Kimi K3.1 Pro против Qwen 4 и Claude Fable 5.5: качество фронтенда, стоимость задачи и проверка громких обещаний

Три запуска совпали на одной октябрьской неделе. 22 октября две анонимные модели — Kibitz и Kalmia — появились на Code Arena в Arena с разницей в несколько часов. Тесты токенизаторов связали их с Kimi от Moonshot и Qwen от Alibaba. На следующий день Kimi опубликовала тизер, в котором K3.1 создавала сцену Three.js, а вскоре модель вышла: публикация о запуске Moonshot представила Kimi K3.1 Pro в приложении Kimi, Kimi Code и API Kimi. Что касается Anthropic, 13 октября в облачном каталоге появилась запись claude-fable-5-5, а по сообщениям, партнёры получили ранний доступ. Alibaba пока не выпустила Qwen 4; названия его уровней были объявлены на Apsara в сентябре. Fable 5.5 пока фигурировала только в утечках.

Короткий ответ состоит из двух частей. По опубликованным Moonshot данным, K3.1 Pro превосходит Claude Fable 5.1 в агентном программировании (65.7 против 57.9 в Terminal-Bench 4.0), но уступает ей в ProgramBench и сложных рассуждениях без инструментов. Эти показатели компания сообщила сама; модели тестировались на разных стендах, а сравнение проводилось с Fable до версии 5.5. Независимые результаты пока относятся к предыдущему поколению и складываются в пользу Fable: Fable 5.1 набирает 53 балла против 44 у Kimi K3 в актуальном индексе Artificial Analysis. Но стоимость одной задачи индекса у неё составила $7.63, тогда как у K3 — $2.00. Преимущества Kimi — цена, поиск информации в длинном контексте и, в сравнении с Qwen, качество фронтенд-кода по оценке людей. Преимущество Qwen — цена токенов: генерация у Qwen3.8-Max стоит примерно треть от цены K3 и меньше половины цены K3.1 Pro. Ценовое преимущество Kimi перед Fable стало ещё больше: AIHubMix указывает для K3.1 Pro $2.00 за входные и $10.50 за выходные токены на миллион, против $2.84 и $14.20 у K3. Вопрос этой недели запуска — смогут ли K3.1 Pro и Qwen 4 сократить отставание от Fable 5.5, не потеряв ценового преимущества. Пока не появились независимые тесты и две другие модели, доступные ниже данные — лучшее, что у нас есть.

Почему выбраны именно эти три модели

• Qwen 4 — конкурент того же уровня, появившийся в ту же неделю. Kibitz и Kalmia тестировали бок о бок в режиме состязания Code Arena. K3 и Qwen3.8-Max были двумя китайскими флагманами с триллионами параметров летом; веса обеих моделей можно было скачать.
• Именно за Fable 5.5 охотятся обе модели. При запуске K3 компания Moonshot сравнивала его с Claude Fable 5, а K3.1 Pro — с Fable 5.1. Разработчики, пользующиеся Claude, задают один и тот же вопрос при каждом выходе Kimi: может ли она справиться с задачами Fable за малую долю её цены?
• Решающая задача — создать 3D-фронтенд по одному промпту в Three.js. Именно такой пример показан в тизере Kimi, а Moonshot называет создание 3D-сцен одним из главных улучшений K3.1 Pro. Тестировщики Arena давали Kalmia промпты вроде «3D-велосипедист едет на корове, используя three.js». Фронтенд — также та область, в которой Kimi подкрепляет свои преимущества независимыми данными.

Что уже показали разработчики моделей

Данные в колонке Kimi теперь взяты из публикации о запуске и документации API Moonshot. K3.1 Pro — «первая модель в нашей новой серии K3.1», дообученная версия K3 с 3T параметров (у K3 — 2.8T), принимающая изображения и видео. Режим рассуждений всегда включён, его интенсивность можно задать как низкую, высокую или максимальную; по умолчанию выбрана максимальная. Длина вывода может достигать 1,048,576 токенов. Moonshot сообщает, что «полные веса модели будут выпущены до Nov 4». Цена указана в прайс-листе AIHubMix для Kimi K3.1 Pro за миллион токенов: $2.00 за входные, $10.50 за выходные и $0.20 за кэшированные — против $2.84, $14.20 и $0.284 у K3. Таким образом, входные токены дешевле примерно на 30%, а выходные — на 26%.

Данные в двух других колонках пока основаны на утечках или объявлениях со сцены. Четыре уровня Qwen 4 (Max, Plus, Flash, 27B) известны из рассказов посетителей о ключевом докладе Alibaba на Apsara. У предварительной версии архитектуры — Qwen3.8-Flash-Next — открытые веса: 125B основных параметров плюс 51B n-граммных эмбеддингов, при этом на каждом шаге активны около 6B.

Данные о Fable 5.5 наименее надёжны. Запись claude-fable-5-5 появилась в прайс-листе LiteLLM на основе каталога Azure 13 октября. Значения цены, контекста и вывода скопировали у Fable 5.1 ($10 / $50, контекст 1M, вывод 128K). На следующий день запись удалили: найти развёрнутую модель никому не удалось. 17 октября TestingCatalog сообщила, что модель есть у партнёров. Тестовая модель под названием claude-onigiri-eap ненадолго появилась на Artificial Analysis и, вероятнее всего, именно она и есть.

Проверяем громкие заявления

Три замечания. Заявление о цене появилось в сентябре в записи реестра с ценой K3; вероятно, это был заполнитель. На момент запуска AIHubMix указывал для K3.1 Pro цену примерно на 30% ниже K3 за входные токены и на 26% ниже за выходные. Заявление о Minecraft опубликовал @ChrisGPT в X: K3.1 разместила 13,707 блоков за $0.38, а модель GPT-6 — 5,738 блоков за $5.31. Промпт и количество токенов никто не опубликовал. Кроме того, анонимные обозначения уже бывали ошибочными: в августе модель Code Arena приняли за K3.1, пока анализ отпечатка токенизатора не указал на семейство Qwen. K3.1 Pro уже выпущена, но Moonshot не подтверждала, что это была Kibitz, поэтому Kibitz, Kalmia и Onigiri пока следует считать правдоподобными догадками, пока разработчики моделей их не подтвердят.

Предыдущее поколение: K3, Qwen3.8-Max и Fable 5.1

Пока единственные показатели K3.1 Pro — собственные данные Moonshot, а две другие модели ещё не выпущены. Поэтому начнём с независимых результатов поколения, которому они приходят на смену.

Цены указаны за миллион токенов. У обеих моделей с открытыми весами лицензии с особыми условиями.

Kimi против Fable. Данные для этого сравнения взяты из Artificial Analysis, Intelligence Index v4.3.2; обе модели тестировались с максимальной интенсивностью рассуждений.

Fable 5.1 явно сильнее в сложных рассуждениях и работе с терминалом. Kimi лидирует только в поиске информации в длинном контексте и сравнялась по автоматизации бизнес-задач. Разрыв в цене больше, чем можно предположить по прайс-листам: на каждую задачу Fable 5.1 также потратила больше токенов, поэтому она обходилась почти в четыре раза дороже.

Kimi против Qwen. Здесь использованы более старые независимые результаты: данные Artificial Analysis за август 2026 года (Intelligence Index v4.1.1), собранные Qubrid. K3 набрала 57 баллов, а Qwen3.8-Max — 56; при этом задача обходилась дешевле с K3 ($0.86 против $1.14), поскольку Qwen использовала больше токенов. В тесте StackPerf от TrilogyAI, где результаты оценивались вслепую, каждой модели дали час на анализ одной и той же кодовой базы из 269 файлов (Qwen работала в предварительной версии 3.8-Max). K3 набрала 83 балла, а Qwen — 80; проверяющие назвали модели «взаимодополняющими». Не сравнивайте между собой результаты двух версий индекса: Artificial Analysis изменил шкалу индекса между ними.

Kimi K3.1 Pro против Fable 5.1 по данным Moonshot

Это опубликованные самой Moonshot результаты запуска; тестовые стенды моделей различаются, и пока никто не воспроизвёл их. Большинство тестов программирования K3.1 Pro Moonshot проводила на стенде Claude Code, а Fable 5.1 запускала с максимальной интенсивностью рассуждений и резервным режимом. В таблице приведена Fable 5.1, а не 5.5, и нет ни одной модели Qwen.

Строка о галлюцинациях основана на внутреннем тесте Moonshot Kimi Hallu Bench (сложный режим, с инструментами); чем ниже показатель, тем лучше.

Согласно этим данным, K3.1 Pro обходит Fable 5.1 в длительных тестах агентного программирования и допускает гораздо меньше фактических ошибок в собственном тесте Moonshot. Она заметно отстаёт в ProgramBench и уступает в Humanity's Last Exam без инструментов, а в использовании компьютера в OSWorld результаты примерно равны. По сравнению с предшественницей в той же версии теста, результат DeepSWE вырос с 67.5 у K3 до 75.5.

К результату Terminal-Bench следует относиться осторожно. На собственном тестовом стенде Artificial Analysis измерила результат K3 на Terminal-Bench 4.0 в 13%, тогда как у Fable 5.1 он составил 52%. Показатель Moonshot 65.7 получен на другом стенде, поэтому это не рост с 13 до 65.7 и не опровержение независимого преимущества Fable — для этого тест нужно повторить независимо.

Решающая задача: кто лучше создаёт фронтенд?

Что увидели тестировщики Arena на этой неделе. Arena не публикует оценки анонимных моделей, поэтому единственные данные о новой паре — одиночные состязательные тесты, которыми тестировщики поделились в X. TestingCatalog собрала сообщения о Kibitz 23 октября; результаты Kalmia взяты из публикаций самих тестировщиков:

Тест с вертолётом, опубликованный LuminaBench, ближе всего к решающей задаче этой статьи. Обе модели по одному и тому же промпту создали виды взлёта, посадки и разнесённых деталей. Kibitz добавила рентгеновский и каркасный режимы, а Kalmia — индекс компонентов и телеметрию полёта. По мнению тестировщика, обе модели «очень сильные». Каждый отчёт — это один промпт и одна попытка, поэтому эти данные не позволяют ранжировать модели. На Arena пока не сообщали об анонимной версии Fable 5.5. Её вероятное кодовое имя, Onigiri, встречалось только в коде сайта Artificial Analysis.

По сравнению с Qwen у Kimi есть подтверждённые результаты. На старте K3 заняла первое место в рейтинге Frontend Code от Arena, набрав 1,679 балла и обойдя Claude Fable 5 (1,631). Она лидировала в шести из семи направлений фронтенд-разработки, а Fable 5 сохранила лидерство только в Gaming. Источники расходятся в оценке позиции Qwen3.8-Max в том же рейтинге: от отсутствия в списке до четвёртого места. Поэтому здесь мы не приводим её результат.

Сравнение с Fable уже не так однозначно. В рейтинге LMArena WebDev, который AIHubMix показывает сегодня, Fable 5.1 набирает 1,743 балла, а K3 — 1,655. Это другой рейтинг, не тот Frontend Code arena, где K3 лидировала в июле, поэтому эти результаты не показывают тенденцию. Но в рейтинге, за которым следит AIHubMix, сегодня лидирует Fable. Собственные данные Moonshot по фронтенду взяты из внутреннего Design Bench и представлены в виде рейтинга Elo: K3.1 Pro набирает 957 баллов — меньше, чем GPT-6 Astra (1,076), но больше, чем Claude Opus 5.5 (927); Fable 5.1 в рейтинге не участвовала. Первым делом после появления независимых результатов нужно проверить, какое место K3.1 Pro займёт относительно Fable 5.5.

Во сколько обходится сборка. В собственном запуске K3 на AIHubMix для создания игры по одному промпту (один HTML-файл и одно референсное изображение) было использовано 74,994 токена генерации, 73% из них — на рассуждения, примерно за 42 минуты. Количество входных токенов не записали, поэтому в оценках ниже предполагается 5,000 токенов. Цены указаны AIHubMix.

• K3: 5,000 × $2.84/M + 74,994 × $14.20/M ≈ $1.08
• Kimi K3.1 Pro, при том же количестве токенов: 5,000 × $2.00/M + 74,994 × $10.50/M ≈ $0.80
• Qwen3.8-Max, при том же количестве токенов: ≈ $0.39
• Claude Fable 5.1, при том же количестве токенов: ≈ $4.18
• Kimi K3.1 Pro, Qwen 4 и Fable 5.5: сравнение по результатам измерений: AIHubMix запустит один и тот же промпт на всех трёх моделях, когда они станут доступны

Предположение об одинаковом количестве токенов может не оправдаться, а реальные значения могут повлиять на итог в обе стороны. В задачах Artificial Analysis Fable 5.1 использовала больше выходных токенов, чем K3, а Qwen3.8-Max — больше, чем K3. В одном практическом тесте от Chase AI K3 использовала примерно в шесть раз больше токенов, чем Fable 5. K3.1 Pro не рассуждает меньше, чем K3: в выборочной проверке AIHubMix при низком уровне усилий обе модели потратили несколько тысяч токенов на рассуждения по одному и тому же промпту (K3.1 Pro — 5,561–7,356, K3 — 3,013–7,051), хотя K3.1 Pro справилась примерно вдвое быстрее. Измеряйте результаты на своей сборке, а не экстраполируйте эти данные.

Что ещё меняется при переходе с одной модели на другую

• Ожидание. По измерениям Artificial Analysis, первый токен от Fable 5.1 появляется через 255 секунд, поскольку ход её рассуждений не передаётся потоком; у K3 этот показатель — 3.6 секунды. Однако Fable выполняет задачу в среднем за 722 секунды, а K3 — за 1,231 секунду. Fable долго начинает, но быстрее заканчивает. Настройте тайм-ауты и индикаторы выполнения для обеих моделей. Собственный ответ Kimi на проблему ожидания — K3.1 Pro Highspeed: по словам Moonshot, её возможности идентичны, но работает она в 2–3 раза быстрее (в выборочной проверке AIHubMix скорость потока составила 138–150 токенов в секунду, хотя вызовы инструментов и скрипты быстрее не выполняются; в статье о Highspeed ниже рассматривается, оправдывает ли это цену).
• Отказы. В Fable используются классификаторы безопасности, которые могут отклонить запрос, вернув обычный ответ 200 и stop_reason: "refusal". В документации Anthropic по причинам остановки рекомендуется повторить запрос на другой модели Claude. В собственных тестах Moonshot Fable 5 пришлось перейти к запасному варианту для 35% задач SWE-Marathon. Это данные конкурента, но такой сценарий стоит проверить на раннем этапе при разработке кода, связанного с безопасностью.
• Длина выходных данных. Максимальная длина генерации Fable 5.1 — 128K токенов. K3 и K3.1 Pro допускают до 1,048,576 токенов, что важно для создания целых файлов и длинных отчётов. Однако в K3.1 Pro по умолчанию установлен предел 131,072, если не увеличить его.
• Где её можно запускать. Веса K3 занимают около 1.56 TB, и для запуска нужен крупный кластер с несколькими ускорителями, но модель можно разместить на собственных мощностях. По словам Moonshot, полные веса K3.1 Pro появятся до 4 November. Открытой показана версия Qwen 4 27B, а её предшественница помещается на одном GPU с 80 GB памяти. Fable доступна только через API Anthropic и облачные платформы, которые её перепродают.

Кому какую модель выбрать

Эти рекомендации основаны на независимых результатах K3, Qwen3.8-Max и Fable 5.1, сопоставленных с собственными данными Moonshot по K3.1 Pro. Перепроверьте их, когда появятся независимые тесты K3.1 Pro и будут выпущены две остальные модели.

• Самые сложные агентные задачи и работа в терминале, где цена неудачного запуска выше стоимости токенов: Claude Fable 5.5 — пока независимые тесты не подтвердят результаты Moonshot. По данным Moonshot, K3.1 Pro обходит Fable 5.1 в Terminal-Bench, но в последней независимой проверке Fable 5.1 значительно опередила K3.
• Массовая генерация фронтенда и пользовательских интерфейсов: начните с Kimi K3.1 Pro и проверьте её на Three.js вместе с Fable 5.5, прежде чем делать окончательный выбор. Kimi обошла Qwen в этой области, но сегодня Fable 5.1 лидирует в WebDev, а в Design Bench от Moonshot Fable не оценивалась.
• Большой поток коротких задач: Qwen 4, если сохранит цены Qwen3.8.
• Длинные документы и поиск по контексту в 1M токенов: Kimi K3.1 Pro — цена не меняется при увеличении контекста. K3 опередила Fable 5.1 в поиске по длинному контексту при стоимости задачи в четыре раза ниже.
• Самостоятельное размещение или локализация данных: Kimi или Qwen; веса K3.1 Pro должны появиться до 4 November. У Fable нет открытых весов.

Запустите все три модели через один ключ

AIHubMix предоставляет доступ к моделям Kimi, Qwen и Claude через один и тот же совместимый с OpenAI эндпоинт, поэтому достаточно запустить цикл с нужной задачей. kimi-k3.1-pro уже доступна на AIHubMix, а её ID в API совпадает с указанным Moonshot; ID Qwen и Claude в скрипте пока предположительные — модели ещё не выпущены. 24 октября AIHubMix вернул ошибку 400 для обеих, поэтому в нынешнем виде скрипт остановится после Kimi. Чтобы запускать доступные сегодня модели текущего поколения, замените их на qwen3.8-max и claude-fable-5-1, которые есть в списке AIHubMix. Используйте Chat Completions, как в скрипте: в ночь запуска Responses-эндпоинт AIHubMix вернул 404 для kimi-k3.1-pro.

import os
from openai import OpenAI

client = OpenAI(base_url="https://aihubmix.com/v1", api_key=os.environ["AIHUBMIX_API_KEY"])
prompt = ("Build a single-file HTML page with Three.js: a low-poly cow riding a bicycle "
          "around a track, with orbit controls. Return only the HTML.")

for model in ["kimi-k3.1-pro", "qwen4-max", "claude-fable-5-5"]:  # Qwen 4 and Fable 5.5 IDs are guesses, not on AIHubMix yet
    r = client.chat.completions.create(
        model=model,
        messages=[{"role": "user", "content": prompt}],
        timeout=3600,
    )
    with open(f"{model}.html", "w") as f:
        f.write(r.choices[0].message.content)
    print(model, r.usage.prompt_tokens, r.usage.completion_tokens)

Не указывайте temperature. В документации Moonshot для K3.1 Pro, как и для K3, закреплено значение 1.0. Когда тест AIHubMix отправил для kimi-k3.1-pro значение 0.2, сервис вернул ошибку 400 invalid temperature: only 1 is allowed for this model. Также задайте большой тайм-аут: по умолчанию K3.1 Pro рассуждает с максимальным уровнем усилий. Откройте три HTML-файла рядом и сопоставьте увиденное с приведённым количеством токенов. На странице сравнения Kimi K3.1 Pro и Claude Fable 5.1 от AIHubMix текущая пара представлена рядом.

Часто задаваемые вопросы

Выпущены ли Kimi K3.1 Pro, Qwen 4 и Claude Fable 5.5?
Kimi K3.1 Pro уже выпущена: Moonshot представила её 23–24 октября в приложении Kimi, Kimi Code и своём API. На момент написания статьи Qwen 4 только упомянули со сцены, а Fable 5.5 появилась лишь в утечках и каталоге, из которого её позднее удалили.

Может ли Kimi K3.1 Pro заменить Claude Fable 5.5?
Собственные данные Moonshot показывают, что K3.1 Pro превосходит Fable 5.1 в нескольких тестах агентного программирования, но уступает ей в ProgramBench и сложных задачах на рассуждение без инструментов. Это данные самой компании и сравнение с предыдущей версией Fable; в последней независимой проверке Fable значительно опережала K3. Проверьте обе модели на своих задачах.

Насколько Kimi дешевле Fable за одну задачу?
В задачах индекса Artificial Analysis стоимость одной задачи для K3 составляла $2.00, а для Fable 5.1 — $7.63, то есть K3 обходилась чуть больше чем в четверть цены. Стоимость задачи для K3.1 Pro пока не измеряли, но AIHubMix указывает цену $2.00 за миллион входных токенов и $10.50 за миллион выходных — у Fable 5.1 это $11.00 и $55.00 соответственно.

Какая модель лучше пишет фронтенд-код?
На старте K3 лидировала в рейтинге Frontend Code от Arena, обойдя Fable 5. Сегодня в рейтинге WebDev от LMArena впереди Fable 5.1. Во внутреннем Design Bench от Moonshot K3.1 Pro уступает GPT-6 Astra, а Fable в этом рейтинге не оценивалась. Для Qwen3.8-Max нет общепризнанного результата.

Почему Fable отвечает несколько минут?
Рассуждения Fable не передаются потоком, поэтому первый видимый токен появляется только после завершения этапа рассуждений. По измерениям Artificial Analysis, для Fable 5.1 на это уходит около 255 секунд.

Будут ли у Kimi K3.1 Pro открытые веса?
Moonshot сообщила, что полные веса модели выйдут до 4 November 2026. Qwen 4 27B была представлена как открытая версия, а у Fable нет скачиваемых весов.

Можно ли протестировать все три модели с одним API-ключом?
Да, когда все три появятся в списке. AIHubMix предоставляет доступ к моделям Kimi, Qwen и Claude через один и тот же совместимый с OpenAI эндпоинт, поэтому достаточно изменить ID модели. Kimi K3.1 Pro уже доступна.

Читайте дальше: серия статей о Kimi K3.1 Pro

• Если вы уже используете Kimi и решаете, стоит ли переходить с K3, сначала прочитайте о самом обновлении: Kimi K3.1 Pro и K3: что изменилось, сколько это стоит и кому стоит перейти
• Если после сравнения вы решили попробовать K3.1 Pro, сначала разберитесь с ошибками и нюансами тарификации: Переход на Kimi K3.1 Pro: исправляем ошибки 400, учитываем режим максимальных усилий по умолчанию и не путаем Highspeed
• Если вас привлекает более быстрое завершение задач в Fable, узнайте, сможет ли ускоренная версия Kimi сократить разрыв и оправдывает ли она свою цену: Kimi K3.1 Pro и K3.1 Pro Highspeed: стоит ли ускорение в 2–3 раза двукратного роста цены?

Источники

• Moonshot AI: техническая статья о Kimi K3.1 Pro
• Moonshot AI: карточка модели Kimi K3 и результаты оценок
• Artificial Analysis: Claude Fable 5.1 и Kimi K3
• AIHubMix: Kimi K3 и Claude Fable 5.1
• TestingCatalog: Claude Fable 5.5 появилась у партнёров