barato, Kimi K3 ou Kimi K3.1 Pro?

Kimi K3.1 Pro sai mais barato na linha “Entrada / 1M tokens” ($2 contra $3, 1.5× de diferença). Outras linhas podem pender para o outro lado: a tabela acima mostra todos os preços, e o custo real depende do seu mix de uso.

Posso fazer um teste A/B de Kimi K3 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.

Kimi K3 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

Dos nossos estudos com medições