Qwen 3.7 Max vs Kimi K3 vs DeepSeek V4:34倍のコスト差

中国のフラッグシップ3系統、同じベンチマークスイート、そして走り切るまでの費用に34倍の開き。 最高と最低の性能差は13インデックス点。請求額の差は$2,365です。

• 最高性能: Kimi K3 (max)、Artificial Analysis Intelligence Index v4.1で57点
• コスパは断トツ: DeepSeek V4 Flash 0731、50点でインデックス実行費$72.02
• 最速: Qwen 3.7 Max、出力206.4トークン/秒
• 意外な点: このグループで最も安いモデルが、自分より上位のはずのフラッグシップ2つを上回った
• 4モデルすべてが現在ofoxにあり、切り替えはモデルIDの変更だけ

TL;DR:どれを選ぶべきか

ここで読むのをやめてよい場合が2つ。月のトークン支出が$200程度未満なら、DeepSeek V4 Flashを選んで先に進んでください。以下の最適化はどれも午後を使う価値がありません。本番のエージェントループで月$2,000を超えているなら、評価費用の節に直行してください。34倍はそこにあります。

スペック早見表

以下の数値はすべてofoxモデルカタログから2026-08-03にライブ取得したものです。

この表で立ち止まる価値があるのは3点です。

キャッシュ読み取りの列は端数の違いではありません。 DeepSeekはキャッシュ入力100万トークンあたり$0.0028。Qwen 3.7 Maxは同じものに$0.50で179倍、K3は$0.30で107倍です。大きくて安定したシステムプロンプトを何度も読むワークロードでは、請求額を決めるのは目立つ入力単価ではなくキャッシュ読み取り単価のほうです。

Qwen 3.7 Maxの64K出力上限は4つの中で最もきついです。DeepSeekの6分の1、K3の16分の1。「大きなリポジトリを読んで大きな成果物を出す」タスクなら、他の何よりも先にこの上限が効いてきます。Qwen 3.8 Maxはこれを131Kに引き上げており、詳細はQwen 3.8 Maxローンチ解説にあります。

オープンウェイトとフロンティア級スコアを両立しているのはK3だけです。DeepSeekのウェイトはMITでダウンロードできますが、ここでの最高得点はフラッグシップではなく安いほうのモデルです。Qwen 3.7 Maxにオープンウェイトはありません。ただしAlibabaはMaxクラスのオープンウェイト公開を2026-08-10の週に予告しています。

同じ物差しではどうなるか

Artificial Analysis Intelligence Index v4.1、スナップショット2026-08-03。 本記事で4モデルすべてを同一手法で測っている唯一の情報源であり、比較全体をここに固定しています。

インデックスは9つの評価の合成です: GDPval-AA v2、τ³-Banking、Terminal-Bench v2.1、SciCode、Humanity’s Last Exam、GPQA Diamond、CritPt、AA-Omniscience、AA-LCR。

絶対値ではなく順位を読んでください。これはインデックスのバージョンやモデルのビルドが変わるたびに再採点されるローリング型のリーダーボードなので、「K3が1位、Flashが2位」のほうが「57と50」より長持ちします。FlashとQwen 3.7 Maxの4点差は、1回の再実行で動きうる範囲です。

動かないのは、この意外さの向きです。このグループで最も安いモデルが、フラッグシップ2つの上に位置している、しかもうち1つは同じベンダーのものです。

この順位を変えうることが3つあり、いずれも1四半期以内に起こりえます。

• Qwen 3.8 Maxが採点される。 3.7 Maxより安く、Alibaba自身の表でも前世代を大きく上回っています。$2.00/$6.00でK3付近に着地すれば、コスパの列は組み替わります。
• DeepSeekの新ビルドが出る。 0731の再学習はアーキテクチャ無変更でFlashを10点動かしました。あれが最後だという根拠はありません。
• インデックスのバージョンが変わる。 v4.1は評価項目の追加と重み付け変更を行いました。v4.2が出れば、モデルが何も変わらないまま4点差の2モデルが入れ替わることはありえます。

だからこそ、記事(この記事を含む)から順位を引き継ぐより、四半期ごとに自分の評価を回し直すべきなのです。

各ベンダーも自社の表を出しますが、それらは互いに比較できません。Qwenが3.8 Max向けに出した表はClaudeとGPTを相手にしており、ハーネスはQwenが選んだものです。MoonshotのK3ローンチ表はTerminal-Bench 2.1を88.3と報告していますが首位は88.8で、これは勝ちではなく2位です。DeepSeek自身が報告するV4 FlashのTerminal-Benchの値は、同じモデルについてArtificial Analysisが測った値を上回っています。測定条件が違うものを1つの表に混ぜることが、比較を無意味にする典型的なやり方です。

同じ評価を1回走らせるといくらかかるのか

この数字が比較全体の見え方を変えます。 Artificial Analysisは自社インデックスを各モデルで走らせた総額を公開しているので、単価の掛け算ではなく同一作業量の実際の請求書です。

この4行からの導出値(derived):

• K3の費用はV4 Flashの33.8倍で、得られるのは**+7**点。
• Qwen 3.7 Maxの費用はV4 Flashの22.3倍で、しかも4点負けている。
• V4 Proの費用はV4 Flashの2.4倍で、しかも6点負けている。
• K3の費用はQwen 3.7 Maxの1.5倍で、得られるのは**+11**点。

価格列について1点。Artificial AnalysisはDeepSeek V4 Proを$0.435 / $0.87と記載し、ofoxカタログは$0.45 / $0.88に丸めています。評価費用の数値はArtificial Analysis由来で同社の単価を使用し、上のスペック表はカタログの値を使っています。

この4組のうち取引と呼べるのは1組だけで、残り3組は「高いうえに劣る」を意味しています。

K3の割増は少なくとも筋が通ります。Qwen 3.7 Maxより1.5倍払って実質11点を得るわけで、仕事が最難関の推論で詰まっているなら合理的な買い物です。一方、V4 Flashより22倍払って4点低いのは取引ではなく、2026-07-31以降に誰も数字を測り直していないという惰性の産物です。

なぜ最も安いモデルがフラッグシップ2つを上回るのか

0731が新モデルではなく再学習であり、それがスコアを10点動かしたからです。 DeepSeek V4 Flash 0731は総パラメータ284B・アクティブ13BのMoEという構成を保ったまま、前ビルドの40点から50点になって戻ってきました。

答えの後半は冗長さで、これはDeepSeekに不利に働きます。

• V4 Flashはこのインデックスで210Mの出力トークンを生成、4つの中で最多。
• Qwen 3.7 Maxは100Mで最少。
• つまり同じ作業でFlashはQwenの2.1倍のトークンを吐きます。

実際の差が単価の差より小さいのはこのためです。Qwen 3.7 Maxの出力単価はFlashの26.8倍($7.50対$0.28)ですが、実際のインデックス請求額の差は22.3倍でした。Flashは喋りすぎることで価格優位のおよそ5分の1を返上し、それでも大差で勝っています。

DeepSeekは思考が既定でオンで、推論トークンは出力として課金されます。冗長さの出どころはここです。オフにもできますが、その場合Flashをフラッグシップ2つの上に押し上げたスコアの一部も手放すことになるので、決める前に自分のプロンプトで両方を測ってください。

この節の実用版はこうです。トークン単価はコストの代理指標として質が悪い。 単価が27倍違う2モデルが同じ作業を22倍差で終え、単価が1.5倍違う2モデルが2.4倍差で終えました。モデル間のトークン消費量の違いは、価格の違いより大きいのです。

月額に直すといくらか

ベンチマークスイートはあなたのワークロードではありません。 同じ比較を具体的なチームに当てはめます。単価はスペック表のofoxカタログ値です。

シナリオ: 開発者5名がコーディングエージェントを運用。

• 1人1日40タスク、月21営業日
• 中央値タスク: 入力12,000トークンのリポジトリ文脈、出力3,000トークン
• 入力の40%がプロンプトキャッシュにヒット

開発者1人あたり月間: 入力1,008万トークン(キャッシュ403万、非キャッシュ605万)、出力252万トークン。

K3とFlashの差は36.5倍に着地し、インデックス実行で出た33.8倍に近い値です。まったく異なる2つのワークロードが同じ比率を出すのは、その比率が実在する妥当な兆候です。

この表にはFlashに不利な修正が1つ必要です。 全モデルがタスクあたり3,000出力トークンを吐く前提になっていますが、インデックス実行のデータはそれが誤りだと示しています。同一作業でFlashはQwenの2.1倍を出力しました。Flashの出力行を2.1倍すると、チームの月額は$7.82から約$11.70になり、K3との差は36.5倍から約24倍まで縮まります。

それでも24倍です。冗長さの税は実在しますが、この溝を埋めるには遠く及びません。

このシナリオが誤解を招きうる点:

• キャッシュヒット率がかなり効いています。 40%ヒットではDeepSeekのほぼ無料なキャッシュ読み取りは絶対額が小さすぎてほとんど見えません。20万トークンのシステムプロンプトを1日数百回読むようなワークロードなら、その列が請求額のすべてになり、差はさらに開きます。
• トークンに値付けしていて、成果に値付けしていません。 K3が一発で終える仕事をFlashが3回リトライするなら、リトライ費用とエンジニアの時間が上の数字をすべて飲み込みます。
• 単価は動きます。 DeepSeekの2つのビルドはこの四半期のうちに価格もスコアも変わっています。確約する前に現在値を取得してください。

速度はどうか

Qwen 3.7 Maxの出力スループットはKimi K3の5.9倍です。

Artificial AnalysisはK3を明らかに遅い、V4 Proを平均以下と評価し、Qwen 3.7 Maxは同価格帯で平均を大きく上回るとしています。0731ビルドのFlashは執筆時点で速度計測が公開されていなかったため、前ビルドの数字を借りずに空欄のままにしています。

速度が変えるものはスコアとは別です。12点のインデックス差は、モデルがタスクを完了できるかどうかとして現れます。5.9倍のスループット差は、40分のエージェント実行が4時間になるかどうかとして現れます。対話型ツールと長い自律ループでは、後者のほうが実際に体感される制約であることが多いです。

Kimi K3を選ぶべきとき

他の3つでタスクが失敗し、その失敗コストがトークン代を上回るとき。

具体的なシグナル:

• 自分の評価で、他モデルが「少し劣る」ではなく「あるクラスのタスクに失敗する」と出ている。
• フロンティア級の推論と同時に画像入力が要る。これは2026-08-03にゲートウェイ経由で実測しました。画像を送るとプロンプトトークンが97から189に増え、正確な説明が返ったので、視覚は記載だけでなく実際に動いています。
• 1回で非常に長い応答が要る。K3の1,048,576という最大出力はQwen 3.7 Maxの上限の16倍です。
• 最高得点のモデルにオープンウェイトが欲しい。K3はそうで、Qwen 3.7 Maxはそうではありません。

選ぶべきでないシグナル: リクエスト量が多い、遅延に敏感なUX、あるいは品質差を実際に測っていないあらゆるワークロード。35トークン/秒と100万出力あたり$15という組み合わせは、量にも短気にも罰を与えます。中国モデルの枠の外での位置づけはKimi K3 vs GPT-5.5・Opus 4.8、導入手順はKimi K3の使い方にあります。

DeepSeek V4 Flashを選ぶべきとき

何かが失敗するまでの既定値として。

4つの中で2位、コストは桁違いに安く、1Mのコンテキストと384Kの出力上限を持ち、MITのオープンウェイトが付いてきます。反対材料は狭いです。

• テキスト専用。 画像入力がないので、スクリーンショットや画像としての文書に触れるパイプラインは対象外。
• 冗長。 このインデックスで210M出力トークン、4つの中で最多。推論トークン分の予算を見込み、長いループではmax_tokensに上限を設けてください。
• K3より7点低い。 これは実在し、最も難しい一部の仕事で効いてきます。

現在DeepSeek V4 Proを使っているなら、動くべきはこの節です。Flash 0731は6点高く、同じ評価の実行費は2.4分の1でした。「難しい仕事はPro、簡単な仕事はFlash」というルーティング規則は、もう存在しないビルドに対して書かれたものです。ベンダーをまたいだ低価格帯の比較はV4 Flash vs Gemini 3.6 Flashにあります。

Qwenを選ぶべきとき

スループットが制約になっているとき、あるいはすでにAlibabaのエコシステムにいるとき。

このグループにおけるQwen 3.7 Maxの論拠は速度です。出力206.4トークン/秒はV4 Proの約4倍、K3の約6倍。ユーザーがトークンの出方を見ているチャット製品や、ドルではなく実時間で測るエージェントループでは、これはどんなインデックススコアも捉えない実際の製品差になります。

反対の論拠は、この数字の上では性能が中位でコストが上位という、居心地の悪い位置にいることです。同じ評価を22倍安く走らせるモデルより4点低いのです。

そして、もうAlibabaの最新ではありません。 Qwen 3.8 Maxが2026-08-03に$2.00/$6.00で登場し、3.7 Maxより両側とも安く、出力上限131Kで画像入力も持ちます。この比較に入っていないのは、執筆時点でArtificial Analysisにページがなく並べられる同法スコアがないからです。公開数値を比べるのではなく今日Qwenを選ぶのなら、出発点は3.8 Maxです。前世代の詳細はQwen 3.7 MaxのCoding Arena評価とClaude Opus比較にあります。

どれも選ぶべきでないとき

この棚ごと間違いになるケースが3つあります。

• 動画入力が必要。 4モデルともゲートウェイ経由では受け付けません。Qwen 3.8 Maxのカタログエントリはテキストと画像のみで、QwenCloud自身のページには動画が載っているにもかかわらずです。
• これらにない特定のフロンティア能力が必要。 評価がClaudeやGPTの挙動に合わせて較正されているなら、7点のインデックス差では乗り換えの安全性は判断できません。自分のスイートを回してください。
• ボトルネックがモデルではない。 検索の不具合や質の悪いプロンプトのほうがトークン代より高くついているなら、この記事の数字はどれも役に立ちません。

ofoxで3系統まとめて試す: 10行のA/B

4モデルは同じカタログにあるので、この比較は4回の統合ではなくモデルIDのループです。

Python: 同じプロンプトを4モデルに流す

import os
from openai import OpenAI

client = OpenAI(
    api_key=os.getenv("OFOX_API_KEY"),
    base_url="https://api.ofox.ai/v1",
)

MODELS = [
    "moonshotai/kimi-k3",
    "deepseek/deepseek-v4-flash",
    "deepseek/deepseek-v4-pro",
    "bailian/qwen3.7-max",
]

prompt = "このモジュールをリファクタリングし、移行時のリスクを説明して。"

for model in MODELS:
    r = client.chat.completions.create(
        model=model,
        messages=[{"role": "user", "content": prompt}],
        max_tokens=2048,
    )
    u = r.usage
    print(f"{model:<32} out={u.completion_tokens:<7} total={u.total_tokens}")

Node: 同じ形

import OpenAI from "openai";

const client = new OpenAI({
  apiKey: process.env.OFOX_API_KEY,
  baseURL: "https://api.ofox.ai/v1",
});

for (const model of ["moonshotai/kimi-k3", "deepseek/deepseek-v4-flash", "bailian/qwen3.7-max"]) {
  const r = await client.chat.completions.create({
    model,
    messages: [{ role: "user", content: prompt }],
    max_tokens: 2048,
  });
  console.log(model, r.usage.completion_tokens);
}

レイテンシだけでなくcompletion_tokensを必ず出力してください。上の評価費用表の要点は、これらのモデル間ではトークン消費量の差が価格差より大きいということです。自分のプロンプトで得たモデル別の出力トークン数は、どの公開インデックスよりも価値があります。

カタログについて注意が1つ。K3のエントリは/v1/chat/completionsのみを列挙し、QwenとDeepSeekのエントリは/v1/responsesも列挙しています。このフィールドは両方向に間違っていた実績があるので、メタデータを前提に設計せず、使う予定のプロトコルで実リクエストを1本投げてください。各モデルの現在の単価はKimi K3、DeepSeek V4 Flash、Qwen 3.7 Maxのモデルページにあります。

FAQ

2026年に最も優れた中国製モデルは? 2026-08-03スナップショットのArtificial Analysis Intelligence Index v4.1では、Kimi K3 (max)の57点がこのグループの最高です。1ドルあたりのスコアではDeepSeek V4 Flash 0731がおよそ1桁分勝ります。

Kimi K3はDeepSeek V4 Flashより高い分の価値がありますか? 同じ評価実行の33.8倍の費用で7インデックス点を買うことになります。あるクラスのタスクがFlashで失敗しK3で成功する場合にのみ見合う話で、それは自分のプロンプトで測る必要があります。

DeepSeek V4 Flashにオープンウェイトはありますか? あります。0731ビルドはHugging Faceにdeepseek-ai/DeepSeek-V4-Flash-0731としてMITで、fp8、ゲートなしで公開されています。

なぜ3.8 MaxではなくQwen 3.7 Maxが比較対象なのですか? 執筆時点で3.8 MaxにはArtificial Analysisのページがなく、他の3つと同じ手法で測ったスコアが存在しないためです。Qwen 3.7 Maxは比較可能な第三者数値を持つ最新のQwenです。

出力上限が最も大きいのは? Kimi K3で1,048,576トークンです。DeepSeekの2モデルは384,000、Qwen 3.7 Maxは64,000です。

この中に視覚対応のものはありますか? Kimi K3が対応しており、2026-08-03にゲートウェイ経由で実測済みです。Qwen 3.8 Maxも対応します。Qwen 3.7 MaxとDeepSeek V4の2モデルはカタログ上テキスト専用です。

Artificial Analysisの費用は自分の請求額と同じですか? 違います。あれは特定の9評価スイートなので、固定ワークロードにおけるモデル間の比率を教えてくれるだけで、絶対的な支出額ではありません。順位付けに使い、そのうえで自分のプロンプトで測ってください。

今回確認したソース

• https://artificialanalysis.ai/models/kimi-k3
• https://artificialanalysis.ai/models/deepseek-v4-flash
• https://artificialanalysis.ai/models/deepseek-v4-pro
• https://artificialanalysis.ai/models/qwen3-7-max
• https://ofox.ai/ja/models/moonshotai/kimi-k3
• https://ofox.ai/ja/models/deepseek/deepseek-v4-flash
• https://ofox.ai/ja/models/bailian/qwen3.7-max
• GET https://api.ofox.ai/v1/models(2026-08-03の実行。モデルID、価格、コンテキスト、モダリティのフィールドを取得)
• moonshotai/kimi-k3に対する画像入力の実測、2026-08-03: 画像ありでプロンプトトークン189、同じプロンプトの画像なしで97、説明は正確