MoonshotAI: Kimi K2.7 Code contre Qwen: Qwen3 235B A22B Thinking 2507
Un comparatif côte à côte de MoonshotAI: Kimi K2.7 Code (2,10 $US / 1M jetons (≈ 1,87 €)) et Qwen: Qwen3 235B A22B Thinking 2507 (1,58 $US / 1M jetons (≈ 1,40 €)) d’après les prix actuels en USD et les capacités du catalogue api14. Les deux passent par la même API compatible OpenAI.
Caractéristiques
| MoonshotAI: Kimi K2.7 Code | Qwen: Qwen3 235B A22B Thinking 2507 | |
|---|---|---|
| Fournisseur | Moonshot AI | Qwen |
| Entrée | 2,10 $US / 1M jetons (≈ 1,87 €) | 1,58 $US / 1M jetons (≈ 1,40 €) |
| Sortie | 12,25 $US / 1M jetons (≈ 10,91 €) | 12,25 $US / 1M jetons (≈ 10,91 €) |
| Lecture du cache | 0,56 $US / 1M jetons (≈ 0,50 €) | - |
| Fenêtre de contexte | 262 144 | 128 000 |
| Sortie max. | 235 929 | 16 384 |
| Entrée | text, image | text |
| Sortie | text | text |
| Appel d’outils | ||
| Sortie structurée | ||
| Contrôle du raisonnement | ||
| Ajouté le | 12 juin 2026 | 25 juil. 2025 |
Principales différences
- Qwen: Qwen3 235B A22B Thinking 2507 est 25% moins cher sur les tokens d’entrée.
- MoonshotAI: Kimi K2.7 Code lit 2.0× plus de contexte (262 144 tokens).
- Seul MoonshotAI: Kimi K2.7 Code prend en charge la sortie JSON structurée.
- Une requête de 1 000 tokens en entrée et 500 en sortie coûte 0,00823 $US avec MoonshotAI: Kimi K2.7 Code et 0,00770 $US avec Qwen: Qwen3 235B A22B Thinking 2507.
En détail
MoonshotAI: Kimi K2.7 Code est créé par Moonshot AI, et Qwen: Qwen3 235B A22B Thinking 2507 est créé par Qwen. Les deux sont des modèles texte, ce qui signifie que le texte est ce qu'ils renvoient, et les deux sont servis via api14 sous la même surface compatible OpenAI. Le modèle Kimi a été publié par son fournisseur le 2026-06-12, tandis que le modèle Qwen a été publié le 2025-07-25. Le nom indique quelque chose sur l'intention : Kimi K2.7 Code est positionné autour du travail de code, et le modèle Qwen porte le label Thinking, qui pointe vers une génération à forte composante de raisonnement.
La séparation la plus claire concerne le contexte et l'entrée. Kimi K2.7 Code accepte les entrées texte et image et offre une fenêtre de contexte de 262144 tokens. Qwen3 235B A22B Thinking 2507 accepte uniquement le texte et offre 128000 tokens. Donc si votre prompt inclut une capture d'écran, un diagramme, une page scannée ou toute autre image accompagnée de texte, seul le modèle Kimi peut la prendre. Si votre tâche est en texte pur et tient confortablement dans 128000 tokens, les deux sont viables. Côté paramètres, Kimi K2.7 Code expose un ensemble plus large, incluant structured_outputs, response_format, logit_bias, logprobs, top_logprobs, min_p, repetition_penalty, parallel_tool_calls et seed. Le modèle Qwen prend en charge tools, tool_choice, reasoning, include_reasoning, temperature, top_p, top_k, frequency_penalty, presence_penalty, max_tokens et stop. Les deux prennent en charge l'appel d'outils, donc aucun n'a d'avantage exclusif sur ce point, mais les contraintes de sortie structurée ne sont listées que pour le modèle Kimi.
Pour le choix de la tâche, partez de ce dont la requête a réellement besoin. Un contexte de dépôt long, des refactorisations multi-fichiers, de grands journaux, ou tout ce où vous voulez que le modèle soit contraint à un schéma JSON ou à un format de réponse spécifique pointe vers Kimi K2.7 Code, en raison de la fenêtre plus grande et des paramètres de sortie structurée. Un travail qui est principalement du raisonnement sur une quantité modérée de texte, où vous voulez que le modèle réfléchisse avant de répondre et où vous n'avez pas besoin d'images ni d'application de schéma, correspond raisonnablement à Qwen3 235B A22B Thinking 2507. Si vous n'êtes pas sûr, les questions décisives sont simples : l'entrée contient-elle une image, le prompt dépasse-t-il 128000 tokens, et avez-vous besoin de sorties structurées ? Un oui à l'une de ces questions exclut le modèle Qwen pour cet appel.
Appeler l'un ou l'autre via api14 est la même opération. Vous envoyez une requête au point de terminaison chat completions compatible OpenAI avec votre clé api14, et la seule chose qui change entre les deux modèles est la chaîne d'identifiant de modèle. Utilisez "moonshotai/kimi-k2.7-code" pour le modèle Kimi et "qwen/qwen3-235b-a22b-thinking-2507" pour le modèle Qwen. Les messages, les outils, la température et le reste du corps de la requête gardent la même forme, donc le changement est une modification d'une ligne et vous pouvez faire un A/B des deux sur votre propre trafic sans réécrire le code client. Rappelez-vous simplement de n'envoyer que les champs que le modèle choisi liste comme pris en charge, puisque le modèle Qwen n'accepte pas les paramètres de sortie structurée ou de logprob.
Changer de modèle en une chaîne
Les deux modèles utilisent le même endpoint et la même structure de requête. Remplacez la valeur de model "moonshotai/kimi-k2.7-code" par "qwen/qwen3-235b-a22b-thinking-2507" : prompts, streaming et outils continuent de fonctionner.
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);
Plus de comparatifs
- LiquidAI: LFM3-1.7B contre Ricursive: Ripple 65B Preview
- LiquidAI: LFM3-1.7B contre Crouton Alpha
- LiquidAI: LFM3-1.7B contre Tencent: Hy4
- LiquidAI: LFM3-1.7B contre Z.ai: GLM 5.3 FlashX Legal
- Ricursive: Ripple 65B Preview contre Crouton Alpha
- Ricursive: Ripple 65B Preview contre Tencent: Hy4
- Ricursive: Ripple 65B Preview contre Z.ai: GLM 5.3 FlashX Legal
- Crouton Alpha contre Tencent: Hy4