Kimi K2.7 Code против GLM-5.2: дешевле за прогон агента? (2026)

Коротко. В пересчёте на токен Kimi K2.7 Code (moonshotai/kimi-k2.7-code) дешевле GLM-5.2 (z-ai/glm-5.2) по каждой оси: $0.95 против $1.40 на входе, $4.00 против $4.40 на выходе, $0.19 против $0.26 на чтении кэша на ofox.ai. Но «дешевле за токен» и «дешевле за прогон агента» это не одно и то же число. На типичном прогоне (50K на вход, 20K на выход, без кэша) Kimi стоит $0.1275 против $0.1580 у GLM, то есть на 19.3% дешевле. Этот разрыв сужается с ростом доли попаданий в кэш и зависит от того, сколько токенов каждая модель реально сжигает, чтобы завершить задачу. Обе модели с открытыми весами, и обе отделяет всего одна замена строки на ofox.ai.

Цена на ценнике говорит, что побеждает Kimi. Счёт сложнее, потому что стоимость прогона это цена, умноженная на количество потреблённых токенов, а вторая половина этого произведения зависит от нагрузки. В этом посте приведены проверенные цены, разобранный пример стоимости за прогон и честная граница: где я могу вычислить ответ, а где вам придётся измерить его на своём трафике.

Коротко: что выбрать?

Честный вердикт: для прогонов агента с кодом, которые помещаются в 256K контекста, направляйте чувствительный к стоимости дефолт на moonshotai/kimi-k2.7-code. Оставьте z-ai/glm-5.2 для задач, которым действительно нужно окно в 1M за один вызов. Разрыв за токен благоприятствует Kimi везде; разрыв за прогон благоприятствует Kimi на большинстве реалистичных соотношений, но сужается с кэшем, поэтому разбивка выше показывает, где деньги реально движутся.

Краткое сравнение характеристик

Цены это тарифы шлюза ofox.ai, USD за миллион токенов, считанные из каталога моделей 16 июля 2026 года. Характеристики взяты из карточек моделей на Hugging Face.

Два вывода стоит снять с этой таблицы перед расчётами. Kimi дешевле по всем трём тарифицируемым осям, поэтому любая нагрузка обойдётся дешевле за токен на Kimi. И контекстные окна не близки. 1M у GLM-5.2 примерно в 4 раза больше, чем 256K у Kimi, и именно эта характеристика главная причина, почему ответ за прогон это не просто «Kimi, всегда». Промпт, переполняющий 256K, приходится разбивать и пересылать заново на Kimi, а повторные входные токены это ровно то место, где живёт скидка Kimi, поэтому достаточно крупная задача с единым контекстом может отыграть разрыв обратно в сторону GLM.

На ofox доступен только текстовый вариант Code от Kimi, поэтому это сравнение кода и текста, а не мультимодальное. Если вашему агенту нужно прикреплять скриншоты или диаграммы, ни одна из этих двух моделей не подходит для этого участка конвейера.

За токен против за прогон: различие, на котором спотыкаются

Ошибка в том, чтобы читать таблицу цен как сравнение прогонов. Стоимость прогона это:

run_cost = (input_tokens × input_price)
         + (cached_input_tokens × cache_price)
         + (output_tokens × output_price)

Цены фиксированы и проверены. Количество токенов не фиксировано. Оно зависит от размера промпта, того, сколько входа попадает в кэш, и сколько выходных токенов модель выдаёт, чтобы завершить задачу. Kimi выигрывает ценовую половину каждого слагаемого. Токенная половина это место, где «более дешёвая» модель всё равно может проиграть конкретный прогон, если сожжёт больше токенов по дороге.

Вот картина по осям, задающая потолок того, насколько Kimi может выиграть:

Обратите внимание на дисбаланс. Главное преимущество Kimi на входе (на 32% дешевле) и на кэше (на 27% дешевле). На выходе она дешевле лишь на 9%. Поэтому форма прогона решает, сколько из этого преимущества вы реально соберёте. Прогоны с тяжёлым входом собирают большую скидку. Прогоны с тяжёлым выходом собирают маленькую. А кэширование, вопреки интуиции, работает против относительного преимущества Kimi, потому что кэшированный входной токен стоит $0.19 вместо $0.95, что сжимает ту самую статью, где Kimi опережала на 32%.

Разобранный пример: типичный прогон агента

Возьмём один конкретный прогон агента и посчитаем оба счёта. Форма ниже это разумный прогон с одной задачей по коду: прочитать кусок контекста, порассуждать, выдать патч.

Прогон, который я фиксирую для обеих моделей:

• 50,000 входных токенов (несколько файлов контекста плюс инструкции)
• 20,000 выходных токенов (рассуждение плюс выданный диф)
• Кэш рассматривается отдельно ниже, начиная с варианта без кэша

У меня нет стороннего бенчмарка того, сколько токенов каждая модель потребляет, чтобы завершить идентичную задачу, поэтому я держу количество токенов равным для обеих моделей и варьирую только цену. Это чисто изолирует эффект цены. Это также означает, что данные числа отвечают на вопрос «если обе модели выдают одинаковые токены, кто дешевле», а не «кто завершает задачу меньшим числом токенов». Второй вопрос требует измерения, и я явно отмечаю его в конце.

При $0.03 за прогон абсолютное число выглядит несущественным. Оно перестаёт выглядеть несущественным на объёме. Один агент по коду, молотящий 1,000 прогонов в день в такой форме:

Девятьсот долларов в месяц на одной форме нагрузки от изменения маршрутизации в одну строку. Это и есть аргумент за то, чтобы направлять чувствительный к стоимости трафик по умолчанию на Kimi.

Влияние кэша: разрыв сужается с ростом кэша

Агенты код-ревью и многоходовые сессии пересылают тот же контекст репозитория на каждом вызове, поэтому большая доля входа попадает в кэш. Обе модели тарифицируют чтение кэша ниже полной цены входа. Вот тот же прогон 50K на вход / 20K на выход при растущей доле попаданий в кэш.

Kimi остаётся дешевле в каждой точке, но разрыв падает с 19.3% до 13.6% по мере роста кэша. Причина структурная. Самая большая скидка Kimi на входе по полной цене (на 32% дешевле). Кэширование превращает вход по полной цене во вход по цене кэша, где Kimi дешевле лишь на 27%, и сжимает всю входную статью в сторону нуля. Остаётся в основном выход, где преимущество Kimi тонкие 9%. Поэтому чем больше вы кэшируете, тем больше стоимость прогона доминируется выходом и тем меньше значит входное преимущество Kimi.

Практический вывод: если ваша нагрузка это цикл код-ревью с высоким кэшем, обе модели близки, и решающим фактором скорее будет качество выхода или потолок контекста 256K против 1M, чем цена за прогон. Если ваша нагрузка это генерация с низким кэшем и свежим контекстом, скидка Kimi приближается к полным 19%.

Чувствительность к соотношению: как меняется разрыв с формой вход/выход

Кэш это один рычаг. Другой это сырое соотношение вход/выход, независимо от кэширования. Смешайте цены за токен при трёх распространённых формах нагрузки, и преимущество Kimi движется в предсказуемом направлении.

Тренд это зеркальное отражение тренда по кэшу. Прогоны с тяжёлым входом собирают жирную входную скидку Kimi в 32%, поэтому преимущество расширяется к 20%. Прогоны с тяжёлым выходом опираются на тонкую выходную скидку в 9%, поэтому преимущество сужается к 11%. Kimi дешевле при любой форме, но агент-суммаризатор, который читает большой файл и выдаёт ответ в две строки, экономит пропорционально больше, чем агент-скелетостроитель, который читает короткий промпт и выдаёт большой файл.

Сложите два рычага вместе, и картина такая: преимущество Kimi за прогон максимально на прогонах с тяжёлым входом и низким кэшем и минимально на прогонах с тяжёлым выходом и высоким кэшем. Ни одна комбинация не переворачивает ранжирование. Обе лишь сдвигают размер выигрыша между примерно 11% и 20%.

Масштабирование счёта: во что обходится соотношение на объёме

Разница за прогон это центы. Причина, по которой она стоит решения о маршрутизации, в том, что флоты агентов не запускают одну задачу. Вот типичный прогон 50K на вход / 20K на выход, отмасштабированный по трём уровням объёма, без кэша, чтобы вы могли найти собственные траты.

Разрыв в 19.3% держится на каждом уровне, потому что это свойство формы прогона, а не объёма. Масштабируется только абсолютная трата. При тысяче прогонов в день экономия окупает инструмент мониторинга. При ста тысячах прогонов в день она окупает небольшую команду. Где на этой таблице сидит ваш флот, там выбор модели перестаёт быть погрешностью округления.

Джокер потребления токенов (что я не могу измерить)

Всё выше держит количество токенов равным между двумя моделями. Это намеренное упрощение, и это несущая оговорка всего этого сравнения.

Стоимость прогона это цена, умноженная на токены. Цену я проверил. Токены я не измерял, потому что нет опубликованного стороннего бенчмарка того, сколько входных, размышляющих и выходных токенов каждая из этих двух моделей потребляет, чтобы завершить идентичную агентскую задачу. Любой, кто называет вам число вроде «Kimi завершает на 15% меньшим числом токенов» без воспроизводимой обвязки, гадает.

Вот почему это важно, как точка безубыточности, а не бенчмарк:

На прогоне с 50K на входе GLM-5.2 стоит $0.1580 всего. Вход Kimi для 50K это $0.0475, что оставляет $0.1105 бюджета до момента, когда она сравняется с GLM. При $4.00/M на выходе этот бюджет покупает около 27,600 выходных токенов. То есть Kimi может выдать примерно в 1.38 раза больше выхода, чем 20,000 у GLM, и всё равно стоить столько же или меньше.

Переверните это: если GLM-5.2 склонна завершать данную задачу заметно меньшим числом выходных токенов, чем Kimi, её более высокая цена за токен может быть частично или полностью компенсирована на этой задаче. Победитель по цене за токен не автоматически победитель за прогон, как только вы позволяете моделям выдавать разное количество токенов. У Kimi ~38% запаса на этой форме прогона до того, как ценовое преимущество перевернётся, и это комфортный буфер, но это буфер, а не бесконечность.

Ещё одна тонкость сидит внутри числа выхода. Обе модели выдают размышляющие токены, а размышляющие токены тарифицируются как выход. Kimi K2.7 Code это размышляющая модель, и Moonshot задокументировала сокращение объёма размышляющих токенов на этом поколении относительно предыдущего, что само по себе история о стоимости, разобранная в анализе сокращения токенов. Для сравнения между моделями это значит, что строка «выходные токены» это не просто видимый ответ, это ответ плюс рассуждение, и разбивка отличается по моделям и по сложности задачи. Модель, которая рассуждает больше, чтобы прийти к тому же ответу, платит больше на выходе даже при более низкой цене выхода. Это ещё одна причина, почему токенную половину уравнения нужно измерять, а не предполагать.

Единственный честный способ закрыть этот пробел это запустить обе модели на своих реальных задачах и считать resp.usage из каждого ответа. A/B-цикл ниже печатает ровно это.

Схема решения: какая модель для какого прогона

flowchart TD
    A[Новый прогон агента] --> B{Вход больше 256K токенов?}
    B -->|Да| C[GLM-5.2: нужно окно в 1M]
    B -->|Нет| D{Измеренный разрыв токенов в пользу GLM?}
    D -->|Да| E[GLM-5.2: меньше выходных токенов компенсирует цену]
    D -->|Нет или не измерено| F{Нужно зрение или мультимодальность?}
    F -->|Да| G[Направьте на vision-модель, не на эти две]
    F -->|Нет| H[Kimi K2.7 Code: дешевле за прогон до 256K]

Схема кодирует весь аргумент: сначала потолок контекста, вторым измеренное поведение по токенам, третьей модальность, и Kimi как дефолт по стоимости для всего, что проваливается вниз. Единственную ветку, которую пропускает большинство команд, это средняя, потому что они никогда не запускают A/B и никогда не узнают, завершает ли GLM их задачи меньшим числом токенов. Пропуск обычно всё равно благоприятствует Kimi, учитывая ~38% выходного запаса, но час на подтверждение того стоит.

Когда выбирать Kimi K2.7 Code

Три случая, где Kimi это явный выбор за прогон:

1. Прогоны, которые помещаются в 256K контекста. Большинство прогонов с одной задачей по коду хорошо укладываются в 256K. Внутри этого окна Kimi дешевле по каждому токену, поэтому она дешевле за прогон при любом соотношении, наиболее решительно на задачах с тяжёлым входом, где входная скидка в 32% ложится полностью.
2. Генерация с тяжёлым выходом и свежим контекстом. Скелеты кода, генерация тестов, применение codemod. Низкое переиспользование кэша означает, что полная входная скидка применяется, и даже тонкое выходное преимущество в 9% накапливается на тысячах прогонов.
3. Флоты агентов с дефолтом по стоимости. Если вы направляете большой объём рутинных прогонов агента и эскалируете только сложные случаи куда-то ещё, Kimi как дефолтная статья на $915/месяц дешевле на нагрузку 1,000 прогонов в день в форме, смоделированной выше.

Лицензия Modified MIT добавляет четвёртую, более мягкую причину. Если Moonshot изменит хостинговые цены позже, веса дают вам запасной вариант самохостинга на той же модели. Эта опция имеет ценность, даже если вы её никогда не используете, потому что она ограничивает вашу уязвимость к будущему движению цены. Та же логика применяется к GLM-5.2 под обычным MIT, поэтому доступность открытых весов не решающий фактор между этими двумя, но это реальное отличие против любого закрытого API, на который вы иначе могли бы полагаться по умолчанию.

Когда выбирать GLM-5.2

Два случая, где более дорогая за токен модель может быть лучшим выбором за прогон:

1. Промпты на весь репозиторий свыше 256K. Контекст GLM-5.2 в 1M примерно в 4 раза больше, чем у Kimi. Промпт, переполняющий 256K, приходится разбивать и пересылать заново на Kimi, и каждый кусок пересылает перекрывающийся вход. Повторные входные токены тарифицируются снова, а это ровно там, где была скидка Kimi, поэтому достаточно крупная задача с единым контекстом может нейтрализовать или перевернуть разрыв за токен. Если вашей задаче действительно нужно 1M за один вызов, GLM делает это нативно, а Kimi не может.
2. Вы измерили разрыв в потреблении токенов. Если ваш собственный A/B показывает, что GLM завершает ваши конкретные задачи достаточно меньшим числом выходных токенов, чтобы превзойти её цену выхода 4.4 против 4.0, верьте своим данным больше, чем этой таблице. Точка безубыточности это ~1.38x выходного запаса на форме прогона выше; нагрузки, которые превосходят её, благоприятствуют GLM.

Оба случая объединяет тема: это ситуации, где токенная половина уравнения стоимости перевешивает ценовую половину. Случай контекста 1M это жёсткое перекрытие, поскольку задача, которая не помещается в 256K, просто не может запуститься на Kimi за один вызов, а разбиение умножает входные токены, за которые вы платите. Случай измеренного разрыва это мягкое перекрытие, которое существует только если у вас есть реальные данные. В отсутствие этих данных побеждает ценовая половина, а ценовая половина указывает на Kimi. Вот асимметрия, которую стоит помнить: чтобы оправдать GLM по стоимости, вам нужна конкретная причина, тогда как Kimi это дефолт по стоимости, которому не нужно оправдание кроме тарифного листа.

Когда ни одна не подходит

Если вашему агенту нужно зрение (скриншоты, диаграммы, страницы PDF), текстовый вариант Kimi Code на ofox не может этого сделать, а ценовое преимущество GLM-5.2 нерелевантно для задачи, которую она также не создана вести. Направьте мультимодальный участок на vision-модель и оставьте эти две для работы с текстом и кодом. Для более широкого паттерна маршрутизации по каталогу ofox, включая то, где модель Claude заслуживает эскалации, смотрите разбор стоимости GLM-5.2 против GPT-5.5, который прорабатывает ту же логику за токен против за счёт на более высоких ценовых точках.

Попробуйте обе через ofox: A/B в одном цикле

И moonshotai/kimi-k2.7-code, и z-ai/glm-5.2 работают на https://api.ofox.ai/v1 по OpenAI-совместимому протоколу. Замена модели это одна строка. Это обвязка, которая реально отвечает на вопрос о потреблении токенов, на который таблицы выше ответить не могут.

Python: A/B обеих моделей и чтение потребления токенов

from openai import OpenAI
import os, time

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

prompt = "Refactor this module for async I/O and add early returns on empty input: ..."

for model in ["moonshotai/kimi-k2.7-code", "z-ai/glm-5.2"]:
    t0 = time.time()
    resp = client.chat.completions.create(
        model=model,
        messages=[{"role": "user", "content": prompt}],
    )
    dt = time.time() - t0
    u = resp.usage
    print(f"{model}: {dt:.1f}s  in={u.prompt_tokens} out={u.completion_tokens}")

Поля prompt_tokens и completion_tokens это недостающая половина уравнения стоимости. Умножьте их на проверенные цены, и вы получите реальную стоимость за прогон на своей задаче, а не приближение с равными токенами из таблиц выше. Запустите это на 20-30 репрезентативных случаях из вашей реальной нагрузки, прежде чем зафиксировать дефолт маршрутизации.

Node: та же форма

import OpenAI from "openai";

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

const prompt = "Refactor this module for async I/O and add early returns on empty input: ...";

for (const model of ["moonshotai/kimi-k2.7-code", "z-ai/glm-5.2"]) {
  const t0 = Date.now();
  const resp = await client.chat.completions.create({
    model,
    messages: [{ role: "user", content: prompt }],
  });
  const u = resp.usage;
  console.log(`${model}: ${(Date.now() - t0) / 1000}s in=${u.prompt_tokens} out=${u.completion_tokens}`);
}

Продакшн-маршрутизация: замена модели в одну строку

Как только у вас есть собственные числа по токенам, продакшн-маршрутизация это одна функция. Направьте чувствительный к стоимости трафик на Kimi по умолчанию, отправьте задачи свыше 256K на GLM:

def pick_model(input_tokens: int) -> str:
    if input_tokens > 256_000:
        return "z-ai/glm-5.2"        # needs the 1M window
    return "moonshotai/kimi-k2.7-code"  # cheaper per run under 256K

resp = client.chat.completions.create(
    model=pick_model(estimated_input_tokens),
    messages=messages,
)

Тот же ключ, тот же эндпоинт, та же строка биллинга. Столбец модели в вашем счёте ofox говорит, во что обошёлся каждый запрос, поэтому вы можете сверить разбивку с реальными тратами через неделю. По смежной работе о стоимости Kimi смотрите, реально ли сокращение размышляющих токенов на 30% снижает ваш счёт за K2.7, и бесплатные и нулевые по стоимости пути к Kimi K2.7 Code.

FAQ

Kimi K2.7 Code дешевле GLM-5.2 в пересчёте на токен? Да, по каждой оси. Kimi на 32% дешевле на входе ($0.95 против $1.40/M), на 9% дешевле на выходе ($4.00 против $4.40/M) и на 27% дешевле на чтении кэша ($0.19 против $0.26/M).

Делает ли это её дешевле за прогон агента? На большинстве реалистичных форм нагрузки да, но разрыв варьируется. Прогон 50K на вход / 20K на выход дешевле на Kimi на 19.3% без кэша и на 13.6% при 80% попаданий в кэш. Экономия сужается с ростом кэша, потому что главная скидка Kimi на входе по полной цене.

Может ли GLM-5.2 когда-либо быть дешевле за прогон? Да, двумя способами. Если задача переполняет контекст Kimi в 256K и её приходится разбивать, повторные входные токены могут стереть скидку. И если GLM завершает вашу конкретную задачу достаточно меньшим числом выходных токенов, её более высокая цена выхода может быть компенсирована. Измеряйте потребление токенов на своих задачах, чтобы знать.

В чём разница контекстного окна? Kimi K2.7 Code это 262,144 токена (256K). GLM-5.2 это 1,048,576 токенов (1M), примерно в 4 раза больше. Этот разрыв главная причина, почему ответ за прогон это не «Kimi, всегда».

Обе с открытыми весами? Да. Kimi K2.7 Code поставляется под лицензией Modified MIT, GLM-5.2 под MIT. Самохостинг это запасной вариант против будущих изменений хостинговой цены, хотя он добавляет затраты на GPU и эксплуатацию.

Источники

• Каталог моделей ofox.ai: moonshotai/kimi-k2.7-code
• Каталог моделей ofox.ai: z-ai/glm-5.2
• Карточка модели Kimi K2.7 Code (Hugging Face)
• Карточка модели GLM-5.2 (Hugging Face)
• Разбор стоимости GLM-5.2 против GPT-5.5
• Руководство по доступу к GLM-5.2
• Анализ счёта Kimi K2.7 Code при сокращении токенов
• Бесплатные и нулевые по стоимости пути к Kimi K2.7 Code