MoonshotAI: Kimi K2.7 Code vs. Qwen: Qwen3 235B A22B Thinking 2507
Ein direkter Vergleich von MoonshotAI: Kimi K2.7 Code (2,10 $ / 1 Mio. Tokens (≈ 1,87 €)) und Qwen: Qwen3 235B A22B Thinking 2507 (1,58 $ / 1 Mio. Tokens (≈ 1,40 €)) mit aktuellen USD-Preisen und Funktionen aus dem api14-Katalog. Beide laufen über dieselbe OpenAI-kompatible API.
Technische Daten
| MoonshotAI: Kimi K2.7 Code | Qwen: Qwen3 235B A22B Thinking 2507 | |
|---|---|---|
| Anbieter | Moonshot AI | Qwen |
| Eingabe | 2,10 $ / 1 Mio. Tokens (≈ 1,87 €) | 1,58 $ / 1 Mio. Tokens (≈ 1,40 €) |
| Ausgabe | 12,25 $ / 1 Mio. Tokens (≈ 10,91 €) | 12,25 $ / 1 Mio. Tokens (≈ 10,91 €) |
| Cache-Lesen | 0,56 $ / 1 Mio. Tokens (≈ 0,50 €) | - |
| Kontextfenster | 262.144 | 128.000 |
| Max. Ausgabe | 235.929 | 16.384 |
| Eingabe | text, image | text |
| Ausgabe | text | text |
| Tool Calling | ||
| Strukturierte Ausgabe | ||
| Reasoning-Steuerung | ||
| Hinzugefügt | 12.06.2026 | 25.07.2025 |
Die wichtigsten Unterschiede
- Qwen: Qwen3 235B A22B Thinking 2507 ist bei Eingabe-Tokens 25% günstiger.
- MoonshotAI: Kimi K2.7 Code liest 2.0× mehr Kontext (262.144 Tokens).
- Nur MoonshotAI: Kimi K2.7 Code unterstützt strukturierte JSON-Ausgabe.
- Eine Anfrage mit 1.000 Eingabe- und 500 Ausgabe-Tokens kostet mit MoonshotAI: Kimi K2.7 Code 0,00823 $ und mit Qwen: Qwen3 235B A22B Thinking 2507 0,00770 $.
Im Detail
MoonshotAI: Kimi K2.7 Code wird von Moonshot AI erstellt, und Qwen: Qwen3 235B A22B Thinking 2507 wird von Qwen erstellt. Beide sind Textmodelle, das heißt, sie geben Text zurück, und beide werden über api14 unter derselben OpenAI-kompatiblen Oberfläche bereitgestellt. Das Kimi-Modell wurde von seinem Anbieter am 2026-06-12 veröffentlicht, während das Qwen-Modell am 2025-07-25 veröffentlicht wurde. Die Benennung verrät etwas über die Absicht: Kimi K2.7 Code ist auf Codearbeit ausgerichtet, und das Qwen-Modell trägt das Label Thinking, was auf stark reasoning-lastige Generierung hindeutet.
Die deutlichste Trennung liegt bei Kontext und Eingabe. Kimi K2.7 Code akzeptiert Text- und Bildeingabe und bietet ein Kontextfenster von 262144 Tokens. Qwen3 235B A22B Thinking 2507 akzeptiert nur Text und bietet 128000 Tokens. Wenn Ihr Prompt also einen Screenshot, ein Diagramm, eine gescannte Seite oder ein anderes Bild zusammen mit Text enthält, kann nur das Kimi-Modell ihn annehmen. Wenn Ihre Aufgabe reiner Text ist und bequem in 128000 Tokens passt, sind beide geeignet. Bei den Parametern bietet Kimi K2.7 Code eine breitere Auswahl, darunter structured_outputs, response_format, logit_bias, logprobs, top_logprobs, min_p, repetition_penalty, parallel_tool_calls und seed. Das Qwen-Modell unterstützt tools, tool_choice, reasoning, include_reasoning, temperature, top_p, top_k, frequency_penalty, presence_penalty, max_tokens und stop. Beide unterstützen Tool-Aufrufe, sodass keines dort einen exklusiven Vorteil hat, aber Einschränkungen für strukturierte Ausgabe sind nur für das Kimi-Modell aufgeführt.
Bei der Aufgabenauswahl beginnen Sie mit dem, was die Anfrage tatsächlich benötigt. Langer Repository-Kontext, Refactorings über mehrere Dateien, große Logs oder alles, bei dem das Modell auf ein JSON-Schema oder ein bestimmtes Antwortformat beschränkt werden soll, deutet auf Kimi K2.7 Code hin, wegen des größeren Fensters und der Parameter für strukturierte Ausgabe. Arbeit, die hauptsächlich Reasoning über eine moderate Textmenge ist, bei der das Modell vor der Antwort nachdenken soll und Sie keine Bilder oder Schema-Erzwingung benötigen, passt vernünftig zu Qwen3 235B A22B Thinking 2507. Wenn Sie unsicher sind, sind die entscheidenden Fragen einfach: Enthält die Eingabe ein Bild, überschreitet der Prompt 128000 Tokens, und benötigen Sie strukturierte Ausgaben? Ein Ja auf eine dieser Fragen schließt das Qwen-Modell für diesen Aufruf aus.
Beide über api14 aufzurufen ist derselbe Vorgang. Sie senden eine Anfrage an den OpenAI-kompatiblen Chat-Completions-Endpunkt mit Ihrem api14-Schlüssel, und das Einzige, was sich zwischen den beiden Modellen ändert, ist die Modell-ID-Zeichenkette. Verwenden Sie "moonshotai/kimi-k2.7-code" für das Kimi-Modell und "qwen/qwen3-235b-a22b-thinking-2507" für das Qwen-Modell. Messages, tools, temperature und der Rest des Anfrage-Bodys behalten dieselbe Form, sodass das Wechseln eine Ein-Zeilen-Änderung ist und Sie die beiden an Ihrem eigenen Traffic A/B testen können, ohne Client-Code umzuschreiben. Denken Sie nur daran, ausschließlich Felder zu senden, die das gewählte Modell als unterstützt auflistet, da das Qwen-Modell die Parameter für strukturierte Ausgabe oder Logprob nicht akzeptiert.
Wechseln mit einem String
Beide Modelle nutzen denselben Endpunkt und dieselbe Anfragestruktur. Ändern Sie den model-Wert von "moonshotai/kimi-k2.7-code" auf "qwen/qwen3-235b-a22b-thinking-2507", Prompts, Streaming und Tools funktionieren weiter.
import OpenAI from "openai";
const client = new OpenAI({
baseURL: "https://api14.com/api/v1",
apiKey: process.env.API14_API_KEY,
});
const result = await client.chat.completions.create({
"model": "qwen/qwen3-235b-a22b-thinking-2507",
"messages": [
{
"role": "user",
"content": "Explain vector databases in two sentences."
}
]
});
console.log(result.choices[0].message.content);
Weitere Vergleiche
- LiquidAI: LFM3-1.7B vs. Ricursive: Ripple 65B Preview
- LiquidAI: LFM3-1.7B vs. Crouton Alpha
- LiquidAI: LFM3-1.7B vs. Tencent: Hy4
- LiquidAI: LFM3-1.7B vs. Z.ai: GLM 5.3 FlashX Legal
- Ricursive: Ripple 65B Preview vs. Crouton Alpha
- Ricursive: Ripple 65B Preview vs. Tencent: Hy4
- Ricursive: Ripple 65B Preview vs. Z.ai: GLM 5.3 FlashX Legal
- Crouton Alpha vs. Tencent: Hy4