aire.
·約 6 分鐘

Kimi K3.1 Pro vs Opus 5.5:價格、每題成本與 11/4 開放權重預告

Kimi K3.1 Pro 標準 API 的未快取輸入、輸出單價是 Opus 5.5 的一半,但每題帳單還要看用量、快取與重試。本文用官方價格和 Artificial Analysis 新版評測,拆解該不該換模型,以及 11/4 權重預告落地後還要確認什麼。

收進
本文涉及工具

Kimi K3.1 Pro 的價格很有吸引力:標準 API 的未快取輸入與輸出費率,都是 Claude Opus 5.5 的一半。正在付 API 帳單的人,會想把手上的工作搬過去試試。

我的建議是先試一批能驗收的工作,再決定要不要換。 同樣叫「整理一份報告」或「修一個錯誤」,模型可能讀不同長度的資料、思考不同時間,也可能多跑幾輪。牌價較低是值得試的理由;交出可用成果的成本,才是留下它的理由。

本文資料查核至台北時間 2026 年 10 月 28 日。價格談的是按量計費 API,不是 Kimi、Claude 的會員月費;每題數據來自第三方評測,本文沒有自行跑模型實測。

先看牌價:標準版便宜,Highspeed 要另算

Kimi 官方價格頁與 Anthropic 官方價格頁列出的基本費率如下。單位為美元/百萬 token;Opus 採標準模式,不含 Fast、Batch 等特殊計價,Kimi 列價未稅。

模型 未快取輸入 輸出 快取讀取
Kimi K3 $3 $15 $0.30
Kimi K3.1 Pro $2 $10 $0.20
Kimi K3.1 Pro Highspeed $4 $20 $0.20
Claude Opus 5.5 $4 $20 $0.20

標準 K3.1 Pro 的未快取輸入、輸出費率比 K3 低三分之一,比 Opus 5.5 低一半。但換成 Highspeed,這兩欄就和標準 Opus 一樣了。它賣的是速度:Moonshot 宣稱可達 K3.1 Pro 的兩至三倍,這仍須用你的工作驗證。

快取那欄尤其容易看錯。Highspeed 的快取讀取仍是 $0.20,沒有跟著翻倍;可是「讀取便宜」也不表示整段內容第一次放進快取就免費。Kimi 標準版的五分鐘/一小時快取寫入為 $2/$4,Highspeed 為 $4/$8;Opus 5.5 則是 $5/$8,單位同樣是每百萬 token。

如果工作反覆使用同一份長文件,快取會改變結果。應從帳單分辨未快取輸入、快取寫入、快取讀取與輸出,不能只拿輸入單價乘上全部文字長度。Kimi 快取說明

一次四美分,和每題 3.68 美元,為什麼都可能對?

先做一個純算式示範,並非實測。假設一次請求用掉一萬個未快取輸入 token、兩千個計費輸出 token,沒有快取寫入、工具費、重試或稅:

按上表換算,K3.1 Pro 的輸入花 $0.02、輸出花 $0.02,合計 $0.04;Highspeed 與標準 Opus 5.5 都是 $0.08。

這只能回答「用量相同時,費率差多少」。真正跑同一題,用量不會因為我們把表格排整齊就相同。推理、工具回傳、反覆讀取上下文,都可能增加帳單;不同模型的 token 切分也有差異。

獨立評測機構 Artificial Analysis(AA)於 10 月 27 日更新 Intelligence Index v5,換入新的測項與權重。下面固定使用新版,依 10 月 28 日抓取的各模型頁列值,不混用早期評測的分數與成本。

AA 模型設定 v5 綜合分數 每題加權平均成本
Kimi K3.1 Pro 46 $3.68
Claude Opus 5.5(Max, Default Fallback) 58 $10.04
GPT-6 Astra(Max) 57 $6.24

來源:Kimi 模型頁、Opus 模型頁、Astra 模型頁。Kimi 頁名未另標推理力度,本文不自行補上;K3 在新版頁面的分數與成本是 N/A,因此不拿舊版數字補格。

AA 的「每題」是把各測項的輸入、快取與輸出成本除以題數,再按指數權重合併。它既不是整套測試的總價,也不是一般使用者每送出一句問題的價格,更沒有保證那一題已成功完成。成本方法

所以 $0.04 和 $3.68 並不矛盾:前者是我指定用量算出的費用,後者來自一組用量各異的評測工作。兩者都不能拿來當所有任務的固定報價。

比 Opus 便宜,並沒有自動補上能力差距

這張表支持一個有限但有用的判斷:在 AA 新版測試裡,K3.1 Pro 平均成本較低,Opus 5.5 與 Astra 的綜合分數較高。 46 與 58 是綜合指數,不能讀成「成功率 46% 與 58%」,也不能直接相除,算成每個成功成果的價格。

新版評測也讓「接近最強」這種說法需要重看。AA 的 v5 公告顯示,Kimi 在 Terminal-Bench 4.0 表現突出,但綜合分數仍與前兩者有距離。同一個模型,在終端機任務、科學研究或知識問答上,可能是不同的位置。這份綜合指數也不能代替繁體中文寫作的驗收。

這會怎麼影響選型?假設團隊每週要整理固定格式的商品資料,欄位是否齊全、有沒有捏造內容,都能逐項確認。若 Kimi 通過你原本的驗收標準,較低成本就有實際意義。另一種工作是修改重要服務,答案看似合理卻需要工程師花半天找錯;這時省下的 API 費,可能被人工時間吃掉。這兩個都是選型情境,不是本文測得的模型表現。

同樣地,已經用 Opus 做得順,也不必因為價表出現便宜一半就整批搬家。先選出可重跑、結果能核對的一小部分,讓新模型證明它能接下來,比只看榜單替整個流程換引擎更有依據。

11/4 前後,改變的是部署選項

Moonshot 目前已透過 Kimi 產品與 API 提供 K3.1 Pro;完整權重則預告於 2026 年 11 月 4 日前釋出。截至本文查核時,官方 Hugging Face 的 K3 模型查詢只見舊版 K3,未見 K3.1 Pro 權重倉庫。官方沒有在這句預告指定時區,本文不另加精確倒數。

因此,11/4 不能先被寫成「開始免費使用」的日期。即使如期公開,API 是否調價、授權允許什麼、部署要多少資源,仍是不同的問題。本站先前的 Kimi K3 自架文章記錄的是舊版檔案與條款,不能直接搬來當 K3.1 Pro 的答案。

你目前的條件 現在可做的事 權重發布後再確認
用託管服務,先求省成本 用 API 試一批既有工作 有無更適合的託管價格與服務條件
想掌握部署環境,有維運人力 先訂好驗收與資料需求 完整檔案、授權、推論框架及硬體需求
希望一般電腦就能免費跑完整版 暫不據預告採購設備 是否有適合的小版本、量化與實際部署文件

自架的優勢是能掌握更多部署安排;代價是要自己承擔硬體、能源、維運與故障處理。開放權重提供的是選擇,是否划算仍要回到工作量與團隊能力。若官方延後,或檔案先到、授權與部署資訊還不完整,就沿用目前可驗證的託管方案,不因日曆翻頁而假定條件都齊了。

換模型前,先留一張能重算的帳單

我的做法建議是:挑一批代表性工作,先寫下什麼叫做通過,再讓 Kimi 與目前使用的模型各跑一次。固定輸入與可用工具,記下模型版本、推理力度、總費用、等待時間,以及人工修正了什麼。失敗與重試也要保留,不能只留下最漂亮的一次。

成本至少分成兩層看:全部嘗試的 API 費用除以合格成果數,是這批工作的平均 API 成本;工具、基礎設施與人工修正則另外計入。若一份都沒通過,就沒有可報的「每份合格成本」。這個分母比每百萬 token 更接近你真正想買的東西。

推理設定也要記。Kimi 文件列出 low、high、max,預設 max,且推理固定啟用。可以比較不同力度是否仍通過驗收,不能把「關掉思考」當成已支援的省錢方法。這也延續了我們談過的推理力度與成本問題。

對已使用 K3 的人,K3.1 Pro 的低牌價提供了試換理由;對 Opus 使用者,先搬可核對、出錯能回復的工作;對準備自架的人,等權重、授權與部署條件齊備再算。最後留下來的模型,應該是能以你接受的成本交出合格工作、而且你知道如何驗收的那一個。

常見問題

Kimi K3.1 Pro 比 Claude Opus 5.5 便宜多少?

截至 2026 年 10 月 28 日,標準 API 每百萬 token 的未快取輸入、輸出價分別為 2、10 美元,Opus 5.5 標準版為 4、20 美元。費率少一半,不保證同一份工作也少花一半;模型用量、快取、工具與失敗重試都會影響實際帳單。

Kimi K3.1 Pro Highspeed 也是便宜一半嗎?

不是。Highspeed 的未快取輸入、輸出價為每百萬 token 4、20 美元,與標準 Opus 5.5 相同;快取讀取仍為 0.20 美元。Moonshot 宣稱速度是 K3.1 Pro 的兩至三倍,本文未自行實測。

Artificial Analysis 每題 3.68 美元,代表我問一次就付這麼多嗎?

不代表。這是截至 2026 年 10 月 28 日,Kimi K3.1 Pro 在 Intelligence Index v5 指定測試中的加權平均成本,依測項權重合併,不是一般問答報價,也不是成功完成一題的保證成本。

11 月 4 日起就能免費自架 Kimi K3.1 Pro 嗎?

官方預告於 2026 年 11 月 4 日前釋出完整權重;截至 10 月 28 日,本文查核未見官方 K3.1 Pro 權重倉庫。發布後仍須確認檔案、授權及部署需求,不能先套用 K3 條款。權重可下載也不會免除硬體、能源與維運成本。

📚 收進你的工具

For AI Reading Era

把這篇文章交給你日常用的工具——做研究、整理筆記,或當 AI 的 context。

 
延伸閱讀