Какая нейросеть лучше: MiniMax-M3 или Kimi-K2.7-Code. Справедливое сравнение

Прежде чем сравнивать цифры бенчмарков, стоит сделать честную оговорку, которая уже дважды всплывала в подобных сравнениях моделей в этой серии материалов: Kimi уже выпустила более новую версию K3, и это сравнение — снимок ситуации на момент релиза K2.7 Code, а не окончательный вердикт на сегодняшний день. Такая ситуация далеко не редкость в индустрии открытых моделей для кода, где команды разработчиков выпускают обновления флагманских линеек буквально каждые несколько месяцев, из-за чего любое сравнение конкретных версий рискует устареть уже к моменту публикации. Разбираем, что предлагали обе модели в своей весовой категории — открытые веса, агентное кодирование, но разные архитектурные ставки и разное позиционирование внутри рынка открытых моделей.

Почему стоит иметь в виду смену поколения у Kimi

По данным источника от 3 сентября 2026 года — буквально на момент подготовки этого материала — актуальным флагманом Moonshot AI для кода уже названа Kimi K3, с заметно возросшими показателями: результат на SWE-bench Verified составляет 93.4% против 80.5% у MiniMax M3, что представляет собой существенный скачок вперёд по сравнению с предыдущим поколением линейки. Но и цена у новой версии заметно выше — $3 за миллион входных и $15 за миллион выходных токенов против $0.30 и $1.20 у M3, то есть MiniMax оказывается дешевле примерно на 92% по этому конкретному сравнению, что делает выбор между моделями далеко не таким однозначным, как может показаться исключительно по показателям качества.

Это та же логика, что уже неоднократно всплывала в подобных материалах: раз в вопросе явно указана конкретная версия K2.7 Code, сравнение ниже актуально на момент её релиза в июне 2026 года, но важно честно предупредить читателя, что Kimi уже успела выпустить более новую линейку с существенно иными характеристиками производительности и цены. Если для вашей задачи критична именно самая свежая и мощная версия модели Moonshot, стоит отдельно свериться с актуальными характеристиками K3, а не ориентироваться исключительно на цифры K2.7 Code из этого сравнения, которые к моменту чтения статьи могут уже не отражать реальное положение дел на рынке открытых моделей.

MiniMax M3: что за модель

MiniMax M3 вышел 1 июня 2026 года от компании MiniMax, с открытыми весами и 428 миллиардами параметров на MoE-архитектуре, из которых активными на каждый конкретный токен остаются около 23 миллиардов — довольно типичное соотношение для современных MoE-моделей, позволяющее сочетать большую общую ёмкость сети с относительно скромными вычислительными затратами на обработку каждого отдельного запроса. Модель поддерживает мультимодальный вход — текст, изображения и видео, — что расширяет спектр практических задач далеко за пределы чистой работы с текстом или кодом: можно, например, загрузить видеозапись демонстрации бага и попросить модель проанализировать её вместе с кодовой базой.

Контекстное окно модели составляет 1 миллион токенов — в четыре раза больше, чем у Kimi K2.7 Code, что даёт заметное практическое преимущество при работе с объёмными репозиториями кода или длинными документами, требующими удержания в памяти большого количества деталей одновременно, без необходимости искусственно разбивать задачу на фрагменты и терять связи между удалёнными друг от друга частями кода. Собственная архитектура компании, получившая название MiniMax Sparse Attention, по заявлению разработчика обеспечивает девятикратное ускорение на этапе prefill и пятнадцатикратное ускорение на decode при длинном контексте по сравнению с предыдущей моделью компании — впечатляющий прирост эффективности, особенно заметный именно на длинных запросах, где традиционные архитектуры внимания начинают заметно замедляться из-за квадратичной сложности вычислений относительно длины контекста.

По бенчмаркам результат на SWE-bench Pro составляет 59.0% — по одному источнику это первое место среди всех открытых моделей на момент релиза, хотя с минимальным отрывом от K2.7 Code, разница между которыми укладывается практически в статистическую погрешность. Цена модели заметно ниже конкурента — $0.30 за миллион входных и $1.20 за миллион выходных токенов, что делает модель одной из наиболее экономически привлекательных опций среди открытых моделей сопоставимого класса на момент релиза. По данным Artificial Analysis, модель также быстрее — 87.9 токена в секунду против 37.2 у конкурента — и с меньшей задержкой первого токена: 1.38 секунды против 2.98, что практически ощутимо в интерактивных сценариях использования, где пользователь ждёт быстрого начала ответа. Точные цифры цены немного расходятся между площадками — одна называет $0.22 при смешанном расчёте, другая приводит отдельные цифры $0.30 и $1.20, — но направление подтверждается стабильно во всех источниках, которые сходятся именно на явном ценовом преимуществе MiniMax перед конкурентом. Отдельного внимания заслуживает независимое тестирование от Composio на «сложных» задачах терминального кодирования, которое показало явное практическое преимущество M3 — модель оказалась примерно в пять раз дешевле по цене за фактически решённую задачу в этом конкретном тесте, что важнее абстрактного процента на бенчмарке для реального бюджета проекта, особенно при масштабировании на большое количество запросов в день.

Kimi K2.7 Code: что за модель

Kimi K2.7 Code вышел 12–16 июня 2026 года — точные даты слегка расходятся между источниками — от компании Moonshot AI, тоже с открытыми весами, но при этом заметно крупнее по параметрам: 1 триллион параметров на MoE-архитектуре с 32 миллиардами активных на токен. Модель специализируется именно на длинных агентных сессиях кодирования: поддерживает более 4000 последовательных вызовов инструментов, способна непрерывно работать свыше 12 часов и примерно на 30% эффективнее по расходу токенов, чем предыдущая версия K2.6, что говорит о заметном прогрессе внутри собственной линейки компании между релизами. Есть отдельный вариант HighSpeed, оптимизированный для более быстрых сессий там, где скорость важнее максимальной глубины рассуждения, что даёт разработчикам дополнительную гибкость в выборе между качеством и оперативностью.

Контекстное окно модели составляет 256–262 тысячи токенов — заметно меньше, чем у M3, что стоит учитывать при работе с особенно объёмными кодовыми базами, где может понадобиться удерживать в памяти больше контекста, чем позволяет эта модель. На SWE-bench Pro результат составляет 58.6% — почти идентично M3, разница укладывается в пределы статистической погрешности по одному из источников, то есть по этому конкретному параметру говорить об уверенном превосходстве какой-либо модели было бы некорректно и методологически неоправданно.

Бенчмарки: кто в чём сильнее

По наиболее авторитетному и последовательному источнику из всех использованных в подобных сравнениях, Artificial Analysis, MiniMax M3 опережает K2.7 Code практически по всем измеримым параметрам сразу — общему индексу интеллекта, скорости генерации, цене и размеру контекстного окна. Разрыв особенно заметен именно в скорости и стоимости: почти в два с половиной раза быстрее генерация и заметно ниже цена за токен, что в сумме делает MiniMax значительно более экономичным вариантом для большинства повседневных сценариев использования.

При этом Kimi K2.7 Code остаётся специализированным инструментом именно под сверхдлинные агентные сессии кодирования — задачи, требующие 12 и более часов непрерывной работы с тысячами последовательных вызовов инструментов, — и в этой конкретной нише может оказаться предпочтительнее, несмотря на в целом более слабые общие показатели по остальным параметрам. Это классический случай, когда узкоспециализированная оптимизация под конкретный, довольно редкий сценарий использования может перевесить более высокие общие цифры конкурента, если ваша реальная задача попадает именно в эту специализированную нишу, а не в более типичный сценарий короткого или среднего по длительности запроса.

Почему появляются такие узкоспециализированные модели для кода

Стоит понимать более широкий контекст, объясняющий, почему компании вроде Moonshot AI вообще инвестируют в создание моделей, заточенных под настолько специфический сценарий, как многочасовые непрерывные агентные сессии, вместо того чтобы конкурировать исключительно по общим показателям качества и цены. По мере того как ИИ-агенты всё активнее используются для автономного решения сложных инженерных задач — не просто написать одну функцию, а полностью реализовать и протестировать целую фичу без постоянного участия человека, — возникает практическая потребность в моделях, способных стабильно работать на протяжении многих часов, не теряя контекст ранее принятых решений и не накапливая ошибок в длинной цепочке действий.

Именно эту нишу и закрывает Kimi K2.7 Code — модель, для которой общая скорость и цена оказываются менее приоритетными характеристиками по сравнению со способностью надёжно удерживать состояние сложной многошаговой задачи на протяжении сверхдлинной сессии. Для большинства пользователей, решающих типичные, относительно короткие задачи кодирования, такая специализация не даёт заметного преимущества и оборачивается лишь более высокой ценой и меньшей скоростью — но для узкого круга сценариев с по-настоящему длинными автономными агентными процессами эта специализация может оказаться решающим фактором выбора.

Сведём ключевые параметры в таблицу для наглядного сравнения:

Обратите внимание, что по SWE-bench Pro разница между моделями практически отсутствует — 59.0% против 58.6% — то есть по этому конкретному параметру говорить о преимуществе какой-либо стороны было бы преувеличением. А вот по скорости, задержке первого токена и размеру контекстного окна разрыв в пользу MiniMax M3 куда более выразительный и практически ощутимый в реальной работе, а не только в лабораторных условиях тестирования.

Пример вызова обеих моделей через API

Для тех, кто хочет протестировать обе модели самостоятельно, вот базовая структура запроса к каждой из них:

json

{

  «model»: «minimax-m3»,

  «messages»: [{«role»: «user», «content»: «Analyze this repository and video walkthrough, then suggest refactoring priorities»}]

}

json

{

  «model»: «kimi-k2.7-code»,

  «messages»: [{«role»: «user», «content»: «Continue this long-running coding session, keeping track of all prior tool calls and decisions»}]

}

Первый пример намеренно построен вокруг мультимодальной задачи с видео — сценарий, где раскрывается расширенная поддержка входных форматов у MiniMax M3. Второй — вокруг продолжения длинной сессии кодирования с сохранением истории решений, что напрямую задействует специализацию Kimi K2.7 Code на сверхдлинных агентных цепочках действий.

Кому что выбрать

Для мультимодальных задач, работы с большим контекстом и там, где важна минимальная цена при высокой скорости генерации, более уверенным выбором выглядит MiniMax M3 — модель опережает конкурента практически по всем измеримым параметрам, кроме узкоспециализированной выносливости в сверхдлинных сессиях. Такой выбор оправдан для большинства повседневных сценариев разработки — от рефакторинга отдельных модулей до анализа объёмных репозиториев, где важна скорость обратной связи, а не марафонская автономная работа на протяжении полусуток.

Для сверхдлинных непрерывных агентных сессий кодирования, где модели предстоит работать без перерыва более 12 часов подряд с тысячами последовательных вызовов инструментов, а важна именно выносливость и способность удерживать контекст решений на всём протяжении сессии, — предпочтительнее может оказаться Kimi K2.7 Code, несмотря на более высокую цену и меньшую скорость по остальным параметрам. Такой сценарий типичен для полностью автономных проектов, где ИИ-агенту делегируется реализация целой фичи от начала до конца без промежуточного контроля со стороны разработчика.

Стоит ещё раз напомнить о честной оговорке из начала статьи: если вы выбираете модель Moonshot сегодня, а не на момент релиза K2.7 Code, разумно сначала проверить актуальные характеристики и цену K3 — судя по заметно возросшим показателям SWE-bench Verified, новая версия может кардинально изменить расстановку сил в этом сравнении, хотя и по заметно более высокой цене, которая делает выбор менее очевидным, чем может показаться на первый взгляд по одним только показателям качества.

У SpeShu.AI есть аналоговые модели: SpeShu Claude, SpeShu Gemini, SpeShu ChatGPT. Они не уступают официальным моделям и при этом работают без VPN, оплачиваются картой банков РФ и стоят дешевле.

Отдельно стоит сказать про Студию SpeShu.AI — инструмент внутри этой экосистемы нейросетей для генерации фото, видео и аудио в одном месте. Для музыкальных экспериментов это удобно тем, что генерации получаются без лишних артефактов и «галлюцинаций» модели, референсы — если тестируете аранжировку по образцу — подгружаются стабильно, а для проектов с несколькими версиями трека есть библиотека файлов, которая не даёт потерять более раннюю версию хука при генерации новой. Внутри самой Студии доступно 100+ нейросетей — это отдельная цифра именно для инструментов Студии, тогда как вся платформа целиком объединяет уже больше 300 нейросетей для текста, изображений, видео и музыки. Сама платформа в этом смысле правильнее называется не просто агрегатором, а экосистемой нейросетей — она не просто даёт доступ к моделям по отдельности, а связывает их в общий рабочий процесс.

Частые вопросы

Актуальна ли ещё модель Kimi K2.7 Code или её уже заменили?
Формально модель ещё доступна, но уже не флагман линейки Moonshot AI — по данным на начало сентября 2026 года актуальным флагманом для кода названа Kimi K3 с заметно более высокими показателями SWE-bench Verified, хотя и по существенно более высокой цене. Перед выбором стоит проверить, какая версия актуальна у вашего провайдера на момент принятия решения.

Какая модель дешевле в реальном использовании?
MiniMax M3 заметно дешевле по официальной цене за токен, а независимое тестирование Composio на сложных задачах терминального кодирования показало, что модель оказывается примерно в пять раз дешевле по цене за фактически решённую задачу — то есть преимущество в цене подтверждается не только официальным прайсом, но и практическим тестированием.

В чём именно Kimi K2.7 Code может быть предпочтительнее, несмотря на более слабые общие показатели?
В сценариях сверхдлинных непрерывных агентных сессий кодирования — модель специально оптимизирована для работы свыше 12 часов подряд с более чем 4000 последовательными вызовами инструментов. Для таких узкоспециализированных задач выносливость и стабильность на длинной дистанции может оказаться важнее более высоких общих показателей скорости и цены конкурента.

Какой у моделей контекст и почему это важно?
У MiniMax M3 контекстное окно составляет 1 миллион токенов, у Kimi K2.7 Code — около 260 тысяч, то есть почти в четыре раза меньше. Больший контекст позволяет удерживать в памяти модели больше информации одновременно — например, весь объёмный репозиторий кода целиком, — не разбивая задачу на искусственно мелкие фрагменты с риском потери связей между частями.

Стоит ли учитывать, что бенчмарки Kimi K2.7 Code преимущественно самозаявленные?
Да, это важная деталь для честной оценки. Поскольку результаты не подтверждены независимой третьей стороной на SWE-bench Verified, к абсолютным цифрам этой модели стоит относиться с несколько большей осторожностью по сравнению с показателями, прошедшими независимую верификацию, и по возможности проверять их на собственной задаче, а не полагаться исключительно на официально заявленные проценты.

Заключение

MiniMax M3 выигрывает практически по всем измеримым параметрам — цена, скорость, размер контекста, — но Kimi K2.7 Code остаётся специализированным инструментом для сверхдлинных агентных сессий кодирования, где выносливость важнее общих показателей. Стоит также обязательно проверить, не сместила ли уже более новая Kimi K3 расстановку сил к моменту, когда вы читаете эту статью, поскольку рынок открытых моделей для кода меняется очень быстро, а обновления флагманских линеек происходят буквально каждые несколько месяцев. Лучший практический подход, как и в любом подобном сравнении, — протестировать обе модели на своей реальной задаче, прежде чем принимать окончательное решение на основе одних только цифр бенчмарков, которые, как мы увидели, местами противоречат друг другу между независимыми источниками. При пополнении баланса на SpeShu.AI промокод HABRSPESHUAI даёт +15% к сумме пополнения.