Cookieを使用しています. Cookieとブラウザストレージは、ログイン状態の維持と設定の保存に使われます。許可いただいた場合は、サイトの利用状況も計測します。はいつでも変更できます。詳しくはCookieポリシーをご覧ください。

初めてですか？使い方をご紹介しますプレイグラウンド、モデル、APIキーを1分でご案内します。

Kimi K2.7 Code vs Qwen3 235B A22B Thinking 2507：API料金・コンテキスト・機能を比較 · api14

MoonshotAI: Kimi K2.7 Code 対 Qwen: Qwen3 235B A22B Thinking 2507

api14カタログの最新のUSD料金と機能をもとに、MoonshotAI: Kimi K2.7 Code（$2.10 / 100万トークン (≈ ￥333)）とQwen: Qwen3 235B A22B Thinking 2507（$1.58 / 100万トークン (≈ ￥249)）を並べて比較します。どちらも同じOpenAI互換APIで動作します。

仕様

	MoonshotAI: Kimi K2.7 Code	Qwen: Qwen3 235B A22B Thinking 2507
プロバイダー	Moonshot AI	Qwen
入力	$2.10 / 100万トークン (≈ ￥333)	$1.58 / 100万トークン (≈ ￥249)
出力	$12.25 / 100万トークン (≈ ￥1,940)	$12.25 / 100万トークン (≈ ￥1,940)
キャッシュ読み取り	$0.56 / 100万トークン (≈ ￥89)	-
コンテキストウィンドウ	262,144	128,000
最大出力	235,929	16,384
入力	text, image	text
出力	text	text
ツール呼び出し
構造化出力
推論の調整
追加日	2026/06/12	2025/07/25

主な違い

Qwen: Qwen3 235B A22B Thinking 2507は入力トークンが25%安くなっています。
MoonshotAI: Kimi K2.7 Codeは2.0倍長いコンテキスト（262,144トークン）を読み取れます。
構造化JSON出力に対応しているのはMoonshotAI: Kimi K2.7 Codeだけです。
入力1,000トークン・出力500トークンのリクエストの費用は、MoonshotAI: Kimi K2.7 Codeで$0.00823、Qwen: Qwen3 235B A22B Thinking 2507で$0.00770です。

詳しく見る

MoonshotAI: Kimi K2.7 Code は Moonshot AI によって作られており、Qwen: Qwen3 235B A22B Thinking 2507 は Qwen によって作られています。どちらもテキストモデルであり、つまり返すのはテキストであり、どちらも同じ OpenAI 互換のサーフェスを通じて api14 経由で提供されます。Kimi モデルはプロバイダーによって 2026-06-12 にリリースされ、Qwen モデルは 2025-07-25 にリリースされました。名前は意図について何かを示しています。Kimi K2.7 Code はコード作業を中心に位置づけられており、Qwen モデルは Thinking ラベルを備えており、これは推論重視の生成を指し示しています。

最も明確な違いはコンテキストと入力です。Kimi K2.7 Code はテキストと画像の入力を受け付け、262144 トークンのコンテキストウィンドウを提供します。Qwen3 235B A22B Thinking 2507 はテキストのみを受け付け、128000 トークンを提供します。したがって、プロンプトにスクリーンショット、図、スキャンしたページ、その他の画像がテキストとともに含まれる場合、それを受け取れるのは Kimi モデルだけです。タスクが純粋なテキストで、128000 トークン以内に余裕をもって収まるなら、どちらも選択肢になります。パラメータについては、Kimi K2.7 Code は structured_outputs、response_format、logit_bias、logprobs、top_logprobs、min_p、repetition_penalty、parallel_tool_calls、seed を含む、より広いセットを公開しています。Qwen モデルは tools、tool_choice、reasoning、include_reasoning、temperature、top_p、top_k、frequency_penalty、presence_penalty、max_tokens、stop をサポートします。どちらもツール呼び出しをサポートしているため、そこに排他的な優位性はありませんが、構造化出力の制約が列挙されているのは Kimi モデルだけです。

タスクの選択については、リクエストが実際に何を必要としているかから始めてください。長いリポジトリのコンテキスト、複数ファイルのリファクタリング、大きなログ、あるいはモデルを JSON スキーマや特定のレスポンス形式に制約したいものは、より大きなウィンドウと構造化出力パラメータのため、Kimi K2.7 Code を指し示します。中程度の量のテキストに対する推論が主で、回答前にモデルに考えてほしいが画像やスキーマ強制は必要ない作業は、Qwen3 235B A22B Thinking 2507 に妥当に適合します。迷った場合、決め手となる問いは単純です。入力に画像が含まれるか、プロンプトが 128000 トークンを超えるか、構造化出力が必要か。これらのいずれかに yes なら、その呼び出しでは Qwen モデルが除外されます。

どちらを api14 経由で呼び出すのも同じ操作です。api14 キーを使って OpenAI 互換の chat completions エンドポイントにリクエストを送信し、2 つのモデル間で変わるのはモデル id 文字列だけです。Kimi モデルには "moonshotai/kimi-k2.7-code" を、Qwen モデルには "qwen/qwen3-235b-a22b-thinking-2507" を使用してください。messages、tools、temperature、その他のリクエストボディは同じ形を保つため、切り替えは 1 行の編集であり、クライアントコードを書き直すことなく自分のトラフィックで 2 つを A/B テストできます。ただし、選択したモデルがサポート対象として列挙しているフィールドだけを送信するようにしてください。Qwen モデルは構造化出力や logprob パラメータを受け付けないからです。

Kimi モデルの方が大きなウィンドウとより多くのパラメータを持っていても、Qwen モデルの方が依然としてより良い選択である場合があります。Qwen3 235B A22B Thinking 2507 は入力でより安価な選択肢であり、出力価格は 2 つでほぼ同じなので、入力トークンが請求額を支配する大量のテキストのみの推論では、Qwen モデルの方が実行コストを低くできます。また reasoning と include_reasoning をサポートしているため、ワークフローがモデルの思考の検査に依存している場合、その経路もそこで利用できます。プロンプトがテキストのみで、128000 トークン以内に収まり、構造化出力を必要としないなら、Qwen モデルはフォールバックではなく、正当なデフォルトです。

文字列1つで切り替え

どちらのモデルも同じエンドポイントとリクエスト形式を使います。modelの値を"moonshotai/kimi-k2.7-code"から"qwen/qwen3-235b-a22b-thinking-2507"に変えるだけで、プロンプト、ストリーミング、ツールはそのまま動きます。

MoonshotAI: Kimi K2.7 Codeの詳細とプレイグラウンド →Qwen: Qwen3 235B A22B Thinking 2507の詳細とプレイグラウンド →

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);

MoonshotAI: Kimi K2.7 Code 対 Qwen: Qwen3 235B A22B Thinking 2507

仕様

主な違い

詳しく見る

文字列1つで切り替え

その他の比較