Kimi K3 于 2026 年 7 月 16 日发布——这是 Moonshot AI 推出的 2.8 万亿参数推理模型，Artificial Analysis 智能指数 57 分，一发布就被拿来和 GLM 5.2 比较。一句话结论：K3 基准成绩更高，但每个输出 token 要多付 3.4 倍的钱，每次响应要多等 2.5 倍的时间。
同一指数上 GLM 5.2 得 51 分。它领先的地方：每百万输出 token 4.40 美元对比 15.00 美元、每秒 158 token 对比 62 token、MIT 许可的权重今天就能在 Hugging Face 拿到。Kimi K3 的开放权重要到 7 月 27 日；GLM 5.2 的现在就是公开的。
选 GLM 5.2，如果你的工作流纯文本、在规模上运行且输出成本差会复利，或者你需要这个档位最快的响应时间。
选 Kimi K3，如果你需要图像输入、想要开放权重类别里最高的基准分，或者能承受更高的 token 价格换取实实在在的智能提升。
快速对比
| GLM 5.2 | Kimi K3 | |
|---|---|---|
| 智能指数 | 51 | 57 |
| 输出速度 | 158 t/s | 62 t/s |
| 首 token 时间 | 1.54s | 1.99s |
| 输入价格 | $1.40/M | $3.00/M |
| 输出价格 | $4.40/M | $15.00/M |
| 缓存命中价格 | $0.26/M | $0.30/M |
| 上下文窗口 | 1M token | 1M token |
| 模态 | 仅文本 | 文本、图像 |
| 总参数 | 753B / 40B 激活 | 2.8T |
| 许可证 | MIT（现在可用） | 修改版 MIT（7 月 27 日） |
| 发布时间 | 2026 年 6 月 | 2026 年 7 月 16 日 |
| 可自托管 | 是 | 是（7 月 27 日） |
基准表现
Kimi K3 在多数已发布基准上保持明显领先。差距因任务类型而有显著差异：K3 在 GitHub 风格编码评估上领先最多，而 GLM 5.2 在智能体终端任务上表现相当或更优。
| 基准 | GLM 5.2 | Kimi K3 |
|---|---|---|
| AA 智能指数 | 51 | 57 |
| AA 编码指数 | — | 76 |
| DeepSWE | 46.2% | 67.5% |
| FrontierSWE | 67.3% | 81.2% |
| Terminal-Bench v2.1 | 78% | — |
| SWE-bench Pro | 62.1% | — |
| GPQA Diamond | 89% | ≈88% |
DeepSWE 和 FrontierSWE 的差距是 K3 最有力的论据：分别领先 21 和 14 个百分点。两者都是评估 GitHub issue 解决和前沿编码任务的真实世界软件工程基准。如果你的工作负载与这些评估相似，K3 的优势是实质性的。
Terminal-Bench v2.1 则反过来了：GLM 5.2 得 78%，它测试的是终端环境中的智能体编码——shell 命令、文件导航、脚本工作流、重复工具调用。对 CI 管道和自动化 shell 智能体，GLM 5.2 保持领先。
在 GPQA Diamond——一个博士级科学推理基准——上，两个模型都落在约 88–89%。科学推理的顶端，智能指数差距被显著压缩。
Kimi K3 的 57 总分让它和 Claude Opus 4.8 同处一个档位——对开放权重模型来说是不寻常的成就。在 LMArena 的 Frontend Code Arena 上它首发即 #1，Elo 1679，这对 UI 生成和前端开发任务来说是强烈的信号。
价格分解
两个模型之间的价格差是对比中最大的因素，单看输出 token 时差距进一步拉大。
| 价格档 | GLM 5.2 | Kimi K3 | GLM 5.2 节省 |
|---|---|---|---|
| 输入 | $1.40/M | $3.00/M | 便宜 54% |
| 输出 | $4.40/M | $15.00/M | 便宜 71% |
| 缓存命中 | $0.26/M | $0.30/M | 便宜 13% |
71% 的输出 token 折扣才是要关注的数字。多数实际 API 工作流产生的输出 token 远超输入 token，这意味着实际成本差更接近输出费率，而不是混合平均值。
具体示例：一次 30K 输入 token、10K 输出 token 的代码审查任务，用 GLM 5.2 花 $0.086，用 Kimi K3 花 $0.24——每次调用贵约 2.8 倍。每天 10,000 次调用，年差距超过 $560,000。
缓存命中价格几乎相同（$0.26 对比 $0.30），所以重复上下文的工作流不会显著改变成本对比。基准输出费率仍是主导因素。
各家供应商的费率与 Kimi 和 Z.ai 官方 API 不同，逐供应商对比见 GLM 5.2 价格分解。
速度与延迟
GLM 5.2 的响应生成明显更快。Kimi K3 在首 token 时间上也有小幅劣势。
| 指标 | GLM 5.2 | Kimi K3 |
|---|---|---|
| 输出速度 | 158 t/s | 62 t/s |
| 首 token 时间 | 1.54s | 1.99s |
每秒 158 token，GLM 5.2 在 Artificial Analysis 速度榜上排第三。Kimi K3 的 62 t/s 落在同一榜单的后三分之一。
一个 500-token 的响应，GLM 5.2 大约 3 秒，Kimi K3 大约 8 秒。对聊天助手、IDE copilot 或实时代码审查者，用户能感受到这个差别。对过夜批处理任务，则无关紧要。
一个结构性说明：Kimi K3 是推理模型，意味着它在最终答案前先生成思考轨迹。1.99s 的首 token 时间部分反映了这段扩展推理的开始，输出吞吐与推理步骤竞争。向用户流式展示思考轨迹的应用，与等最终答案的应用，感受到的延迟可能不同。
上下文窗口：各 1M token
两个模型都支持 100 万 token——单次请求约 1,500 页文本。这一维度打成平手。两个模型都不收长上下文附加费；整个上下文窗口内价格扁平。
在这个上下文长度下，两个模型都能不切块地处理大型代码库、完整法律合同、长研究语料和长期多轮智能体历史。任务远低于 256K token 时，上下文优势与选择无关。
多模态能力
Kimi K3 接受文本和图像输入。GLM 5.2 只接受文本。
这是二元的容量差距，不是质量取舍。Kimi K3 的图像支持带来：
- 截图转代码工作流（UI 稿或截图 → 实现）
- 技术文档中的图表理解
- 对含嵌入图像的文档做 OCR 式处理
- 多轮对话中的视觉问答
只要其中任何一个工作流是你的应用核心，Kimi K3 就是两者中的唯一选项。任务需要图像输入时，GLM 5.2 的优势全部作废。
对纯文本工作流——代码生成、文档分析、推理、写作——GLM 5.2 的速度和成本优势照常适用，没有这个限制。
开源状态
GLM 5.2 权重今天就在 Hugging Face 上，MIT 许可证。Kimi K3 权重定于 2026 年 7 月 27 日发布——API 上线后十一天。
对断网部署、自托管推理集群或微调管道，GLM 5.2 立即可用。如果 7 月 27 日的发布按时落地、且你的使用场景能接受这个时间线，Kimi K3 才会成为选项。
规模上的硬件要求分化明显。GLM 5.2 运行 753B 总参数、任何时候 40B 激活——仍然苛刻，但现代 GPU 集群能应付。Kimi K3 的 2.8 万亿总参数要全规模运行，需要大得多的基础设施。GLM 5.2 的硬件要求见 如何本地运行 GLM 5.2。
何时选 GLM 5.2
以下情况 GLM 5.2 是更好的选择：
- 你的工作流完全是文本或代码——不需要图像或图表输入
- 你在规模上运行，71% 的输出 token 成本节省在调用间有意义地复利
- 响应速度对用户重要：交互应用中 158 t/s 对比 62 t/s 是可感知的差异
- 你的智能体任务涉及终端式工作流：shell 命令、文件导航、重复脚本步骤
- 你需要今天就能拿到的开放权重、完整 MIT 许可、无商业限制
- 你在同档位模型间选择，且 GPQA 式科学推理是主要任务
GLM 5.2 在 AA 智能指数上比 Kimi K3 低 6 分。这个差距反映的是编码评估上的真实基准差异——具体是 DeepSWE 和 FrontierSWE。但成本和速度的取舍大到对许多生产工作负载而言，即便有基准差距，GLM 5.2 每美元提供的价值仍然更高。
何时选 Kimi K3
以下情况 Kimi K3 是更好的选择：
- 你的工作流需要图像输入——UI 截图、架构图、文档图像、视频帧
- 你想要开放权重类别里可用的最高基准分：AA 智能指数 57、AA 编码指数 76
- GitHub 风格编码任务主导你的工作负载：issue 解决、pull request 审查、前端代码生成——DeepSWE 和 FrontierSWE 的差距（67.5% vs 46.2%、81.2% vs 67.3%）最直接地反映这些场景
- 你需要在开放权重模型中获得与 Claude Opus 4.8 相当的前沿级推理
- 每次调用成本对原始能力的约束较小：低量的专业工具，每次调用的价格差相对输出价值很小
Kimi K3 是截至 2026 年 7 月发布的最强开放权重模型。它的 2.8T 参数规模和前沿基准定位，让它比上一代 Kimi K2.x 系列显著上了一个台阶。
常见问题
Kimi K3 比 GLM 5.2 好吗？
多数基准上，是的——Kimi K3 在 Artificial Analysis 智能指数上 57 对 51，并在 DeepSWE（67.5% vs 46.2%）和 FrontierSWE（81.2% vs 67.3%）上领先。GLM 5.2 在 Terminal-Bench 上领先，输出 token 便宜 71%。哪个「更好」完全取决于你的工作负载更看重基准分还是成本效率。
Kimi K3 贵多少？
输入 token 每百万 $3.00 对 $1.40——贵 54%。输出 token 每百万 $15.00 对 $4.40——贵 241%，即 GLM 5.2 费率的 3.4 倍。在生产调用量下，输出 token 差距主导总成本。
Kimi K3 支持图像吗？
支持。Kimi K3 接受文本和图像输入。GLM 5.2 只支持文本。对多模态工作流，Kimi K3 是两者中的唯一选项。GLM 5.2 模态支持的完整细节，见 GLM 5.2 是多模态的吗？
Kimi K3 开源吗？
Kimi K3 的 API 于 2026 年 7 月 16 日上线。开放权重定于 2026 年 7 月 27 日发布，采用允许商用的修改版 MIT 许可证。GLM 5.2 权重今天就在，完整 MIT 许可证。
Kimi K3 的上下文窗口多大？
100 万 token——与 GLM 5.2 相同。两个模型在这个容量下都能处理大型代码库、长文档和长智能体历史。
GLM 5.2 比 Kimi K3 快吗？
是的。GLM 5.2 每秒生成 158 token；Kimi K3 每秒 62。GLM 5.2 的首 token 时间也更低（1.54s 对比 1.99s）。对交互应用，GLM 5.2 的响应速度快一倍以上。
Kimi K3 的意义在哪里？
Kimi K3 是一个 2.8 万亿参数模型——按发布时的参数量，是有史以来最大的开放权重模型。它作为开放权重模型拿到了与 Claude Opus 4.8 相当的基准分，而这在此前需要专有系统。它在 LMArena 的 Frontend Code Arena 首发 #1（1679 Elo），说明 UI 和前端代码生成任务上真实用户偏好强烈。
底线
Kimi K3 在基准测试上是更强的模型——智能指数 57 对 51，GitHub 风格编码评估上大幅领先。GLM 5.2 快 2.5 倍、输出 token 便宜 71%、而且今天就是开源的。
决策归结为两个问题：你需要图像输入吗？基准差距值得那个价格溢价吗？
需要图像输入：Kimi K3，没有权衡。成本或速度是约束：GLM 5.2。原始基准表现是约束、token 成本次要：Kimi K3。
见 GLM 5.2 基准详情、逐供应商价格，或 它如何对比 Kimi K2.5。两个都试试——无需 API key：GLM 5.2 · Kimi K3。
Sources
- Kimi K3——智能、性能与价格分析——Artificial Analysis（智能指数：57，速度：62 t/s，价格）
- Kimi K3 vs GLM-5.2 (max)：模型对比——Artificial Analysis（并排基准数据）
- Kimi K3 在 Artificial Analysis 智能指数中取得第 3 名——Artificial Analysis
- 中国的 2.8 万亿参数 Kimi K3——Tom's Hardware（参数量、LMArena Elo）
- Kimi K3 上线：价格、基准与公开权重的等待——Trilogy AI（价格结构、开放权重时间线）
