MoonshotAI: Kimi K2.7 Code contra Qwen: Qwen3 235B A22B Thinking 2507
Uma comparação lado a lado entre MoonshotAI: Kimi K2.7 Code (US$ 2,10 / 1M fragmentos (≈ R$ 11,56)) e Qwen: Qwen3 235B A22B Thinking 2507 (US$ 1,58 / 1M fragmentos (≈ R$ 8,67)) com preços em USD e recursos atuais do catálogo do api14. Os dois funcionam pela mesma API compatível com OpenAI.
Especificações
| MoonshotAI: Kimi K2.7 Code | Qwen: Qwen3 235B A22B Thinking 2507 | |
|---|---|---|
| Provedor | Moonshot AI | Qwen |
| Entrada | US$ 2,10 / 1M fragmentos (≈ R$ 11,56) | US$ 1,58 / 1M fragmentos (≈ R$ 8,67) |
| Saída | US$ 12,25 / 1M fragmentos (≈ R$ 67,41) | US$ 12,25 / 1M fragmentos (≈ R$ 67,41) |
| Leitura de cache | US$ 0,56 / 1M fragmentos (≈ R$ 3,08) | - |
| Janela de contexto | 262.144 | 128.000 |
| Saída máxima | 235.929 | 16.384 |
| Entrada | text, image | text |
| Saída | text | text |
| chamada de ferramentas | ||
| Saída estruturada | ||
| Controle de raciocínio | ||
| Adicionado em | 12 de jun. de 2026 | 25 de jul. de 2025 |
Principais diferenças
- Qwen: Qwen3 235B A22B Thinking 2507 é 25% mais barato nos tokens de entrada.
- MoonshotAI: Kimi K2.7 Code lê 2.0× mais contexto (262.144 tokens).
- Só o MoonshotAI: Kimi K2.7 Code suporta saída JSON estruturada.
- Uma requisição com 1.000 tokens de entrada e 500 de saída custa US$ 0,00823 com MoonshotAI: Kimi K2.7 Code e US$ 0,00770 com Qwen: Qwen3 235B A22B Thinking 2507.
Em detalhe
MoonshotAI: Kimi K2.7 Code é feito pela Moonshot AI, e Qwen: Qwen3 235B A22B Thinking 2507 é feito pela Qwen. Ambos são modelos de texto, o que significa que texto é o que retornam, e ambos são servidos através do api14 sob a mesma superfície compatível com OpenAI. O modelo Kimi foi lançado pelo seu fornecedor em 2026-06-12, enquanto o modelo Qwen foi lançado em 2025-07-25. A nomenclatura diz algo sobre a intenção: Kimi K2.7 Code está posicionado em torno de trabalho de código, e o modelo Qwen carrega o rótulo Thinking, que aponta para geração com uso intenso de raciocínio.
A divisão mais clara é contexto e entrada. Kimi K2.7 Code aceita entrada de texto e imagem e oferece uma janela de contexto de 262144 tokens. Qwen3 235B A22B Thinking 2507 aceita apenas texto e oferece 128000 tokens. Portanto, se o seu prompt inclui uma captura de tela, um diagrama, uma página digitalizada ou qualquer outra imagem junto com texto, apenas o modelo Kimi pode recebê-la. Se a sua tarefa é texto puro e cabe confortavelmente dentro de 128000 tokens, ambos são viáveis. Em parâmetros, Kimi K2.7 Code expõe um conjunto mais amplo, incluindo structured_outputs, response_format, logit_bias, logprobs, top_logprobs, min_p, repetition_penalty, parallel_tool_calls e seed. O modelo Qwen suporta tools, tool_choice, reasoning, include_reasoning, temperature, top_p, top_k, frequency_penalty, presence_penalty, max_tokens e stop. Ambos suportam chamada de ferramentas, então nenhum tem vantagem exclusiva nesse ponto, mas restrições de saída estruturada são listadas apenas para o modelo Kimi.
Para seleção de tarefa, comece pelo que a solicitação realmente precisa. Contexto longo de repositório, refatorações de múltiplos arquivos, logs grandes, ou qualquer coisa em que você queira o modelo restringido a um esquema JSON ou a um formato de resposta específico aponta para Kimi K2.7 Code, por causa da janela maior e dos parâmetros de saída estruturada. Trabalho que é principalmente raciocínio sobre uma quantidade moderada de texto, em que você quer que o modelo pense antes de responder e você não precisa de imagens ou imposição de esquema, é um ajuste razoável para Qwen3 235B A22B Thinking 2507. Se você não tem certeza, as perguntas decisivas são simples: a entrada contém uma imagem, o prompt excede 128000 tokens, e você precisa de saídas estruturadas? Um sim para qualquer uma dessas descarta o modelo Qwen para aquela chamada.
Chamar qualquer um dos dois através do api14 é a mesma operação. Você envia uma solicitação para o endpoint de chat completions compatível com OpenAI com a sua chave api14, e a única coisa que muda entre os dois modelos é a string do id do modelo. Use "moonshotai/kimi-k2.7-code" para o modelo Kimi e "qwen/qwen3-235b-a22b-thinking-2507" para o modelo Qwen. Messages, tools, temperature e o resto do corpo da solicitação mantêm a mesma forma, então a troca é uma edição de uma linha e você pode fazer A/B dos dois no seu próprio tráfego sem reescrever o código do cliente. Apenas lembre-se de enviar somente campos que o modelo escolhido lista como suportados, já que o modelo Qwen não aceita os parâmetros de saída estruturada ou logprob.
Troque com uma string
Os dois modelos usam o mesmo endpoint e o mesmo formato de requisição. Mude o valor de model de "moonshotai/kimi-k2.7-code" para "qwen/qwen3-235b-a22b-thinking-2507", prompts, streaming e ferramentas continuam funcionando.
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);
Mais comparações
- LiquidAI: LFM3-1.7B contra Ricursive: Ripple 65B Preview
- LiquidAI: LFM3-1.7B contra Crouton Alpha
- LiquidAI: LFM3-1.7B contra Tencent: Hy4
- LiquidAI: LFM3-1.7B contra Z.ai: GLM 5.3 FlashX Legal
- Ricursive: Ripple 65B Preview contra Crouton Alpha
- Ricursive: Ripple 65B Preview contra Tencent: Hy4
- Ricursive: Ripple 65B Preview contra Z.ai: GLM 5.3 FlashX Legal
- Crouton Alpha contra Tencent: Hy4