Kimi K3 对比 GLM-5.2（2026）：前沿性能值这 2.8x 溢价吗？

TL;DR。 GLM-5.2（z-ai/glm-5.2）是更便宜的模型，Kimi K3（moonshotai/kimi-k3）是更强的模型，两个方向上的差距都是真实的。在 ofox.ai 上 K3 标价 $3/$15 每百万，对 GLM-5.2 的 $1.40/$4.40，所以一次典型运行（50K 输入、20K 输出、无缓存）在 K3 上要 $0.45，在 GLM-5.2 上是 $0.158，贵约 2.8x。为这份溢价，Artificial Analysis 给 K3 的通用智能打分更高（57 对 51），在 agentic 任务上明显更高（GDPval v2 Elo 1668 对 1514），而且 K3 还带原生视觉。两者都是开放权重，也都是 1M 上下文，所以 GLM-5.2 过去相对 Kimi 的上下文优势没了。结论说起来简单，但答案取决于你的工作负载：当能力差距值这个价时，为 K3 付 2.8x；当以三分之一的成本达到够用就赢时，留在 GLM-5.2。

这是一次对早前成本对比的更新。上一轮里更便宜的 Kimi（K2.7 Code）价格低于 GLM-5.2，故事是”便宜多少”。到了 K3，箭头反了过来：Kimi 现在成了溢价选项，诚实的问题变成了前沿性能在你的运行里是否值这个加价。

TL;DR：该选哪个？

诚实的结论：GLM-5.2 是对成本敏感时的默认选择，Kimi K3 是你有意去买的能力升级。单次运行的价格在每一种配比下都偏向 GLM-5.2；基准分数在每一个维度上都偏向 K3。这两个事实交叉的地方，就是你自己的质量门槛，而上表的分界，就是钱真正流动的地方。

规格速览对比

价格是 ofox.ai 网关费率，美元每百万 token，读自 July 17 2026 的模型目录。AA 数据是 K3 于 July 2026 发布前后的滚动快照。

算账之前，先从这张表里拎出两点。GLM-5.2 在全部三个计费轴上都更便宜，所以任何工作负载在 GLM-5.2 上每 token 都付得更少。而上下文窗口现在都是 1M，打平了，这抹掉了老 Kimi 在大 prompt 上输掉这场对比的最大理由。于是这笔权衡收缩到一根轴上：你在为一份实测的能力溢价付一份价格溢价，规格里再没有别的东西能打破平局。

单次运行成本：K3 是溢价选项

每 token 的价格是输入项，不是答案。运行成本等于价格乘以消耗的 token。取一次有代表性的 agent 运行：50K 输入 token、20K 输出 token、无缓存。

K3 单次运行约为 2.8x。这个差距大部分来自输出项：K3 的 $15/M 输出是 GLM-5.2 $4.40/M 的 3.4x，而一个推理密集的 agent 会有大量 token 走输出。在这个配比下，光输出就占了 K3 账单的三分之二。这是下面缓存和配比章节要记住的数字，因为它正是让 K3 溢价黏住不掉的原因。

之所以要动手算而不是眼估价格表，是因为每 token 价格和每次运行价格在这里给两个模型排的序一样，但幅度不一样。GLM-5.2 每 token 输入便宜 53%、输出便宜 71%，可整次运行却便宜了 65%，因为运行是按每根轴实际流过多少 token 来加权的。改变配比，运行差距就跟着变，哪怕标价一动不动。所以仅凭规格表做的决策，方向会对，数量会错，而在量大的场景里，数量才是全部重点。

溢价买到了什么

如果 K3 和 GLM-5.2 一个价，这就没得比了。但它们不是一个价，所以问题是这 2.8x 买到了什么。三条来自 Artificial Analysis 的单一来源读数，好让对比保持诚实。

在通用智能上 K3 高出六分。在 GDPval v2 agentic 评测上（它考的是真实的多步工具调用工作，而不是琐碎知识），K3 领先 154 Elo，比 index 差距暗示的要宽。这与 K3 在 AA 的 AutomationBench 工作流评测上拿下头名相吻合。第三行是诚实的反向砝码：AA 自己的每任务成本口径把 K3 定在 $0.94，对 GLM-5.2 的 $0.32，和你在单次运行算账里看到的差不多是同一个 2.9x，所以能力提升和成本是成比例的。你没有为 K3 多付钱，但也没占到便宜。这是一笔直来直去的质价交易。

有一个效应在钱这一面对 K3 有利。更强的模型有时能用更少的 token 完成任务，Artificial Analysis 注意到 K3 完成他们的 index 时，比上一代 Kimi 少用了约 21% 的输出 token。既然运行账单是价格乘 token，token 少了就能部分抵消更高的单价。但别高估它：AA 的每任务成本口径已经把 token 消耗算进去了，结果仍落在 $0.94 对 $0.32，一个和单次运行算账吻合的 2.9x 差距。所以在这些工作负载上，token 效率只是修了修边角，并没有抹平差距。

一条纪律提醒。这些 AA 数字，和任何 Moonshot 或 Zhipu 自报的基准，是不同的测量体系。上面几行全部来自 Artificial Analysis，所以它们彼此可比。别把它们和厂商用另一套 harness 发布的自报分数摆在一起对比。

缓存的影响：溢价变大，而不是变小

缓存只对输入 token 打折。因为 K3 的劣势集中在输出上，缓存命中率越高，输出在账单里占的比重越大，就把比值往对 K3 不利的方向推。

这和老的 Kimi 对 GLM 故事正相反，那时候缓存吃掉了更便宜模型的优势。而这里，你缓存得越多，K3 那套输出偏重的定价就越占主导，所以溢价从 2.8x 朝原始输出比值 3.4x 爬升。如果你的工作负载是一个高缓存的 code-review 循环，K3 不只是更贵，而是比标称数字暗示的还要相对更贵。

配比敏感度与规模

比值也随流量的形状而变。输入偏重的运行会往输入比值 2.1x（$3.00 对 $1.40）靠；输出偏重的运行会往输出比值 3.4x 靠。所以横跨真实工作负载，K3 的成本大约是 GLM-5.2 的 2.1x 到 3.4x，而 50K/20K 那个情形落在中间偏近的 2.8x。

到了量大的场景，那个中间情形就是一笔真金白银的账。下面是同一个 50K/20K 运行按规模放大后的结果。

每月一千次运行，差额是 $292，一年约 $3,500。每月两万次，就是 $5,840，这已经是一个招人决策的量级，而不是四舍五入的零头。这是 GLM-5.2 一侧秤盘上的砝码。K3 一侧的砝码是那 154-Elo 的 agentic 差距和视觉能力，它要么对你的任务重要，要么不重要。表格替你做不了这个判断；它们只把这个判断的成本摆明，好让你在把批量流量路由到某个模型时，眼里带着那个年度数字。

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

Token 消耗这个变量

到目前为止每个数字都假设两个模型对同一个任务吐出同样的 token。它们不会。运行成本是价格乘 token，而第二个因子是模型相关的：一个规划高效的模型能用更少的输出 token 收尾，而一个啰嗦或反复重试的模型会烧掉更多。这在这里很重要，因为输出正是 K3 溢价集中的地方。如果 K3 用明显更少的输出 token 就完成了一个 agent 任务，它实际的每任务溢价就小于价格表暗示的那个 2.8x。如果它在 max effort 下想得更久，溢价就更大。

价格这一侧是精确的，取自 ofox 目录。token 这一侧我没法替你的任务算出来，因为还没人在这两个模型上、就同一批 agent 运行发布过第一方的 token 消耗基准，而且就算发布了也会因工作负载而异。AA 的每任务成本（$0.94 对 $0.32）是最接近的归一化代理，它说这个差距在他们那套测试里稳定在约 2.9x。但你的流量不是他们那套测试。唯一能了断的办法是下面这个 A/B 循环：在你真实的任务上同时跑两个，读 usage 字段，让你自己的 token 计数来回答单次运行的问题。上面所有内容都在告诉你答案大概会落在哪里；只有你的日志能告诉你它实际落在了哪里。

什么时候选 Kimi K3

在能力真正显现在你的产出里时才付这份溢价，而不是默认就付：

• Agentic 和工具调用工作负载。 那 154-Elo 的 GDPval v2 差距和 AutomationBench 头名，正是那种多步自主场景，弱一点的模型会在里面瞎折腾、白烧 token。这里 K3 更高的价格甚至能靠更少的重试把自己赚回来。
• 视觉任务。 截图、图表、UI bug。K3 原生接收图像输入；本对比里 GLM-5.2 这条路线是纯文本的。
• 最难的推理。 那六分的智能差距会决定任务能否正确完成，而不只是完成得更快。

主线是：当任务难到或 agentic 到弱模型会失败、会重试、或需要人来收拾时，K3 就值这个价。那些失败成本不会出现在 API 账单上，但它们是真实的，一旦你把整个循环算进去，一个第一次就做对的模型，可能比一个每 token 更便宜的模型还要便宜。如果你的 agent 是无人值守运行的，就把这条权重加大。

什么时候选 GLM-5.2

当够用就能过线时，留在更便宜的模型上：

• 大批量、对成本敏感的编码。 以约三分之一的单次运行成本、同样的 1M 上下文，GLM-5.2 是批量活的默认选择。
• 输入重、输出轻的任务。 RAG、摘要、分类。K3 贵 3.4x 的那条输出项很小，但为它付钱的理由也一样小。
• 今天就要自托管。 GLM-5.2 的 MIT 权重已经放出来了；K3 的承诺在 July 27 2026 前，但还没发布。

主线是：只要质量差异不改变结果，GLM-5.2 就赢，而大多数生产环境里的编码流量都是常规活。高效的模式不是”选一个模型”，而是分层路由：批量流量默认走 GLM-5.2，只把难的、agentic 的、或视觉的那部分升级到 K3。因为两者共用同一个 ofox 端点和同一个 API key，这种路由是一次每请求的字符串选择，而不是一个集成工程，所以你能在大多数调用上按 GLM-5.2 的费率付费，同时抓住 K3 的大部分能力。

什么时候两个都不是对的选择

如果活儿是纯文本的省钱编码，而且你不需要 GLM-5.2 完整的 1M 上下文，那一个更小更便宜的 Kimi 可能在成本上把两者都比下去。Kimi K2.7 Code（moonshotai/kimi-k2.7-code）是 $0.95/$4，带 256K 上下文。在极端预算这一端，Artificial Analysis 把 DeepSeek V4 Pro 列在每任务 $0.04，只是 GLM-5.2 $0.32 的零头，不过它在 intelligence index 上落后（44 对 GLM-5.2 的 51），所以只有当成本压倒其他一切考量、且质量底线很低时才该选它。而如果你要的是榜单的绝对顶端，而不是性价比或走量之选，那闭源前沿（GPT-5.6 Sol、Claude Fable 5）在 AA index 上高于 K3 和 GLM-5.2 两者，价格也高于两者。想看更全的视角，参见真实使用编码模型排名和 API 定价对比。

通过 ofox 试用两者：一个循环里做 A/B

两个模型都在同一个 OpenAI 兼容端点上，所以在你自己任务上做一次真实的单次运行对比，就是一次字符串替换。把 SDK 指向 https://api.ofox.run/v1，在两个 model ID 上循环，读 usage 和延迟。到 Kimi K3 的 ofox 模型页领一个 key。

Python：一个循环里 A/B 两个模型

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：同样的结构

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}`);
}

仅 K3：附一张截图

K3 接收图像输入；对 z-ai/glm-5.2 在文本路线上发同样的调用会失败。把图像作为 image_url 块发送。

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)

在你真实任务的一个有代表性的切片上跑这个循环，把一天里的 usage 累加，再乘上规格表里的价格。每任务的 token 消耗因工作负载而异，也没有任何榜单替你的流量测过它，所以这个循环是单次运行决策唯一诚实的输入。

FAQ

Kimi K3 比 GLM-5.2 贵吗？ 贵。K3 是 $3/$15/M，对 GLM-5.2 的 $1.40/$4.40/M。在一次 50K/20K 无缓存运行里就是 $0.45 对 $0.158，约 2.8x。K3 的输出价格是 GLM-5.2 的 3.4x，差距大部分在这里。

Kimi K3 比 GLM-5.2 更强吗？ 在 Artificial Analysis 上，是的：Intelligence Index 57 对 51，GDPval v2 agentic Elo 1668 对 1514，外加原生视觉。K3 是一个 2.8T 模型，GLM-5.2 是 753B。更强，但单次运行成本约 2.8x。

开启缓存后，K3 的溢价是变大还是变小？ 变大。缓存只对输入打折，而 K3 的劣势在输出，所以缓存越多，比值越从约 2.8x 朝 3.4x 的输出比值推。

谁的上下文窗口更大？ 打平，都是 1M token。更早的 Kimi K2.7 Code 是 256K，所以 GLM-5.2 相对当前的 Kimi 旗舰不再有上下文优势。

两者都是开放权重吗？ GLM-5.2 今天就发布了 MIT 权重（~753B）。K3 宣布为开放权重，计划在 July 27 2026 前发布（2.8T），但还没出来，所以现在它仅提供 API。

什么时候该选 GLM-5.2 而不是 Kimi K3？ 在质量已经够用的大批量工作里。GLM-5.2 以约三分之一的成本运行，带同样的 1M 上下文。把 K3 留给那些差距会改变结果的 agentic、视觉、或最难推理的任务。

我能在同一个 key 后面对两者做 A/B 吗？ 可以，两者都在 api.ofox.ai/v1 上，走 OpenAI 兼容协议。用同一个 key 和 SDK，把 moonshotai/kimi-k3 换成 z-ai/glm-5.2 即可。

本次更新核对的来源

• 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