Kimi K3.1 Pro vs Qwen 4 vs Claude Fable 5.5：前端质量、单任务成本与炒作核查

三个模型的发布消息集中在 10 月同一周。10 月 22 日，两个匿名模型 Kibitz 和 Kalmia 相隔几小时出现在 Arena 的 Code Arena 中。Tokenizer 测试将它们分别指向 Moonshot 的 Kimi 和 Alibaba 的 Qwen。一天后，Kimi 发布了一段预告，展示 K3.1 编写 Three.js 场景；没过多久，模型就正式亮相：Moonshot 的发布公告介绍了 Kimi K3.1 Pro，并将其接入 Kimi app、Kimi Code 和 Kimi API。Anthropic 方面，10 月 13 日，云端目录中出现了claude-fable-5-5条目，据报道合作伙伴已获得早期访问权限。Alibaba 尚未发布 Qwen 4；其各档型号名称已于 9 月的 Apsara 大会上公布。Fable 5.5 目前只出现在泄露信息中。

简短结论分两部分。根据 Moonshot 自行公布的发布数据，K3.1 Pro 在智能体编程方面胜过 Claude Fable 5.1（Terminal-Bench 4.0 得分为 65.7 对 57.9），但在 ProgramBench 和不使用工具的高难度推理方面落后。这些数据由厂商自行报告，各模型使用的测试框架也不相同，对比对象还是 Fable 5.5 之前的版本。独立测试结果仍停留在上一代，而且更有利于 Fable：在 Artificial Analysis 当前的指数中，Fable 5.1 得分 53，Kimi K3 得分 44。但每项指数任务的成本分别为 $7.63 和 $2.00。Kimi 的优势在于价格、长上下文检索，以及在人类评审的前端代码测试中胜过 Qwen。Qwen 的优势则是 token 价格：Qwen3.8-Max 的输出成本约为 K3 的三分之一，不到 K3.1 Pro 的一半。而 Kimi 相比 Fable 的价格优势还在扩大：AIHubMix 标价显示，K3.1 Pro 每百万 token 的输入价格为 $2.00，输出价格为 $10.50；K3 的对应价格为 $2.84 和 $14.20。本次发布周的关键问题是，K3.1 Pro 和 Qwen 4 能否缩小与 Fable 5.5 的差距，同时保住价格优势。在独立测试结果和另外两个模型发布之前，以下证据已是目前所能获得的最佳依据。

为何选择这三个模型

• Qwen 4 是同一周推出、定位相同的竞争对手。Kibitz 和 Kalmia 在 Code Arena 的对战模式中接受了并排测试。K3 和 Qwen3.8-Max 是今年夏天两款中国万亿参数旗舰模型，二者都提供可下载权重。
• Fable 5.5 是这两款模型都在追赶的目标。Moonshot 在 K3 发布时将其与 Claude Fable 5 对比，在 K3.1 Pro 发布时则与 Fable 5.1 对比。使用 Claude 的开发者每逢 Kimi 发布新版本都会问同一个问题：它能否以低得多的价格完成 Fable 的工作？
• 一个任务就能见分晓：用一条提示词生成 Three.js 3D 前端。Kimi 的预告展示的正是这个任务，Moonshot 也将 3D 创作列为 K3.1 Pro 的主要提升之一。Arena 测试者给 Kalmia 的提示词包括“用 three.js 做一个骑着牛的 3D 自行车”。前端也是 Kimi 有独立证据支持的领域。

各家实验室目前公布了什么

Kimi 一栏的信息来自 Moonshot 的发布公告和 API 文档。K3.1 Pro 是“我们全新 K3.1 系列的首款模型”，是基于 K3 经过后训练的版本，参数量为 3T（K3 为 2.8T），并支持图像和视频输入。思考模式始终开启，推理强度可设为 low、high 或 max，默认值为 max；输出最多可达 1,048,576 个 token。Moonshot 表示“完整模型权重将于 11 月 4 日前发布”。价格一栏是AIHubMix 对 Kimi K3.1 Pro 的标价，按每百万 token 计：输入 $2.00、输出 $10.50、缓存 $0.20；K3 的对应价格为 $2.84、$14.20 和 $0.284，因此输入价格约低 30%，输出价格低 26%。

另外两栏仍基于泄露信息或大会公告。Qwen 4 的四个档位名称（Max、Plus、Flash、27B）来自参加 Alibaba Apsara 大会的人员转述。其架构预览版 Qwen3.8-Flash-Next 采用开放权重：主参数量为 125B，另有 51B 的 n-gram 嵌入参数，每步激活约 6B 参数。

Fable 5.5 一栏的可信度最低。10 月 13 日，Azure 目录中的一个条目被添加到 LiteLLM 价格清单，名称为claude-fable-5-5。其中的价格、上下文和输出字段照搬自 Fable 5.1（$10 / $50、1M 上下文、128K 输出）。一天后，该条目被移除，当时无人能找到可用部署。TestingCatalog 于 10 月 17 日报道称合作伙伴已获得该模型。一个名为claude-onigiri-eap的测试模型曾短暂出现在 Artificial Analysis 上，它很可能就是 Fable 5.5。

核查炒作说法

补充三点。价格说法来自 9 月的一条注册表记录，其中显示的是 K3 的价格，很可能只是占位信息。发布时，AIHubMix 标出的 K3.1 Pro 价格比 K3 的输入价格低约 30%，输出价格低 26%。Minecraft 说法来自 @ChrisGPT 在 X 上的帖子：K3.1 花费 $0.38 放置了 13,707 个方块，而 GPT-6 模型花费 $5.31 放置了 5,738 个方块。没人公布提示词或 token 数量。匿名标签以前也出过错：8 月有个 Code Arena 模型被误认作 K3.1，后来 Tokenizer 指纹显示它属于 Qwen 系列。K3.1 Pro 现已发布，但 Moonshot 并未确认它就是 Kibitz，因此在各家实验室确认之前，应将 Kibitz、Kalmia 和 Onigiri 视为很有可能但尚未证实的猜测。

上一轮对比：K3、Qwen3.8-Max 和 Fable 5.1

目前关于 K3.1 Pro 的数据只有 Moonshot 自行公布的结果，另外两个模型也尚未发布，因此先来看它们所取代的上一代模型的独立测试记录。

价格按每百万 token 计。两款开放权重模型都采用定制许可。

Kimi 对比 Fable。本次对比数据来自Artificial Analysis Intelligence Index v4.3.2，两款模型均设为最高推理强度。

Fable 5.1 在高难度推理和终端操作方面明显领先。Kimi 只在长上下文检索方面领先，在业务自动化方面则与对方持平。实际成本差距比标价显示的还大：Fable 5.1 每项任务消耗的 token 也更多，因此单项任务的成本接近其四倍。

Kimi 对比 Qwen。这里采用的独立数据较早，来自 Artificial Analysis 2026 年 8 月的测试结果（Intelligence Index v4.1.1），由Qubrid汇总。K3 得分为 57，Qwen3.8-Max 为 56；由于 Qwen 消耗的 token 更多，K3 的单任务成本更低（$0.86 对 $1.14）。在 TrilogyAI 经盲评的 StackPerf 测试中，两款模型各有一小时分析同一个包含 269 个文件的代码库（Qwen 使用 3.8-Max 预览版运行）。K3 得分为 83，Qwen 为 80，评审称两者“互为补充”。不要直接比较两个版本的指数得分：Artificial Analysis 在这两个版本之间重新调整了指数的分值尺度。

Kimi K3.1 Pro 对比 Fable 5.1：Moonshot 公布的数据

数据为 Moonshot 自行报告的发布成绩；不同模型所用的测试框架各不相同，尚无人复现。Moonshot 的 K3.1 Pro 编程测试大多在 Claude Code 测试框架中进行，而 Fable 5.1 使用最高推理强度和回退机制。其表格列出了 Fable 5.1，而非 5.5，也没有任何 Qwen 模型。

幻觉率一行的数据来自 Moonshot 内部的 Kimi Hallu Bench（高难度、使用工具），数值越低越好。

根据这些数据，K3.1 Pro 在较长的智能体编程测试中胜过 Fable 5.1，并且在 Moonshot 自家的测试中出现事实错误的次数少得多。但它在 ProgramBench 上明显落后，在不使用工具的 Humanity's Last Exam 上也落后，在 OSWorld 计算机操作测试中则大致持平。在同一版本的测试中，DeepSWE 得分从 K3 的 67.5 提升至 75.5。

Terminal-Bench 这一行需要谨慎解读。在 Artificial Analysis 自己的测试框架中，K3 在 Terminal-Bench 4.0 上的得分为 13%，而 Fable 5.1 为 52%。Moonshot 给出的 65.7 来自不同的测试框架，因此这并不意味着得分从 13 跃升到 65.7；在有人进行独立复测之前，它也不能推翻 Fable 的独立测试领先优势。

决胜任务：谁能打造更好的前端？

Arena 测试者本周的观察。Arena 不会公布匿名模型的分数，因此关于这对新模型的证据仅限于测试者在 X 上发布的单次对战结果。10 月 23 日，TestingCatalog 汇总了 Kibitz 的测试报告；Kalmia 相关内容则来自测试者自己的帖子：

由 LuminaBench 发布的直升机测试，最接近本文的决胜任务。两款模型根据相同提示词，制作了起飞、降落和部件分解视图。Kibitz 添加了 X 光和线框模式，Kalmia 则加入了部件索引和飞行遥测数据。测试者的结论是，两者都“非常强”。每份报告都只基于一条提示词和一次尝试，因此都不足以对模型进行排名。Arena 上尚未有人报告匿名的 Fable 5.5 测试结果。它可能的代号 Onigiri 只出现在 Artificial Analysis 的网站代码中。

与 Qwen 相比，Kimi 有数据为证。 K3 发布时以 1,679 分登上 Arena 的 Frontend Code 排行榜榜首，领先于 Claude Fable 5（1,631 分）。它在七个前端领域中有六个排名第一，Fable 5 只在 Gaming 领域领先。不同来源对 Qwen3.8-Max 在同一榜单上的排名说法不一，从未上榜到第四名都有，因此这里不列出它的分数。

与 Fable 相比，情况就没那么明朗了。在 AIHubMix 当前展示的 LMArena WebDev 评分中，Fable 5.1 得分为 1,743，K3 为 1,655。这与 K3 在 7 月登顶的 Frontend Code Arena 不是同一张榜单，因此这两项结果不能说明趋势。但在 AIHubMix 追踪的榜单上，Fable 目前领先。Moonshot 自己提供的前端表现数据来自内部 Design Bench，采用 Elo 评分：K3.1 Pro 得分为 957，落后于 GPT-6 Astra（1,076），领先于 Claude Opus 5.5（927）；Fable 5.1 尚未参与评分。等 K3.1 Pro 和 Fable 5.5 都有独立测试结果后，首先要查证的就是两者的排名。

构建任务的成本。在AIHubMix 自行测试的 K3 运行中，用一个提示词构建游戏（单个 HTML 文件、一张参考图片）消耗了 74,994 个输出 token，其中 73% 用于思考，耗时约 42 分钟。输入 token 数未记录，因此以下估算假设为 5,000 个 token。价格为 AIHubMix 的价格。

• K3: 5,000 × $2.84/M + 74,994 × $14.20/M ≈ $1.08
• Kimi K3.1 Pro，token 数相同：5,000 × $2.00/M + 74,994 × $10.50/M ≈ $0.80
• Qwen3.8-Max，token 数相同：≈ $0.39
• Claude Fable 5.1，token 数相同：≈ $4.18
• Kimi K3.1 Pro、Qwen 4 和 Fable 5.5，实测：等三者都可用后，AIHubMix 会用同一个提示词分别测试它们

token 数相同只是一个假设，实际 token 数的变化可能让结果朝两个方向波动。在 Artificial Analysis 的任务中，Fable 5.1 的输出 token 数多于 K3，Qwen3.8-Max 也多于 K3。在 Chase AI 的一次实操构建中，K3 使用的 token 数约为 Fable 5 的六倍。K3.1 Pro 的思考量并不比 K3 少：AIHubMix 的一次抽查中，低推理强度下，两者针对同一提示词都推理了数千个 token（K3.1 Pro 为 5,561–7,356，K3 为 3,013–7,051），不过 K3.1 Pro 的完成速度约快一倍。请实测构建任务，不要据此推算。

切换模型时还有哪些差异

• 等待时间。Artificial Analysis 测得 Fable 5.1 首个 token 的延迟为 255 秒，因为它不会流式输出推理内容；K3 则为 3.6 秒。不过，Fable 完成一项任务的平均耗时为 722 秒，K3 则为 1,231 秒。Fable 启动时显得很慢，但完成得更快。请为两者都设置超时和进度指示器。Kimi 针对等待问题推出的方案是 K3.1 Pro Highspeed。Moonshot 称它的能力完全相同，速度快 2–3×（AIHubMix 抽查时的流式输出速度为每秒 138–150 个 token，不过工具调用和脚本运行并不会因此变快；下方的 Highspeed 文章会权衡其速度与价格）。
• 拒绝响应。Fable 使用安全分类器，有时会以正常的 200 响应拒绝请求，并返回 stop_reason: "refusal"。Anthropic 的停止原因文档建议改用另一个 Claude 模型重试。Moonshot 自行进行的基准测试中，Fable 5 在 35% 的 SWE-Marathon 任务上触发了回退。这些数据来自竞争对手，但涉及安全的编程任务应尽早测试这一点。
• 输出长度。Fable 5.1 的输出上限为 128K 个 token。K3 和 K3.1 Pro 的上限为 1,048,576，这对生成完整文件和长篇报告很重要，不过 K3.1 Pro 的默认值是 131,072，除非你手动调高。
• 可运行的环境。K3 的权重约为 1.56 TB，需要大型多加速器集群，但你可以自行托管；Moonshot 表示 K3.1 Pro 的完整权重将于 11 月 4 日前推出。Qwen 4 27B 是目前展示为开放的版本，其前代模型可以在一块 80 GB GPU 上运行。Fable 只能通过 Anthropic API 和转售其服务的云平台使用。

该选哪个

这些建议依据的是 K3、Qwen3.8-Max 和 Fable 5.1 的独立测试记录，并结合了 Moonshot 自行公布的 K3.1 Pro 数据。等 K3.1 Pro 的独立测试结果公布、另外两款模型发布后，请重新评估。

• 难度最高的智能体和终端任务，失败一次的代价高于 token 成本：在独立测试证实 Moonshot 的数据之前，选 Claude Fable 5.5。Moonshot 的数据称，K3.1 Pro 在 Terminal-Bench 上领先于 Fable 5.1，但上一次独立测试中，Fable 5.1 在该基准测试上远远领先于 K3。
• 大批量前端和 UI 生成：先试用 Kimi K3.1 Pro，在确定采用之前，先用 Fable 5.5 跑一次 Three.js 测试。Kimi 在这方面胜过 Qwen，但目前 Fable 5.1 在 WebDev 上领先，而且 Moonshot 的 Design Bench 没有给 Fable 评分。
• 高频短任务：如果 Qwen 4 延续 Qwen3.8 的定价，就选 Qwen 4。
• 长文档和 1M-token 上下文中的检索：选 Kimi K3.1 Pro，其价格在整个上下文范围内保持不变。K3 在长上下文检索上领先于 Fable 5.1，且单项任务成本只有后者的四分之一。
• 自行托管或数据驻留：选 Kimi 或 Qwen；K3.1 Pro 的权重预计于 11 月 4 日前推出。Fable 没有开放权重。

用同一个 API 密钥测试三款模型

AIHubMix 通过同一个兼容 OpenAI 的端点提供 Kimi、Qwen 和 Claude 模型，因此决定选哪款，只需跑一轮相同任务。kimi-k3.1-pro已在 AIHubMix 上线，且与 Moonshot 的 API ID 一致；脚本中的 Qwen 和 Claude ID 则是猜测值，要等这些模型发布后才能确认。10 月 24 日，AIHubMix 对这两个 ID 都返回了 400 错误，因此按原样运行时，脚本会在 Kimi 测试后停止。若要立即测试当前一代模型，请换成 AIHubMix 已列出的 qwen3.8-max 和 claude-fable-5-1。请像脚本一样使用 Chat Completions：发布当晚，AIHubMix 的 Responses 端点对 kimi-k3.1-pro 返回了 404 错误。

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)

不要设置 temperature。Moonshot 的文档规定 K3.1 Pro 的值固定为 1.0，与 K3 一样；AIHubMix 的一次测试向 kimi-k3.1-pro 发送 0.2 时，返回了 400 invalid temperature: only 1 is allowed for this model。也要设置较长的超时时间：除非另有说明，K3.1 Pro 会以最高推理强度进行思考。将生成的三个 HTML 文件并排打开，再结合打印出的 token 数进行评估。AIHubMix 的Kimi K3.1 Pro 与 Claude Fable 5.1 对比页面将目前这两款模型并列展示。

常见问题

Kimi K3.1 Pro、Qwen 4 和 Claude Fable 5.5 已发布了吗？
Kimi K3.1 Pro 已发布：Moonshot 于 10 月 23–24 日在 Kimi 应用、Kimi Code 和 API 中推出了这款模型。本文撰写时，Qwen 4 只是在发布会上被提及，Fable 5.5 则只出现在泄露消息和一份后来被删除的目录列表中。

Kimi K3.1 Pro 能取代 Claude Fable 5.5 吗？
Moonshot 自行公布的数据称，K3.1 Pro 在几项智能体编程测试中领先于 Fable 5.1，但在 ProgramBench 和不使用工具的高难度推理测试中落后。这些数据是自报的，而且对比对象还是上一代 Fable；上一次独立测试则显示 Fable 大幅领先。请在自己的工作负载上测试两者。

Kimi 每项任务比 Fable 便宜多少？
在 Artificial Analysis 的索引任务中，K3 每项任务成本为 $2.00，Fable 5.1 为 $7.63，前者略高于后者成本的四分之一。K3.1 Pro 的单项任务成本尚未实测，但 AIHubMix 的标价是每百万 token 输入 $2.00、输出 $10.50；Fable 5.1 则分别为 $11.00 和 $55.00。

哪款模型更擅长前端代码？
K3 在发布时登上 Arena 的 Frontend Code 榜首，领先于 Fable 5。如今在 LMArena 的 WebDev 评分中，Fable 5.1 领先于 K3。Moonshot 的内部 Design Bench 给 K3.1 Pro 的评分低于 GPT-6 Astra，且没有给 Fable 评分。Qwen3.8-Max 没有公认的评分。

为什么 Fable 要花几分钟才回答？
Fable 的推理内容不会流式输出，因此只有等思考结束后，才会显示首个 token。Artificial Analysis 测得 Fable 5.1 的这一等待时间约为 255 秒。

Kimi K3.1 Pro 会开放权重吗？
Moonshot 表示将于 2026 年 11 月 4 日前发布完整模型权重。Qwen 4 27B 被展示为开放版本，而 Fable 没有可下载的权重。

我能用一个 API 密钥测试三款模型吗？
可以，等三款模型都上架后即可。AIHubMix 通过同一个兼容 OpenAI 的端点提供 Kimi、Qwen 和 Claude 模型，因此只需更改模型 ID。Kimi K3.1 Pro 已经在该平台上架。

继续阅读：Kimi K3.1 Pro 系列文章

• 如果你已经在用 Kimi，真正需要考虑的是要不要从 K3 升级，可以先了解升级本身：Kimi K3.1 Pro 与 K3 对比：有哪些变化、成本多少、哪些人该升级
• 如果看完对比后决定用 K3.1 Pro，先排查这些错误和计费陷阱：迁移到 Kimi K3.1 Pro：解决 400 错误、留意最高推理强度默认值，并正确输入 Highspeed
• 如果 Fable 更快完成任务这一点让你心动，不妨看看 Kimi 的高速版本能否以相应价格缩小差距：Kimi K3.1 Pro 与 K3.1 Pro Highspeed 对比：速度快 2–3×，价格翻倍，值得吗？

来源

• Moonshot AI：Kimi K3.1 Pro 技术博客
• Moonshot AI：Kimi K3 模型卡与评估
• Artificial Analysis：Claude Fable 5.1 与 Kimi K3 对比
• AIHubMix：Kimi K3 与 Claude Fable 5.1 对比
• TestingCatalog：Claude Fable 5.5 已向合作伙伴开放