Kimi K3を第三者データで実測：Claude Opus 5に3.6pt差、速度は最遅

こんにちは。かき氷の行列に並ぶのも億劫な季節ですが、今回はまさに「待ち時間」が大事な鍵になる話です。

中国製のLLMLLM（大規模言語モデル）大量の文章で学習し、人のように文章を読み書きできる大きな AI のモデル。詳しく →（大規模言語モデル。ChatGPT や Claude の中身にあたる AI）が「Claude を超えた」という見出しは、もう珍しくありません。そこで、モデル比較サイト Artificial Analysis（以下 AA）の v4.1 という第三者のデータで確かめました。結論から言うと、「中国LLMがClaudeに肉薄した」は本当です。ただ、その代わりに何を手放しているかがモデルごとにまるで違います。Kimi K3 は賢さの点数で Opus 5 に3.6ポイント差まで迫る一方、速度は主要モデルの中で最も遅い。DeepSeek V4 Flash は圧倒的に安く、返事が出始めるのも速いものの、賢さとコーディングの点数は一段下です。Qwen3.8 Max は有力な数字を出していますが、AA にはまだ収録されていません。

Claude Code や API（プログラムから AI を呼び出す窓口）で使うなら、点数だけでなく、返事が出始めるまでの時間と、1つの仕事にかかる実費も無視できません。この記事は2本シリーズの性能編で、実際にいくら安くなるのか、Claude Code からどう乗り換えるのかはコスト・乗り換え編で扱っています。Claude 側の動きは Anthropicリーク2連発：Claude MythosとClaude Code流出で見えたKAIROS、BUDDY、Undercover Modeの正体 もあわせて読むと、つながりがつかみやすくなります。

AA v4.1 の Intelligence Index（AA が付けている総合的な賢さの点数）では、Claude Opus 5 が60.7、Kimi K3 が57.1でした。差は3.6ポイントです。Kimi K3 は、重みが公開されているオープンウェイトのモデルとして、この一覧の最上位にいます。

とはいえ、Kimi K3 が Claude 全体を上回ったわけではありません。Claude Fable 5 は59.9、GPT-5.6 Sol は58.9で、Kimi K3 の上に並んでいます。Claude Opus 4.8 は55.7、Sonnet 5 は53.4。K3 は旧世代の Opus 4.8 を上回り、最新の上位モデルにも近づいた、という位置です。

同じ AA v4.1 の数字を並べると、序列はこうなります。

出典：Artificial Analysis v4.1の保存HTMLに埋め込まれたJSONを2026-08-04に機械抽出。Artificial Analysis

コーディングだけを見ると、Kimi K3 の76.2は Fable 5 の76.5とほぼ同じです。Opus 5 の78.0には届きませんが、「中国製のオープンウェイトだからコーディングは大きく劣る」と言える差ではなくなっています。

ただ、点数の差がそのまま毎日の使い心地になるわけではありません。コーディングの点数で3ポイント前後の差は許せても、返事が出始めるまで1分近く待つなら、AI に何度も作業を回させる仕事では、そちらが新しい詰まりどころになります。

AA の出力速度の中央値は、Kimi K3 が36 token/秒でした（トークンは AI が文章を細かく区切って数える単位です）。Opus 5 は56 token/秒、Fable 5 は74 token/秒、Sonnet 5 は81 token/秒。DeepSeek V4 Flash は113 token/秒で、K3 の約3倍の速さで文字を出します。

しかも K3 は、文字を出すのが遅いだけではありません。TTFT（最初の1文字が届くまでの時間）を含めて回答開始まで58秒、AA の1タスク所要時間は659秒でした。Opus 5 は1タスク446秒なので、賢さの点数では近くても、仕事が終わるまでの時間ではっきり不利です。Artificial Analysisの保存HTMLによる計測値です。

「賢いが待たされる」という評価は、ここから来ています。コードの修正案を一度読むだけなら待てるかもしれません。でも、AI が調べて、書き換えて、テストして、直す、を繰り返す場面では、1回ごとの待ち時間が積み上がっていきます。X では「24 tok/sで、待ち時間が苦痛」という声もありますが、これは個別の環境での体験談で、AA の中央値と同じものとしては扱えません。

Kimi K3 は2.8Tパラメータの MoE（大きなモデルの一部だけを毎回動かす作り）で、1回の推論で動くのは104B、コンテキスト長コンテキスト長（Context Length）AI が1回のやりとりでまとめて扱える文章の長さの上限。トークン数で表す。詳しく →は1Mです。モデルが大きいからといって速くなるわけではなく、推論時の計算量、提供側の構成、考える処理の長さが実際の待ち時間を左右します。大きさを見て速さまで期待すると、数字との落差に戸惑うはずです。Kimi公式リリース

もう一点、Kimi K3 は「オープンソース」ではなく「オープンウェイト」と呼ぶのが正確です。Kimi K3 License には MaaS（モデルをサービスとして提供する事業）向けの収益条項があり、OSI 承認のライセンスではありません。重みが公開されていることと、ソフトとして無条件に自由に使えることは別の話です。

AI に端末操作をさせてコーディングの仕事をこなせるかを見る Terminal-Bench 2.1 では、AA の独立計測で Opus 5 が89.1%、Sol が88.0%、Kimi K3 が85.0%、Fable 5 が84.6%でした。Sonnet 5 は80.5%、DeepSeek V4 Flash は78.7%です。Artificial Analysisの計測値を基準にしています。

Kimi K3 は Fable 5 をわずかに上回りますが、Opus 5 との差は4.1ポイントあります。開発元の Moonshot が公表した Kimi K3 の値は88.3%で、AA の数字とは開きがあります。複数の記事が、この88.3%はハーネス（AI を動かすための周りの仕組み）込みの数字ではないかと指摘しています。nxcode.ioで紹介された比較と AA の独立計測は、出典を分けて読む必要があります。

「Kimi K3 が Opus 5 超え」という見出しを見かけたら、確かめたいのはここです。自社公表の88.3と第三者計測の85.0は、同じ条件の数字ではありません。どちらかが間違いと決めるのではなく、ハーネス、プロンプト、試行回数、ツールの実行条件がそろっているかを見ないと、比べたことにはなりません。

DeepSeek V4 Flash 0731 の Intelligence Index は49.9、Coding Index は69.1でした。Kimi K3 の57.1・76.2、Opus 5 の60.7・78.0と比べると、賢さとコーディングの両方で一段下です。

その代わり、1タスクの実費は0.027ドルです。Opus 5 は2.34ドルなので、AA の Intelligence Index cost/task（評価の1課題あたりの費用）では、DeepSeek V4 Flash が約1/86。安さを優先して大量に回す用途なら、この差が点数の差を上回る場面があります。Artificial Analysis

返事の速さも特徴的です。DeepSeek V4 Flash は TTFT が1.3秒、回答開始までが18.9秒でした。Opus 5 の回答開始は63秒です。出力速度の中央値も V4 Flash は113 token/秒で、Opus 5 の56 token/秒を上回ります。Artificial Analysis

ただし、速いことと賢いことを混ぜてはいけません。DeepSeek V4 Flash は、難しい設計判断や複雑な修正を Opus 5 と同じ品質でこなすモデルとして評価されているわけではありません。軽い調べもの、決まった形のコード変換、試行回数を増やしたい処理では費用と速さが効きますが、難所を一度で抜けたいなら話は別です。

DeepSeek 公式の API 価格は入力0.14ドル、出力0.28ドルで、キャッシュが効いた入力（cache hit）は0.0028ドルです。OpenRouter（複数の AI をまとめて呼べるサービス）で確認できる最安値は入力0.09ドル、出力0.18ドルですが、これは DeepInfra の fp4 量子化を通した経路です。提供経路と量子化の条件が違うので、「安い＝同じ品質」とは扱えません。OpenRouterおよびDeepSeek公式情報

API の表示価格だけを見ると、Kimi K3 も Claude より安く設定されています。Kimi K3 は入力3ドル、出力15ドル、キャッシュ入力0.30ドル。Opus 5 は入力5ドル、出力25ドル、キャッシュ入力0.50ドルです。OpenRouterとArtificial Analysisの保存データに基づきます。

AA の1タスク実費では、Kimi K3 が0.86ドル、Opus 5 が2.34ドルでした。Kimi K3 は Opus 5 の約37%で、確かに安い。それでも DeepSeek V4 Flash の0.027ドルと比べると約32倍です。

この差は、入出力の単価を眺めるだけでは見えてきません。考える過程でどれだけトークンを使うか、何回ツールを呼ぶか、やり直しが起きるかで、実費は変わるからです。Kimi K3 は「品質をある程度保ったまま Opus 5 より安くしたい」ときの選択肢で、最安値を狙うモデルではありません。

1タスク実費の出典は AA v4.1、API 価格の出典は AA および OpenRouter の保存HTMLです。DeepSeek の OpenRouter 最安値は別経路の量子化量子化（Quantization）AI モデルの数値を少ない桁数で表し直して、ファイルと必要なメモリを小さくする手法。詳しく →モデル（数字の精度を落として軽くしたもの）なので、上の表の公式価格と置き換えて比べないでください。

Qwen3.8 Max は2026年8月3日に GA（一般提供の開始）となったモデルで、2.4Tの MoE、1Mのコンテキスト、画像なども扱えるマルチモーダル推論が特徴です。Alibaba Cloud の独占供給で、API 価格は入力2ドル、出力6ドルです。Alibaba公式リリース

ところが、2026年8月4日に AA を確認した時点では、Qwen3.8 Max のモデルページは404（ページが見つからない状態）で、モデル一覧にも載っていませんでした。だから、Kimi K3 や DeepSeek V4 Flash と同じ AA の表に、Qwen3.8 Max の点数を混ぜることはできません。

第三者の計測として確認できるのは LMArena です。Frontend Code Arena では1,668点で4位、Opus 5 Max の1,705点に次ぐ位置でした。Vision Arena では2位で、Fable 5 との差は13点です。LMArenaおよびArena関連の公開情報を出典としています。

Alibaba の自社公表値では、Terminal-Bench 2.1 が86.6、PaperBench が93.0、SWE-bench Pro が67.7です。Terminal-Bench では Opus 4.8 の84.6を上回る一方、SWE-bench Pro では Fable 5 の80.0に大差で負けています。これらは Alibaba 自身のチャートでの比較で、自社で作った QwenXXBench も含みます。利害が絡む数字なので、AA の独立値と同じ表には置きません。Alibaba公式チャート、Bloomberg、MarkTechPost

なお、AA に一時掲載されていたとみられる「Qwen3.8 Max II=53」という値は、2026年8月4日の確認時点でページが404、一覧にも未収録でした。元のページで確かめられないので、確定値としては扱いません。

三者三様の代償: 何を得て、何を引き換えにしたか（数値は本文の表を参照）

Kimi K3 と DeepSeek V4 Flash で迷うなら、分かれ目は「Opus に近い品質を取るか、失敗を許して試行回数を増やすか」です。K3 は性能では Opus に近い代わりに待ち時間が重く、V4 Flash は安くて速い代わりに、難しい仕事では順位が下がります。

Qwen3.8 Max については、今の時点では「性能が低い」とも「Claude 超え」とも言えません。第三者の計測が足りないからです。LMArena の順位は有用な手がかりですが、AA の Intelligence Index や Terminal-Bench 2.1 に直接置き換えられる数字ではありません。確かめられたのは公表値と Arena の順位までで、実力の全体像はまだ推測の域です。AA に収録されたら、この記事の表に加えて検証し直す予定です。

この記事の数値は、どれも各モデルの最大 effort（考える深さの設定。(max) 等）での計測値です。AA の1タスク実費と所要時間は Intelligence Index の評価タスクに基づく値で、実際の開発では入出力のトークン量・キャッシュの効き具合・やり直しの回数によって変わります。DeepSeek V4 Flash の「1タスク0.027ドル」も、評価タスク基準での実測値という意味です。OpenRouter の最安値は fp4 量子化など提供条件が違う経路を含むので、公式価格と同列には比べられません。

数字の集め方も書いておきます。2026-08-04に保存した AA v4.1 と OpenRouter のページから、埋め込まれた JSON データをスクリプトで機械的に抜き出しました（手で写すと転記ミスが出るためです）。自社公表値（発表チャート）と第三者計測（AA・LMArena）は事実の重みが違うものとして、本文でも必ず分けています。Qwen3.8 Max の AA 収録状況は、同じ日にモデルページの HTTP ステータスとモデル一覧の両方で直接確かめました。

AA v4.1 の範囲では、「Kimi K3 が Claude に肉薄した」という見出しは誇張ではありません。Opus 5 との差3.6ポイント、Coding Index で Fable 5 と0.3ポイント差という数字は、第三者の計測でも確かめられます。

それでも、私は Kimi K3 を Opus 5 の単純な代わりとは見ていません。1タスク659秒という所要時間は、同じ品質を得るために待つ時間としては重い。時間を買うのか、API の費用を抑えるのか、難しい仕事の成功率を優先するのかで、評価は入れ替わります。

DeepSeek V4 Flash は、性能争いの勝者というより、安い試行回数と速い返事を差し出してくれるモデルです。V4 Pro の後継は「coming ASAP」とされているものの、2026年8月4日時点ではまだ出ていないので、将来の改善を今の比較に足してはいけません。DeepSeek公式X

今回の数字から確実に言えるのは、「中国LLMは Claude に近づいた」だけではありません。Kimi K3 は賢さと引き換えに待たされ、DeepSeek V4 Flash は品質と引き換えに安く、Qwen3.8 Max は期待値と引き換えに第三者データが足りない。三者を一つの勝敗表に押し込むと、いちばん大事な差が消えてしまいます。

実際の API 費用、定額プランの比較、Claude Code からの切り替え方は、中国LLMコーディングプラン vs Claude Code——月600タスクでなぜ86倍差か？で扱っています。

• META-MARK

HW系エンジニアとして20年以上、10,000件を超える顧客訪問と2,000件を超える単独ソリューション実績。AIツールを使った個人開発やIoT農園など、Raspberry Piを使ったオートメーション化なども実践中です！エンジニア専門結婚相談所も運営中、ClaudeCodeで解決できない心の課題も解決いたします！