Kimi K3 против GLM-5.2 (2026): стоит ли граница в 2.8x переплаты?

TL;DR. GLM-5.2 (z-ai/glm-5.2) это более дешёвая модель, а Kimi K3 (moonshotai/kimi-k3) более сильная, и разрыв в обе стороны реален. На ofox.ai K3 идёт по $3/$15 за миллион против $1.40/$4.40 у GLM-5.2, так что типичный прогон (50K вход, 20K выход, без кэша) стоит $0.45 на K3 против $0.158 на GLM-5.2, примерно в 2.8x дороже. За эту премию Artificial Analysis ставит K3 выше по общему интеллекту (57 против 51) и заметно выше на агентных задачах (GDPval v2 Elo 1668 против 1514), а ещё K3 добавляет нативное зрение. Обе с открытыми весами, у обеих контекст 1M, так что старое преимущество GLM-5.2 по контексту над Kimi исчезло. Решение просто сформулировать, а ответ зависит от нагрузки: платите 2.8x за K3, когда разрыв в возможностях это оправдывает, оставайтесь на GLM-5.2, когда «достаточно хорошо» за треть стоимости выигрывает.

Это обновление более раннего сравнения по стоимости. В прошлом цикле более дешёвая Kimi (K2.7 Code) была ниже GLM-5.2, и сюжет был «насколько дешевле». С K3 стрелка разворачивается: теперь Kimi это премиальный вариант, и честный вопрос в том, стоит ли граница той наценки на ваших прогонах.

TL;DR: какую выбрать?

Честный вердикт: GLM-5.2 это чувствительный к цене вариант по умолчанию, а Kimi K3 это апгрейд по возможностям, который вы покупаете осознанно. Цена за прогон в пользу GLM-5.2 при любом миксе; бенчмарки в пользу K3 по любому измерению. Там, где эти два факта пересекаются, находится ваша собственная планка качества, а разбивка выше показывает, где деньги на самом деле двигаются.

Быстрое сравнение характеристик

Цены это ставки шлюза ofox.ai, USD за миллион токенов, снятые с каталога моделей на July 17 2026. Показатели AA это скользящий снимок около запуска K3 в July 2026.

Две вещи, которые стоит снять с этой таблицы перед подсчётами. GLM-5.2 дешевле по всем трём тарифицируемым осям, так что любая нагрузка платит меньше за токен на GLM-5.2. И контекстные окна теперь равны на 1M, что убирает главную причину, по которой старая Kimi проигрывала это сравнение на больших промптах. Так что сделка сводится к одной оси: вы платите ценовую премию за измеренную премию по возможностям, и больше ничто в характеристиках не разбивает ничью.

Стоимость за прогон: K3 это премиальный вариант

Цены за токен это входные данные, а не ответ. Стоимость прогона это цена, умноженная на потреблённые токены. Возьмём показательный прогон агента на 50K входных токенов и 20K выходных, без кэша.

K3 стоит примерно в 2.8x за прогон. Большая часть этого разрыва в строке выхода: $15/M на выходе у K3 это 3.4x от $4.40/M у GLM-5.2, а агент с тяжёлым рассуждением прогоняет через выход много токенов. На этом миксе один только выход составляет две трети счёта K3. Это число стоит держать в голове для разделов про кэш и микс ниже, потому что именно оно делает премию K3 липкой.

Причина считать арифметику, а не оценивать по прайс-листу на глаз, в том, что цена за токен и цена за прогон ранжируют модели одинаково, но не в одинаковой мере. GLM-5.2 на 53% дешевле на входе и на 71% дешевле на выходе за токен, но прогон выходит на 65% дешевле, потому что прогон взвешивает оси по тому, сколько токенов реально течёт через каждую. Измените микс, и разрыв на прогоне изменится вместе с ним, даже если ценники не двигаются. Так что решение, принятое только по таблице характеристик, будет верным по направлению и ошибочным по величине, а на объёме именно величина и есть весь смысл.

Что покупает премия

Если бы K3 стоила столько же, сколько GLM-5.2, это был бы не спор. Но это не так, поэтому вопрос в том, что покупает 2.8x. Три показателя из одного источника от Artificial Analysis, чтобы сравнение оставалось честным.

По общему интеллекту K3 выше на шесть очков. На агентной оценке GDPval v2, которая оценивает реалистичную многошаговую работу с инструментами, а не викторину, K3 лидирует на 154 Elo, что шире, чем намекает разрыв в индексе. Это согласуется с тем, что K3 занимает первое место в оценке рабочих процессов AutomationBench от AA. Третья строка это честный противовес: собственный показатель стоимости на задачу у AA ставит K3 в $0.94 против $0.32 у GLM-5.2, примерно те же 2.9x, что вы видите в математике за прогон, так что прирост возможностей и стоимость пропорциональны. Вы не переплачиваете за K3, но и скидки не получаете. Это прямая сделка «качество за деньги».

Есть один эффект, который работает в пользу K3 по деньгам. Более сильная модель иногда может завершить задачу за меньшее число токенов, и Artificial Analysis отметил, что K3 использовал примерно на 21% меньше выходных токенов, чем предыдущее поколение Kimi, чтобы пройти их индекс. Поскольку счёт прогона это цена, умноженная на токены, меньшее число токенов частично компенсирует более высокую ставку за токен. Но не переоценивайте это: показатель стоимости на задачу у AA уже учитывает расход токенов, и он всё равно выходит $0.94 против $0.32, разрыв в 2.9x, совпадающий с математикой за прогон. Так что на этих нагрузках эффективность по токенам подрезает края, но разрыв не закрывает.

Одна дисциплинарная заметка. Эти числа AA и любые бенчмарки, заявленные Moonshot или Zhipu, это разные системы измерения. Строки выше все взяты из Artificial Analysis, так что они сопоставимы между собой. Не выстраивайте их против собственной опубликованной оценки вендора из другого стенда.

Влияние кэша: премия растёт, а не уменьшается

Кэширование скидывает только входные токены. Поскольку минус K3 сосредоточен на выходе, более высокая доля попаданий в кэш делает выход большей долей счёта и толкает соотношение в неправильную для K3 сторону.

Это противоположность старому сюжету Kimi против GLM, где кэширование съедало преимущество более дешёвой модели. Здесь чем больше вы кэшируете, тем сильнее доминирует ориентированное на выход ценообразование K3, так что премия ползёт от 2.8x к сырому соотношению выхода 3.4x. Если ваша нагрузка это цикл ревью кода с высоким кэшем, K3 не просто дороже, она относительно дороже, чем подсказывает заголовок.

Чувствительность к миксу и объём

Соотношение также двигается с формой трафика. Прогоны с тяжёлым входом тянут к входному соотношению 2.1x ($3.00 против $1.40); прогоны с тяжёлым выходом тянут к выходному соотношению 3.4x. Так что на реалистичных нагрузках K3 стоит примерно от 2.1x до 3.4x от GLM-5.2, а случай 50K/20K приземляется ближе к середине на 2.8x.

На объёме этот средний случай становится реальной строкой расходов. Вот тот же прогон 50K/20K, масштабированный вверх.

При тысяче прогонов в месяц разница составляет $292, около $3,500 в год. При двадцати тысячах прогонов это $5,840 в месяц, цена решения о найме, а не ошибка округления. Это вес на стороне GLM-5.2 на весах. Вес на стороне K3 это агентный разрыв в 154 Elo и зрение, которые либо важны для ваших задач, либо нет. Таблицы не могут сделать этот выбор за вас; они лишь делают стоимость выбора явной, чтобы, направляя массовый трафик на ту или иную модель, вы делали это, держа годовое число перед глазами.

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

Джокер расхода токенов

Каждое число выше предполагает, что две модели выдают одинаковые токены на одну и ту же задачу. Это не так. Стоимость прогона это цена, умноженная на токены, а второй множитель зависит от модели: модель, которая планирует эффективно, может закончить за меньшее число выходных токенов, а та, что растекается или повторяет попытки, сжигает больше. Здесь это важно, потому что именно на выходе сосредоточена премия K3. Если K3 завершает агентную задачу заметно меньшим числом выходных токенов, чем GLM-5.2, её реальная премия на задачу меньше, чем подразумевают 2.8x из прайс-листа. Если она думает дольше на максимальном усилии, премия больше.

Ценовая сторона точна, взята из каталога ofox. Сторону токенов я не могу посчитать для ваших задач, потому что никто не опубликовал первоисточниковый бенчмарк расхода токенов на идентичных агентных прогонах для этих двух моделей, и он был бы зависим от нагрузки, даже если бы существовал. Стоимость на задачу у AA ($0.94 против $0.32) это ближайший нормализованный прокси, и он говорит, что разрыв держится примерно на 2.9x по их набору. Но ваш трафик это не их набор. Единственный способ это решить это цикл A/B ниже: запустите обе на ваших реальных задачах, читайте поле usage и дайте вашим собственным подсчётам токенов ответить на вопрос о стоимости за прогон. Всё выше говорит вам, где ожидать ответа; только ваши логи говорят, где он на самом деле.

Когда выбирать Kimi K3

Платите премию, когда возможность проявляется в вашем выходе, а не по умолчанию:

• Агентные нагрузки и работа с инструментами. Разрыв в 154 Elo GDPval v2 и первое место в AutomationBench это ровно тот вид многошаговой автономии, где более слабая модель тратит токены впустую, барахтаясь. Здесь более высокая цена K3 может даже окупиться за счёт меньшего числа повторов.
• Задачи по зрению. Скриншоты, диаграммы, баги интерфейса. K3 принимает вход по изображению нативно; маршрут GLM-5.2 в этом сравнении только текстовый.
• Самое сложное рассуждение. Там, где разрыв в шесть очков интеллекта меняет то, завершится ли задача корректно, а не просто быстрее.

Сквозная линия: K3 отрабатывает свою цену, когда задача достаточно сложна или агентна, что более слабая модель провалилась бы, повторяла бы попытки или потребовала бы человека для уборки. Эти издержки провалов не показываются в счёте API, но они реальны, и когда вы считаете весь цикл, модель, которая делает всё правильно с первого раза, может быть дешевле модели, которая дешевле за токен. Если ваш агент работает без присмотра, взвешивайте это сильно.

Когда выбирать GLM-5.2

Оставайтесь на более дешёвой модели, когда «достаточно хорошо» проходит планку:

• Высокообъёмное, чувствительное к цене кодирование. Примерно за треть стоимости за прогон при том же контексте 1M GLM-5.2 это выбор по умолчанию для массовой работы.
• Задачи с тяжёлым входом и лёгким выходом. RAG, суммаризация, классификация. Строка выхода, где K3 дороже в 3.4x, мала, но и причина за неё платить тоже мала.
• Самостоятельный хостинг сегодня. Веса GLM-5.2 под MIT уже вышли; веса K3 обещаны к July 27 2026, но пока не выпущены.

Сквозная линия: GLM-5.2 выигрывает всякий раз, когда разница в качестве не меняет результат, а большая часть продакшн-трафика по кодированию рутинна. Эффективный паттерн это не «выбрать одну модель», это многоуровневая маршрутизация: направляйте массовый трафик по умолчанию на GLM-5.2, повышайте до K3 только сложные, агентные или зрительные срезы. Поскольку обе делят один эндпоинт ofox и один API-ключ, эта маршрутизация это выбор строки на запрос, а не интеграционный проект, так что вы можете захватить большую часть возможностей K3, платя ставку GLM-5.2 на большинстве вызовов.

Когда ни одна не подходит

Если задача это бюджетное кодирование только с текстом и вам не нужен полный контекст 1M у GLM-5.2, меньшая, более дешёвая Kimi может обойти обе по стоимости. Kimi K2.7 Code (moonshotai/kimi-k2.7-code) идёт по $0.95/$4 с контекстом 256K. На краю крайнего бюджета Artificial Analysis указывает DeepSeek V4 Pro за $0.04 на задачу, доля от $0.32 у GLM-5.2, хотя он отстаёт по индексу интеллекта (44 против 51 у GLM-5.2), так что это выбор только когда стоимость доминирует над всем остальным, а планка качества низкая. А если вам нужен абсолютный верх доски, а не выбор по цене или объёму, закрытая граница (GPT-5.6 Sol, Claude Fable 5) стоит выше и K3, и GLM-5.2 по индексу AA, по цене выше обеих. Для более широкого взгляда смотрите рейтинг моделей для кодирования по реальному использованию и сравнение цен на API.

Попробуйте обе через ofox: A/B в одном цикле

Обе модели сидят на одном OpenAI-совместимом эндпоинте, так что реальное сравнение за прогон на вашей задаче это замена одной строки. Направьте SDK на https://api.ofox.run/v1, пройдитесь циклом по двум ID моделей и читайте usage и задержку. Возьмите ключ на странице модели ofox для Kimi K3.

Python: A/B обеих моделей в одном цикле

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: та же форма

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}`);
}

Только K3: прикрепить скриншот

K3 принимает вход по изображению; тот же вызов к z-ai/glm-5.2 на текстовом маршруте падает. Отправьте изображение как блок image_url.

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)

Запустите цикл на показательном срезе ваших реальных задач, просуммируйте usage за день и умножьте на цены из таблицы характеристик. Расход токенов на задачу зависит от нагрузки, и ни один лидерборд не измеряет его для вашего трафика, так что этот цикл это единственный честный вход в решение по стоимости за прогон.

FAQ

Kimi K3 дороже, чем GLM-5.2? Да. K3 стоит $3/$15/M против $1.40/$4.40/M у GLM-5.2. На прогоне 50K/20K без кэша это $0.45 против $0.158, примерно 2.8x. Цена выхода K3 в 3.4x выше, чем у GLM-5.2, и это большая часть разрыва.

Kimi K3 лучше, чем GLM-5.2? По Artificial Analysis да: 57 против 51 по Intelligence Index и 1668 против 1514 по агентному Elo GDPval v2, плюс нативное зрение. K3 это модель на 2.8T, GLM-5.2 на 753B. Сильнее, но примерно в 2.8x дороже за прогон.

Премия K3 растёт или уменьшается с кэшем? Растёт. Кэширование скидывает только вход, а минус K3 на выходе, так что больше кэша толкает соотношение от примерно 2.8x к выходному соотношению 3.4x.

У кого больше контекстное окно? Ничья на 1M токенов. У старой Kimi K2.7 Code было 256K, так что у GLM-5.2 больше нет преимущества по контексту над текущим флагманом Kimi.

Обе с открытыми весами? GLM-5.2 поставляется с весами под MIT сегодня (~753B). K3 анонсирована с открытыми весами и релизом к July 27 2026 (2.8T), пока не вышла, так что сегодня она только через API.

Когда стоит выбрать GLM-5.2 вместо Kimi K3? Для высокообъёмной работы, где качества уже хватает. GLM-5.2 работает примерно за треть стоимости при том же контексте 1M. Оставьте K3 для агентных, зрительных или самых сложных по рассуждению задач, где разрыв меняет результат.

Можно ли гонять A/B обеих за одним ключом? Да, обе на api.ofox.ai/v1 по OpenAI-совместимому протоколу. Поменяйте moonshotai/kimi-k3 на z-ai/glm-5.2 с тем же ключом и SDK.

Источники, проверенные для этого обновления

• 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