Qwen 3.8 vs Kimi K3：中国两大开源权重巨头的对比

2026 年 7 月成为了开源权重前沿模型双雄争霸的月份，而且这两匹“黑马”都来自中国。月之暗面（Moonshot AI）于 7 月 16 日发布了 Kimi K3。三天后，阿里巴巴预告了 Qwen 3.8-Max，随后于 8 月初正式上线。两者都是万亿参数的混合专家（MoE）模型，也都承诺（或已提供）开源权重，并且都能接入类似 Claude Code 风格的智能体框架。此外，它们在价格上也都远低于美国的前沿实验室。

表面上的相似性掩盖了真正的差异：包括你目前实际能下载到什么、模型能够处理什么，以及一个月重度使用所需的费用。本次对比将逐一剖析截至 2026 年 8 月 3 日可以验证的每一个维度。欲了解阿里巴巴这款新旗舰的完整规格详解，可以先阅读我们的 Qwen 3.8-Max 解读文章，然后再阅读本文。

在开始之前，需要坦诚地说明一点：目前还没有针对这两个模型的独立第三方正面交锋评测。本文中的所有数据均来自厂商各自发布的数据表，且我们已标注了每组数据的出处。因此，请将基准测试部分的数据视为参考，而非最终结论。

AI Coding 交流群

如果你也在用 AI 写代码，或者正在研究 Cursor、Claude Code 这些工具，欢迎加入以下交流群。群里平时会聊一些 AI 编程的实际用法、开发工作流，还有各种新工具和新玩法。

时间线：谁在何时发布了什么

在这里，发布的先后顺序比以往更为重要，因为目前“开源权重”对这两款模型而言有着不同的实际含义。

Kimi K3 于 2026 年 7 月 16 日发布。月之暗面在发布时承诺会开源权重，并在 11 天后兑现了诺言：7 月 27 日，该权重以 594 GB 的 MXFP4 格式正式上线 Hugging Face。截至今天，你已经可以下载 K3，并对其进行进一步量化，然后在自己的硬件上运行。这不再是一个口头承诺，而是已经成为现实。

Qwen 3.8-Max 于 7 月 19 日进行了预告，并于 8 月初在 Alibaba Cloud Model Studio 正式上线，具体内容可参阅 Qwen 官方发布博客。官方承诺将于“下周”（大约在 8 月 10 日左右）将权重上传至 Hugging Face 和 ModelScope。截至 2026 年 8 月 3 日，这些权重仍处于无法下载的状态。尽管 K3 在发布与开源权重之间也有 11 天的时间差，说明这种节奏很正常，但就目前而言，这两款模型中实际上只有一款真正实现了开源。

如果本地部署是你的决定性因素，那么单凭这一事实就可能让你提前做出选择。

Qwen 3.8-Max 是在这两个指标上都较小的模型：与 K3 相比，其总参数量少 4000 亿（400B），激活参数量少 90 亿（9B）。这两个差距都不算悬殊，而且激活参数量也并不能线性地转化为能力。但它们能直接转化为服务成本。在其他条件相同的情况下，每个 token 激活 950 亿（95B）参数的模型在规模化运行时的成本，要低于激活 1040 亿（104B）参数的模型，这种差异也体现在下文的 API 定价中。

对于自建托管的用户来说，更相关的数字是 K3 在 MXFP4 精度下 594 GB 的下载大小。甚至在考虑长上下文的 KV 缓存之前，这已经属于多节点（multi-node）的范畴了。可以预料，总参数量为 2.4T 的 Qwen 3.8-Max 在其文件发布时也会处于类似的量级。大多数团队都会为这两个模型使用托管接口，而将自建托管留给合规或研究场景。

如今的开放性：现成的权重 vs 远期的承诺

这个维度值得单开一节讨论，因为双方的营销口径都宣称“开放”，但事实却有所不同。

Kimi K3 的权重是公开的。你现在就可以验证仓库、检查许可证并拉取文件。这带来了真正开放所能实现的一切：第三方托管、社区量化、微调，以及确保你测试过的模型不会在背地里被悄悄替换。

Qwen 3.8-Max 将是首个发布开源权重的 Qwen-Max 级别的模型，这代表了阿里巴巴策略的真正转变，因为此前所有的 Max 级别模型都仅通过 API 提供。但“第一”只有在真正发生时才算数。在 Hugging Face 仓库上线之前，Qwen 3.8-Max 仍然只是一个伴随着发布公告的 API 模型。

目前在这一维度上，K3 略胜一筹，但我们可以在日程表上记下，在 8 月 10 日左右重新确认。如果阿里巴巴兑现承诺，这一维度的对比将打成平手，而比较的焦点将转移到许可证条款和量化质量上。

模态：Qwen 懂图像，K3 读文本

在这个维度上，差距则反了过来，而且差距非常悬殊。

根据官方模型配置（"input_modalities": ["text", "image"]），Qwen 3.8-Max 支持文本和图像输入。阿里巴巴的发布文章甚至展示了通过记忆图谱实现对 200 多页 PDF 的长文档理解以及 100 小时的视频理解；不过，我们应该把这些看作是博客演示，而不是已记录在档的 API 输入类型。但是，图像输入是真实存在的，并且目前已经在 API 中可用。阿里巴巴的官方基准测试也偏向这一点：多模态测试表（MathVision 95.2、LogicVista 91.9、OSWorld-Verified 86.1，以及强大的 OCR 表现）是 Qwen 3.8-Max 取得压倒性优势的地方。

Kimi K3 是一个纯文本模型。如果你的工作负载涉及屏幕截图、扫描文档、UI 理解或任何与视觉相关的 Agent 任务，K3 就需要额外挂载一个独立的视觉模型到流水线中，这也意味着随之而来的胶水代码和额外的延迟。

对于纯文本编程和 Agent 工作，这一维度无关紧要。但对于文档智能和计算机操作（computer-use）Agent 而言，它则是决定性的。

上下文、输出与 API 表面

Qwen 3.8-Max 提供了 1,000,000 token 的上下文窗口（采用单一扁平层级），最大输出为 65,536 token。推理过程由 reasoning_effort 参数控制（默认为 xhigh，并提供 medium 和 low 选项），且默认保留思维输出。值得注意的是，思维模式和非思维模式的计费费率相同。

用户可以通过阿里云百炼（Alibaba Cloud Model Studio）进行访问，该平台提供三个区域的前置 URL（北京、新加坡、美东-弗吉尼亚），并且不同寻常地在同一个平台上支持两种协议形态：兼容 OpenAI 的接口和兼容 Anthropic 的接口。正是因为这种双协议接口，Qwen 3.8-Max 仅需配置 ANTHROPIC_BASE_URL 和 ANTHROPIC_MODEL=qwen3.8-max 即可直接接入 Claude Code。完整的模型阵容和区域可用性已记录在 Model Studio 模型页面中；如果您需要跨区域工作，可以使用类似 Apifox 的工具将每个前置 URL 存储为环境，并在它们之间进行切换，而无需编辑请求。

Kimi K3 同样支持 Anthropic 协议，并能嵌入 Claude Code 风格的框架中，这正是这两个模型竞争同一个生态位的原因：即“将您现有的 Agent 框架指向更便宜的前沿模型”。有关 K3 的接口详情和当前限制，请参阅我们的 Kimi K3 解析说明，而不是轻信自发布以来可能已经发生变化的数据。

价格：单一且简单 vs 低输入高输出

以下是公布的费率（每百万 token）：

根据官方 Model Studio 价格页面，Qwen 3.8-Max 的输入价格为 $2，输出价格为 $6，无论是思维 token 还是非思维 token，从第 0 个 token 到第 1,000,000 个 token 都采用统一费率。显式缓存创建（Explicit cache creation）按输入费率的 125% 计费，缓存命中则按 10% 计费。此外还有免费额度：100 万 token，仅限新加坡区域，有效期 90 天。

K3 的费率为：缓存命中每百万 token 为 $0.30，输入每百万 token 为 $3，输出每百万 token 为 $15。

这项对比不能只看单一数字。在具有良好缓存规范的输入密集型工作负载（如长系统提示词、重复的文档上下文）中，这两个模型的实际成本差距比标价显示的要小：缓存的每百万 token 分别是 $0.20 和 $0.30，差距微乎其微。在输出密集型工作负载中，差距就拉开了：K3 的 $15 输出费率是 Qwen $6 的 2.5 倍。会产生大量推理和代码的 Agent 循环往往偏向于输出密集型，这在理论上更利于 Qwen 3.8-Max。

特别需要注意 Qwen 的一点是：reasoning_effort 默认为 xhigh，并且思维 token 是按输出计费的。实际账单可能会超出通过简单的输入/输出 token 估算得出的结果。如果您想在正式使用前进行成本建模，可以参考我们的 Qwen 3.8 价格分析，其中详细介绍了单项任务成本的示例。

基准测试：两家厂商的数据，缺少第三方裁判

这也是大多数对这两个模型进行比较的尝试容易出错的地方，因此让我们先明确究竟存在哪些数据。

存在的数据： 阿里巴巴发布了一份 Qwen 3.8-Max 与 Claude Opus 4.8、Fable 5、GPT-5.6 Sol 以及 Qwen 3.7-Max 的基准测试对比表。月之暗面（Moonshot）也针对类似的顶尖模型阵容，发布了其 Kimi K3 的上线对比表。两者都是由厂商自行运行测试的。

不存在的数据： 没有任何独立的第三方评估在相同的测试框架下将 Qwen 3.8-Max 和 Kimi K3 放在同一张表中进行对比。在撰写本文时，尚无针对 Qwen 3.8-Max 的 Artificial Analysis 数据。这两家厂商也没有将对方的模型纳入自己的基准测试中。

在此背景下，以下是双方在各自运行的测试中所声称的数据。

阿里巴巴的表格数据（由阿里巴巴运行，主要通过 Claude Code 测试框架执行，这是阿里巴巴自己透露的细节）：

阿里巴巴自身公布的数据中也包含明显的劣势：Qwen 3.8-Max 在 SWE-bench Pro 上落后 Fable 5 较多，且在 HLE 上落后于所有列出的模型。其表现突出的领域是 PaperBench、指令遵循（IFBench 82.8）以及多模态综合评测。其他几项引人注目的核心结果使用的是阿里巴巴自研的基准测试（如 QwenSWEBench、CoWorkBench 等），这些测试无法与其他模型进行交叉对比。

从月之暗面的角度来看，K3 的上线对比表显示，它在月之暗面主打的基准测试中击败了 Claude Opus 4.8，但在整体上落后于 Fable 5 和 GPT-5.6 Sol。我们在《Kimi K3 对比 Claude Opus 4.8》一文中探讨过这些声明及其局限性。

能否将这两个表格中重合的基准测试进行横向对比？当然可以，许多人也会这么做，但由于测试框架、外围脚手架（scaffolding）和采样设置各不相同，跨表解读最多只能起到参考作用。客观的总结是：两家厂商都表明其模型在智能体（agentic）任务上具有与美国顶尖模型竞争的实力，并在某些特定任务上领先。这两份表格都无法盖棺定论谁更强大。有关阿里巴巴数据的详细分析，请参阅我们的《Qwen 3.8 基准测试分析》。

在 Apifox 中进行你自己的真机实测

既然没有权威的裁判，那么最实用的基准测试就是针对你自己的业务场景进行的测试。这两个模型都提供了兼容 OpenAI 的 chat-completions 接口，这使得在 Apifox 中进行直观的对比测试变得非常简单。

设置两个环境，一个包含 DashScope 前置 URL 和 qwen3.8-max，另一个包含 Moonshot 的接口和 K3 模型 ID，每个环境都有其专属的 API key 变量。保存一个包含您的真实 prompt（来自您产品的实际任务，而非脑筋急转弯）的请求，并在不同环境之间切换，向两个模型发送相同的 payload。Apifox 的响应视图可以并排为您呈现状态、延迟和完整的 body，并且其 SSE 调试功能可以显示每个模型如何流式传输推理内容——如果您的 UI 需要渲染 thinking token，这一点至关重要。添加几个断言（响应数据模型、延迟上限、输出中的必要关键词），您就可以将感性的“直觉评估”（vibe check）转化为可重复的测试，以便在任一供应商发布更新时重新运行。免费下载 Apifox来进行对比；通过这两个接口运行十个 prompt 得到的结果，比任何供应商给出的数据表都更有说服力。

评分表

如何选择

在以下情况下选择 Kimi K3：你本周就需要在自己的硬件上运行权重；你的合规要求需要一个可以锁定并进行审计的模型；或者你的工作负载是纯文本且输入量极大，以至于缓存定价起主导作用。

在以下情况下选择 Qwen 3.8-Max：你的工作负载涉及图像或文档；你需要生成大量的输出 token（如 Agent 循环、代码生成）；或者你需要 1M token 的上下文，且不希望受到分档定价的意外干扰。

在以下情况下建议观望一周：开放权重是你评估这两个模型唯一的出发点。如果 Qwen 的权重确实如承诺般在 8 月 10 日左右发布，那么开放性维度的对比将重新洗牌，最终抉择将取决于模态、价格以及你自己的评估结果。

核心事实是，开发者在短短三周内就拥有了两个来自中国的、靠谱、低成本且兼容测试框架的前沿模型选择。无论你更倾向于哪一个，在将产品路线图绑定到任何一家供应商的数据表之前，都请先通过这两个接口运行你自己的 prompt。

为了在这场对决中全面评估 Qwen 3.8，了解阿里巴巴在底层实际做出了哪些改变会很有帮助——Qwen 3.8 与 Qwen 3.7 Max 之间的架构和基准测试差异，清晰地表明了哪些提升是结构性的，哪些是额外微调的结果。

FAQ

Kimi K3 比 Qwen 3.8-Max 更开放吗？

就目前而言，事实确实如此：K3 的权重自 2026 年 7 月 27 日起就已托管在 Hugging Face 上（594 GB，MXFP4），而 Qwen 3.8-Max 的权重承诺在 8 月 10 日左右发布，目前还无法下载。如果阿里巴巴兑现承诺，两者都将成为开源权重的领先模型，届时真正的差异将转向许可条款和社区支持。在此之前，只有 K3 可以进行本地部署；我们的本地 K3 指南解释了具体所需的配置。

Qwen 3.8-Max 和 Kimi K3，哪一个更擅长编程？

目前还没有人能给出客观坦诚的答案。两家厂商都发布了强劲的 agentic-coding 数据，但各自的评估都是在不同的条件下进行的，目前缺乏独立的直接对比测试。阿里巴巴自己的表格甚至显示 Qwen 3.8-Max 在 SWE-bench Pro 上输给了 Fable 5，这说明厂商的评测表确实承认了劣势，只是这些数据在不同厂商之间无法进行横向对比。在做出决定之前，建议先在你自己仓库的任务上运行这两个模型。

我可以在 Claude Code 中使用这两个模型吗？

可以。两者都提供了兼容 Anthropic 的接口。对于 Qwen 3.8-Max，请根据阿里巴巴发布贴中的配置，将 ANTHROPIC_BASE_URL 设置为 DashScope 的 Anthropic 接口，并将 ANTHROPIC_MODEL=qwen3.8-max。K3 也支持同样的模式，只需通过 Moonshot 的接口配置即可。这种共享测试框架的兼容性，使得对这两者进行 A/B 测试的搭建成本变得非常低。

对于典型的智能体（agent）工作负载，哪一个更便宜？

从目录价来看，Qwen 3.8-Max 更便宜：每百万 token 的价格为 $2/$6，而 K3 为 $3/$15。智能体循环（agent loops）往往更偏向于输出 token，在这方面两者的差距达到了 2.5 倍。但有两个限制条件：第一，K3 仅为 $0.30 的缓存命中率使得高输入、高缓存命中的工作负载依然具有竞争力；第二，Qwen 默认的 xhigh 推理力度（reasoning effort）会将思考过程计入输出计费，因此其实际使用成本会高于简单的预估。在认定标价决定一切之前，建议先根据您自己的 token 组合进行成本建模。

开发必备：API 全流程管理神器 Apifox

介绍完上文的内容，我想额外介绍一个对开发者同样重要的效率工具 —— Apifox。作为一个集 API 文档、调试、设计、测试、Mock、自动化测试于一体的工具，Apifox 是目前提升研发效率的首选。

如果你正在开发项目，不妨试试其极其友好的界面设计，它完全兼容 Postman 和 Swagger 数据格式，导入数据非常方便，，即使是新手也能很快上手，点击这里即可注册使用。

值得一提的是，除了个人和常规团队使用，针对有高安全合规要求、或需要在内网环境协作的企业，Apifox 还提供了深度定制的私有化部署方案。

获取专属报价与部署方案

详细的私有化部署系统架构与安全白皮书

针对您公司规模的专属报价单

免费的 1v1 专属产品演示 (Demo) 机会

获取部署方案

* 提交后，我们的客户经理将在 1 个工作日内与您联系

林俊锋 企业微信

@Apifox 专属顾问

扫码备注: 私有化 + 公司名