# Kimi K3.1 Pro trên KingBench 4: gần bằng Opus hay không

[AICodeKing](https://homus.dev/speakers/aicodeking) · [AICodeKing](https://homus.dev/orgs/aicodeking)

> Chạy Kimi K3.1 Pro qua sáu task KingBench 4 bằng PandaCode: điểm từng project, bảng mười một model, chi phí $31.88 và open weights.

Topics: Evals, Coding Agents, Dev Tools

Canonical: https://homus.dev/talks/kimi-k3-1-pro-is-really-bad

## 1. Kimi K3.1 Pro và lời hứa "gần bằng Opus"

AICodeKing chào người xem rồi vào chủ đề. Theo video đăng ngày 24/10/2026, Moonshot vừa phát hành Kimi K3.1 Pro, model đầu tiên trong dòng K3.1 mới của họ. Anh mô tả nó về cơ bản là Kimi K3 với thêm rất nhiều post-training ở phía trên. Tính đến ngày video đăng (24/10/2026), model đã dùng được trong app Kimi, trong Kimi Code và qua API, và có thêm một bản Highspeed chạy nhanh hơn hai tới ba lần.

Theo AICodeKing (video đăng ngày 24/10/2026), K3.1 Pro giữ context window 1 triệu token, và Moonshot nói toàn bộ open weights sẽ được phát hành trước ngày 04/11/2026. Trang blog ra mắt mà anh mở trên màn hình ghi: K3.1 Pro và K3.1 Pro Highspeed có trên Kimi.com, Kimi Work, Kimi Code và Kimi API, còn full model weights sẽ được phát hành trước ngày 4/11.

Blog ra mắt cũng khá tự tin, theo lời anh kể trong video đăng ngày 24/10/2026. Moonshot nói model đạt 65.7 trên Terminal-Bench 4.0, ngay sát Claude Opus 5.5 ở 66.4 và vượt xa GPT-6 Astra ở 58.2. Họ cũng nói tỉ lệ hallucination trên bài test thông tin khó nhất của họ giảm từ 23.4% ở K3 xuống 8.3%. Đoạn blog trên màn hình gọi bài test đó là Kimi Hallu Bench Hard, một benchmark nội bộ để stress-test độ chính xác thông tin; tỉ lệ hallucination tính theo từng claim giảm từ 23.4% ở K3 xuống 8.3%, tỉ lệ câu trả lời có ít nhất một lỗi thông tin chỉ bằng 42.4% so với model trước, và blog tự ghi chú rằng các con số này không đại diện cho tỉ lệ lỗi tổng thể khi dùng hằng ngày.

![Biểu đồ Terminal-Bench 4.0 theo blog ra mắt: Opus 5.5 66.4, Kimi K3.1 Pro 65.7, GPT-6 Astra 58.2](https://homus.dev/photos/EP-yA-1PVmw-0043.jpg)

Biểu đồ "Terminal-Bench 4.0 · from the launch blog" trong video đăng ngày 24/10/2026: Opus 5.5 66.4, Kimi K3.1 Pro 65.7, GPT-6 Astra 58.2, kèm nhãn "0.7 behind Opus · 7.5 ahead of Astra". Đây là con số Moonshot công bố, không phải số đo của AICodeKing.

Vì vậy, theo AICodeKing (video đăng ngày 24/10/2026), trên giấy model này đang được giới thiệu như một open model gần ngang Opus. Anh muốn xem điều đó có đứng vững không, nên cho nó chạy qua cả sáu task của KingBench 4, bộ benchmark do chính anh dựng và chấm, rồi so với mọi model khác trên bảng của anh.

## 2. Bản tóm tắt: 5.37 trên 10

Anh đưa bản ngắn trước. Theo số đo của AICodeKing (video đăng ngày 24/10/2026), Kimi K3.1 Pro được 5.37 trên 10, tức 53.7%. Kết quả đó đặt nó ngay giữa nhóm: đứng sau Opus và Astra, và cũng hơi sau Haiku 5.5 và Gemini 4 Argon. Vì vậy, theo anh, câu chuyện "gần bằng Opus" của blog hoàn toàn không xuất hiện ở đây.

Dù vậy, theo số đo của anh (video đăng ngày 24/10/2026), K3.1 Pro vẫn thắng DeepSeek V4.1 Flash, và giá của nó thấp hơn giá K3. Anh đặt câu hỏi cho phần còn lại của video: giá trị đó có bù được cho điểm số không.

![KingBench 4: 6 tasks với một prompt đóng băng mỗi task, so với 10 model trên bảng](https://homus.dev/photos/EP-yA-1PVmw-0103.jpg)

Màn hình "KingBench 4 · one frozen prompt per task" trong video đăng ngày 24/10/2026: sáu task là emulator, Docker alt, room designer, keyboard app, Pokémon và Fitbit app, kèm nhãn "vs 10 models on my chart".

## 3. Chạy toàn bộ benchmark qua PandaCode

Rồi anh kể cách chạy, vì lần này hơi khác. Mọi phần của benchmark đều chạy qua PandaCode, desktop app của chính AICodeKing để chạy coding agent. Theo anh (video đăng ngày 24/10/2026), PandaCode là mã nguồn mở hoàn toàn trên GitHub với giấy phép MIT. Trang README của repo trên màn hình ghi: giấy phép PandaCode License là MIT cộng thêm một điều kiện, các bản fork dùng thương mại hoặc phát hành công khai phải ghi "This is a fork of PandaCode" và dẫn link về repo (README đọc ngày 24/10/2026 vẫn ghi như vậy).

Theo AICodeKing (video đăng ngày 24/10/2026), lý do PandaCode hợp với video này là nó đã được tinh chỉnh riêng cho Kimi. Nó nói chuyện trực tiếp với Kimi Code CLI qua ACP. Nó đọc danh sách model Kimi của bạn cùng context size của từng model. Nó map đúng công tắc thinking và effort, và còn hiển thị usage quota Kimi ngay trong app.

Cho lần chạy này, theo video đăng ngày 24/10/2026, anh dùng architect mode của PandaCode. Trên màn hình, architect là Claude Opus 5.5. Architect phát ra sáu assignment cùng lúc, mỗi assignment một task KingBench, và mỗi assignment đến một Kimi worker chạy K3.1 Pro ở max effort, trong một thư mục project mới tinh, với đúng prompt đã đóng băng. Theo anh, max effort cũng là thiết lập Moonshot dùng cho benchmark của chính họ, nên đây là model ở trạng thái tốt nhất.

Cách AICodeKing chạy KingBench 4 cho K3.1 Pro (video đăng ngày 24/10/2026): một architect chia sáu assignment, sáu worker K3.1 Pro ở max effort chạy song song, rồi mỗi task có một evaluator riêng.

## 4. Sáu worker song song, rate limit và evaluator riêng

Theo số đo của AICodeKing (video đăng ngày 24/10/2026), cả sáu worker chạy song song và toàn bộ xong trong chưa tới một giờ. Task nhanh nhất mất khoảng 24 phút, task chậm nhất khoảng 58 phút. Trên biểu đồ wall time anh đưa ra, thanh dài nhất là 02-container-runtime.

![Biểu đồ wall time của sáu Kimi worker theo phút](https://homus.dev/photos/EP-yA-1PVmw-0234.jpg)

Biểu đồ "six Kimi workers · one clock · wall time (min)" trong video đăng ngày 24/10/2026: sáu thanh cho 01-emulator, 02-container-runtime (dài nhất), 03-room-designer, 04-qmk-configurator, 05-pokemon-red và 06-fitbit-desktop trên trục 0 tới 60 phút.

Trong lúc chạy song song, theo số đo của anh (video đăng ngày 24/10/2026), lần chạy chạm rate limit cấp tổ chức của Moonshot chín lần (màn hình ghi HTTP 429). Kimi Code chỉ việc retry từng request rồi chạy tiếp, nên chuyện đó không gây vấn đề gì; nhãn trên màn hình ghi "Kimi Code retried · 0 problems".

Rồi tới phần chấm điểm, theo video đăng ngày 24/10/2026: PandaCode dựng một evaluator riêng cho mỗi task. Mỗi evaluator đóng băng project trước, rồi làm mọi việc test trên một bản sao. Tức là nó build project, chạy test, chơi thử trong một trình duyệt thật, và tấn công bằng input xấu, nhưng không bao giờ sửa một dòng code nào của model. Theo anh, mọi điểm số đều dùng cùng một rubric nghiêm ngặt như các model khác trên bảng của anh.

## 5. Một khác biệt so với các lần chạy cũ

AICodeKing lưu ý một điều (video đăng ngày 24/10/2026): vì chạy qua PandaCode, các lần chạy này không dùng sandbox mà các lần chạy cũ của anh đã dùng. Phần cô lập (isolation) đến từ prompt và từ write scope của PandaCode. Anh không nghĩ điều đó làm thay đổi kết quả, nhưng thấy cần nói ra cho công bằng.

Khác biệt về cách cô lập theo màn hình "one difference from my older runs" trong video đăng ngày 24/10/2026: các lần chạy cũ dùng Seatbelt sandbox, lần này dựa vào prompt và write scope của PandaCode; nhãn ghi kết quả có lẽ không đổi nhưng đáng nói ra.

## 6. Project 1: emulator, chỉ có phần Game Boy

Bắt đầu với emulator: task yêu cầu một emulator Game Boy, DS và 3DS viết bằng Rust. Theo đánh giá của AICodeKing (video đăng ngày 24/10/2026), K3.1 chỉ build phần Game Boy. Anh ghi nhận nó trung thực về điều đó: tin nhắn cuối cùng của model nói rõ DS và 3DS chưa được implement, và emulator từ chối các file đó thay vì giả vờ chạy chúng. Trên màn hình, terminal in "DS and 3DS execution is not implemented" và lệnh thoát với exit 1, kèm nhãn "no fake running". Theo anh, rất nhiều model làm giả ở chỗ này, nên điều đó có ý nghĩa, và nó khớp với tỉ lệ hallucination thấp hơn mà Moonshot nói tới.

Phần lõi Game Boy mà nó làm thì thật sự chắc chắn, theo số đo của AICodeKing (video đăng ngày 24/10/2026). Nó qua cả 11 bài test lệnh CPU kinh điển. Nó vẽ bài test render chuẩn đúng tới từng pixel. Save state khôi phục về đúng khung hình cũ, và emulator chạy nhanh khoảng 40 lần tốc độ thật.

![Terminal chạy test emulator: 11 bài Blargg cpu_instrs PASS, dmg-acid2 khớp 23,040 pixel, restored state cùng frame hash, 3,600 frame trong 1.54 giây](https://homus.dev/photos/EP-yA-1PVmw-0403.jpg)

Terminal test emulator trong video đăng ngày 24/10/2026: cột PASS cho 11 bài Blargg cpu_instrs (01-special tới 11-op a,(hl)); nhãn "dmg-acid2 · 23,040 / 23,040 px match", "restored state → same frame hash" và "3,600 frames (60 s of play) in 1.54 s ≈ 40×".

Nhưng có một bug khó chịu (theo số đo của anh, video đăng ngày 24/10/2026) trong cách nó xử lý một kiểu interrupt thông dụng, làm hỏng stack. Vì vậy một game homebrew như Tobu Tobu Girl crash ngay ở màn hình logo. Save trong game chỉ được ghi khi bạn đóng emulator đúng cách, nên một lần crash sẽ làm mất tiến trình. Và tất nhiên hai phần ba emulator được yêu cầu đơn giản là không tồn tại.

Kết quả, theo số đo của AICodeKing (video đăng ngày 24/10/2026): emulator được 1.8 trên 10. Theo anh, đó là mức bạn nhận được khi làm một hệ máy trên ba, kể cả khi làm hệ đó tốt.

## 7. Project 2: krun, một Docker alternative viết bằng Go

Tiếp theo là Docker alternative. Theo đánh giá của AICodeKing (video đăng ngày 24/10/2026), K3.1 viết một công cụ tên krun bằng Go, chỉ dùng thư viện chuẩn, và phía xử lý image của nó thật sự tốt. Nó kéo Alpine, Nginx, Redis, Ubuntu và BusyBox thẳng từ Docker Hub, và các filesystem giải nén ra khớp chính xác với bộ giải nén tham chiếu của chính anh.

Anh còn ném vào nó 20 image cố tình độc hại (theo số đo của anh, video đăng ngày 24/10/2026), với các mánh như path traversal, symlink và hard link thoát ra ngoài, và nó chặn được tất cả. Theo AICodeKing, điều đó thật sự ấn tượng, vì vài model trên bảng của anh đã mất điểm đúng ở chỗ này khi để một image xấu ghi ra ngoài container.

![Màn hình 20/20 hostile images blocked or contained, host files unchanged](https://homus.dev/photos/EP-yA-1PVmw-0459.jpg)

Kết quả "hostile images · real krun pull + create" trong video đăng ngày 24/10/2026: "20/20 blocked or contained", nhãn "host files unchanged", và 15 biểu tượng khiên có dấu tích.

Vấn đề, theo đánh giá của AICodeKing (video đăng ngày 24/10/2026), là nó chưa phải một Docker alternative. Các image Docker cũ theo định dạng schema 2 tải về bình thường rồi thất bại khi bạn tạo container, dù README nói chúng được hỗ trợ. Không có build, không có exec, không có port publishing và không có networking.

Và toàn bộ ý của prompt là hiệu quả hơn Docker, nhưng theo anh (video đăng ngày 24/10/2026) không có một benchmark nào, nên tuyên bố đó chỉ là một mục tiêu thiết kế nằm trong README. Chính README của krun trên màn hình ghi "Status: working prototype, not a full Docker replacement and not production-hardened" và "No benchmark establishes that krun is faster or more resource-efficient than Docker". Phần runtime Linux cũng không chạy được trên máy Mac của anh, nên chỉ được điểm ở mức source.

Kết quả, theo số đo của AICodeKing (video đăng ngày 24/10/2026): krun được 4.1 trên 10, nằm ở nửa trên của task này nhưng vẫn còn xa điều được yêu cầu.

## 8. Project 3: trình thiết kế phòng 3D

Theo AICodeKing (video đăng ngày 24/10/2026), trình thiết kế phòng là kết quả tốt nhất của K3.1. Trên tab trình duyệt, app có tên "Forma, Room Studio". Bạn đặt kích thước phòng và căn phòng thật sự được dựng lại. Có 12 loại đồ nội thất mà bạn có thể đổi kích thước, đổi màu và đổi texture.

Phần kéo thả được làm rất tốt, theo số đo của anh (video đăng ngày 24/10/2026): một chiếc giường đã xoay khi kéo vào tường sẽ dừng đúng ở bức tường. Lưu, mở và import đều chạy. File hỏng bị từ chối, và kể cả sau hơn 100 lần chỉnh sửa, nó không rò rỉ bộ nhớ GPU nào. Màn hình stress test ghi 110 lần chỉnh sửa: 30 lần đổi kích thước, 60 cặp thêm và xoá, 20 lần dựng lại phòng.

Nhưng prompt yêu cầu một thứ trông thật nhất có thể, và theo đánh giá của AICodeKing (video đăng ngày 24/10/2026), kết quả trông như một mô hình kiến trúc sạch sẽ chứ không phải một căn phòng thật. Mặt trời nằm sau bức tường phía sau, nên hầu như không có bóng đổ của đồ nội thất. Bạn chỉ đổi được một màu ánh sáng chung, và đồ nội thất mới luôn xuất hiện ở cùng một chỗ giữa phòng, nên sau 30 món bạn có một đống sofa chồng lên nhau.

![Trình thiết kế phòng 3D với đống sofa chồng lên nhau giữa phòng, nhãn 30 new sofas → one overlapping pile](https://homus.dev/photos/EP-yA-1PVmw-0623.jpg)

Trình thiết kế phòng do K3.1 Pro tạo trong video đăng ngày 24/10/2026: catalog đồ nội thất bên trái, căn phòng có giường, kệ sách và một đống sofa chồng lên nhau ở giữa với nhãn "30 new sofas → one overlapping pile"; thông báo "Modular sofa added to the room." và bộ đếm "39 objects" ở góc dưới.

Vì vậy, theo số đo của AICodeKing (video đăng ngày 24/10/2026), nó được 7.4 trên 10. Anh gọi đó là tốt, nhưng DeepSeek Flash được 8.8 ở đây và Opus được 8.5, nên với task này nó thật ra dưới mức trung bình.

## 9. Project 4: app bàn phím, bất ngờ của lần chạy

Tiếp theo là app bàn phím, mà AICodeKing gọi là bất ngờ của lần chạy này (video đăng ngày 24/10/2026). Theo anh, phần lớn model thất bại hoàn toàn ở task này vì tự bịa ra giao thức riêng hoặc gửi các packet hỏng. Trên màn hình, app có tên Keystone, một QMK Configurator.

K3.1 thì nói đúng giao thức VIA thật, theo số đo của AICodeKing (video đăng ngày 24/10/2026). Anh test nó với một bàn phím QMK ảo, và các command ID đều đúng, mọi packet đều đúng kích thước. Một lần lưu keymap thay đổi đúng hai phím đã sửa, và các byte của macro khớp với cách QMK tự mã hoá, đúng tới từng byte. Rút bàn phím ra thì app quay về chế độ demo mà không mất các thay đổi chưa lưu. Và đúng, nó vàng đúng kiểu.

![Keystone QMK Configurator, trang Macros với macro Quick hello và nhãn macro text café](https://homus.dev/photos/EP-yA-1PVmw-0719.jpg)

Keystone trong video đăng ngày 24/10/2026: trang Macros với 16 macro slot, macro M0 "Quick hello" gồm một bước Text "Hello, keyboard!" và một bước Tap KC_ENT (Enter); bàn phím đang dùng là "Yellowjacket 75", một thiết bị demo mô phỏng; nhãn "macro text: café" đánh dấu bài test gõ một ký tự không phải tiếng Anh.

Nhưng nó cũng có vài vấn đề thật (theo số đo của anh, video đăng ngày 24/10/2026). Một định nghĩa VIA chuẩn có 11 phím lại được render thành 14 phím, vì app xử lý sai encoder và layout option; theo anh, đó là loại lỗi sẽ hỏng trên một bàn phím thật. Danh sách keycode mỏng (màn hình ghi khoảng 194 keycode), không có phím layer-tap hay mod-tap. Gõ một ký tự không phải tiếng Anh vào một macro làm trắng toàn bộ app. Và đọc một keymap mất hàng trăm lượt gửi nhận, trong khi lẽ ra chỉ cần vài chục; màn hình ghi Keystone gửi một request cho mỗi phím, mỗi layer.

Dù vậy, theo số đo của AICodeKing (video đăng ngày 24/10/2026), app vẫn được 6.4 trên 10, và chỉ Opus với Haiku làm tốt hơn ở task này, nên anh ghi nhận công bằng cho nó.

## 10. Project 5: Pokemon Red

Tiếp theo là Pokemon Red. Theo lần chơi của AICodeKing (video đăng ngày 24/10/2026), bạn đi bộ được hết lộ trình từ nhà mình tới Brock mà không crash lần nào. Oak chặn bạn lại ở bãi cỏ cao, nhiệm vụ lấy bưu kiện chạy được, bắt Pokemon chạy được, và đánh bại Brock cho bạn huy hiệu đúng một lần. Nó còn giữ được sau khi reload, nên khung xương đã có.

Nhưng theo đánh giá của anh (video đăng ngày 24/10/2026), game không thật sự mang cảm giác Pokemon Red. Mọi toà nhà đều là cùng một ngôi nhà mái đỏ, Viridian Forest về cơ bản là một bãi cỏ mở, còn màn chọn Pokemon khởi đầu và menu chiến đấu là các pop-up web thay vì màn hình game đúng nghĩa. Nhiệm vụ bưu kiện cũng không chặn gì cả, nên bạn có thể bỏ qua nó và đi thẳng tới Brock.

Hệ thống lên level thì hỏng hoàn toàn (theo lần chơi của AICodeKing, video đăng ngày 24/10/2026): Squirtle của anh đi từ level 5 lên level 34 trước gym đầu tiên, biến Brock thành trò đùa. Tệ nhất là màn hình tiêu đề đặt con trỏ vào New Game ngay cả khi bạn đã có bản save, nên một lần bấm Enter xoá sạch tiến trình mà không có cảnh báo nào.

![Game Pokemon trong khung trình duyệt: Your House, bảng party trống, nhãn save Lv35 badge, focus New journey, Enter save wiped](https://homus.dev/photos/EP-yA-1PVmw-0821.jpg)

Game Pokemon do K3.1 Pro tạo trong video đăng ngày 24/10/2026, ngay sau khi bấm Enter ở màn hình tiêu đề: nhân vật trở lại "YOUR HOUSE", nhiệm vụ quay về "A partner for the road", bảng party ghi "No partner yet", Boulder Badge "Not yet earned"; các nhãn bên phải ghi "save: Lv35 · badge", "focus: New journey" và "Enter → save wiped".

Kết quả, theo số đo của AICodeKing (video đăng ngày 24/10/2026): game được 6.6 trên 10, trong khi Astra và Argon ở quanh mức 8.5 với task này.

## 11. Project 6: app Fitbit desktop

Cuối cùng là app Fitbit desktop. Theo đánh giá của AICodeKing (video đăng ngày 24/10/2026), đây là một app Tauri thật với backend Rust. Nó mở ra thành một cửa sổ native, và dashboard trông như đã hoàn thiện. Bạn có recovery, cardio load, các giai đoạn giấc ngủ, xu hướng heart rate variability và các vùng nhịp tim, nên nó phủ phần lớn các ý tưởng của Whoop. Nó cũng nhanh: theo số đo của anh, nó xử lý 10 năm dữ liệu hằng ngày trong khoảng ba mili giây.

![Dashboard Airdesk: Recovery 86%, Cardio load 10.4 of 21, Sleep 7h46m, HRV 67.4 ms, biểu đồ cardio load 30 ngày](https://homus.dev/photos/EP-yA-1PVmw-0834.jpg)

App Fitbit tên Airdesk ("Personal performance") trong video đăng ngày 24/10/2026, bản xem trước trên trình duyệt với dữ liệu demo: thẻ Recovery 86%, Cardio load 10.4 trên 21, Sleep 7h46m, HRV 67.4 ms, biểu đồ Cardio load 30 ngày và Training balance 1.02; nhãn "native window opens · capture blocked" giải thích vì sao cửa sổ native không chụp được.

Các endpoint Fitbit mà nó gọi cũng đúng (theo đánh giá của AICodeKing, video đăng ngày 24/10/2026). Nhưng bạn kết nối bằng cách dán một access token, vì không có luồng đăng nhập và không có token refresh. Nó chỉ nhắm tới Fitbit Web API cũ, mà theo anh (video đăng ngày 24/10/2026) Google đang trong quá trình tắt dần để chuyển sang Google Health API.

Theo số đo của anh (video đăng ngày 24/10/2026), app không import được một bản export Fitbit thật, chỉ nhận định dạng file của chính nó. Và nếu bạn import một file không đầy đủ, nó lặng lẽ xoá dữ liệu bạn đã có cho những ngày đó. Kết quả: app Fitbit được 5.9 trên 10.

## 12. Bảng điểm cuối cùng của mười một model

Gộp tất cả lại, theo số đo của AICodeKing (video đăng ngày 24/10/2026), K3.1 Pro được 5.37 trên 10 trên bảng của anh. Opus 5.5 ở 5.78, GPT-6 Astra 5.65, GPT-6.1 Sol 5.50, Gemini 4 Argon 5.43, Haiku 5.5 5.42, rồi tới Kimi K3.1 Pro với 5.37. Phía sau là Muse Wonder Full 5.30, DeepSeek V4.1 Flash 5.17, GLM 5.3 và Muse Wonder cùng 4.58, và M3.1 Flash ở cuối với 3.63.

![Biểu đồ six-task average của mười một model, Kimi K3.1 Pro 5.37 ở hạng sáu](https://homus.dev/photos/EP-yA-1PVmw-0923.jpg)

Biểu đồ "six-task average · eleven models" trong video đăng ngày 24/10/2026: Opus 5.5 5.78, GPT-6 Astra 5.65 (được khoanh), GPT-6.1 Sol 5.50, Gemini 4 Argon 5.43, Haiku 5.5 5.42, Kimi K3.1 Pro 5.37 (thanh màu xanh), Muse Wonder Full 5.30, DeepSeek V4.1 Flash 5.17, Muse Wonder 4.58, GLM-5.3 4.58, M3.1 Flash 3.63.

Theo AICodeKing (video đăng ngày 24/10/2026), hạng sáu trên mười một là đáng nể. Nhưng anh nhắc lại: blog cho thấy nó hơn Astra 7 điểm, còn ở đây Astra rõ ràng đứng trên nó.

## 13. Chi phí: tiền đi đâu

Rồi tới chi phí. Theo bảng giá AICodeKing nêu trong video đăng ngày 24/10/2026, K3.1 Pro có giá $2 cho mỗi triệu input token, $0.20 cho input đã cache và $10 cho output, một mức giảm đáng kể so với $3, $0.30 và $15 của K3. Bản Highspeed đắt gấp đôi, ở $4 và $20.

Theo số đo của AICodeKing (video đăng ngày 24/10/2026), sáu task dùng khoảng 112 triệu token qua 793 request (màn hình ghi 112.7 triệu), và theo đúng biểu giá chính thức đó cả lần chạy hết khoảng 32 đô. Nếu dùng Highspeed thay vào, con số sẽ vào khoảng 42 đô; màn hình ghi $31.88 và $41.66.

![Hoá đơn sáu task theo giá K3.1 Pro: 1.42M uncached $2.84, 110.54M cached $22.11, 0.69M output $6.93, total $31.88](https://homus.dev/photos/EP-yA-1PVmw-1023.jpg)

Phép tính "six tasks · official K3.1 Pro rates" trong video đăng ngày 24/10/2026: 1.42 M uncached × $2 = $2.84, 110.54 M cached × $0.20 = $22.11, 0.69 M output × $10 = $6.93, total $31.88; "at Highspeed rates · $41.66"; bên phải là 112.7 M tokens và 793 requests.

Và nếu nhìn tiền đi đâu, theo phân tích của anh (video đăng ngày 24/10/2026), thì không phải output. K3.1 viết tổng cộng chưa tới 700.000 token, chỉ khoảng $7. Chi phí thật là 110 triệu token đã cache mà nó đọc lại ở từng bước, riêng phần đó đã khoảng $22. Vì vậy, theo AICodeKing, kể cả với cache hit rẻ, đây là một agent rất "nói nhiều" với chính context của nó, và bạn trả tiền cho mỗi lần đọc lại.

## 14. So điểm với giá của các model khác

Rồi anh so sánh, theo số đo của AICodeKing (video đăng ngày 24/10/2026). Haiku 5.5 điểm cao hơn, 5.42, với khoảng $7.40. DeepSeek V4.1 Flash được 5.17 với dưới $2. GPT-6.1 Sol được 5.50 với ít nhất $6, và Gemini 4 Argon được 5.43 với ít nhất $10. Opus 5.5 vẫn đắt hơn, từ $46 trở lên, và điểm cao hơn rõ rệt. Trên biểu đồ chi phí và điểm, các con số ghi chính xác hơn: DeepSeek V4.1 Flash $1.97, GPT-6.1 Sol ≥$5.94, Gemini 4 Argon ≥$9.80, và một màn hình khác ghi Opus ≥$46.06.

![Biểu đồ run cost vs six-task score: Kimi K3.1 Pro $31.88 nằm xa bên phải nhóm Sol, Argon, Haiku và DeepSeek V4.1 Flash](https://homus.dev/photos/EP-yA-1PVmw-1103.jpg)

Biểu đồ "run cost vs six-task score" trong video đăng ngày 24/10/2026: GPT-6.1 Sol ≥$5.94, Gemini 4 Argon ≥$9.80, Haiku 5.5 $7.40 và DeepSeek V4.1 Flash $1.97 nằm dồn ở phía chi phí thấp, còn Kimi K3.1 Pro $31.88 đứng một mình ở bên phải với điểm thấp hơn Sol, Argon và Haiku.

Kết luận của anh về giá trị (theo số đo của AICodeKing, video đăng ngày 24/10/2026): K3.1 rẻ hơn Opus, nhưng tốn hơn bốn lần Haiku cho một điểm số thấp hơn, và khoảng 16 lần DeepSeek Flash cho một điểm số chỉ cao hơn hai phần mười. Theo anh, đó không phải một món hời: rẻ hơn Opus chẳng có mấy ý nghĩa khi nó không làm được như Opus.

## 15. Open weights

Về mã nguồn mở, AICodeKing gọi đây là một điểm cộng lớn của Kimi (video đăng ngày 24/10/2026). Theo anh, K3 đã có open weight trên Hugging Face theo giấy phép riêng của Moonshot, về cơ bản là MIT với vài điều kiện thêm cho các công ty rất lớn; trang model moonshotai/Kimi-K3 trên Hugging Face (đọc ngày 24/10/2026) ghi giấy phép là "other". Moonshot nói toàn bộ weights của K3.1 Pro sẽ ra trước ngày 04/11/2026. Theo anh, khi weights ra, các nhà cung cấp khác có thể host nó và bạn có thể chạy trên server của mình, nên giá có thể còn xuống thấp hơn nữa.

Anh lưu ý (video đăng ngày 24/10/2026): đây là một model thuộc cỡ ba nghìn tỉ tham số, nên "tự chạy" nghĩa là một rack GPU chứ không phải laptop của bạn. Moonshot cũng nói họ đã bỏ dữ liệu huấn luyện liên quan tới an ninh mạng (cyber) khỏi bản phát hành mở, nên bản bạn tải về có thể không khớp hoàn toàn với bản trên API.

Các open-weight model trên bảng KingBench 4 theo số đo của AICodeKing (video đăng ngày 24/10/2026), điểm trung bình sáu task: Kimi K3.1 Pro 5.37, DeepSeek V4.1 Flash 5.17, GLM-5.3 4.58; màn hình gắn nhãn "once the weights land" cho K3.1 Pro (trục dọc không bắt đầu từ 0).

## 16. Kết luận: dùng K3.1 Pro ở đâu

Vậy có nên dùng nó không? Theo AICodeKing (video đăng ngày 24/10/2026), nếu bạn trả tiền theo token trên API thì anh không nghĩ bạn nên dùng, ít nhất là không cho loại việc này. Haiku cho điểm hơi tốt hơn với khoảng một phần tư giá. DeepSeek Flash đến rất gần mà gần như không tốn gì. Và nếu muốn kết quả tốt nhất, Opus đắt hơn nhưng thật sự làm được; trên màn hình, K3.1 Pro rẻ hơn Opus 31% ($31.88 so với ít nhất $46.06). Theo anh, tính đến ngày video đăng, không có chỗ nào trên bảng mà K3.1 Pro là lựa chọn khôn ngoan.

Chỗ anh sẽ dùng nó (theo AICodeKing, video đăng ngày 24/10/2026) là với một gói subscription Kimi, nơi số token không thật sự đụng tới ví của bạn, và bên trong một thứ như PandaCode vốn đã được thiết lập sẵn cho Kimi. Trong thiết lập đó, theo anh, bạn có một model thật sự trung thực về những gì nó chưa build, cẩn thận về bảo mật, và xử lý giao thức bàn phím tốt hơn phần lớn các model anh từng test. Và khi open weights ra, nó sẽ thành open-weight model có điểm cao nhất trên bảng của anh, trên DeepSeek Flash và GLM. Anh nói đó là những điểm mạnh thật và anh không muốn gạt chúng đi.

Nhưng theo AICodeKing (video đăng ngày 24/10/2026), Moonshot cần sửa hai thứ trước khi model này thành một khuyến nghị thật. Thứ nhất, nó phải thôi đọc lại toàn bộ context ở mỗi bước, vì đó là thứ làm hoá đơn cao như vậy. Thứ hai, nó phải thật sự làm xong điều bạn yêu cầu: làm một hệ máy trên ba và giao ra một Docker alternative không có lệnh build không phải là dáng vẻ của một model "gần bằng Opus".

Hai thứ AICodeKing nói Moonshot cần sửa (video đăng ngày 24/10/2026), theo màn hình "two things Moonshot needs to fix": phần đọc lại context chiếm $22.11 trong hoá đơn $31.88, và các project còn bỏ dở phần lớn yêu cầu.

Theo anh (video đăng ngày 24/10/2026), blog ra mắt bán nó như thể đứng ngay cạnh Opus, nhưng trong các project thật nó đứng ngay sau Haiku. Vì vậy đó là một open model tốt chứ không phải một model frontier, và bạn nên đối xử với nó như thế. Tổng thể, anh nói nó khá hay. Anh mời người xem để lại ý kiến trong phần bình luận rồi chào tạm biệt.

## Nguồn và liên kết

- Tên gốc: Kimi K3.1 Pro is REALLY BAD!
- Sự kiện: [YouTube](https://homus.dev/events/youtube)
- Video gốc: [https://www.youtube.com/watch?v=EP-yA-1PVmw](https://www.youtube.com/watch?v=EP-yA-1PVmw)

- Kênh YouTube AICodeKing (AICodeKing): [youtube.com/channel/UC0m81bQuthaQZmFbXEY9QSw](https://www.youtube.com/channel/UC0m81bQuthaQZmFbXEY9QSw)

- PandaCode, repo GitHub của AICodeKing; README ghi giấy phép PandaCode License (MIT cộng một điều kiện cho fork) và các CLI được hỗ trợ, trong đó có Kimi Code (đọc ngày 24/10/2026): [github.com/aicodeking/pandacode](https://github.com/aicodeking/pandacode)

- Trang model Kimi-K3 của Moonshot AI trên Hugging Face, giấy phép ghi "other" (đọc ngày 24/10/2026): [huggingface.co/moonshotai/Kimi-K3](https://huggingface.co/moonshotai/Kimi-K3)

Nguồn: https://homus.dev/talks/kimi-k3-1-pro-is-really-bad · cập nhật 2026-10-24