Kimi K3 vs GLM-5.2 (2026): フロンティアは2.8倍のコストに見合うか

TL;DR。 GLM-5.2 (z-ai/glm-5.2) が安いモデル、Kimi K3 (moonshotai/kimi-k3) が強いモデルで、両方向の差はどちらも本物です。ofox.ai では K3 が100万あたり$3/$15、GLM-5.2 が**$1.40/$4.40で提示されており、典型的な1回の実行 (入力50K、出力20K、キャッシュなし) はK3 で$0.45、GLM-5.2 で$0.158、約2.8倍になります。その割高と引き換えに、Artificial Analysis は総合知能で K3 を高く評価し (57 vs 51)、エージェント型タスクでは明確に高く (GDPval v2 Elo 1668 vs 1514)、さらに K3 はネイティブビジョンを備えます。どちらもオープンウェイトで、どちらも1Mコンテキスト**を共有するので、GLM-5.2 がかつて Kimi に対して持っていたコンテキストの優位は消えました。判断は言葉にすれば単純で、答えはワークロード次第です。能力差がそれに見合うなら K3 に2.8倍を払い、3分の1のコストで十分が勝つなら GLM-5.2 に留まる。

これは以前のコスト比較のアップデートです。前サイクルでは安い方の Kimi (K2.7 Code) が GLM-5.2 を下回り、話題は「どれだけ安いか」でした。K3 で矢印は逆転します。Kimi が今やプレミアムの選択肢になり、誠実な問いは「あなたの実行でフロンティアがその上乗せ分に見合うか」になりました。

TL;DR: どちらを選ぶべきか

誠実な結論。GLM-5.2 はコスト重視のデフォルト、Kimi K3 は意図して買う能力アップグレードです。1回あたり価格はどの構成でも GLM-5.2 に有利で、ベンチマークはどの指標でも K3 に有利です。この2つの事実が交わる地点があなた自身の品質基準であり、上の切り分けが実際にお金が動く境界です。

主要スペック比較

価格は ofox.ai ゲートウェイのレート、100万トークンあたりのUSDで、July 17 2026 のモデルカタログから読み取ったものです。AAの数値は K3 の July 2026 ローンチ前後のローリングスナップショットです。

計算に入る前に、この表から2点を押さえます。GLM-5.2 は課金対象の3軸すべてで安いので、どんなワークロードでもトークンあたりの支払いは GLM-5.2 の方が少なくなります。そしてコンテキストウィンドウは今や1Mで等しく、これは旧世代の Kimi が大きなプロンプトでこの比較に負けていた最大の理由を取り除きます。つまりトレードオフは1軸に収束します。あなたは測定された能力プレミアムに対して価格プレミアムを払っているだけで、スペック上のほかの何もこの均衡を崩しません。

1回あたりコスト: K3 はプレミアムの選択肢

トークンあたり価格は入力であって答えではありません。実行コストは価格×消費トークンです。代表的なエージェント実行として、入力50Kトークン、出力20Kトークン、キャッシュなしを取ります。

K3 は1回あたり約2.8倍です。その差の大半は出力の行です。K3 の$15/M出力は GLM-5.2 の$4.40/Mの3.4倍で、推論重めのエージェントは大量のトークンを出力に通します。この構成では、出力だけで K3 の請求の3分の2を占めます。これは以下のキャッシュと構成のセクションで頭に入れておく数字です。K3 の割高を粘り強くしているのがこれだからです。

価格表を眺めるのではなく算術を回す理由は、ここではトークンあたり価格と1回あたり価格がモデルを同じ順序で並べるものの、その大きさは同じではないからです。GLM-5.2 はトークンあたりで入力が53%安く、出力が71%安いのに、実行では65%安くなります。実行が各軸を実際に流れるトークン数で重み付けするからです。構成を変えれば、ステッカー価格が動かなくても実行の差はそれに応じて変わります。だからスペック表だけで下した判断は方向としては正しくても、量としては間違います。そして量こそが、大量処理では全体の要点なのです。

割高分が買うもの

もし K3 が GLM-5.2 と同じ価格なら、勝負にならないでしょう。そうではないので、問いは「2.8倍が何を買うか」です。比較を誠実に保つため、Artificial Analysis からの単一ソースの3つの読みを挙げます。

総合知能では K3 が6ポイント上です。雑学ではなく現実的な多段のツール使用作業を採点する GDPval v2 のエージェント型評価では、K3 が154 Eloリードしており、インデックス差が示すより広い差です。これは K3 が AA の AutomationBench ワークフロー評価でトップに立ったことと符合します。3行目は誠実な釣り合いおもりです。AA 自身のタスクあたりコストは K3 が$0.94、GLM-5.2 が$0.32で、1回あたり計算で見るのとほぼ同じ2.9倍です。つまり能力の向上とコストは比例しています。K3 に払い過ぎているわけではないが、割引を受けているわけでもありません。品質と金額のまっすぐな取引です。

お金の面で K3 に有利に働く効果が1つあります。より強いモデルは時にタスクをより少ないトークンで完了でき、Artificial Analysis は K3 が彼らのインデックスを完了するのに前世代の Kimi より出力トークンを約21%少なく使ったと指摘しました。実行の請求は価格×トークンなので、トークンが少なければトークンあたりレートの高さを部分的に相殺します。ただし過大評価しないこと。AA のタスクあたりコストの数字はすでにトークン消費を織り込んだうえで$0.94対$0.32に着地しており、これは1回あたり計算と一致する2.9倍の差です。つまりこれらのワークロードではトークン効率は縁を削るだけで、差を埋めはしません。

規律に関する注記を1つ。これらのAAの数値と、Moonshot や Zhipu が報告するベンチマークは、異なる測定系です。上の各行はすべて Artificial Analysis から来ているので互いに比較可能です。異なるハーネスによるベンダー自身の公表スコアと並べて比べないでください。

キャッシュの影響: 割高は拡大し、縮小しない

キャッシュは入力トークンのみを割引します。K3 の不利は出力に集中しているため、キャッシュヒット率が高いほど請求に占める出力の割合が増え、K3 にとって比率を悪い方向に押します。

これは旧世代の Kimi 対 GLM の物語の逆です。あちらではキャッシュが安いモデルの優位を食っていました。ここでは、キャッシュするほど K3 の出力重視の価格設定が支配的になり、割高分は2.8倍から生の出力比率である3.4倍へ向かって忍び寄ります。もしあなたのワークロードがキャッシュ多用のコードレビューループなら、K3 は単に高いだけでなく、見出しが示すより相対的に高いのです。

構成の感度とボリューム

比率はトラフィックの形状によっても動きます。入力重めの実行は入力比率の2.1倍 ($3.00 vs $1.40) へ引かれ、出力重めの実行は出力比率の3.4倍へ引かれます。だから現実的なワークロード全体で K3 は GLM-5.2 のおよそ2.1倍から3.4倍のコストになり、50K/20K のケースは真ん中付近の2.8倍に着地します。

ボリュームになると、その真ん中のケースは実際の費目になります。同じ50K/20K の実行をスケールアップしたのが以下です。

月1000実行なら差は$292、年間で約$3,500です。2万実行なら月$5,840で、これは端数ではなく採用人数を左右するレベルの価格です。これが天秤の GLM-5.2 側にかかる重りです。K3 側の重りは154 Eloのエージェント型の差とビジョンで、これはあなたのタスクにとって効くか効かないかのどちらかです。表がその判断を代わりに下すことはできません。表は判断のコストを明示するだけです。だから大量トラフィックをどちらのモデルに振り分けるにせよ、年間の数字を視野に入れて行えます。

flowchart TD
    A[Agent run] --> B{Needs vision or hardest agentic quality?}
    B -->|Yes| C[Kimi K3<br/>moonshotai/kimi-k3]
    B -->|No| D{High volume and quality already good enough?}
    D -->|Yes| E[GLM-5.2<br/>z-ai/glm-5.2<br/>~1/3 the per-run cost]
    D -->|No| F{Is the 154-Elo agentic gap worth ~2.8x?}
    F -->|Yes| C
    F -->|No| E

トークン消費というワイルドカード

ここまでの数字はすべて、2つのモデルが同じタスクに対して同じトークンを出すと仮定しています。そうはなりません。実行コストは価格×トークンで、2番目の要素はモデル固有です。効率よく計画するモデルはより少ない出力トークンで終えられる一方、脱線したりリトライしたりするモデルはより多く燃やします。これがここで重要なのは、出力こそ K3 の割高が集中する場所だからです。もし K3 がエージェントタスクを GLM-5.2 より明らかに少ない出力トークンで完了するなら、実効のタスクあたり割高は価格表が示唆する2.8倍より小さくなります。もし最大努力で長く考えるなら、割高は大きくなります。

価格側は厳密で、ofox カタログから取ったものです。トークン側はあなたのタスクについて私が計算できるものではありません。この2つのモデルについて同一のエージェント実行でのファーストパーティのトークン消費ベンチマークを誰も公表しておらず、仮にあってもワークロード固有だからです。AA のタスクあたりコスト ($0.94 vs $0.32) が最も近い正規化された代理指標で、彼らのスイート全体で差が約2.9倍に保たれると言っています。しかしあなたのトラフィックは彼らのスイートではありません。決着をつける唯一の方法は下のA/Bループです。あなたの実タスクで両方を実行し、usage フィールドを読み、あなた自身のトークン数に1回あたりの問いを答えさせてください。ここまでの話は答えがどこに着地しそうかを教えるだけで、実際にどこに着地するかを教えるのはあなたのログだけです。

Kimi K3 を選ぶとき

能力があなたの出力に表れるときに割高を払ってください。デフォルトでは払わない。

• エージェント型・ツール使用のワークロード。 154 EloのGDPval v2差と AutomationBench のトップは、まさに弱いモデルがもがいてトークンを浪費するタイプの多段自律です。ここでは K3 の高い価格が、リトライの少なさで元を取ることさえあります。
• ビジョンタスク。 スクリーンショット、図表、UIのバグ。K3 はネイティブに画像入力を取ります。この比較での GLM-5.2 ルートはテキストのみです。
• 最難関の推論。 6ポイントの知能差が、単に速くなるだけでなく、タスクが正しく完了するかどうかを変える場面。

一貫した筋。K3 は、タスクが十分に難しいかエージェント的で、弱いモデルなら失敗・リトライ・人手による後始末が必要になるときに、その価格に見合います。それらの失敗コストはAPIの請求書には表れませんが、実在します。そしてループ全体を数えれば、一発で正しくやるモデルは、トークンあたりで安いモデルより安くなり得ます。エージェントが無人で走るなら、そこを重く見てください。

GLM-5.2 を選ぶとき

十分な品質が基準を満たすなら、安いモデルに留まってください。

• 大量でコストに敏感なコーディング。 同じ1Mコンテキストで1回あたりコスト約3分の1なので、GLM-5.2 は大量処理のデフォルトです。
• 入力重め、出力軽めのジョブ。 RAG、要約、分類。K3 が3.4倍高い出力の行は小さく、そこに払う理由も小さいのです。
• 今すぐの自己ホスト。 GLM-5.2 のMITウェイトはすでに公開済み。K3 のは July 27 2026 までと約束されていますが、まだ公開されていません。

一貫した筋。GLM-5.2 は品質差が結果を変えないときには常に勝ち、そして本番のコーディングトラフィックの大半はルーティンです。効率的なパターンは「1つのモデルを選ぶ」ではなく、階層ルーティングです。大量トラフィックをデフォルトで GLM-5.2 にし、難しい・エージェント的・ビジョンのスライスだけを K3 に昇格させる。両方が1つの ofox エンドポイントと1つのAPIキーを共有するので、そのルーティングはリクエストごとの文字列の選択であって統合プロジェクトではありません。だから大半の呼び出しでは GLM-5.2 のレートを払いつつ、K3 の能力の大部分を取り込めます。

どちらも正解でないとき

もしジョブがテキストのみの予算重視コーディングで、GLM-5.2 の1Mコンテキスト全部が要らないなら、より小さく安い Kimi が両者をコストで上回るかもしれません。Kimi K2.7 Code (moonshotai/kimi-k2.7-code) は256Kコンテキストで $0.95/$4 です。超予算重視の極端では、Artificial Analysis は DeepSeek V4 Pro をタスクあたり$0.04と載せており、GLM-5.2 の$0.32のごく一部です。ただしインテリジェンスインデックスでは劣り (44、GLM-5.2 の51に対して)、コストが他のあらゆる考慮より支配的で品質の下限が低いときだけの選択肢です。そして、コスパやボリュームの選択肢ではなくボードの絶対的な頂点が必要なら、クローズドなフロンティア (GPT-5.6 Sol、Claude Fable 5) が AAインデックスで K3 と GLM-5.2 の両方の上に、両方より高い価格で位置します。より広い視野については、実運用のコーディングモデルランキング と API価格比較 を参照してください。

ofox で両方を試す: 1ループでA/B

両モデルは同じOpenAI互換エンドポイントにあるので、あなた自身のタスクでの本物の1回あたり比較は、文字列を1つ入れ替えるだけです。SDKを https://api.ofox.run/v1 に向け、2つのモデルIDをループし、usage とレイテンシを読みます。キーは ofox の Kimi K3 モデルページ で取得してください。

Python: 1ループで両モデルをA/B

from openai import OpenAI
import os, time

client = OpenAI(base_url="https://api.ofox.run/v1", api_key=os.environ["OFOX_API_KEY"])

prompt = "Refactor this module for async I/O and add early returns on empty input: ..."

for model in ["moonshotai/kimi-k3", "z-ai/glm-5.2"]:
    t0 = time.time()
    resp = client.chat.completions.create(
        model=model,
        messages=[{"role": "user", "content": prompt}],
    )
    dt = time.time() - t0
    u = resp.usage
    print(f"{model}: {dt:.1f}s  in={u.prompt_tokens} out={u.completion_tokens}")

Node: 同じ形

import OpenAI from "openai";

const client = new OpenAI({
  baseURL: "https://api.ofox.run/v1",
  apiKey: process.env.OFOX_API_KEY,
});

const prompt = "Refactor this module for async I/O and add early returns on empty input: ...";

for (const model of ["moonshotai/kimi-k3", "z-ai/glm-5.2"]) {
  const t0 = Date.now();
  const resp = await client.chat.completions.create({
    model,
    messages: [{ role: "user", content: prompt }],
  });
  const dt = ((Date.now() - t0) / 1000).toFixed(1);
  const u = resp.usage;
  console.log(`${model}: ${dt}s  in=${u.prompt_tokens} out=${u.completion_tokens}`);
}

K3 のみ: スクリーンショットを添付

K3 は画像入力を取ります。同じ呼び出しをテキストルートの z-ai/glm-5.2 に対して行うと失敗します。画像は image_url ブロックとして送ります。

import base64

with open("layout-bug.png", "rb") as f:
    b64 = base64.b64encode(f.read()).decode()

resp = client.chat.completions.create(
    model="moonshotai/kimi-k3",
    messages=[{
        "role": "user",
        "content": [
            {"type": "text", "text": "This UI screenshot has a layout bug. What is wrong and how do I fix the CSS?"},
            {"type": "image_url", "image_url": {"url": f"data:image/png;base64,{b64}"}},
        ],
    }],
)
print(resp.choices[0].message.content)

あなたの実タスクの代表的なスライスでループを実行し、1日分の usage を合計し、スペック表の価格を掛けてください。タスクあたりのトークン消費はワークロード固有で、あなたのトラフィックについてそれを測るリーダーボードはないので、このループが1回あたりの判断における唯一誠実な入力です。

FAQ

Kimi K3 はGLM-5.2 より高いですか はい。K3 は $3/$15/M、GLM-5.2 は $1.40/$4.40/M です。50K/20K のキャッシュなし実行ではそれぞれ $0.45 対 $0.158、約2.8倍です。K3 の出力価格は GLM-5.2 の3.4倍で、これが差の大半です。

Kimi K3 はGLM-5.2 より優れていますか Artificial Analysis ではそうです。Intelligence Index で57 vs 51、GDPval v2 エージェント型 Elo で1668 vs 1514、加えてネイティブビジョン。K3 は2.8Tモデル、GLM-5.2 は753Bです。より強いが、1回あたりコストは約2.8倍です。

キャッシュを使うと K3 の割高は拡大しますか縮小しますか 拡大します。キャッシュは入力のみを割引し、K3 の不利は出力にあるので、キャッシュが増えるほど比率は約2.8倍から出力比率の3.4倍へ向かって押し上げられます。

どちらのコンテキストウィンドウが大きいですか 1Mトークンで同じです。旧世代の Kimi K2.7 Code は256Kだったので、GLM-5.2 は現行の Kimi フラッグシップに対してコンテキストの優位を持たなくなりました。

どちらもオープンウェイトですか GLM-5.2 は現時点でMITウェイト (約753B) を提供しています。K3 は July 27 2026 までのリリースでオープンウェイトになると発表されており (2.8T)、まだ公開されていないので、現状はAPI専用です。

GLM-5.2 を Kimi K3 より選ぶべきなのはいつですか 品質がすでに十分な大量処理のとき。GLM-5.2 は同じ1Mコンテキストで約3分の1のコストで走ります。K3 は、差が結果を変えるエージェント型・ビジョン・最難関推論のタスクに温存してください。

1つのキーで両方をA/Bできますか はい。どちらも OpenAI互換プロトコルで api.ofox.ai/v1 にあります。同じキーとSDKのまま moonshotai/kimi-k3 を z-ai/glm-5.2 に入れ替えてください。

この更新のために確認したソース

• Kimi K3 official launch post
• Artificial Analysis: Kimi K3
• ofox model page: Kimi K3
• ofox model page: GLM-5.2
• ofox model page: Kimi K2.7 Code
• The Decoder: Kimi K3 nears GPT-5.6 Sol and Fable 5